CN104111959A - 基于社交网络的服务推荐方法 - Google Patents

Abstract

本发明属于Web服务推荐领域，公开了一种基于社交网络的服务推荐方法。本发明模拟现实情况下，结合了协同过滤推荐技术的优点，综合考虑用户的历史服务调用记录，使得为用户推荐的服务更能满足用户的需求；对服务按照功能属性进行了细粒度的划分，相对于用户的需求更加具有针对性。

Description

基于社交网络的服务推荐方法

技术领域

本发明属于Web服务推荐领域，尤其涉及一种基于社交网络的服务推荐方法。

背景技术

Web服务是一种可以用来解决跨网络应用集成问题的开发模式，这种模式为实现“软件作为服务（Software as a service）”提供了技术保障。而“软件作为服务”实质上是一种提供软件服务的机制，这种机制可以在网络上暴露可编程接口，并通过这些接口来共享站点开放出来的功能。近年来，Web服务在企业应用集成、电子贸易和商业流程管理领域得到广泛应用，导致因特网上可用的Web服务越来越多，这为用户从大量的候选服务中找到能满足用户功能性和非功能性需求的服务带来了很大的挑战。尽管服务发现技术能帮助用户检索目标服务，然而服务发现是一个被动的过程，意味着需要用户提前了解清楚他们对服务的需求。而在很多情况下，一方面用户无法描述清楚他们对服务的需求；另一方面也不确定因特网上是否存在能满足他们需求的服务。从而使得服务推荐在帮助用户走出服务过载困境以及自动为用户发现合适的服务方面扮演着越来越大的作用。

当前传统推荐系统的推荐算法可以分成两大类：影响力排名和协同过滤。影响力排名推荐技术旨在社交网络中寻找最有影响力的人，基于影响力排名技术的推荐系统向活跃用户推荐最受欢迎的服务，该类技术主要包含如下这些算法：Reputation,Hits和PageRank。采用影响力排名推荐技术的推荐系统具有直观易懂，计算量小，简单和全面的优点；该类算法的缺陷也显而易见，它是一类非个性化的推荐技术，而个性化推荐在现今的推荐系统中已经成为一个必须具备的要素；协同过滤推荐算法目前主要划分成两类：基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法。基于用户的协同过滤推荐算法基于这样一个假设，即如果用户对一些项目的评分比较相似，则他们对其他项目的评分也比较相似，从而得出活跃用户的相似用户组对某个项目的评分逼近活跃用户对该项目的评分。基于项目的协同过滤推荐算法认为，用户对不同项目的评分存在相似性，当需要估计用户对某个项目的评分时，可以以用户对该项目的若干相似项目的评分进行估计。采用协同过滤推荐技术的推荐系统具有个性化推荐，综合考虑用户历史调用记录和推荐准确的优点，但也存在不足的地方，在协同过滤推荐算法中，并没有把服务对于用户的可信性考虑在内，无法模拟现实情况下，活跃用户更愿意调用自己信任的用户为其推荐的服务的情况。当前越来越多的基于社交网络的服务推荐系统涌现，如社会化购物、社会化问答，内容分享社区和垂直社区等。社会化推荐之所以受到很多网站的重视，是因为有如下优点：1）好友推荐可以增加推荐的信任度。好友往往是用户最信任的，用户往往不一定信任计算机的智能，但会信任好朋友的推荐。2）社交网络可以解决零启动的问题。从而我们可以在没有用户行为记录时，通过推荐其好友喜欢的服务，就给用户提供较高质量的推荐结果，部分解决了推荐系统的零启动问题。

发明内容

本发明目的在于如何在大量的候选服务中为用户推荐其潜在需要的服务，提出了一种基于用户信任关系对服务进行评价的方法。本发明提出了一种基于社交网络的服务推荐方法，该方法的创新性表现在：1）把用户的历史服务调用记录考虑在内，使得为用户推荐的服务更能满足用户的需求；2）在现实情况下，用户更信任好友为其推荐的服务，在提出的方法中，同时考虑了用户之间的信任关系；3）对服务按照功能属性进行了细粒度的划分，相对于用户的需求更加具有针对性。综合考虑以上因素为活跃用户推荐其潜在需要的服务。

