[發明專利]一種用戶聚類的異構社交網絡推薦的方法

在審

• 申請號: 201610588511.9
• 申請日: 2016-07-25
• 公開（公告）號: CN107656928A
• 公開（公告）日: 2018-02-02
• 發明（設計）人: 余漫游
• 申請（專利權）人: 長沙有干貨網絡技術有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06Q50/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明是一種互連網技術,尤其涉及GCCR。

背景技術

社交網絡(Social Networks Services, SNS)隨著Internet用戶的普及呈現出飛速發展的趨勢，不僅用戶數量爆炸性地增長，其服務形態也在發生急劇的變化.近年來，大量新型的社交網絡服務不斷地涌現，其中以國外Twitter和國內新浪微博為代表的弱關系社交網絡微博服務(Micro Blog)正成為一種主要的社交網絡形態。

發明內容

GCCR算法旨在根據弱關系社交網絡中用戶對不同主題的興趣程度，為用戶推薦其可能喜歡的主題內容.通過分析從用戶-主題喜好矩陣和用戶自身發表內容的中體現出的用戶喜好信息，并將二者綜合利用，提高在稀疏數據集上的推薦效果.同時利用圖摘要算法中的類模糊性，保證冷啟動條件下推薦的多樣性。

GCCR主要步驟包括預處理、核心聚類、全用戶聚類、主題推薦階段，主要流程如下:

(1)預處理階段，篩選出興趣向量非零值比例大于密度閡值幾的核心用戶集合，根據核心用戶對應的興趣向量提取構造出原興趣矩陣的密集子矩陣；

(2)核心聚類階段，根據核心用戶的興趣矩陣構成的訂閱關系圖進行圖摘要計算，利用摘要迭代的過程生成滿足模糊度和獨立性約束的核心聚類；

(3)全用戶聚類階段.利用上一步中生成的核心聚類，提取核心聚類內容特征向量，同時提取非核心用戶所發表微博的內容特征向量，根據內容特征向量的相似度不斷迭代，將非核心用戶加入到己有的聚類集合中，直至完成對所有用戶的聚類；

(4)根據聚類結果以及每個用戶在聚類內部的相似度和類興趣特征，生成類成員內部的推薦向量，同時根據不同主題在不同聚類間的興趣差異，形成跨類推薦向量，兩者綜合排序之后的結果作為最終推薦結果；

推薦算法執行過程中，對于訓練數據集進行(1)~(3)離線計算生成聚類結果和類興趣向量，對于任何新加入的用戶，只需進行(3)中的聚類歸屬計算和(4)中的推薦過程，通過將離線和在線處理運算盡可能的分離，可以使算法達到更高的在線推薦計算效率。

用戶聚類的異構社交網絡推薦算法GCCR技術如下：

1問題建模：

(1)對于N個用戶，M個主題，可分別表示為用戶集u={u₁,u₂ ,…,u_z}討與主題集S={S₁,S₂ ,…,S_m}，對于每個用戶u_i，有對應興趣向量V_i=( a₁,a₂ ,…,a_m)所有用戶的興趣向量可構成NXM的興趣矩陣m，對于存在訂閱關系的用戶u_i和主題s_j，對應元素a_ij>0，表示用戶u_j對主題s_j興趣度，如不存在訂閱關系，則對應a_ij=0；

(2)基于興趣矩陣m的興趣圖G_m可表示為有向圖G<V,E)，其中V為用戶和主題節點構成的集合：V=UUS，E為訂閱關系構成的邊集合： E={e(u_i,s_j)?u_i ?U，s_j?S，a_ij>0}；

(3)對于每個用戶u_i，定義其興趣密度值des (u_i)為興趣向量v_i中非零元素所占的比例，那么對于des (u_i)大于密度閡值λ (通常取10%)的用戶u_i定義為核心用戶，那么核心用戶集合可定義為U' ={ u_i?u_i ?U，des(u_i)> λ}；

由核心用戶興趣向量構成的興趣矩陣為密集子矩陣m‘，基于密集子矩陣可構造出核心興趣圖G_m’。

核心聚類，圖摘要算法通常用于從擁有大量節點的復雜圖中提取隱含信息，發現主體結構和普遍規律，不同于以往基于統計的圖摘要方法：