CN103995866A - 一种基于链路预测的商品信息推送方法及装置 - Google Patents

Abstract

本发明公开了一种基于链路预测的商品信息推送方法，包括：确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户；构建所述待推荐用户及所述关联用户到商品的二部分图；判断所述待推荐用户在所述二部分图中是否存在映射节点，确定存在映射节点时，基于二部分图算法确定向所述待推荐用户推送的商品信息；根据所述待推荐用户输入的选择信息，再次构建所述待推荐用户及所述关联用户到商品的二部分图，并基于更新的二部分图确定向所述待推荐用户推送的商品信息，再根据所述待推荐用户输入的选择信息重复上述处理过程。本发明还同时公开了一种基于链路预测的商品信息推送装置。

Description

一种基于链路预测的商品信息推送方法及装置

技术领域

本发明涉及网络中的商品信息推送技术，尤其涉及一种基于链路预测的商品信息推送方法及装置。

背景技术

随着互联网规模及覆盖面的迅速增长，使用户尽情享受与互联网的自由交互，给越来越多的用户带来便利，但大量信息的同时呈现亦使得用户无法从海量信息中获得自己真正需要的部分，信息使用效率反而降低，而推荐系统则是解决信息超载问题非常有潜力的信息过滤手段，所谓推荐系统是利用网络向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程的智能系统。

现有的网络推荐系统根据推荐算法的不同，可以分为如下几类：协同过滤系统、基于内容的推荐系统、混合推荐系统、以及兴起较晚的基于用户产品二部图网络结构的推荐系统，上述推荐系统均是基于对用户购买行为信息的收集，对用户喜好模型的分析，经计算最终形成对用户的推荐；然而，对于在线营销，人们更青睐来自朋友的推荐而非推荐系统计算得出的结果，因此，为了实现更好的商业应用，应该根据用户的朋友关系及具体用户朋友的购买行为，形成有效的朋友推荐，建立用户到朋友推荐商品的关联。

发明内容

有鉴于此，本发明实施例期望提供一种基于链路预测的商品信息推送方法及装置，能够实现对用户进行个性化信息推送，提高商品信息推送的准确度和可信度。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供了一种基于链路预测的商品信息推送方法，所述方法包括：

确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户；

构建所述待推荐用户及所述关联用户到商品的二部分图；

判断所述待推荐用户在所述二部分图中是否存在映射节点，确定存在映射节点时，基于二部分图算法确定向对所述待推荐用户推送的商品信息；

根据所述待推荐用户输入的选择信息，再次构建所述待推荐用户及所述关联用户到商品的二部分图，并基于更新的二部分图确定向所述待推荐用户推送的商品信息，再根据所述待推荐用户输入的选择信息重复上述处理过程。

上述方案中，所述方法还包括：确定所述在线社会网络具备单社团属性时，选取凝聚算法的基础上，依据所述待推荐用户所在的网络拓扑结构，确定待推荐用户的所有关联用户。

上述方案中，所述确定所述在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户包括：确定所述在线社会网络具备多社团属性时，采用派系过滤算法，得到所述待推荐用户所属的所有派系，确定与所述待推荐用户同属一个派系的所有用户，以及与所述待推荐用户处于不同派系但有边相连的用户为待推荐用户的所有关联用户。

上述方案中，所述构建所述待推荐用户及所述关联用户到商品的二部分图包括：获取所述待推荐用户及所述关联用户购买商品的历史数据，并依据所述数据建立所述待推荐用户及所述关联用户到购买商品之间的映射关系，构建所述待推荐用户及所述关联用户到商品的二部分图。

上述方案中，所述判断所述待推荐用户在所述二部分图中是否存在映射节点之后，该方法还包括：确定不存在映射节点时，采用基于内容的推荐算法确定向所述待推荐用户推送的商品信息。

上述方案中，所述基于二部分图算法确定向所述待推荐用户推送的商品信息包括：

依据 $f_j={\mathrm{\α}}_{\mathrm{ji}}{k}_j^{\mathrm{\β}},{\mathrm{\ω}}_{\mathrm{ij}}=\frac{1}{k_j}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\frac{{\mathrm{\α}}_{i1}{\mathrm{\α}}_{j1}}{k_1}$ 及f'＝Wf，得到待推荐用户的最终资源分配矢量；

其中，f_j表示待推荐用户的初始资源；如果用户i购买过商品j，就在i和j之间连接一条边α_ji＝1(i＝1,2,L,m；j＝1,2,L,n)，否则α_ji＝0；k_j为第k个产品的度；β为可调参数；ω_ij表示产品j可分配给产品i的资源配额；k_l表示用户l的度；f’为待推荐用户i的最终资源分配矢量；