相关概念与定义：

（1）用户-服务调用记录：推荐系统是由m位用户和n个Web服务组成，用U={u₁,u₂,...,u_m}和S={s₁,s₂,...，s_n}表示，用户的服务历史调用记录表示为IH_i＝{(s_i1,category_j,rate_i1),...,(s_in,category_j,rate_in)}，其中IH_i代表用户ui{u_i∈U历史服务调用记录，s_i1表示用户u_i调用服务s₁，categoryi(j=1，···，k)表示某个服务类别，我们对服务按照功能属性进行细粒度的划分，设置了k个服务类别，mte_i1表示用户u_i对服务S₁的评分，三元组(s_i1,category_j,rate_i1)表示一次服务调用记录即表示用户u_i调用了服务S₁并且对S₁的评分为mte_i1;

（2）用户-用户信任关系：用户之间的信任关系可以被细分成两种类型：显式的信任关系和隐式的信任关系，显式的信任关系形式为“u_Itrusts u₂”，隐式的信任关系表现在用户之间的关联活动上，用户a发表了对某一服务的评论，用户b对a发表的评论进行了反馈，以表明该评论是否对自己有帮助，我们从中可以挖掘出用户a与用户b之间的隐式的信任关系；

（3）用户特征向量：k个服务类别构成了用户特征向量的原型，表示为CV_i＝＜category₁,...,category_k＞，其中CV_j表示用户u_i的特征向量，category_j对应某个服务类别；

（4）用户个人偏好：根据用户的历史调用记录和用户与用户之间的信任关系，利用公式(1)构建用户的个人偏好，其中μ(0＜μ≤1)是一个平衡因子，表示用户u_i信任的用户集合;

${\mathrm{CV}}_i={\mathrm{CV}}_i+\mathrm{\μ}\underset{j\∈T_{u_i}}{\mathrm{\Σ}}{\mathrm{CV}}_j$    公式(1)

（5）活跃用户：在本方法中，我们为某位用户推荐服务时，该用户为活跃用户；

（6）用户相似度：我们利用欧式距离计算用户与用户之间的相似度，欧式距离是一个通常采用的距离定义，表示m维空间中两个点之间的真实距离，用户相似度计算公式为(2)，其中sim(ui_,u_j)值越小代表用户u_i和u_i越相似;

$\mathrm{sim}(u_i,u_j)=\sqrt{\underset{k=1}{\overset{16}{\mathrm{\Σ}}}{({\mathrm{CV}}_{\mathrm{ik}}-{\mathrm{CV}}_{\mathrm{jk}})}^2}$    公式(2)

（7）Rank Score：我们根据候选服务的rank score值来为活跃用户推荐服务，rank score的计算公式为定义为(3)，其中s_k表示某个候选服务，候选服务来自活跃用户未调用而信任用户已调用的服务；

${\mathrm{rs}}_{s_k}=\underset{{j\∈\mathrm{set}}_{s_k}}{\mathrm{\Σ}}(\mathrm{sim}(u_i,u_j)\×{\mathrm{rate}}_{{\mathrm{js}}_k})$    公式(3)

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于社交网络的服务推荐方法，方法如下：

步骤①：判断是否完成推荐系统中每位用户个人偏好的构建，若已完成构建则转到步骤③，若未完成构建则转到步骤②；

步骤②：选择下一个未完成用户个人偏好构建的用户，首先初始化该用户特征向量CV_i＝＜category₁,...,category_k＞中每个维度值为0；然后根据用户的历史服务调用记录，提取出已调用服务所属的服务类别并在特征向量的相应维度上加1；最后根据用户与用户之间的信任关系，找出当前用户信任的用户，并利用公式(1)更新该用户的特征向量，至此该用户的个人偏好已经构建完成；重新转到步骤①；

步骤③：判断推荐系统是否已完成活跃用户与其他用户之间相似度的计算，若已完成则转到步骤⑤，若未完成则转到步骤④；

步骤④：选择下一个未与活跃用户完成相似度计算的用户，首先得到该用户和活跃用户的个人偏好；然后利用公式(2)计算该用户与活跃用户之间的相似度值。重新转到步骤③；

步骤⑤：完成活跃用户与其他用户之间的相似度计算之后，对相似度值进行非递减排序，挑选出最相似的Top-M用户；

步骤⑥：判断是否已完成候选服务的rank score值的计算，若已完成则转到步骤⑧，若未完成则转到步骤⑦；

步骤⑦：从候选服务池中挑选下一个候选服务，所述候选服务池由来自相似用户已调用而活跃用户未调用的服务组成；首先在活跃用户所信任的用户中找到调用过该服务的用户形成用户集合然后根据活跃用户与这些信任用户的相似度以及信任用户对该候选服务的评分利用公式(3)计算该候选服务的rank score值；重新转到步骤⑥；

