[發明專利]基于活動相似和社交信任的社交網好友推薦系統及方法

有效

• 申請號: 201410462802.4
• 申請日: 2014-09-11
• 公開（公告）號: CN104268171B
• 公開（公告）日: 2017-09-19
• 發明（設計）人: 于亞新;田宏增;隋鳴飛;續宗澤;王國仁
• 申請（專利權）人: 東北大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 沈陽東大知識產權代理有限公司21109
• 代理人: 梁焱

1.一種采用基于活動相似和社交信任的社交網好友推薦系統進行的方法，該系統設置于計算機中，包括用戶活動關鍵詞庫構建模塊、用戶活動分類識別模塊、用戶活動相似性計算模塊、用戶信任關系構建模塊、用戶信任值計算模塊和好友推薦模塊，其中，

用戶活動關鍵詞庫構建模塊：用于根據用戶的活動類別和每個活動類別中所對應的詞條構建詞庫；

用戶活動分類識別模塊：用于提取用戶在第三方應用上所發布的信息，并根據提取的信息在用戶活動關鍵詞庫構建模塊中進行匹配，獲取用戶的活動類別集合；

用戶活動相似性計算模塊：用于根據某類活動對應詞條在目標用戶發布信息中出現的次數、該類活動對應詞條在其他用戶發布信息中出現的次數、用戶總數和包含該類活動的用戶數，獲得該類活動相對于目標用戶的重要程度，再根據每類活動相對于每個用戶的重要程度，計算獲得兩個用戶之間的相似度；

用戶信任關系構建模塊：用于從第三方應用中判斷目標用戶與其他用戶之間的交互關系，包括關注關系、評價關系和點贊關系；若為關注關系，則進一步判斷目標用戶與其他用戶之間為直接關注關系或間接關注關系，如果是直接關注，則確定兩者為直接信任關系，如果是間接關注，則確定兩者為間接信任關系；若為評價關系和點贊關系，則確定兩者為輔助信任關系；

用戶信任值計算模塊：用于根據目標用戶與其他用戶之間的交互關系，確定目標用戶與其他用戶的直接信任值、間接信任值、輔助信任值、目標用戶的全局信任值和局部信任值，進一步獲得目標用戶與其他用戶之間的總體信任值；

好友推薦模塊：用于對目標用戶和其他用戶進行好友評分，并將分數從大到小進行排序，取前幾名用戶作為目標用戶的好友進行推薦；

其特征在于，包括以下步驟：

步驟1、確定用戶的活動類別和每個活動類別中所對應的詞條，即完成在計算機中用戶活動關鍵詞庫構建模塊的構建；

步驟2、采用計算機中的用戶活動分類識別模塊提取目標用戶在第三方應用上所發布的信息，包括文本、圖片標簽、圖片注釋、視頻標簽和視頻注釋，并根據提取的信息在用戶活動關鍵詞庫構建模塊中進行匹配，獲取該目標用戶的活動類別集合；

步驟3、重復步驟1至步驟2，獲取其他目標用戶的活動類別集合；

步驟4、采用計算機中的用戶活動相似性計算模塊根據某類活動詞條在目標用戶的活動類別集合中出現次數，目標用戶的活動類別集合中所有詞條出現的次數、用戶總數和包含該類活動的用戶數，獲得該類活動相對于目標用戶的重要程度；

步驟5、重復步驟4，分別獲得每類活動相對于目標用戶的重要程度；

步驟6、重復步驟4至步驟5，獲得每類活動相對于其他用戶的重要程度；

步驟7、采用計算機中的用戶活動相似性計算模塊根據每類活動相對于每個用戶的重要程度，計算獲得兩個用戶之間活動的相似度；

步驟8、采用計算機中的用戶信任關系構建模塊從第三方應用中判斷目標用戶與其他用戶之間的交互關系，包括關注關系、評價關系和點贊關系，若為關注關系，則執行步驟9，若為評價關系和點贊關系，則執行步驟10；

步驟9、采用計算機中的用戶信任關系構建模塊從第三方應用中判斷目標用戶與其他用戶之間為直接關注關系或間接關注關系，若為直接關注，則確定兩者為直接信任關系，若為間接關注，則確定兩者為間接信任關系；