将待推荐用户未购买过的所有商品按照矢量f’中对应元素的大小进行排序，并将排序靠前的t个商品的商品信息推送给待推荐用户；这里所述t∈Z⁺。

本发明实施例还公开了一种基于链路预测的商品信息推送装置，所述装置包括：

确定模块，用于确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户；

构建模块，用于构建所述待推荐用户及所述关联用户到商品的二部分图；

推荐模块，用于判断所述待推荐用户在所述二部分图中是否存在映射节点，确定存在映射节点时，基于二部分图算法确定向所述待推荐用户推送的商品信息；

根据所述待推荐用户输入的选择信息，再次使用构建模块构建所述待推荐用户及所述关联用户到商品的二部分图，并基于更新的二部分图确定向所述待推荐用户推送的商品信息，再根据所述待推荐用户输入的选择信息重复上述处理过程。

上述方案中，所述装置还包括分析模块，用于分析层叠网络中各网络的性质，并选取层叠网络中的在线社会网络；

相应的，所述确定模块，还用于确定所述在线社会网络具备单社团属性时，选取凝聚算法的基础上，依据所述待推荐用户所在的网络拓扑结构，确定待推荐用户的所有关联用户；

所述推荐模块，还用于确定不存在映射节点时，采用基于内容的推荐算法确定向所述待推荐用户推送的商品信息。

上述方案中，所述确定模块确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户包括：所述确定模块根据在线社会网络的类型判断所述在线社会网络属性，确定所述在线社会网络具备多社团属性时，采用派系过滤算法，得到所述待推荐用户所属的所有派系，确定与所述待推荐用户同属一个派系的所有用户，以及与所述待推荐用户处于不同派系但有边相连的用户为待推荐用户的所有关联用户。

上述方案中，所述推荐模块基于二部分图算法确定向所述待推荐用户推送的商品信息包括：

所述推荐模块依据 $f_j={\mathrm{\α}}_{\mathrm{ji}}{k}_j^{\mathrm{\β}},{\mathrm{\ω}}_{\mathrm{ij}}=\frac{1}{k_j}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\frac{{\mathrm{\α}}_{i1}{\mathrm{\α}}_{j1}}{k_1}$ 及f'＝Wf，得到待推荐用户的最终资源分配矢量；

其中，f_j表示待推荐用户的初始资源；如果用户i购买过商品j，就在i和j之间连接一条边α_ji＝1(i＝1,2,L,m；j＝1,2,L,n)，否则α_ji＝0；k_j为第k个产品的度；β为可调参数；ω_ij表示产品j可分配给产品i的资源配额；k_l表示用户l的度；f’为待推荐用户i的最终资源分配矢量；

将待推荐用户未购买过的所有商品按照矢量f’中对应元素的大小进行排序，并将排序靠前的t个商品的商品信息推送给待推荐用户；这里所述t∈Z⁺。

本发明实施例所提供的基于链路预测的商品信息推送方法及装置，确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户；构建所述待推荐用户及所述关联用户到商品的二部分图；判断所述待推荐用户在所述二部分图中是否存在映射节点，确定存在映射节点时，基于二部分图算法确定向所述待推荐用户推送的商品信息；根据所述待推荐用户输入的选择信息，再次构建所述待推荐用户及所述关联用户到商品的二部分图，并基于更新的二部分图确定向所述待推荐用户推送的商品信息，再根据所述待推荐用户输入的选择信息重复上述处理过程；如此，在关注商品共同性的同时更关注了商品的差异性，抑制了热门商品的推荐能力，提高了冷门商品信息的推送机会，且不断优化信息推送结果，进而能实现对用户进行个性化信息推送，提高了商品信息推送的准确度和可信度。

附图说明

图1为本发明实施例一种基于链路预测的商品信息推送方法的流程示意图；

图2为具备单一社团属性的在线社会网络示意图；

图3为彼此关联的具备多社团属性的在线社会网络示意图；

图4为本发明实施例用户到商品的二部分图示意图；

图5为本发明实施例另一种基于链路预测的商品信息推送方法的流程示意图；

图6为本发明实施例基于链路预测的商品信息推送装置示意图。

具体实施方式

在本发明实施例中，确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户；构建所述待推荐用户及所述关联用户到商品的二部分图；判断所述待推荐用户在所述二部分图中是否存在映射节点，确定存在映射节点时，基于二部分图算法确定向所述待推荐用户推送的商品信息；根据所述待推荐用户输入的选择信息，再次构建所述待推荐用户及所述关联用户到商品的二部分图，并基于更新的二部分图确定向所述待推荐用户推送的商品信息，再根据所述待推荐用户输入的选择信息重复上述处理过程。

