[發明專利]基于用戶特征及網絡關系的微博推薦方法

有效

• 申請號: 201310684518.7
• 申請日: 2013-12-12
• 公開（公告）號: CN103617289B
• 公開（公告）日: 2017-09-19
• 發明（設計）人: 劉云;廉捷;熊菲;亓大鵬
• 申請（專利權）人: 北京交通大學長三角研究院
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 鎮江京科專利商標代理有限公司32107
• 代理人: 夏哲華

1.一種基于用戶特征及網絡關系的微博推薦方法，其特征是：包括以下步驟，

1)網絡拓撲關系矩陣A的建立和更新；

針對m個微博用戶，這些用戶發表的話題總數為n個，建立一個n×m的矩陣；

Anew=t(1,1)N1t(1,2)N2t(1,3)N3Lt(1,m)Nmt(2,1)N1t(2,2)N2t(2,3)N3Lt(2,m)Nmt(3,1)N1t(3,2)N2t(3,3)N3Lt(3,m)NmMMMOMt(n,1)N1t(n,2)N2t(n,3)N3Lt(n,m)Nm(Σj=1mt(i,j)Nj=Nj)]]>

其中N_j為第j個用戶發布的總微博數，t(i,j)表示用戶j發布的屬于話題i的微博條數；

其中就是對用戶j進行推薦時，話題i的初值；

2)網絡拓撲關系矩陣更新；

建立關注強度矩陣，初始的關注強度矩陣B與網絡拓撲關系矩陣A相同；即B＝A；

a.T時刻若網絡拓撲關系矩陣中的a_ij(T)＝0，一段時間t后的網絡拓撲關系矩陣對于的元素a_ij(T+t)＞0，則關注強度矩陣B中對應位置的元素b_ij(T+t)＝100；

b.T時刻若網絡拓撲關系矩陣中的a_ij(T)≠0，經過nt的時間段，網絡拓撲關系矩陣A中對應項的元素的值變為a_ij(T+nt)，若a_ij(T+nt)＜a_ij(T)；

則

α＝k₁(a_ij(T)-a_ij(T+nt))(k₁為常數)

關注強度矩陣B中對應位置的元素

b_ij(T+nt)＝(1-α)a_ij(T+nt)；

c.T時刻若網絡拓撲關系矩陣中的a_ij(T)≠0，經過nt的時間段，網絡拓撲關

系矩陣中對應項的元素的值變為a_ij(T+nt)，若a_ij(T+nt)＞a_ij(T)；

則

α＝k₂(a_ij(t+nt)-a_ij(T))(k₂為常數)

關注強度矩陣B中對應位置的元素

b_ij(T+nt)＝(1+α)a_ij(T+nt)；

3)不同用戶之間關聯度的確定；

對于用戶A，與其他用戶j的關聯度表示為

RAj=Σi=1nbiAbij(i≠A)]]>

其中b_iA表示用戶A與話題i之間的關注強度，若沒有可表示為0，b_ij為用戶j與i話題之間的關注強度；通過這一公式可以計算出用戶A與所有其他用戶的關聯度；

4)關注強度矩陣的最終確定

假設用戶j發表了話題i，但用戶A并未發表，則用戶A對于話題i的關注強度可以進行預測表示為：

biA=Σj=1mRAjbij.]]>

2.根據權利要求1所述的基于用戶特征及網絡關系的微博推薦方法，其特征是：所述常數k₁和k₂的獲得方法是，

進行以下試驗：

選擇一定數量的目標用戶作為測試源用戶，抓取源用戶最新發布的一定數量微博與微博的評論信息；抓取源用戶所直接關注的1-layer-user用戶信息以及1-layer-user用戶最新發布的一定數量微博與微博評論信息；同時抓取所有1-layer-user對應的所有粉絲用戶，即2-layer-user信息；以上數據構成了試驗的原始數據集；

試驗中，訓練集用來訓練常數k₁和k₂；測試集利用訓練集得到的參數k₁和k₂計算實際模型輸出結果，與測試集中真實在線數據對比評估模型的推薦效果；試驗利用所有測試源用戶與他們關注用戶所發布微博的評論關系，以時間排序，選取前p％的微博評論關系進入試驗訓練集，用以訓練參數k₁和k₂，剩余(1-p)％的微博評論關系進入試驗測試集，用來評價算法的推薦效果；

訓練過程中，參數k₁和k₂在[0,1]取值范圍內變化，對于每一個k₁和k₂取值分別計算關注強度，選擇效果最好的k₁和k₂作為模型參數訓練結果。