CN104699693A - 一种信息处理方法及装置 - Google Patents

Abstract

本发明提供一种信息处理方法及装置，本发明包括：获取用户的项目评分数据集，项目评分数据集包括用户对项目的评分；获得用户-项目评分数据集中每个节点与一待推荐用户节点的第一相关性权重Wi，第一相关性权重为同一类项目中的相关性权重；计算用户-项目评分数据集中每个节点与待推荐用户节点的第二相关性权重We，第二相关性权重为不同类项目间的相关性权重；根据We和Wi，得出每个节点的推荐度；根据推荐度确定待推荐项目。本发明从二分图的特点出发，先用随机游走模型计算Wi，将用户隐式分类；其次为避免反复计算节点间的相关性，直接计算待推荐用户与邻近用户的相关性作为We，充分挖掘了用户的潜在偏好项目节点，提高了推荐质量。

Description

一种信息处理方法及装置

技术领域

本发明涉及数据业务领域，特别是涉及一种信息处理方法及装置。

背景技术

“信息过载”问题随着信息技术的迅速发展和信息内容的增长而日益严重，推荐系统被认为是可以处理此问题的一种有效工具，近年来已经取得了不少研究成果。它通过挖掘用户所可能感兴趣的项目，并对用户进行推荐。目前，个性化推荐系统已经广泛应用于移动业务、电子商务，以及信息检索。尤其对于移动业务而言，随着移动电话用户数量的快速增加、移动通信技术的飞速发展以及移动增值数据业务的迅猛增长，带来了大量的数据业务与应用点，比如无线城市、移动旅游、手机报等。为了使用户在海量信息中能够及时、准确得到自己所需要的信息，就需要深入挖掘用户不同的兴趣，从而开展相应的业务推荐以增加活跃用户数比例是当前提高用户满意度和忠诚度的一大重要举措，个性化信息服务在移动应用中地位日益重要。

目前，个性化推荐技术中已经有很多成熟的方法，但现有的个性化推荐方法主要存在着如下缺陷：（1）只关注精确性问题：推荐算法仅仅关注于用户感兴趣的项目的精确度问题，只围绕着用户的偏好推荐，而忽视了用户偏好的扩展；（2）稀疏性，由于大规模的商品数量和为数众多的用户数量，而用户一般只对自己感兴趣的商品评分，所利用表示用户兴趣的信息是十分有限的，而用户未评分的商品是否是用户的潜在兴趣较难发现。针对此类问题有些方法提出扩展用户兴趣的思路，比如Tangent方法，此类方法存在着计算联系分时，需要重复计算每个节点彼此之间的相关性，而且只是从纯无向图的角度去建模，忽略了二分图中用户与用户之间没有联系的特点；Community-based方法是一种较复杂的协同过滤方法，它通过显式将用户与项目分类，从而直接推荐类外项目的思路，思路比较简单，但事先需要进行聚类、计算量比较大。

发明内容

本发明的目的在于提供一种信息处理方法及装置，用以解决现有推荐算法中不能充分挖掘用户的潜在偏好项目节点，项目推荐质量不高的问题。

为了实现上述目的，本发明提供了一种信息处理方法，包括：获取用户的项目评分数据集，所述项目评分数据集包括用户对项目的评分；

获得用户-项目评分数据集中每个节点与一待推荐用户节点的第一相关性权重Wi，所述第一相关性权重为同一类项目中的相关性权重；

计算用户-项目评分数据集中每个节点与所述待推荐用户节点的第二相关性权重We，所述第二相关性权重为不同类项目间的相关性权重；

根据所述We和所述Wi，得出每个节点的推荐度W；

根据所述推荐度W确定待推荐项目。

其中，上述信息处理方法，所述获得用户-项目评分数据集中一待推荐用户节点的第一相关性权重Wi的步骤包括：

根据用户-项目评分数据集建立项目二分图G＝(V,E)；其中，V＝(V₁,V₂)，V₁表示用户节点；V₂表示项目节点；E为边，边上的权值为用户对项目的评分；

选取所述二分图中的一用户节点作为所述待推荐用户节点；

计算所述二分图中每个节点与所述待推荐用户节点的第一相关性权重Wi。

其中，所述计算所述二分图中每个节点与所述待推荐用户节点的第一相关性权重Wi的步骤包括：

根据所述待推荐用户节点i，通过随机游走模型的方法迭代计算出概率分布向量R^(t+1);