步骤⑧：设置k个服务类别，在为活跃用户做推荐时分别在每个服务类别下推荐Top-K个服务；首先对候选服务按照服务类别进行分类；其次对每个服务类别下的候选服务按照rank score值进行非递增排序；最后在每个服务类别下选择Top-K个候选服务推荐给活跃用户。

本发明由于采用了以上技术方案，具有显著的技术效果：

（1）推荐可信服务。本发明模拟现实情况下，用户更愿意调用信任用户向其推荐的服务的情况。即在本方法中被推荐的服务对于活跃用户具有更高的可信性。

（2）细粒度推荐。本发明一方面结合了协同过滤推荐技术的优点，综合考虑用户的历史服务调用记录；另一方面在此基础上，我们对服务按照功能属性进行了细粒度的划分，从而被推荐的服务对于活跃用户的需求更具有针对性。

附图说明

图1为根据本发明实施的候选服务推荐流程示意图；

图2为用户登陆购物网站选购物品示意图；

图3为购物网站中产品推荐服务的推荐流程描述示意图；

具体实施方式

下面结合附图1至附图3与实施例对本发明作进一步详细描述：

实施例1

本实施例采用购物网站的产品推荐系统作为原型进行说明，如图2所示的示意图是一个购物网站的一次购物操作示意图，它包括以下基本操作：用户登录(login)：用户在登录界面输入用户名和密码登录购物网站；浏览产品(browse)：呈现在用户浏览界面上的产品主要有两类来源：第一，用户自主选择浏览的产品；第二，推荐系统向该用户推荐的个性化的候选产品，这也是本发明应用的地方；选择产品（select）：用户在浏览产品之后会选择出需要购买的产品；付款(payment)：为选择的产品付款。简单的对用户在购物网站上进行一次购物的行为进行总结：用户在购物网站购买产品时，首先要求用户登录购物网站，然后选择需要购买的产品，最后为所购买的产品付款。

如图3所示的是用户在购物网站上购物时，为其推荐潜在产品的具体流程。它是对图2中后台推荐系统实施的具体说明。推荐系统实施的具体说明部分包含5个基本操作(构建个人偏好、计算相似度值、选择Top-M相似用户、计算候选产品Rank Score、选择Top-K产品)。在本实施例中，我们设置了16个产品类别。首先根据用户的历史购买记录和用户与用户之间的信任关系为用户构建个人偏好，在我们提出的方法中用户个人偏好是一个由16种产品类别构成的特征向量，特征向量的每个维度初始化为0；其次在得到每位用户的个人偏好之后，计算活跃用户与其他用户之间的相似度；接着为活跃用户挑选出最相似的Top-M位用户；再接着遍历相似用户已购买而活跃用户未购买的产品，并计算这些产品的rank score值；最后对rank score值进行非递增排序，挑选出Top-K个产品给活跃用户。结合图1详细的推荐操作步骤如下：

1.构建用户个人偏好，首先初始化用户特征向量CV_i＝＜category₁,...,category₁₆＞各个维度值为0；然后根据用户的历史产品购买记录和用户与用户之间的信任关系，利用公式(1)得出每位用户的特征向量即个人偏好；

2.计算用户相似度，在完成用户个人偏好构建之后，利用公式(2)计算活跃用户与其他用户之间的相似度值；

3.对活跃用户与其他用户之间的相似度值进行非递减排序，选择Top-M位最相似的用户；

4.遍历相似用户已购买而活跃用户未购买的产品，并且计算这些产品的rankscore值，利用公式(3)进行候选产品rank score值的计算；

5.对候选产品的rank score值进行非递增排序，根据产品类别，分别在每个类别下为活跃用户推荐Top-K个产品；

以上步骤1)-2)是在离线的状态下计算，为了加快系统的推荐速度，系统在活跃用户离线的状态下定期执行步骤1)-2)，当用户登录该购物网站时，便能快速的进入步骤3)-5)的执行。

总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。

Claims (6)

1.一种基于社交网络的服务推荐方法，其特征在于，方法如下：

步骤①：判断是否完成推荐系统中每位用户个人偏好的构建，若已完成构建则转到步骤③，若未完成构建则转到步骤②；

步骤②：选择下一个未完成用户个人偏好构建的用户，首先初始化该用户特征向量CV_i＝＜category1,...,category_k＞中每个维度值为0；然后根据用户的历史服务调用记录，提取出已调用服务所属的服务类别并在特征向量的相应维度上加1；最后根据用户与用户之间的信任关系，找出当前用户信任的用户，并利用公式(1)更新该用户的特征向量，至此该用户的个人偏好已经构建完成；重新转到步骤①；

