[发明专利]一种基于联合概率矩阵分解的微博关注推荐方法

摘要

本发明公开了一种基于联合概率矩阵分解的微博关注推荐方法，包括步骤1、读取用户关系信息和用户交互行为信息；步骤2、由所述用户关系信息构建用户关系矩阵；步骤3、由所述用户交互行为信息构建长期影响力矩阵，将长期影响力矩阵作为用户影响力矩阵；步骤4、对用户关系矩阵和用户影响力矩阵进行联合概率矩阵分解，得到用户潜在特征矩阵和影响力潜在特征矩阵，对用户潜在特征矩阵和影响力潜在特征矩阵內积得到用户关系强度矩阵，根据用户关系强度矩阵提取用户关系强度列表，根据用户关系强度列表进行推荐。本发明考虑交互行为的时效性，能得到个性化的推荐结果，在一定程度上缓解了数据稀疏性问题，能够提供更好的推荐结果。

主权项

1.一种基于联合概率矩阵分解的微博关注推荐方法，其特征在于，包括以下步骤：步骤1、读取用户关系信息和用户交互行为信息；步骤2、由所述用户关系信息构建用户关系矩阵；步骤3、由所述用户交互行为信息构建长期影响力矩阵，将长期影响力矩阵作为用户影响力矩阵；步骤4、对用户关系矩阵和用户影响力矩阵进行联合概率矩阵分解，得到用户潜在特征矩阵和影响力潜在特征矩阵，对用户潜在特征矩阵和影响力潜在特征矩阵內积得到用户关系强度矩阵，根据用户关系强度矩阵提取用户关系强度列表，根据用户关系强度列表进行推荐；所述用户关系矩阵为S(v)＝{(u₁,w₁),(u₂,w₂),...,(u_n,w_n)}，其中v,u_i,i＝1,2,...,n为用户，n为数据中与用户v相似的用户数目；w_i,i＝1,2,...,n为用户u_i与v的关系相似度在v所有相似用户中的权重，其中Sim(u_i,v)为用户u_i与v的双向关系相似度的线性加权相似度，所述双向关系相似度为粉丝关系相似度和关注关系相似度；所述长期影响力矩阵基于公式更新，其中I_nl表示更新后的长期影响力矩阵；I_ol是更新前的长期影响力矩阵；I_n是基于最新的交互行为构建的影响力矩阵；N是矩阵中总的交互行为数目，所述I_nl,I_ol,I_n基于构建，T_L表示矩阵构建时间点，t是当前的时间；t₀是矩阵建立时的时间，hl₀是半衰期的初始值，d_acc表示模型建立后到当前所经历的时间，常量d_w表示d_acc对遗忘速度的影响程度，Action(u,v,s,i)＝α₁Like(u,v,s,i)+α₂Retweet(u,v,s,i)+α₃Comment(u,v,s,i)，m为用户u所发微博的总数，t是矩阵建立时的时间，s是数据的获取的时间长度，α₁,α₂,α₃为权重系数，Like(u,v,s,i)是用户v对u的第i条微博点赞，Retweet(u,v,s,i)是用户v对u的第i条微博转发，Comment(u,v,s,i)用户v对u的第i条微博评论。