迭代收敛后，选取稳定的概率分布向量作为第一相关性权重Wi。

其中，所述根据所述待推荐用户节点i，通过随机游走模型的方法迭代计算出概率分布向量R的步骤具体为：

通过公式计算出R^(t+1)，即Wi＝R^(t+1);

其中，r为返回概率；e_j为第j维为1的单位向量，为初始状态；

为邻接矩阵， $\tilde{W}=\left\{\begin{array}{cc}0& \\ w_{\mathrm{ij}}& (i,j)\∈E\end{array}\right.,$ 表示当前节点到下一个节点的概率；

R^(t+1)为t+1时刻图中的概率分布向量。

其中，所述计算用户-项目评分数据集中每个节点与所述待推荐用户节点的第二相关性权重We的步骤具体为：

通过公式We_i＝ΣR(u)计算所述每个节点与所述待推荐用户节点的第二相关性权重We；其中，u表示类外用户节点；R(u)表示类外用户节点的相关度。

其中，所述根据所述We和所述Wi得出所述每个节点的推荐度W的步骤具体为：

根据所述We和所述Wi的乘积，得出所述每个节点的推荐度W。

其中，所述根据所述推荐度W确定待推荐项目的步骤具体为：

将所有节点的W值按预设顺序进行排序，选取W值在预设范围内的项目节点并作为待推荐项目。

本发明的实施例还提供了一种信息处理装置，包括：

获取模块：用于获取用户的项目评分数据集，所述项目评分数据集包括用户对项目的评分；

第一计算模块，用于获得用户-项目评分数据集中每个节点与一待推荐用户节点的第一相关性权重Wi，所述第一相关性权重为同一类项目中的相关性权重；

第二计算模块，用于计算用户-项目评分数据集中每个节点与所述待推荐用户节点的第二相关性权重We，所述第二相关性权重为不同类项目间的相关性权重；

第三计算模块，用于根据所述We和所述Wi，得出每个节点的推荐度W；

推荐模块，用于根据所述推荐度W确定待推荐项目。

其中，上述信息处理装置，所述第一计算模块包括：

建立模块，用于根据用户-项目评分数据集建立项目二分图G＝(V,E)；其中，V＝(V₁,V₂)，V₁表示用户节点；V₂表示项目节点；E为边，边上的权值为用户对项目的评分；

第一选取模块，用于选取所述二分图中的一用户节点作为所述待推荐用户节点；

第一计算子模块，用于计算所述二分图中每个节点与所述待推荐用户节点的第一相关性权重Wi。

其中，所述第一计算子模块包括：

处理模块，用于根据所述待推荐用户节点i，通过随机游走模型的方法迭代计算出概率分布向量R^(t+1)；

第二选取模块，用于迭代收敛后，选取稳定的概率分布向量作为第一相关性权重Wi,即Wi＝R^(t+1)。

其中，所述处理模块具体通过公式计算出R^(t+1);

其中，r为返回概率；e_j为第j维为1的单位向量，为初始状态；

为邻接矩阵， $\tilde{W}=\left\{\begin{array}{cc}0& \\ w_{\mathrm{ij}}& (i,j)\∈E\end{array}\right.,$ 表示当前节点到下一个节点的概率；

R^(t+1)为t+1时刻图中的概率分布向量。

其中，所述第二计算模块具体通过公式We_i＝ΣR(u)计算所述每个节点与所述待推荐用户节点的第二相关性权重We；其中，u表示类外用户节点；R(u)表示类外用户节点的相关度。

其中，第三计算子模块具体根据所述We和所述Wi的乘积，得出所述每个节点的推荐度W。

其中，所述推荐模块具体用于将所有节点的W值按预设顺序进行排序，选取W值在预设范围内的项目节点并作为待推荐项目。

本发明实施例具有以下有益效果：

本发明实施例的信息处理方法，从二分图的特点出发，通过随机游走模型算法计算第一相关性权重Wi，然后直接计算待推荐用户与邻近用户的相关性作为第二相关性权重We，根据所述We和所述Wi，得出所述每个节点的推荐度W。充分挖掘用户的潜在偏好项目节点，并减少数据稀疏问题的影响，对项目重要性排序作出了更准确地评估，提高了推荐质量。

