[发明专利]一种基于联合概率矩阵分解的微博关注推荐方法

说明书

本发明公开了一种基于联合概率矩阵分解的微博关注推荐方法，包括步骤1、读取用户关系信息和用户交互行为信息；步骤2、由所述用户关系信息构建用户关系矩阵；步骤3、由所述用户交互行为信息构建长期影响力矩阵，将长期影响力矩阵作为用户影响力矩阵；步骤4、对用户关系矩阵和用户影响力矩阵进行联合概率矩阵分解，得到用户潜在特征矩阵和影响力潜在特征矩阵，对用户潜在特征矩阵和影响力潜在特征矩阵內积得到用户关系强度矩阵，根据用户关系强度矩阵提取用户关系强度列表，根据用户关系强度列表进行推荐。本发明考虑交互行为的时效性，能得到个性化的推荐结果，在一定程度上缓解了数据稀疏性问题，能够提供更好的推荐结果。

技术领域

本发明涉及一种微博关注推荐方法，特别是涉及一种基于联合概率矩阵分解的微博关注推荐方法。

背景技术

社交网络庞大的用户基数以及极快的增长速度，产生了海量的社交网络数据。截至2017年，新浪微博月活跃人数已接近3亿，每天产生超过一亿条微博，月增长用户超过2000万。如何有效利用这些数据为用户推荐好友，缓解信息过载，成为一个亟需解决的难题。

现有技术已有将传统的推荐技术应用于社交网络推荐中。例如，从关联关系出发，假设存在关联关系的对象更容易受到同一用户关注，利用对象间的关联关系进行推荐。又如，将在线社交网络中存在着不同于直接连接的弱依赖关系，以及社交网络具有异质性，两者结合起来应用于社交网络关注推荐。也有技术方案通过挖掘社交关系，建立局部信任和全局信任，并利用信任的传播性质对信任关系进行建模，最后综合考虑相似关系和信任关系筛选邻居节点进行推荐。还有的方案考虑了用户之间的交互行为，通过用户间的关注关系强度、交互频率、个体兴趣计算用户之间的关联兴趣，并基于此产生推荐列表。但是上述方法仅考虑了用户之间的静态的关注关系和交互频率，并不能准确衡量用户之间的关系强度，导致推荐结果被接受概率低。

发明内容

针对上述现有技术的缺陷，本发明提供了一种基于联合概率矩阵分解的微博关注推荐方法，以缓解数据稀疏性问题，能够提供更好的推荐结果。

本发明技术方案如下：一种基于联合概率矩阵分解的微博关注推荐方法，包括以下步骤：

步骤1、读取用户关系信息和用户交互行为信息；

步骤2、由所述用户关系信息构建用户关系矩阵；

步骤3、由所述用户交互行为信息构建长期影响力矩阵，将长期影响力矩阵作为用户影响力矩阵；

步骤4、对用户关系矩阵和用户影响力矩阵进行联合概率矩阵分解，得到用户潜在特征矩阵和影响力潜在特征矩阵，对用户潜在特征矩阵和影响力潜在特征矩阵內积得到用户关系强度矩阵，根据用户关系强度矩阵提取用户关系强度列表，根据用户关系强度列表进行推荐；

所述用户关系矩阵为S(v)＝{(u₁,w₁),(u₂,w₂),...,(u_n,w_n)}，其中v,u_i,i＝1,2,...,n为用户，n为数据中与用户v相似的用户数目；w_i,i＝1,2,...,n为用户u_i与v的关系相似度在v所有相似用户中的权重，

其中Sim(u_i,v)为用户u_i与v的双向关系相似度的线性加权相似度，所述双向关系相似度为粉丝关系相似度和关注关系相似度；