[发明专利]基于效用的在线社交网络链接推荐方法

摘要

本发明公开一种基于效用的在线社交网络链接推荐方法。该方法根据潜在链接对在线社交网络贡献的价值，使用贝叶斯网络来预测潜在链接是对在线社交网络贡献价值最大的K个之一的概率，然后采用top‑K算法得到要推荐的K个潜在链接，并进行推荐。本发明能够维护链接推荐中运营商的利益，推荐的链接不仅建立的可能性较大，而且链接建立后的网络价值较大。

主权项

一种基于效用的在线社交网络链接推荐方法，其特征在于该方法包括以下步骤：步骤1)测量用户对在线社交网络贡献的价值，具体步骤如下：步骤1.1)对用户j定义用户的价值用户的价值包含内在价值和网络价值所述v是价值；所述内在价值是用户在在线社交网络自主付出的价值，I表示用户在在线社交网络自主付出；所述网络价值依赖在线社交网络的链接结构，两个用户建立链接所经过的用户越多，用户的网络价值越小，F表示用户所在的在线社交网络，m表示用户一个单位的价值贡献，α是衰减因子，α∈(0,1)，x是与用户j建立链接的用户个数，X是两个用户建立链接所经过的用户数的最大值，|F_j,x|表示在线社交网络上有x个用户与用户j建立链接的集合中节点个数；步骤1.2)定义在线社交网络的总价值TV，所述n为在线社交网络用户数；步骤1.3)定义用户j和用户h间潜在链接建立成功后增加的价值所述是潜在链接建立后的总价值，所述TV_E是潜在链接建立前的总价值，所述E是潜在链接建立前的集合，e_jh为用户j和用户h间潜在的链接的集合；步骤1.4)定义用户j和用户h间推荐失败的损失C_jh，所述j为第j个用户，h为第h个用户；步骤1.5)定义用户j和h之间的链接对在线社交网络贡献的价值U_jh＝B_jh·V_jh‑(1‑B_jh)·C_jh；所述B_jh＝1表示用户j和用户h间建立链接，B_jh＝0表示用户j和用户h间没有建立链接。所述V_jh是用户j和用户h间建立链接对在线社交网络贡献的价值，所述C_jh是用户j和用户h间推荐失败的损失；步骤2)定义节点相似度所述是相似性函数，r_j和r_h分别表示与用户j和h连接的用户集合，所述|r_j∩r_h|表示用户j和h都连接的用户集合的元素个数，所述|r_j∪r_h|表示表示用户j和h中最少有1个连接的到的用户集合的元素个数；步骤3)定义结构相似度所述是第j个用户和第h个用户建立链接经过的用户数为y的集合中元素个数；步骤4)利用贝叶斯网络潜在因素学习算法计算出价值、成本、结构相似度、节点相似度的分布向量具体步骤如下：步骤4.1)随机初始化θ₀，初始化d＝0，开始迭代求的过程。所述d为迭代次数，所述所述p₀＝P(R_i＝0)，所述P(R_i＝0)为R_i＝0的概率，所述R_i＝0为第i个潜在链接不是对在线社交网络贡献价值最大的K个之一，K为要推荐的链接个数，所述i为第i个潜在链接，所述p₀＝P(R_i＝1)是第i个潜在链接是对在线社交网络贡献的价值最大的K个之一的概率，所述V是价值集合，所述C是成本的集合，所述S是结构相似度集合，所述N是节点相似度，所述L是链接建立的概率的集合；所述θ₀中符号定义如下：步骤4.2)定义$\begin{array}{c}Q\left(\mathrm{\θ}|{\mathrm{\θ}}_d\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}In\[P\left(R_i|\mathrm{\θ}\right)\]+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}In\[P\left(V_i|R_i,\mathrm{\θ}\right)\]+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}In\[P\left(C_i|R_i,\mathrm{\θ}\right)\]+\\ \underset{i=1}{\overset{M}{\mathrm{\Σ}}}\∫\left\{In\[P\left(S_i,L_i|R_i,\mathrm{\θ}\right)\]+In\[P\left(N_i,L_i|R_i,\mathrm{\θ}\right)\]-In\[P\left(L_i|R_i,\mathrm{\θ}\right)\]\right\}P\left(L_i|O_i,{\mathrm{\θ}}_k\right)f_{L_i}\end{array}$所述M为潜在链接个数，所述表示在集合L_i中，所述在R_i＝0和R_i＝1时P(R_i),P(V_i|R_i),P(C_i|R_i),P(S_i,L_i|R_i),P(N_i,L_i|R_i),P(L_i|R_i)的公式为：$P\left(R_i\right)\left\{\begin{array}{cc}{p}_0& R_i=0\\ p_1& R_i=1\end{array}\right.,P\left(V_i|R_i\right)=\left\{\begin{array}{cc}{\mathrm{\λ}}_V^0{e}^{-{\mathrm{\λ}}_V^0\×V_i}& R_i=0\\ {\mathrm{\λ}}_V^1{e}^{-{\mathrm{\λ}}_V^1\×V_i}& R_i=1\end{array}\right.,P\left(C_i|R_i\right)=\left\{\begin{array}{cc}{\mathrm{\λ}}_C^0{e}^{-{\mathrm{\λ}}_C^0\×V_i}& R_i=0\\ {\mathrm{\λ}}_C^1{e}^{-{\mathrm{\λ}}_C^1\×V_i}& R_i=1\end{array}\right.$$P\left(S_i,L_i|R_i\right)\left\{\begin{array}{cc}{\mathrm{\λ}}_S^{R_i}{\mathrm{\λ}}_L^{\′R_i}{e}^{-{\mathrm{\λ}}_L^{\′R_i}\·L_i-\left({\mathrm{\λ}}_S^{R_i}+{\mathrm{\λ}}_L^{R_i}-{\mathrm{\λ}}_L^{\′R_i}\right)\·S_i}& 0\<S_i\<L_i\\ {\mathrm{\λ}}_L^{\′R_i}{\mathrm{\λ}}_S^{\′R_i}{e}^{-{\mathrm{\λ}}_S^{\′R_i}\·S_i-\left({\mathrm{\λ}}_S^{R_i}+{\mathrm{\λ}}_L^{R_i}-{\mathrm{\λ}}_S^{\′R_i}\right)\·L_i}& 0\<L_i\<S_i\end{array}\right.,$$P\left(N_i,L_i|R_i\right)\left\{\begin{array}{cc}{\mathrm{\λ}}_N^{R_i}{\mathrm{\λ}}_L^{\′R_i}{e}^{-{\mathrm{\λ}}_L^{\′R_i}\·L_i-\left({\mathrm{\λ}}_N^{R_i}+{\mathrm{\λ}}_L^{R_i}-{\mathrm{\λ}}_L^{\′R_i}\right)\·N_i}& 0\<N_i\<L_i\\ {\mathrm{\λ}}_L^{\′R_i}{\mathrm{\λ}}_N^{\′R_i}{e}^{-{\mathrm{\λ}}_N^{\′R_i}\·N_i-\left({\mathrm{\λ}}_N^{R_i}+{\mathrm{\λ}}_L^{R_i}-{\mathrm{\λ}}_N^{\′R_i}\right)\·L_i}& 0\<L_i\<N_i\end{array}\right.,$所述min(S_i,N_i)表示S_i,N_i中的较小值步骤4.3)根据求出θ_d+1；步骤4.4)根据最大似然公式式中O_i＝＜V_i,C_i,S_i,N_i,R_i＞，令θ为θ_d+1和θ_d，分别计算H(O|θ_d+1)和H(O|θ_d)的值；步骤4.5)定义H(O|θ_d+1)和H(O|θ_d)的差值绝对值μ，如果μ＞ε，则d＝d+1,返回步骤4.2)继续迭代，否则，所述所述的ε为控制精度的常数；步骤5)根据计算用户i是在线社交网络贡献的价值最大的K个之一的概率所述的H1(R_i)到H4(R_i)表示如下：所述Y_i是S_i和N_i中的较大的值，y_i是S_i和N_i中的较小的值；步骤6)计算每个潜在链接是在线社交网络贡献的价值最大的K个之一的概率，采用top‑K算法，获得要推荐的链接的解空间S_olution；步骤6.1)对每个链接，根据步骤5)计算出每个潜在链接是在线社交网络贡献的价值最大的K个之一的概率；步骤6.2)采用top‑K算法，得到潜在链接是对在线社交网络贡献价值最大的集合A，A集合内有K个元素，所述top‑K算法是采用数据结构中的最大堆来确定最大的K个元素；步骤6.3)将得到的集合A添加到最终解空间S_olution，所述集合A是潜在链接是对在线社交网络贡献的价值最大的集合。