附图说明

图1为本发明实施例的流程图；

图2为本发明实施例多样化节点的第一推荐示意图；

图3为本发明实施例多样化节点的第二推荐示意图；

图4为本发明实施例的结构框图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合具体实施例及附图进行详细描述。

本发明实施例解决现有推荐算法中不能充分挖掘用户的潜在偏好项目节点，项目推荐质量不高的问题，本发明实施例提供了一种信息处理方法，如图1所示，包括：

步骤10：获取用户的项目评分数据集，所述项目评分数据集包括用户对项目的评分；

步骤20：获得用户-项目评分数据集中每个节点与一待推荐用户节点的第一相关性权重Wi，所述第一相关性权重为同一类项目中的相关性权重；

步骤30：计算用户-项目评分数据集中每个节点与所述待推荐用户节点的第二相关性权重We，所述第二相关性权重为不同类项目间的相关性权重；

步骤40：根据所述We和所述Wi，得出每个节点的推荐度W；

步骤50：根据所述推荐度W确定待推荐项目。

本发明实施例直接使用二分图进行多样化推荐，可以有助于更直观地建立用户-项目之间的联系，从而方便使用随机游走模型实现实时计算，计算复杂度大大降低，使推荐更注重于用户与项目之间的推荐。

本发明实施例的信息处理方法中，所述步骤20包括：

步骤21：根据用户-项目评分数据集建立项目二分图G＝(V,E)；其中，V＝(V₁,V₂)，V₁表示用户节点；V₂表示项目节点；E为边，边上的权值为用户对项目的评分；

步骤22：选取所述二分图中的一用户节点作为所述待推荐用户节点；

步骤23：计算所述二分图中每个节点与所述待推荐用户节点的第一相关性权重Wi。

本发明实施例的信息处理方法中，所述步骤23包括：

根据所述待推荐用户节点i，通过随机游走模型的方法迭代计算出概率分布向量R^(t+1);

迭代收敛后，选取稳定的概率分布向量作为第一相关性权重Wi，即Wi＝R^(t+1)。

本发明实施例的信息处理方法中，所述根据所述待推荐用户节点i，通过随机游走模型的方法迭代计算出概率分布向量R^(t+1)的步骤具体为：

通过公式计算出R^(t+1)，即Wi＝R^(t+1);

其中，r为返回概率；e_j为第j维为1的单位向量，为初始状态；

为邻接矩阵， $\tilde{W}=\left\{\begin{array}{cc}0& \\ w_{\mathrm{ij}}& (i,j)\∈E\end{array}\right.,$ 表示当前节点到下一个节点的概率；

R^(t+1)为t+1时刻图中的概率分布向量。

本发明实施例的信息处理方法中，所述步骤30具体为：

通过公式We_i＝ΣR(u)计算所述每个节点与所述待推荐用户节点的第二相关性权重We；其中，u表示类外用户节点；R(u)表示类外用户节点的相关度。

本发明实施例的信息处理方法中，所述步骤40具体为：

根据所述We和所述Wi的乘积，得出所述每个节点的推荐度W。

本发明实施例的信息处理方法中，所述步骤50具体为：

将所有节点的W值按预设顺序进行排序，选取W值在预设范围内的项目节点并作为待推荐项目。

通过使用随机游走模型计算第一相关性权重，并使用用户-项目之间的关系计算第二相关性权重，而没有对用户-项目进行显式分类，不仅有助于推荐多样化节点，同时也减少了传统推荐技术中数据稀疏问题的影响，提高了推荐质量。

下面具体说明上述实施例的实现过程。

如图2所示，对于用户节点A，根据它所评分的项目，如果使用传统的精确性推荐方法，会选择推荐虚线框内的项目节点。然而有时也存在着一种情况，即部分喜旅游栏目的用户同时也喜欢娱乐栏目内容，因此我们可以试图向没有订购娱乐栏目业务的用户推荐娱乐栏目中的某条新闻。这样不仅可以给用户增加更多的业务选择，又推广了营销产品。

