[发明专利]一种基于异构信息网络的社交推荐方法

说明书

本发明请求保护一种基于异构信息网络的社交推荐方法，包括步骤：对于异构信息网络，使用映射函数对网络中的每一条关联边权重W进行归一化处理，处理后的权重为ω。然后使用基于元路径的方法搜索出对应元路径下的所有路径实例instances，计算出每一种元路径下的同一类型对象之间的相似关系s(x,y)。为了深入挖掘对象相似性，使用矩阵分解将对象的相似性关系投影到低维的特征空间Feature，每一个对象都可用此空间中的唯一向量进行特征化表示。求解出所有元路径下的特征信息之后，将所有的特征数据输入到梯度提升决策树模型并进行模型训练，学习出特征之间的线性关系和非线性关系，从而提升了推荐模型的准确性。

技术领域

本发明属于异构信息的数据挖掘和信息融合技术领域，尤其是一种社交推荐算法。

背景技术

传统的推荐算法主要由基于内容的推荐、协同推荐、混合推荐和基于模型的推荐。每一种推荐算法都有各自的优缺点。协同过滤算法是一种基于显式数据的算法，虽然在某种程度上缓解了数据冷启动问题，但是它仍然会受到数据稀疏性的影响。基于内容的推荐算法不需要显示评分数据，它根据用户的历史行为记录进行推荐，通常会为用户推荐一些与以前物品相似的物品，这种推荐方法容易导致推荐过度个性化。混合推荐算法结合了基于内容的推荐和协同过滤两种推荐方法，有效的缓解了数据稀疏性和冷启动问题。基于模型的推荐算法最常用的是基于矩阵分解的推荐，此算法通过矩阵分解的方法将用户的显式评分数据分别投影到两个低维特征空间，从而进行有效的推荐。然而，此算法很容易受到数据稀疏性的影响，而且不具有可解释性。

上述的推荐算法大部分都受限于数据稀疏性。数据稀疏性不仅使得模型受到噪声数据的干扰，而且还会影响推荐模型的学习，很容易陷入过拟合状态，降低了推荐准确性。为了缓解数据稀疏性问题所造成的影响，通常会引入一些隐式反馈数据，比如用户社交信息、物品的属性信息和评论信息等。这些信息可作为显式数据的辅助信息，强化推荐模型的训练，提升推荐模型的预测准确度。

本发明主要解决的问题是由数据稀疏性造成推荐准确度不高。本发明的思路是引入多种异构信息，如用户的社交信息、用户与物品的交互信息和物品的属性信息，使其融合到一个异构信息网络中，然后通过设计多个元路径并基于每个元路径来搜索对应元路径下的信息表示，接着通过矩阵分解对每一个元路径的信息表示进行投影，投影到低维特征空间。每一个对象的特征对应着特征空间中的唯一向量。最后将所有的特征数据集成并输入到梯度提升决策树进行模型训练，深层次的挖掘特征之间的线性关系和非线性关系，得到最终的推荐模型。此模型不仅解决了数据稀疏性问题，而且还提升了模型的推荐准确度。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于异构信息网络的社交推荐方法。本发明的技术方案如下：

一种基于异构信息网络的社交推荐方法，其包括以下步骤：

步骤S1，异构信息网络包括多种类型的数据，如用户的社交信息、用户与物品的交互信息和物品的标签信息等。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，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。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；

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)；