步骤③：判断推荐系统是否已完成活跃用户与其他用户之间相似度的计算，若已完成则转到步骤⑤，若未完成则转到步骤④；

步骤④：选择下一个未与活跃用户完成相似度计算的用户，首先得到该用户和活跃用户的个人偏好；然后利用公式(2)计算该用户与活跃用户之间的相似度值。重新转到步骤③；

步骤⑤：完成活跃用户与其他用户之间的相似度计算之后，对相似度值进行非递减排序，挑选出最相似的Top-M用户；

步骤⑥：判断是否已完成候选服务的rank score值的计算，若已完成则转到步骤⑧，若未完成则转到步骤⑦；

步骤⑦：从候选服务池中挑选下一个候选服务，所述候选服务池由来自相似用户已调用而活跃用户未调用的服务组成；首先在活跃用户所信任的用户中找到调用过该服务的用户形成用户集合然后根据活跃用户与这些信任用户的相似度以及信任用户对该候选服务的评分利用公式(3)计算该候选服务的rank score值；重新转到步骤⑥；

步骤⑧：设置k个服务类别，在为活跃用户做推荐时分别在每个服务类别下推荐Top-K个服务；首先对候选服务按照服务类别进行分类；其次对每个服务类别下的候选服务按照rank score值进行非递增排序；最后在每个服务类别下选择Top-K个候选服务推荐给活跃用户。

2.根据权利要求1所述的基于社交网络的服务推荐方法，其特征在于：所述的推荐系统是由m位用户和n个Web服务组成，用U={u₁,u₂,...,u_m}和S={s₁,s₂,...,s_n}表示，用户的服务历史调用记录表示为IH_i＝{(s_i1,category_j,rate_i1),...,(s_in,category_j,rate_in)}，其中IH_i代表用户u_i{u_i∈U历史服务调用记录，s_i1表示用户u_i调用服务s₁，category_i(j=1，···，k)表示某个服务类别，通过对服务按照功能属性进行细粒度的划分，设置了k个服务类别，mte_i1表示用户u_i对服务s₁的评分，三元组(s_i1,category_j,rate_i1)表示一次服务调用记录即表示用户u_i调用了服务s₁并且对s₁的评分为mte_i1。

3.根据权利要求1所述的基于社交网络的服务推荐方法，其特征在于：所述的用户特征向量：k个服务类别构成了用户特征向量的原型，表示为CV_i＝＜category₁,...,category_k＞，其中Cv_i表示用户u_i的特征向量，category_j对应某个服务类别。

4.根据权利要求1所述的基于社交网络的服务推荐方法，其特征在于：所述的用户个人偏好：根据用户的历史调用记录和用户与用户之间的信任关系，利用公式(1)构建用户的个人偏好，其中μ(0＜μ≤1)是一个平衡因子，表示用户u_i信任的用户集合；其中，公式(1)为：

5.根据权利要求1所述的基于社交网络的服务推荐方法，其特征在于：所述的用户相似度：利用欧式距离计算用户与用户之间的相似度，欧式距离是一个通常采用的距离定义，表示m维空间中两个点之间的真实距离，用户相似度计算公式为(2)，其中sim(u_i，u_j)值越小代表用户u_i和u_i越相似;其中，公式(2)为: $\mathrm{sim}(u_i,u_j)=\sqrt{\underset{k=1}{\overset{16}{\mathrm{\Σ}}}{({\mathrm{CV}}_{\mathrm{ik}}-{\mathrm{CV}}_{\mathrm{jk}})}^2}.$

6.根据权利要求1所述的基于社交网络的服务推荐方法，其特征在于：所述的Rank Score：根据候选服务的rank score值来为活跃用户推荐服务，rank score的计算公式为定义为(3)，其中s_k表示某个候选服务，候选服务来自活跃用户未调用而信任用户已调用的服务；其中，公式（3）为： ${\mathrm{rs}}_{s_k}=\underset{{j\∈\mathrm{set}}_{s_k}}{\mathrm{\Σ}}(\mathrm{sim}(u_i,u_j)\×{\mathrm{rate}}_{{\mathrm{js}}_k}).$