如图2所示，其中箭头所指的为待推荐项目节点，可以看出，希望推荐的项目节点具有以下特征：①和待推荐用户节点比较相关；②不属于待推荐用户节点所在的群体，因此，待推荐项目节点不仅需要具有与待推荐用户节点的第一相关性权重即类内相关性权重Wi，还要具有与待推荐用户节点的第二相关性权重即类间相异性权重We，然后通过Wi和We相乘得到推荐度W即

W=Wi×We             （1）

下面具体说明第一相关性权Wi和第二相关性权重We的计算方法。

（1）第一相关性权重即类内相关性权重Wi的计算方法

如图2所示，所谓类内相关性权重Wi即为从用户节点A所属的节点出发，计算各个节点，包括用户节点和项目节点与A节点的相关性。本发明一具体实施例中采用一种带起始点的随机游走模型RWR的算法，将待推荐用户节点作为出发节点，其计算公式如下：

假设在t时刻，从出发节点i出发，则RWR的迭代过程为:

$R^{(t+1)}=(1-r)\tilde{W}{R}^t+{\mathrm{re}}_j---\left(2\right)$

其中，r为返回概率；e_j为第j维为1的单位向量，为初始状态，在列向量e_j中取用户节点i的值为1，其余为0；

为邻接矩阵， $\tilde{W}=\left\{\begin{array}{cc}0& \\ w_{\mathrm{ij}}& (i,j)\∈E\end{array}\right.,$ 表示当前节点到下一个节点的概率，计算时为了使数据处理方便要先对邻接矩阵W～进行归一化处理，得到：其中D是图邻接矩阵的度；

R^(t+1)为t+1时刻图中的概率分布向量；对于一个非周期不可约的图，多次迭代后，式（2）收敛，图中概率达到稳定分布，再次迭代图中的概率分布也不会改变。

将此带起始点的随机游走模型应用于个性化推荐，将需要得到推荐的用户节点作为出发节点i，直观地看出，离出发节点越近的点应该越容易到达，即稳定概率值越大。在迭代收敛之后，稳定概率值越大的节点，与目标节点联系越密切，即Wi＝R^(t+1)。

（2）第二相关性权重即类间相异性权重We的计算方法

本发明具体实施例中，对于出发节点i，在计算其余待推荐的项目节点时，只需要令We为其项目节点所连接的所有“类外”用户节点u的相关度之和。

We_i＝ΣR(u)               （2）

如图3所示，其为用二分图来表示用户-项目评分，其中节点由用户和项目共同组成，用户对项目的评分为边上的权值。假定用户User1节点为待推荐节点，其选择的项目节点是项目Item1和项目Item2，与项目Item1和项目Item2相连的用户节点还有用户User2和用户User3，因此项目Item3所连接的用户节点没有“类外”用户节点，而项目Item4所连接的“类外”节点有有User4，即We₁(Item4)＝R(user4)，再比如对于待查询节点用户User5，其所选择的项目节点是项目Item5、项目Item6、项目Item7，则项目节点Item4和Item8都有可能成为推荐对象，We₅(Item4)＝R(User3)，We₅(Item8)＝R(User7)+R(User9)。

针对待推荐用户节点，根据上述计算方法得出每个节点的Wi和We，然后通过式（1）计算推荐度W；再将每个节点的推荐度W值按递减或者递增顺序排列，剔除其中W值较大的用户节点和出发节点，其余W值较大的项目节点即为所推荐的项目。假定以节点User1为出发节点，根据上述计算方法得到每个节点的推荐度如表1所示，从表中可以看出项目Item4为排名第一的的节点，同理，若以User5为出发节点，则通过计算得到Item8为排名第一的节点。另外，表1中Item4-Item11的We值其实不为0，只因值过小，在精度范围以外，故将其按0计算。

node	Wi	We	W	Node	Wi	We	W
								User1	0.1550	0	0	Item2	0.0920	0	0
User2	0.0649	0	0	Item3	0.0221	0	0
								User3	0.0112	0	0	Item4	0.0029	0.0015	4.35e-06
User4	0.0015	0	0	Item5	7.5782e-04	0	0
								User5	5.8585e-04	0	0	Item6	7.5782e-04	0	0
User6	6.8876e-04	0	0	Item7	7.5782e-04	0	0
								User7	1.9470e-04	0	0	Item8	3.6760e-04	0	7.157e-08
User8	9.1784e-05	0	0	Item9	2.3352e-04	0	0
								User9	1.9470e-04	0	0	Item10	2.3352e-04	0	0
Item1	0.0920	0	0	Item11	2.3352e-04	0	0

