[發(fā)明專利]一種融合信任度的社交網(wǎng)絡(luò)好友推薦方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810109014.5
• 申請(qǐng)日: 2018-01-30
• 公開（公告）號(hào): CN108427715A
• 公開（公告）日: 2018-08-21
• 發(fā)明（設(shè)計(jì)）人: 徐光俠;代皓;馬創(chuàng);劉俊;何李杰;唐志京
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30;G06Q50/00;G06F17/27
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明提出一種融合信任度的社交網(wǎng)絡(luò)好友推薦方法，涉及到用戶相似度、置信因子計(jì)算和融合。根據(jù)社交網(wǎng)絡(luò)拓?fù)涞耐扑]偏重于已認(rèn)識(shí)的好友而忽略潛在感興趣的好友，根據(jù)興趣推薦偏重于推薦陌生用戶，難以得到用戶信任，同時(shí)這兩種推薦都沒(méi)有考慮用戶在社交網(wǎng)絡(luò)中的行為，極大的影響了推薦結(jié)果的準(zhǔn)確性、可靠性和全面性。本發(fā)明提出一種綜合考慮社交網(wǎng)絡(luò)拓?fù)洹⒂脩襞d趣和社交行為的推薦方法。首先，根據(jù)用戶社交網(wǎng)絡(luò)中共同鄰居計(jì)算出社交相似度，根據(jù)關(guān)鍵字計(jì)算興趣相似度，并進(jìn)行線性組合。綜合考慮用戶社交拓?fù)浜蜕缃恍袨椋?jì)算出關(guān)系置信度和行為置信度，融合成置信因子。最后，將相似度和置信因子融合，提高相似度計(jì)算可信度，產(chǎn)生Top?N推薦列表。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)挖掘和推薦系統(tǒng)領(lǐng)域，特別是涉及一種融合信任度的社交網(wǎng)絡(luò)好友推薦方法。

背景技術(shù)

隨著Web2.0的發(fā)展，社交網(wǎng)絡(luò)成為Web2.0模式發(fā)展中出現(xiàn)的一個(gè)典型應(yīng)用，個(gè)性化推薦技術(shù)也在社交網(wǎng)絡(luò)中得到了廣泛的應(yīng)用。社交網(wǎng)絡(luò)也即是社會(huì)網(wǎng)絡(luò)服務(wù)(SocialNetwork Service，SNS)，直觀的講可以說(shuō)是基于網(wǎng)絡(luò)的社交，其發(fā)展大致可分為：E-mail，BBS，BLOG，F(xiàn)acebook/人人網(wǎng)等個(gè)階段。在社交網(wǎng)絡(luò)中，用戶通過(guò)添加好友，關(guān)注機(jī)制等方式進(jìn)行互動(dòng)交流以及信息分享，而相互之間添加好友必然使用戶之間產(chǎn)生一種聯(lián)系，隨著時(shí)間的發(fā)展，用戶與其好友以及好友的好友之間共同形成了一種好友社交網(wǎng)絡(luò)，從中我們可以了解到用戶的興趣愛(ài)好，信息分享、交流情況以及其活躍程度等等。另外，由于社交網(wǎng)絡(luò)中的用戶基數(shù)比較大，而且網(wǎng)絡(luò)中的用戶大多是相互之間缺乏了解和信任的陌生人，因此不可能隨意形成好友關(guān)系，這些都是在社交網(wǎng)絡(luò)中進(jìn)行好友推薦時(shí)必須要考慮的問(wèn)題。

作為推薦系統(tǒng)的核心組成部分，推薦算法的研究不斷受到學(xué)者們的關(guān)注，各種推薦算法層出不窮，然而推薦算法都有一定的局限性，且推薦的大多是具有“物性”的對(duì)象，而有關(guān)社交網(wǎng)絡(luò)用戶或好友的推薦方面的研究則相對(duì)較少。即便在現(xiàn)有的好友推薦算法中，主要是基于社交網(wǎng)絡(luò)拓?fù)浣Y(jié)果和用戶興趣。通過(guò)社交網(wǎng)絡(luò)拓?fù)渫扑]偏重于推薦線下認(rèn)識(shí)的好友，主要通過(guò)共同好友得到相似性指標(biāo)，而通過(guò)興趣推薦偏重于推薦具有相同興趣的陌生用戶，往往推薦結(jié)果難以得到用戶的信任。同時(shí)這兩種推薦都沒(méi)有考慮到用戶在社交網(wǎng)絡(luò)中的行為，極大的影響了推薦的結(jié)果的準(zhǔn)確性、可靠性和全面性。

發(fā)明內(nèi)容

為了克服上述現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明的目的是提供一種融合信任度的社交網(wǎng)絡(luò)好友推薦方法。該方法綜合考慮社交網(wǎng)絡(luò)拓?fù)洹⒂脩襞d趣和社交行為。首先，根據(jù)用戶社交網(wǎng)絡(luò)中共同鄰居計(jì)算出用戶的社交相似度，根據(jù)TF-IDF算法和余弦相似度計(jì)算興趣相似度，并進(jìn)行線性組合。綜合考慮用戶社交拓?fù)浜蜕缃恍袨椋謩e計(jì)算出關(guān)系度和行為置信度，線性組合成置信因子。最后，將相似度和置信因子進(jìn)行融合，提高相似度計(jì)算可信度，產(chǎn)生Top-N推薦列表。

為了實(shí)現(xiàn)本發(fā)明的上述目的，本發(fā)明提供了一種融合信任度的社交網(wǎng)絡(luò)好友推薦方法，包括如下步驟：

S1：計(jì)算用戶社交相似度。用戶a的粉絲(follower)組成一個(gè)集合，關(guān)注者(followee)組成一個(gè)不同集合。選用關(guān)注者(followee)計(jì)算方法，用戶a和用戶b的社交相似度定義如下：其中，follower(a)、follower(b)分別表示用戶a和用戶b的關(guān)注用戶集合，follower(a)∩follower(b)表示用戶a和用戶b共同關(guān)注者的集合，|follower(a)∩follower(b)|表示用戶a和用戶b共同關(guān)注者集合的元素個(gè)數(shù)。同理可得，|follower(a)|和|follower(b)|分別表示用戶a和用戶b的關(guān)注用戶集合的元素個(gè)數(shù)；

S2：提取用戶在社交網(wǎng)絡(luò)中發(fā)布、轉(zhuǎn)發(fā)的所有文本，對(duì)文本進(jìn)行分詞，計(jì)算詞頻：其中，M表示文本的總詞數(shù)，m表示當(dāng)前字詞在文本中出現(xiàn)的次數(shù)；