[發(fā)明專利]基于改進(jìn)版PageRank以及綜合影響力的推薦方法

有效

• 申請?zhí)枺?/td>: 201810998944.0
• 申請日: 2018-08-29
• 公開（公告）號: CN109271584B
• 公開（公告）日: 2022-02-15
• 發(fā)明（設(shè)計(jì)）人: 黃彬彬;何馥蕓;沈艷婷;楊澤彬
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06Q50/00
• 代理公司: 杭州浙科專利事務(wù)所(普通合伙) 33213
• 代理人: 吳秉中

1.一種基于有向圖改進(jìn)版PageRank以及綜合評定微博影響力的用戶推薦方法，包括如下步驟：(1)Python爬蟲爬取新浪微博數(shù)據(jù)集；(2)通過數(shù)據(jù)集在關(guān)注關(guān)系與交互關(guān)系的基礎(chǔ)上建立有向圖模型；(3)加入綜合指標(biāo)評定矩陣，得到加權(quán)概率轉(zhuǎn)移矩陣；(4)馬爾科夫迭代收斂得到最終PR值并進(jìn)行Top-N推薦；

所述步驟(1)具體如下：

Python爬蟲爬取新浪微博上2000個用戶及其衍生的幾十萬粉絲以及關(guān)注用戶數(shù)據(jù)集，爬取四張數(shù)據(jù)表：①User_info表、②Follows表、③Followers、④Retweets；

所述步驟(2)具體如下：

設(shè)用戶i關(guān)注人數(shù)為F_i，設(shè)轉(zhuǎn)發(fā)微博條數(shù)為T_i,則通過皮爾遜相關(guān)系數(shù)來計(jì)算關(guān)注與轉(zhuǎn)發(fā)之間的相關(guān)性R_FT：

設(shè)關(guān)注權(quán)值為W_F,則轉(zhuǎn)發(fā)權(quán)值W_T＝W_F×R_FT；

研究用戶i影響力時,設(shè)用戶m全部轉(zhuǎn)發(fā)的微博數(shù)為T_m,轉(zhuǎn)發(fā)用戶i的微博數(shù)為T_mi,則依次根據(jù)皮爾遜算出所有其他用戶與用戶i的微博轉(zhuǎn)發(fā)相關(guān)性R_mit；

則用戶m轉(zhuǎn)發(fā)用戶i的微博時的權(quán)值為W_mit＝R_mit×W_T,即用戶i對用戶m的影響力即兩者之和Influence_im＝W_mit+W_F,而用戶i的總影響力就為與其有關(guān)的用戶m₁、用戶m₂…用戶m_n之和，即

其他用戶依次類推；

將Influence_im類比到不同的兩個用戶之間，列出轉(zhuǎn)移矩陣，每行表示一個用戶，一行里的每個數(shù)值表示這個人對所有人的影響權(quán)值；每列也表示一個用戶，一列里每個數(shù)值表示這個用戶被別人影響的權(quán)值,得到初步的轉(zhuǎn)移矩陣m_ij。

2.如權(quán)利要求1所述的基于有向圖改進(jìn)版PageRank以及綜合評定微博影響力的用戶推薦方法，其特征在于：步驟(3)具體如下：

加入綜合指標(biāo)評定矩陣，得到加權(quán)概率轉(zhuǎn)移矩陣；

用戶i的綜合評定影響力指標(biāo)如下：

W(i)＝Quality(i)×α+Outdegree(i)×β+Confidence(i)×γ+Active(i)×δ，

α+β+γ+δ＝1，α、β、γ、δ為權(quán)值；

Quality(i)表示用戶博文質(zhì)量，公式如下：

Quality(i)＝Retweets(i)×α′+Comments(i)×β′+Likes(i)×γ′

α′+β′+γ′＝1，α′、β′、γ′為權(quán)值；

Retweets(i)表示轉(zhuǎn)發(fā)數(shù)，Comments(i)表示評論數(shù),Likes(i)表示點(diǎn)贊數(shù)；

Outdegree(i)表示出度，即粉絲數(shù)；

Confidence(i)表示置信度；

Active(i)表示活躍度，即

n_i表示用戶i發(fā)表的博文數(shù)，N表示全部博文數(shù)；

M_ij＝W_i*m_ij

其中m_ij是初始加權(quán)概率轉(zhuǎn)移矩陣，得到最終的加權(quán)概率轉(zhuǎn)移矩陣M_ij。

3.如權(quán)利要求2所述的基于有向圖改進(jìn)版PageRank以及綜合評定微博影響力的用戶推薦方法，其特征在于：步驟(4)具體如下：

取一個合適的rank向量v，是一個n*1的矩陣，n即為節(jié)點(diǎn)數(shù)，每一行數(shù)值為即

v′＝v×m_ij；

通過PR公式進(jìn)行馬爾科夫迭代，

其中，d為阻尼系數(shù)，用戶u_j推薦給用戶u的pagerank值；

得到最終用戶的PR值，并取Top-10用戶作為本發(fā)明挖掘到的最具影響力用戶。