图1为本发明实施例一种基于链路预测的商品信息推送方法的流程示意图，如图1所示，本实施例基于链路预测的商品信息推送方法包括：

步骤101：确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户；

在本步骤执行之前，该方法还包括：分析层叠网络中各网络的性质，并选取层叠网络中的在线社会网络；其中，所述层叠网络是指两类不同性质的网络具有部分或全部相同的节点，即某网络中的部分或全部节点与另一网络中的部分或全部节点重叠；所述在线社会网络是指人们以计算机和网络进行社交、联系和协作所形成的人与人之间的社会网络，如博客、微博。

进一步的，所述确定选取的在线社会网络具备多社团属性包括：依据在线社会网络的应用类型即可判断所述在线社会网络具备单社团属性或多社团属性，一般除非针对特定用户群体，如指定QQ群，否则一般真实在线社会网络应用均具有多社团属性，如微博粉丝，图2所示为具备单一社团属性的在线社会网络示意图，图3所示为彼此关联的具备多社团属性的在线社会网络示意图。

确定所述在线社会网络具备多社团属性时，采用派系过滤算法得到所述待推荐用户所属的所有派系，确定与所述待推荐用户同属一个派系的所有用户，以及与所述待推荐用户处于不同派系但有边相连的用户为待推荐用户的所有关联用户；其中，所述派系是指由三个或者三个以上的用户节点组成的全连通子图，即任何两个节点之间均有连接，在社团的各种定义中，派系的定义最为严格，但是也可以通过弱化连接条件进行拓展，形成n－派系，这里的n是指子图中的任意两个节点间不必直接相连，但最多通过n－1个节点能够连通；

相应的，所述确定所述在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户具体包括：从在线社会网络中各用户节点的度可以判断网络中可能存在的最大派系的大小s；这里，所述用户节点的度指所述用户拥有的朋友多少，从网络中一个用户节点出发，找到所有包含该节点的大小为s的派系后，删除该节点以及与之相连的边，以避免多次找到同一个派系；然后，另选一个用户节点，重复上述过程，直到网络中没有节点为止；至此，就能找到在线社会网络中大小为s的所有派系；接着，逐步减小s，每次s值减小1；再同法便可寻找到网络中所有不同大小的派系；

寻找包含节点v的所有大小为s的派系迭代回归算法如下：

初始集合A＝{v}，B＝{v的邻居}；

从集合B中移动一个节点到集合A，同时删除集合B中不再与集合A中所有节点相连的节点；

如果在集合A的大小未达到s之前，集合B已为空集，或者集合A和B为已有的一个较大的派系中的子集，则停止计算，返回上一步，否则，当集合A的大小未达到s，就得到一个新的派系，记录该派系，然后返回上一步，继续寻找包含节点v的新的派系；

找到网络中所有的派系以后，就可以得到这些派系的重叠矩阵，再得到任意的k-派系，确定与所述待推荐用户同属一个派系的所有用户、以及与所述待推荐用户处于不同派系但有边相连的用户为待推荐用户的所有关联用户。

进一步的，该方法还包括：确定所述在线社会网络具备单社团属性时，在选取凝聚算法的基础上，依据所述待推荐用户所在的网络拓扑结构，确定待推荐用户的所有关联用户；具体处理流程包括：

初始时假设每个用户就是一个独立的社团，模块度值Q＝0，初始的

a_i＝k_i/(2M)；

其中，e_ij表示网络中连接第i个社团和第j个社团中用户的边在所有边中所占的比例；M为网络中的总边数；k_i表示用户i的度，即用户i选择过多少产品；a_i为与第i个社团中的用户相连的边在所有边中占的比例；

初始的模块度增量矩阵的元素计算如下：

得到初始的模块度增量矩阵后，就可以得到由它每一行的最大元素构成的最大堆H；

从最大堆H中选择最大的ΔQ_ij，合并相应的社团i和j，标记合并后的社团的标号为j；并更新模块度增量矩阵ΔQ_ij，最大堆H和辅助向量a_i：其中，

更新ΔQ_ij包括：删除第i行和第i列的元素，更新第j行和第j列的元素，得到：

更新最大堆H包括：更新最大堆H中相应的行和列的最大元素；

更新辅助向量a_i包括：a'_j＝a_i+a_j；a'_i＝0；

再次从最大堆H中选择最大的ΔQ_ij，并重复上述处理过程，直到网络中所有用户都归到一个社团内；

由于在算法整个过程中，模块度Q仅有一个最大的峰值，当模块度增量矩阵中最大的元素都小于零以后，Q值就会一直下降，因此，只要模块度增量矩阵中最大的元素由正变负，便停止合并，并认为此时的结果就是网络的社团结构，依据所述社团结构，确定待推荐用户的所有关联用户；这里，所述关联用户包括与所述待推荐用户处于同一社团的所有用户，及与所述待推荐用户处于不同社团但有边相连的所有用户。