表1

本发明实施例着眼于精确性和多样性推荐的匹配，改进带起始点的随机游走模型，直接使用二分图进行挖掘，避免了用户与用户之间直接产生联系，通过隐式对用户-项目节点进行分类，从而增强节点的匹配度，提升了推荐项目的精确性和多样性。

本发明实施例还提供了一种信息处理装置，如图4所示，包括：

获取模块：用于获取用户的项目评分数据集，所述项目评分数据集包括用户对项目的评分；

第一计算模块，用于获得用户-项目评分数据集中每个节点与一待推荐用户节点的第一相关性权重Wi，所述第一相关性权重为同一类项目中的相关性权重；

第二计算模块，用于计算用户-项目评分数据集中每个节点与所述待推荐用户节点的第二相关性权重We，所述第二相关性权重为不同类项目间的相关性权重；

第三计算模块，用于根据所述We和所述Wi，得出每个节点的推荐度W；

推荐模块，用于根据所述推荐度W确定待推荐项目。

本发明实施例的信息处理装置中，所述第一计算模块包括：

建立模块，用于根据用户-项目评分数据集建立项目二分图G＝(V,E)；其中，V＝(V₁,V₂)，V₁表示用户节点；V₂表示项目节点；E为边，边上的权值为用户对项目的评分；

第一选取模块，用于选取所述二分图中的一用户节点作为所述待推荐用户节点；

第一计算子模块，用于计算所述二分图中每个节点与所述待推荐用户节点的第一相关性权重Wi。

本发明实施例的信息处理装置中，所述第一计算子模块包括：

处理模块，用于根据所述待推荐用户节点i，通过随机游走模型的方法迭代计算出概率分布向量R^(t+1)；

第二选取模块，用于迭代收敛后，选取稳定的概率分布向量作为第一相关性权重Wi。

本发明实施例的信息处理装置中，，所述处理模块具体通过公式计算出R^(t+1)，即Wi＝R^(t+1);

其中，r为返回概率；e_j为第j维为1的单位向量，为初始状态；

为邻接矩阵， $\tilde{W}=\left\{\begin{array}{cc}0& \\ w_{\mathrm{ij}}& (i,j)\∈E\end{array}\right.,$ 表示当前节点到下一个节点的概率；

R^(t+1)为t+1时刻图中的概率分布向量。

本发明实施例的信息处理装置中，所述第二计算模块具体通过公式We_i＝ΣR(u)计算所述每个节点与所述待推荐用户节点的第二相关性权重We；其中，u表示类外用户节点；R(u)表示类外用户节点的相关度。

本发明实施例的信息处理装置中，第三计算子模块具体根据所述We和所述Wi的乘积，得出所述每个节点的推荐度W。

本发明实施例的信息处理装置中，所述推荐模块具体用于将所有节点的W值按预设顺序进行排序，选取W值在预设范围内的项目节点并作为待推荐项目。

本发明实施例的信息处理方法及装置，从二分图的特点出发，首先用随机游走模型计算第一相关性权重，是一种将用户隐式分类的形式；其次为避免反复计算节点之间的相关性，通过直接计算待推荐用户与邻近用户的相关性作为第二相关性权重，从而充分挖掘用户的潜在偏好项目节点，并减少数据稀疏问题的影响，对项目重要性排序作出了更准确地评估，提高了推荐质量。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种信息处理方法，其特征在于，包括：

