[发明专利]一种基于异构信息网络的社交推荐方法

权利要求书

1.一种基于异构信息网络的社交推荐方法，其特征在于，包括以下步骤：

步骤S1，异构信息网络包括多种类型的数据，包括用户的社交信息、用户与物品的交互信息和物品的标签信息在内的信息，在异构信息网络中，使用关联边的权重表示两个连接对象的量化指标，对于不同类型的关联关系，采用权重映射函数对权重进行归一化处理；

步骤S2，在异构信息网络中设计出多个元路径meta-path，然后基于元路径遍历异构信息网络，搜索出元路径下的所有路径实例instances，异构信息网络中，不同的对象之间的链接路径导致了语义上的差别，如User-User(UU)路径和User-Item-User(UMU)路径，UU路径表示目标用户的朋友，而UIU路径代表与目标用户喜欢同一物品的用户，这些链接路径都是元路径，元路径是对象类型之间的一个关系序列，它定义了开始类型和结束类型间的一个新的复合关系；

步骤S3，对于每一元路径下的所有路径实例instances，基于影响力传播将路径实例中异构对象的关系转化为同构对象的影响关系M(x,y)；

步骤S4，同一元路径下，对关于两个同类对象的所有路径实例进行影响力求和，计算得到两个对象在此元路径下的相似关系s(x,y)；

步骤S5，为了统一元路径下的信息表示，使用非线性函数将元路径下的相似关系映射到[0,1]区间的数值；

步骤S6，利用矩阵分解方法分别将每一个元路径下的所有对象之间的相似性数据投影到对应的低维特征空间Feature；

步骤S7，将所有的对象特征输入到梯度提升决策树模型，进行特征学习，训练推荐模型f_k(x_i)；

步骤S8，利用训练好的推荐模型来预测用户对物品的喜好程度，然后根据喜好程度从大到小进行排序，向用户推荐Top-N物品。

2.根据权利要求1所述的一种基于异构信息网络的社交推荐方法，其特征在于，所述步骤S1采用权重映射函数对权重进行归一化处理；包括以下几个步骤：

对于用户与物品的边，采用max-min方法对用户的评分进行归一化处理，公式为其中r_ui表示用户u对物品i的评分，r_min和r_max表示用户u评的最低分和最高分；对于用户与社交用户的关联边，使用Jaccard系数表示两者之间的相似度，公式为其中x_uv表示用户u与用户v的关联度，N(u)和N(v)分别表示关联用户u的用户数量和关联用户v的用户数量；对于物品和标签的关联边，使用0-1值来表示。

3.根据权利要求2所述的一种基于异构信息网络的社交推荐方法，其特征在于，所述步骤S2，在异构信息网络中设计出多个元路径meta-path，包括User-User(UU)元路径，根据UU的链接序列从异构信息网络中进行搜索，搜索出每一个元路径下的所有路径实例instances。

4.根据权利要求3所述的一种基于异构信息网络的社交推荐方法，其特征在于，所述步骤S3对于每一元路径下的所有路径实例instances，基于影响力传播将路径实例中异构对象的关系转化为同构对象的影响关系M(x,y)，具体为：假如x和y表示为两个用户，采用的元路径是UIU，可解释为与目标用户喜欢同一物品的用户，根据上述元路径序列从异构信息网络中搜索出满足上述元路径的所有路径实例，假如一条路径实例为x(0.2)i(0.3)y，表明用户x和用户y对物品i的评分分别为0.2和0.3，那么可计算用户x和用户y在此路径实例下的关联度为M(x,y)＝w_xi·w_yi，其中w_xi和w_yi表示为用户x和用户y对物品i的评分。

5.根据权利要求4所述的一种基于异构信息网络的社交推荐方法，其特征在于，所述步骤S4同一元路径下，对关于两个同类对象的所有路径实例进行影响力求和，计算得到两个对象在此元路径下的相似关系s(x,y)，具体公式为其中M度量了满足此元路径的一条路径实例的关联度，然后对用户x和用户y的所有关联度进行求和。