步驟10、確定兩者為輔助信任關系；

步驟11、采用計算機中的用戶信任值計算模塊確定目標用戶與其他用戶之間的總體信任值，具體如下：

步驟11-1、根據目標用戶關注的用戶數和被關注的用戶數，其他目標用戶關注的用戶數和被關注用戶數，確定目標用戶與其他用戶的直接信任值；

計算公式如下：

dTru(ui,uj)=in(uj)in(uj)+out(ui)---(1)]]>

其中，dTru(u_i，u_j)表示用戶u_i與用戶u_j的直接信任值；in(u_j)表示用戶u_j的被關注用戶數；out(u_i)表示用戶u_i關注的用戶數；u_i為目標用戶；

步驟11-2、根據用戶兩兩之間的直接信任值，確定獲得多條路徑下，目標用戶與其他用戶的間接信任值；

目標用戶與其他用戶在第p條路徑下的間接信任值計算公式如下：

iTru(ui,uj)pn=Πm=ij-1dTru(um,um+1)---(2)]]>

其中，表示第p條路徑下，用戶u_i與用戶u_j的間接信任值；dTru(u_m，u_m+1)表示用戶u_m與用戶u_m+1的直接信任值，m＝i，...，j-1；n表示路徑長度，n＝2或3，p表示第p條路徑；

目標用戶與其他用戶在獲得多條路徑下的間接信任值計算公式如下：

iTru(ui,uj)=1NΣp=1NiTru(ui,uj)pn---(3)]]>

其中，iTru(u_i，u_j)表示用戶u_i與用戶u_j的間接信任值；N表示路徑條數；

步驟11-3、根據用戶兩兩之間的評價和點贊次數，及用戶兩兩之間的評價和點贊次數最大值，確定目標用戶與其他用戶的輔助信任值；

計算公式如下：

sTru(ui,uj)=Cijmax{C}---(4)]]>

其中，sTru(u_i，u_j)表示用戶u_i與用戶u_j的輔助信任值；C_ij表示用戶u_i對用戶u_j進行的評價和點贊次數；max{C}表示用戶兩兩之間的評價和點贊次數最大值；

步驟11-4、根據獲得的目標用戶與其他用戶的直接信任值、間接信任值和輔助信任值，確定目標用戶的局部信任值；

計算公式如下：

lTru(u_i，u_j)＝α*dTru(u_i，u_j)+β*iTru(u_i，u_j)+γ*sTru(u_i，u_j)(5)

其中，lTru(u_i，u_j)表示用戶u_i與用戶u_j的局部信任值；α＝0.5±0.2、β＝0.3±0.2、γ＝1-α-β；

步驟11-5、根據目標用戶u_i的全部所用用戶中，被關注數的最大值和最小值，及某個所用用戶u_j的被關注數，確定目標用戶某個所用用戶u_j的全局信任值；

計算公式如下：

gTru(uj)=in(uj)-minuk∈U{in(uk)}maxuk∈U{in(uk)}-minuk∈U{in(uk)}---(6)]]>

其中，gTru(u_j)表示目標用戶u_i的某個所用用戶u_j的全局信任值；in(u_j)表示用戶u_j的被關注數，表示被關注用戶數最小值，表示被關注用戶數最大值；

步驟11-6、根據獲得的目標用戶的局部信任值和全局信任值，確定目標用戶的總體信任值；

計算公式如下：

tTru(u_i，u_j)＝ω*lTru(u_i，u_j)+(1-ω)*gTru(u_j)(7)

其中，tTru(u_i，u_j)表示用戶u_i對于用戶u_j的總體信任值，ω表示調整因子，ω＝0.7±0.2；

步驟12、采用計算機中的好友推薦模塊對目標用戶和其他用戶進行好友評分，并將分數從大到小進行排序，取前幾名用戶作為目標用戶的好友進行推薦；

好友評分計算公式如下：

score(u_i，u_j)＝ξ×simAct(u_i，u_j)+(1-ξ)×tTru(u_i，u_j)(8)

其中，score(u_i，u_j)表示用戶u_i對于用戶u_j的好友評分，ξ表示調整因子，ξ＝0.6±0.2；simAct(u_i，u_j)表示用戶u_i對于用戶u_j的相似度。