步骤102：构建所述待推荐用户及所述关联用户到商品的二部分图；

本步骤具体包括：获取所述待推荐用户及所述关联用户购买商品的历史数据，并依据所述数据建立所述待推荐用户及所述关联用户到购买商品之间的映射关系，构建所述待推荐用户及所述关联用户到商品的二部分图，图4所示为用户到商品的二部分图示意图。

步骤103：判断所述待推荐用户在所述二部分图中是否存在映射节点，确定存在映射节点时，基于二部分图算法确定向所述待推荐用户推送的商品信息；

这里，所述基于二部分图算法确定向所述待推荐用户推送的商品信息为：在基于二部分图算法的基础上引入可调参数，确定向所述待推荐用户推送的商品信息；

具体的，所述在基于二部分图算法的基础上引入可调参数，确定向所述待推荐用户推送的商品信息，包括：

根据公式获得待推荐用户i的初始资源；

其中，f_j表示待推荐用户的初始资源；如果用户i购买过商品j，就在i和j之间连接一条边α_ji＝1(i＝1,2,L,m；j＝1,2,L,n)，否则α_ji＝0；k_j为第k个产品的度，即第k个商品被多少用户选择过；β为可调参数，当β小于0的时候，大度产品的推荐能力被抑制，根据研究人员推荐，β取值一般为-0.8；

根据公式获得产品j可被分配给用户i的资源配额；

其中，ω_ij表示产品j可分配给产品i的资源配额；k_l表示用户l的度，即用户l选择过多少个商品；

根据公式f'＝Wf，获得待推荐用户i的最终资源分配矢量；

将系统中待推荐用户未购买过的所有商品，按照矢量f’中对应元素的大小进行排序，并将排序靠前的t个商品的商品信息推送给待推荐用户；这里所述t∈Z⁺，可根据需要进行设定。

该方法还包括：确定不存在映射节点时，采用基于内容的推荐算法确定向所述待推荐用户推送的商品信息，具体包括：

确定不存在映射节点时，将所有用户的购买行为建立配置文件，统计商品关键词在文件中出现的词频，计算关键词出现次数的逆，并将词频与其逆相乘，将排序靠前的t个商品的商品信息推送给待推荐用户；这里所述t∈Z⁺，可根据需要进行设定；

当待推荐用户在所述二部分图中不存在映射节点时，表明所述待推荐用户为新用户，此类推荐为冷启动，在考虑所述待推荐用户的所有关联用户的基础上采用基于内容的推荐方法，提高了对冷门产品的关注，降低了热门产品的权重，有效解决了冷启动问题。

步骤104：根据所述待推荐用户输入的选择信息，再次构建所述待推荐用户及所述关联用户到商品的二部分图，并基于更新的二部分图确定向所述待推荐用户推荐的商品信息，再根据所述待推荐用户输入的选择信息重复上述处理过程；

这里，所述待推荐用户输入的选择信息是所述待推荐用户对推送商品信息的选择；根据待推荐用户输入的选择信息迭代确定向所述待推荐用户推送的商品信息，不断优化推荐结果，进而实现对用户进行个性化推荐，提高了商品推送信息的准确度和可信度。

图5为本发明实施例另一种基于链路预测的商品信息推送方法的流程示意图，如图5所示，本实施例基于链路预测的商品信息推送方法的流程包括：

步骤501：分析层叠网络中各网络的性质，并选取层叠网络中的在线社会网络；

这里，所述层叠网络是指两类性质不同的网络具有部分或全部相同的节点，即某网络中的部分或全部节点与另一网络中的部分或全部节点重叠；所述在线社会网络是指人们以计算机和网络进行社交、联系和协作所形成的人与人之间的社会网络，如博客、微博。

步骤502：判断在线社会网络属性，确定所述在线社会网络具备多社团属性时，执行步骤503；确定所述在线社会网络具备单社团属性时，执行步骤504；

这里，所述判断在线社会网络属性具体为：依据在线社会网络的应用类型即可判断所述在线社会网络具备单社团属性或多社团属性，一般除非针对特定用户群体，如指定QQ群，否则一般真实在线社会网络应用均具有多社团属性，如微博粉丝。

步骤503：采用派系过滤算法划分社团，确定待推荐用户的所有关联用户，并执行步骤505；

本步骤包括：采用派系过滤算法，得到所述待推荐用户所属的所有派系，确定与所述待推荐用户同属一个派系的所有用户，以及与所述待推荐用户处于不同派系但有边相连的用户为待推荐用户的所有关联用户；

