[发明专利]移动社交网络中基于时空行为模式的用户兴趣模型构建方法

摘要

一种移动社交网络中基于时空行为模式的用户兴趣模型构建方法，其特征在于，研究基于用户时空行为模式构建表征用户兴趣偏好的兴趣模型，通过现有的用户在移动社交网络数据去构建用户兴趣模型，同时挖掘填充模型中的空缺项，挖掘用户在不同行为模式下对不同主题的兴趣度，从而帮助用户过滤不感兴趣的信息，提高个性化服务质量，改善信息过载问题，增强用户体验。

主权项

1.一种移动社交网络中基于时空行为模式的用户兴趣模型构建方法，其特征在于，包括如下步骤：首先，通过模型初始化算法处理用户在移动社交网络环境中不同时空行为模式下的历史数据，得到初始用户兴趣模型，训练过程中可能缺少某些时空行为模式下用户对主题的行为数据，从而模型中存在空缺项；模型初始化就是分析用户在移动社交网络环境中不同时空行为模式下的历史数据，得到初始用户兴趣模型，记作UPMⁱ，用于计算用户在不同时空行为模式下对主题的兴趣度；在用户时空行为模式c_k下，第i个用户u_i的行为数据表现为一条条微博内容，首先需要将一条条微博进行整合，用于解决短文本特征词获取困难问题，c_k表示从时间和空间两个维度描述用户所处情景信息的一种行为模式；以上，1≤k≤c，1≤i≤m，k表示用户行为模式的数量，c表示所有用户时空行为模式的数量，m是所有用户的数量；整合之后通过分词，去停用词，计算词频，n_t  表示词语t在微博中出现的次数，n_w表示微博所有词语的个数；微博内容表示为向量W_ik＝((f₁，tf₁)，(f₂，tf₂)，...，(f_n，tf_n))，f_p表示第p个特征词，tf_p表示词频，1≤p≤n；这样用户u_i在时空行为模式c_k下对主题s_j的兴趣度计算采用式(1)，其中，P(s_j)表示主题s_j出现的概率，1≤j≤n，n表示所有主题的数量，计算时为主题类别c_j中微博数量除以总数量，P(W_ik)表示微博W_ik出现的概率，计算时每个微博出现的概率均相等，P(f_p|s_j)表示特征词f_p在主题s_j中出现的概率，就是特征词f_p在主题类别c_j的概率，即w_i；接着，通过用户‑主题兴趣矩阵分别计算用户与用户之间、主题与主题之间的相似性，获得用户和主题的相似性集合；然后，对用户主题相似性集合分别进行相似近邻计算，选择相似用户和相似主题；最后，根据选择的相似近邻的兴趣度计算用户兴趣模型中的空缺项；用户u_i在行为模式c_k下对主题s_j的兴趣度采用式(11)计算：其中，分别是采用User‑based和Item‑based的协同过滤方法计算的用户u_i在行为模式c_k下对主题s_j的兴趣度，分别根据式(9)和(10)计算，λ∈(0，1)根据实验调整；公式(9)为：其中α∈(1，0)为调节系数，由实验确定，R_ojk表示用户u_o在行为模式c_k下对主题s_j的兴趣度，SIMU(u_i，u_o)表示用户u_i，u_o的相似性，KNBU(u_i)表示用户u_i的相似用户集合，UI(u_o)表示用户u_o重要度；公式(10)为：其中R_iok表示用户u_i在行为模式c_k下对主题s_o的兴趣度，SIMS(s_j，s_o)表示主题s_j，s_o的相似性，KNBS(s_j)表示主题s_j的相似主题集合。