[发明专利]一种融合用户影响关系的在线社区好友推荐方法及系统

说明书

本发明提供一种融合用户影响关系的在线社区好友推荐方法及装置，该方法的具体过程为：步骤1.构建隐性用户行为网络，所述用户行为网络包括无向加权用户行为网络和有向加权用户行为网络；基于有向加权用户行为网络计算在线社区中基于兴趣的用户影响关系；步骤2.基于所述无向加权用户行为网络，获取具有相似兴趣的用户社团；步骤3.基于目标用户所在的社团，构建用户好友关系网络；基于所述用户影响关系构建用户影响关系网络；步骤4.结合用户好友关系网络和用户影响关系网络进行好友推荐。本发明具有更好的好友推荐效果。

技术领域

本发明属于互联网信息推荐技术领域，具体涉及一种融合用户影响关系的在线社区好友推荐方法及系统。

背景技术

互联网和信息技术的不断发展使信息的产生和传播方式发生了翻天覆地的变化，人们也逐渐将网络作为沟通交流的重要渠道。在线社区是网络中出现的社会聚集，社区成员因为共同的兴趣在社区中进行交流讨论。随着在线社区的日益流行，用户往往难以快速有效地发现自己真正感兴趣的用户，造成了严重的信息过载问题。发现社区成员感兴趣的好友不仅能够帮助用户建立有效的社交关系进而促进用户间的沟通交流，也有助于保持和促进在线社区的持续繁荣。

现有方法往往通过分析好友关系网络、用户资料或用户生成内容进行好友推荐，这几种方法往往忽略用户社会化关系对好友推荐的协同作用，不适用于在线社区场景。现有基于好友关系网络的方法往往只考虑用户间的显性社交关系网络，如好友关系或关注关系等，而忽略了在线社区用户之间的潜在社会关系，如话题的共同参与等。基于用户资料的在线社区好友推荐方法大多根据用户的个人属性信息等进行推荐，但是这类方法往往面临用户资料不完整和推荐不准确等问题。基于用户生成内容的方法往往从文本的角度探索用户之间的相似关系，进而完成好友推荐，但这类方法大多忽略了用户之间的其他社会化信息，如用户之间的交互关系和相似属性等。

好友推荐是为目标用户推荐其可能感兴趣的其他用户的过程，被推荐的其他用户称为项目。根据已有的好友关系网络，可以构建用户之间的评分矩阵。协同过滤是推荐系统中最为流行的方法之一，基于模型的协同过滤方法使用数据挖掘和机器学习技术从训练数据中的用户评分数据学习用户行为模式，进而预测出用户对项目的评分。矩阵分解方法是一种高效的基于模型的协同推荐方法，该方法通过对评分矩阵进行低秩近似实现评分预测。矩阵分解的核心思想认为用户的兴趣及被推荐项目的固有属性往往只受少数几个因素的影响。具体地，该方法将用户对项目的评分R分解为l×n维度的用户潜在特征矩阵U和l×m维度的项目潜在特征矩阵V，其中l为潜在特征维度，n为用户数量，m为项目数量。潜在特征矩阵U为用户的兴趣特征矩阵，表示各个用户在潜在特征上的兴趣程度。潜在特征矩阵V为项目的固有特征矩阵，表示各个被推荐项目在潜在特征上的固有属性。在线社区中既有的好友关系较少，对应的好友关系矩阵R＝(R_ij)_n×n往往较为稀疏，其中存在大量的缺失项。基于矩阵分解得到的两个特征矩阵可以对矩阵R＝(R_ij)_n×n中的缺失项进行评分预测得到

则R＝(R_ij)_n×n中的缺失项可以通过中的评分进行估计并产生推荐。矩阵分解问题可以转化为机器学习中的最优化问题，加入正则项的损失函数可以定义为：

其中，为指示函数，用来表示评分矩阵中对应元素是否缺失，不缺失时否则λ_U和λ_V为正则系数。