相应的，所述采用派系过滤算法划分社团，确定待推荐用户的所有关联用户具体包括：从在线社会网络中各用户节点的度可以判断网络中可能存在的最大派系的大小s；这里，所述用户节点的度指所述用户拥有的朋友多少，从网络中一个用户节点出发，找到所有包含该节点的大小为s的派系后，删除该节点以及与之相连的边，以避免多次找到同一个派系；然后，另选一个用户节点，重复上述过程，直到网络中没有节点为止；至此，就能找到在线社会网络中大小为s的所有派系；接着，逐步减小s，每次s值减小1，再同法便可寻找到网络中所有不同大小的派系；

寻找包含节点v的所有大小为s的派系迭代回归算法如下：

初始集合A＝{v}，B＝{v的邻居}；

从集合B中移动一个节点到集合A，同时删除集合B中不再与集合A中所有节点相连的节点；

如果在集合A的大小未达到s之前，集合B已为空集，或者集合A和B为已有的一个较大的派系中的子集，则停止计算，返回上一步。否则，当集合A的大小未达到s，就得到一个新的派系，记录该派系，然后返回上一步，继续寻找包含节点v的新的派系；

找到网络中所有的派系以后，就可以得到这些派系的重叠矩阵，再得到任意的k-派系，确定与所述待推荐用户同属一个派系的所有用户，以及与所述待推荐用户处于不同派系但有边相连的用户为待推荐用户的所有关联用户。

步骤504：采用凝聚算法划分社团，并确定待推荐用户的所有关联用户；

本步骤具体包括：初始时假设每个用户就是一个独立的社团，模块度值Q＝0，初始的

a_i＝k_i/(2M)；

其中，e_ij表示网络中连接第i个社团和第j个社团中用户的边在所有边中所占的比例；M为网络中的总边数；k_i表示用户i的度，即用户i选择过多少产品；a_i为与第i个社团中的用户相连的边在所有边中占的比例；

初始的模块度增量矩阵的元素计算如下：

得到初始的模块度增量矩阵后，就可以得到由它每一行的最大元素构成的最大堆H；

从最大堆H中选择最大的ΔQ_ij，合并相应的社团i和j，标记合并后的社团的标号为j；并更新模块度增量矩阵ΔQ_ij，最大堆H和辅助向量a_i：其中，

更新ΔQ_ij包括：删除第i行和第i列的元素，更新第j行和第j列的元素，得到：

更新最大堆H包括：更新最大堆H中相应的行和列的最大元素；

更新辅助向量a_i包括：a'_j＝a_i+a_j；a'_i＝0；

再次从最大堆H中选择最大的ΔQ_ij，并重复上述处理过程，直到网络中所有用户都归到一个社团内；

由于在算法整个过程中，模块度Q仅有一个最大的峰值，当模块度增量矩阵中最大的元素都小于零以后，Q值就会一直下降，因此，只要模块度增量矩阵中最大的元素由正变负，便停止合并，并认为此时的结果就是网络的社团结构，依据所述社团结构，确定待推荐用户的所有关联用户；这里，所述关联用户包括与所述待推荐用户处于同一社团的所有用户，及与所述待推荐用户不处于同一社团但有边相连的所有用户。

步骤505：构建所述待推荐用户及所述关联用户到商品的二部分图；

本步骤具体包括：获取所述待推荐用户及所述关联用户购买商品的历史数据，并依据所述数据建立所述待推荐用户及所述关联用户到购买商品之间的映射关系，构建所述待推荐用户及所述关联用户到商品的二部分图，图4所示为用户到商品的二部分图的示意图。

步骤506：判断所述待推荐用户在所述二部分图中是否存在映射节点，确定存在映射节点时，执行步骤507；确定不存在映射节点时，执行步骤508。

步骤507：基于二部分图算法确定向所述待推荐用户推送的商品信息，并执行步骤509；

这里，所述基于二部分图算法确定向所述待推荐用户推送的商品信息为：在基于二部分图算法的基础上引入可调参数，确定向所述待推荐用户推送的商品信息；

本步骤具体包括：根据公式获得待推荐用户i的初始资源；

其中，f_j表示待推荐用户的初始资源；如果用户i购买过商品j，就在i和j之间连接一条边α_ji＝1(i＝1,2,L,m；j＝1,2,L,n)，否则α_ji＝0；k_j为第k个产品的度，即第k个商品被多少用户选择过；β为可调参数，当β小于0的时候，大度产品的推荐能力被抑制，根据研究人员推荐，β取值一般为-0.8；

根据公式获得产品j可被分配给用户i的资源配额；

其中，ω_ij表示产品j可分配给产品i的资源配额；k_l表示用户l的度，即用户l选择过多少个商品；

根据公式f'＝Wf，获得待推荐用户i的最终资源分配矢量；

将系统中待推荐用户未购买过的所有商品，按照矢量f’中对应元素的大小进行排序，并将排序靠前的t个商品的商品信息推送给待推荐用户；这里所述t∈Z⁺，可根据需要进行设定。

步骤508：采用基于内容的推荐算法确定向所述待推荐用户推送的商品信息；

本步骤具体包括：将所有用户的购买行为建立配置文件，统计商品关键词在文件中出现的词频，计算关键词出现次数的逆，并将词频与其逆相乘，将排序靠前的t个商品的商品信息推送给待推荐用户；这里所述t∈Z⁺，可根据需要进行设定；

由于当待推荐用户在所述二部分图中不存在映射节点时，表明所述待推荐用户为新用户，此类推荐为冷启动，在考虑所述待推荐用户的关联用户的基础上采用基于内容的推荐方法，提高了对冷门产品的关注，降低了热门产品的权重，有效解决了冷启动问题。

步骤509：待推荐用户输入选择信息，执行步骤505；

这里，所述待推荐用户输入的选择信息是所述待推荐用户对推送商品信息的选择。

图6为本发明实施例基于链路预测的商品信息推送装置示意图，如图6所示，本发明实施例基于链路预测的商品信息推送装置包括：确定模块61、构建模块62及推荐模块63；其中，

所述确定模块61，用于确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户；

所述构建模块62，用于构建所述待推荐用户及所述关联用户到商品的二部分图；

推荐模块63，用于判断所述待推荐用户在所述二部分图中是否存在映射节点，确定存在映射节点时，基于二部分图算法确定向所述待推荐用户推荐的商品信息；

根据所述待推荐用户输入的选择信息，再次使用构建模块构建所述待推荐用户及所述关联用户到商品的二部分图，使用推荐模块基于更新的二部分图确定向所述待推荐用户推送的商品信息，再根据所述待推荐用户输入的选择信息重复上述处理过程；

进一步的，所述装置还包括分析模块64，用于分析层叠网络中各网络的性质，并选取层叠网络中的在线社会网络。

进一步的，所述确定模块61确定选取的在线社会网络具备多社团属性包括：依据在线社会网络的应用类型即可判断所述在线社会网络具备单社团属性或多社团属性，一般除非针对特定用户群体，如指定QQ群，否则一般真实在线社会网络应用均具有多社团属性，如微博粉丝；

所述确定模块61确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户包括：

所述确定模块61采用派系过滤算法，得到所述待推荐用户所属的所有派系，确定与所述待推荐用户同属一个派系的所有用户，以及与所述待推荐用户处于不同派系但有边相连的用户为待推荐用户的所有关联用户；其中，所述派系是指由三个或者三个以上的用户节点组成的全连通子图，即任何两个节点之间均有连接，在社团的各种定义中，派系的定义最为严格，但是也可以通过弱化连接条件进行拓展，形成n－派系，这里的n是指子图中的任意两个节点间不必直接相连，但最多通过n－1个节点能够连通；

相应的，所述确定模块61确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户具体包括：

从在线社会网络中各用户节点的度可以判断网络中可能存在的最大派系的大小s；这里，所述用户节点的度指所述用户拥有的朋友多少，从网络中一个用户节点出发，找到所有包含该节点的大小为s的派系后，删除该节点以及与之相连的边，以避免多次找到同一个派系；然后，另选一个用户节点，重复上述过程，直到网络中没有节点为止；至此，就能找到在线社会网络中大小为s的所有派系；接着，逐步减小s，每次s值减小1；再同法便可寻找到网络中所有不同大小的派系；

寻找包含节点v的所有大小为s的派系迭代回归算法如下：

初始集合A＝{v}，B＝{v的邻居}；

从集合B中移动一个节点到集合A，同时删除集合B中不再与集合A中所有节点相连的节点；

如果在集合A的大小未达到s之前，集合B已为空集，或者集合A和B为已有的一个较大的派系中的子集，则停止计算，返回上一步，否则，当集合A的大小未达到s，就得到一个新的派系，记录该派系，然后返回上一步，继续寻找包含节点v的新的派系；

找到网络中所有的派系以后，就可以得到这些派系的重叠矩阵，再得到任意的k-派系，确定与所述待推荐用户同属一个派系的所有用户、以及与所述待推荐用户处于不同派系但有边相连的用户为待推荐用户的所有关联用户。

进一步的，所述确定模块61，还用于确定所述在线社会网络具备单社团属性时，选取凝聚算法的基础上，依据所述待推荐用户所在的网络拓扑结构，确定待推荐用户的所有关联用户；具体处理流程包括：

初始时假设每个用户就是一个独立的社团，模块度值Q＝0，初始的

a_i＝k_i/(2M)；

其中，e_ij表示网络中连接第i个社团和第j个社团中用户的边在所有边中所占的比例；M为网络中的总边数；k_i表示用户i的度，即用户i选择过多少产品；a_i为与第i个社团中的用户相连的边在所有边中占的比例；

初始的模块度增量矩阵的元素计算如下：

得到初始的模块度增量矩阵后，就可以得到由它每一行的最大元素构成的最大堆H；

从最大堆H中选择最大的ΔQ_ij，合并相应的社团i和j，标记合并后的社团的标号为j；并更新模块度增量矩阵ΔQ_ij，最大堆H和辅助向量a_i：其中，

更新ΔQ_ij包括：删除第i行和第i列的元素，更新第j行和第j列的元素，得到：

更新最大堆H包括：更新最大堆H中相应的行和列的最大元素；

更新辅助向量a_i包括：a'_j＝a_i+a_j；a'_i＝0；

再次从最大堆H中选择最大的ΔQ_ij，并重复上述处理过程，直到网络中所有用户都归到一个社团内；

由于在算法整个过程中，模块度Q仅有一个最大的峰值，当模块度增量矩阵中最大的元素都小于零以后，Q值就会一直下降，因此，只要模块度增量矩阵中最大的元素由正变负，便停止合并，并认为此时的结果就是网络的社团结构，依据所述社团结构，确定待推荐用户的所有关联用户；这里，所述关联用户包括与所述待推荐用户处于同一社团的所有用户，及与所述待推荐用户不处于同一社团但有边相连的所有用户。

进一步的，所述构建模块62构建所述待推荐用户及所述关联用户到商品的二部分图包括：

所述构建模块62获取所述待推荐用户及所述关联用户购买商品的历史数据，并依据所述数据建立所述待推荐用户及所述关联用户到购买商品之间的映射关系，构建所述待推荐用户及所述关联用户到商品的二部分图；

所述推荐模块63确定存在映射节点时，基于二部分图算法确定向所述待推荐用户推送的商品信息包括：在基于二部分图算法的基础上引入可调参数，确定向所述待推荐用户推荐的商品信息；

具体的：所述推荐模块63根据公式获得待推荐用户i的初始资源；

其中，f_j表示待推荐用户的初始资源；如果用户i购买过商品j，就在i和j之间连接一条边α_ji＝1(i＝1,2,L,m；j＝1,2,L,n)，否则α_ji＝0；k_j为第k个产品的度，即第k个商品被多少用户选择过；β为可调参数，当β小于0的时候，大度产品的推荐能力被抑制，根据研究人员推荐，β取值一般为-0.8；

根据公式获得产品j可被分配给用户i的资源配额；

其中，ω_ij表示产品j可分配给产品i的资源配额；k_l表示用户l的度，即用户l选择过多少个商品；

根据公式f'＝Wf，获得待推荐用户i的最终资源分配矢量；

将系统中待推荐用户未购买过的所有商品，按照矢量f’中对应元素的大小进行排序，并将排序靠前的t个商品的商品信息推送给待推荐用户；这里所述t∈Z⁺，可根据需要进行设定。

相应的，所述推荐模块63，还用于确定不存在映射节点时，采用基于内容的推荐算法确定向所述待推荐用户推送的商品信息；具体包括：

将所有用户的购买行为建立配置文件，统计商品关键词在文件中出现的词频；计算关键词出现次数的逆，并将词频与其逆相乘，将排序靠前的t个商品的商品信息推送给待推荐用户；这里所述t∈Z⁺，可根据需要进行设定；

由于当待推荐用户在所述二部分图中不存在映射节点时，表明所述待推荐用户为新用户，此类推荐为冷启动，在考虑所述待推荐用户的关联用户的基础上采用基于内容的推荐方法，提高了对冷门产品的关注，降低了热门产品的权重，有效解决了冷启动问题。

上面所述确定模块61、构建模块62、推荐模块63和分析模块64均可由服务器中的中央处理器(CPU，Central Processing Unit)、或数字信号处理器(DSP，Digital Signal Processor)、或现场可编程门阵列(FPGA，Field Programmable GateArray)实现。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种基于链路预测的商品信息推送方法，其特征在于，所述方法包括：

确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户；

构建所述待推荐用户及所述关联用户到商品的二部分图；

判断所述待推荐用户在所述二部分图中是否存在映射节点，确定存在映射节点时，基于二部分图算法确定向对所述待推荐用户推送的商品信息；

根据所述待推荐用户输入的选择信息，再次构建所述待推荐用户及所述关联用户到商品的二部分图，并基于更新的二部分图确定向所述待推荐用户推送的商品信息，再根据所述待推荐用户输入的选择信息重复上述处理过程。

2.根据权利要求1所述方法，其特征在于，所述方法还包括：确定所述在线社会网络具备单社团属性时，选取凝聚算法的基础上，依据所述待推荐用户所在的网络拓扑结构，确定待推荐用户的所有关联用户。

3.根据权利要求1所述方法，其特征在于，所述确定所述在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户包括：确定所述在线社会网络具备多社团属性时，采用派系过滤算法，得到所述待推荐用户所属的所有派系，确定与所述待推荐用户同属一个派系的所有用户，以及与所述待推荐用户处于不同派系但有边相连的用户为待推荐用户的所有关联用户。

4.根据权利要求1所述方法，其特征在于，所述构建所述待推荐用户及所述关联用户到商品的二部分图包括：获取所述待推荐用户及所述关联用户购买商品的历史数据，并依据所述数据建立所述待推荐用户及所述关联用户到购买商品之间的映射关系，构建所述待推荐用户及所述关联用户到商品的二部分图。

5.根据权利要求1所述方法，其特征在于，所述判断所述待推荐用户在所述二部分图中是否存在映射节点之后，该方法还包括：确定不存在映射节点时，采用基于内容的推荐算法确定向所述待推荐用户推送的商品信息。

6.根据权利要求1所述方法，其特征在于，所述基于二部分图算法确定向所述待推荐用户推送的商品信息包括：

依据 $f_j={\mathrm{\α}}_{\mathrm{ji}}{k}_j^{\mathrm{\β}},{\mathrm{\ω}}_{\mathrm{ij}}=\frac{1}{k_j}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\frac{{\mathrm{\α}}_{i1}{\mathrm{\α}}_{j1}}{k_1}$ 及f'＝Wf，得到待推荐用户的最终资源分配矢量；

其中，f_j表示待推荐用户的初始资源；如果用户i购买过商品j，就在i和j之间连接一条边α_ji＝1(i＝1,2,L,m；j＝1,2,L,n)，否则α_ji＝0；k_j为第k个产品的度；β为可调参数；ω_ij表示产品j可分配给产品i的资源配额；k_l表示用户l的度；f’为待推荐用户i的最终资源分配矢量；

将待推荐用户未购买过的所有商品按照矢量f’中对应元素的大小进行排序，并将排序靠前的t个商品的商品信息推送给待推荐用户；这里所述t∈Z⁺。

7.一种基于链路预测的商品信息推送装置，其特征在于，所述装置包括：

确定模块，用于确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户；

构建模块，用于构建所述待推荐用户及所述关联用户到商品的二部分图；

推荐模块，用于判断所述待推荐用户在所述二部分图中是否存在映射节点，确定存在映射节点时，基于二部分图算法确定向所述待推荐用户推送的商品信息；

根据所述待推荐用户输入的选择信息，再次使用构建模块构建所述待推荐用户及所述关联用户到商品的二部分图，并基于更新的二部分图确定向所述待推荐用户推送的商品信息，再根据所述待推荐用户输入的选择信息重复上述处理过程。

8.根据权利要求7所述装置，其特征在于，所述装置还包括分析模块，用于分析层叠网络中各网络的性质，并选取层叠网络中的在线社会网络；

相应的，所述确定模块，还用于确定所述在线社会网络具备单社团属性时，选取凝聚算法的基础上，依据所述待推荐用户所在的网络拓扑结构，确定待推荐用户的所有关联用户；

所述推荐模块，还用于确定不存在映射节点时，采用基于内容的推荐算法确定向所述待推荐用户推送的商品信息。

9.根据权利要求7所述装置，其特征在于，所述确定模块确定选取的在线社会网络具备多社团属性时，确定待推荐用户的所有关联用户包括：所述确定模块根据在线社会网络的类型判断所述在线社会网络属性，确定所述在线社会网络具备多社团属性时，采用派系过滤算法，得到所述待推荐用户所属的所有派系，确定与所述待推荐用户同属一个派系的所有用户，以及与所述待推荐用户处于不同派系但有边相连的用户为待推荐用户的所有关联用户。

10.根据权利要求7所述装置，其特征在于，所述推荐模块基于二部分图算法确定向所述待推荐用户推送的商品信息包括：

所述推荐模块依据 $f_j={\mathrm{\α}}_{\mathrm{ji}}{k}_j^{\mathrm{\β}},{\mathrm{\ω}}_{\mathrm{ij}}=\frac{1}{k_j}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\frac{{\mathrm{\α}}_{i1}{\mathrm{\α}}_{j1}}{k_1}$ 及f'＝Wf，得到待推荐用户的最终资源分配矢量；

其中，f_j表示待推荐用户的初始资源；如果用户i购买过商品j，就在i和j之间连接一条边α_ji＝1(i＝1,2,L,m；j＝1,2,L,n)，否则α_ji＝0；k_j为第k个产品的度；β为可调参数；ω_ij表示产品j可分配给产品i的资源配额；k_l表示用户l的度；f’为待推荐用户i的最终资源分配矢量；

将待推荐用户未购买过的所有商品按照矢量f’中对应元素的大小进行排序，并将排序靠前的t个商品的商品信息推送给待推荐用户；这里所述t∈Z⁺。