获取用户的项目评分数据集，所述项目评分数据集包括用户对项目的评分；

获得用户-项目评分数据集中每个节点与一待推荐用户节点的第一相关性权重Wi，所述第一相关性权重为同一类项目中的相关性权重；

计算用户-项目评分数据集中每个节点与所述待推荐用户节点的第二相关性权重We，所述第二相关性权重为不同类项目间的相关性权重；

根据所述We和所述Wi，得出每个节点的推荐度W；

根据所述推荐度W确定待推荐项目。

2.根据权利要求1所述的信息处理方法，其特征在于，所述获得用户-项目评分数据集中一待推荐用户节点的第一相关性权重Wi的步骤包括：

根据用户-项目评分数据集建立项目二分图G＝(V,E)；其中，V＝(V₁,V₂)，V₁表示用户节点；V₂表示项目节点；E为边，边上的权值为用户对项目的评分；

选取所述二分图中的一用户节点作为所述待推荐用户节点；

计算所述二分图中每个节点与所述待推荐用户节点的第一相关性权重Wi。

3.根据权利要求2所述的信息处理方法，其特征在于，所述计算所述二分图中每个节点与所述待推荐用户节点的第一相关性权重Wi的步骤包括：

根据所述待推荐用户节点i，通过随机游走模型的方法迭代计算出概率分布向量R^(t+1);

迭代收敛后，选取稳定的概率分布向量作为第一相关性权重Wi,即Wi＝R^(t+1)。

4.根据权利要求3所述的信息处理方法，其特征在于，所述根据所述待推荐用户节点i，通过随机游走模型的方法迭代计算出概率分布向量R^(t+1)的步骤具体为：

通过公式 $R^{(t+1)}=(1-r)\tilde{W}{R}^t+{\mathrm{re}}_j$ 计算出R^(t+1);

其中，r为返回概率；e_j为第j维为1的单位向量，为初始状态；

为邻接矩阵， $\tilde{W}=\left\{\begin{array}{cc}0& \\ w_{\mathrm{ij}}& (i,j)\∈E\end{array}\right.,$ 表示当前节点到下一个节点的概率；

R^(t+1)为t+1时刻图中的概率分布向量。

5.根据权利要求1所述的信息处理方法，其特征在于，所述计算用户-项目评分数据集中每个节点与所述待推荐用户节点的第二相关性权重We的步骤具体为：

通过公式We_i=ΣR(u)计算所述每个节点与所述待推荐用户节点的第二相关性权重We；其中，u表示类外用户节点；R(u)表示类外用户节点的相关度。

6.根据权利要求1所述的信息处理方法，其特征在于，所述根据所述We和所述Wi得出所述每个节点的推荐度W的步骤具体为：

根据所述We和所述Wi的乘积，得出所述每个节点的推荐度W。

7.根据权利要求1所述的信息处理方法，其特征在于，所述根据所述推荐度W确定待推荐项目的步骤具体为：

将所有节点的W值按预设顺序进行排序，选取W值在预设范围内的项目节点并作为待推荐项目。

8.一种信息处理装置，其特征在于，包括：

获取模块：用于获取用户的项目评分数据集，所述项目评分数据集包括用户对项目的评分；

第一计算模块，用于获得用户-项目评分数据集中每个节点与一待推荐用户节点的第一相关性权重Wi，所述第一相关性权重为同一类项目中的相关性权重；

第二计算模块，用于计算用户-项目评分数据集中每个节点与所述待推荐用户节点的第二相关性权重We，所述第二相关性权重为不同类项目间的相关性权重；

第三计算模块，用于根据所述We和所述Wi，得出每个节点的推荐度W；

推荐模块，用于根据所述推荐度W确定待推荐项目。

9.根据权利要求8所述的信息处理装置，其特征在于，所述第一计算模块包括：

建立模块，用于根据用户-项目评分数据集建立项目二分图G＝(V,E)；其中，V＝(V₁,V₂)，V₁表示用户节点；V₂表示项目节点；E为边，边上的权值为用户对项目的评分；

第一选取模块，用于选取所述二分图中的一用户节点作为所述待推荐用户节点；

第一计算子模块，用于计算所述二分图中每个节点与所述待推荐用户节点的第一相关性权重Wi。

10.根据权利要求9所述的信息处理装置，其特征在于，所述第一计算子模块包括：

处理模块，用于根据所述待推荐用户节点i，通过随机游走模型的方法迭代计算出概率分布向量R^(t+1)；

第二选取模块，用于迭代收敛后，选取稳定的概率分布向量作为第一相关性权重Wi,即Wi＝R^(t+1)。

11.根据权利要求10所述的信息处理装置，其特征在于，所述处理模块具体通过公式 $R^{(t+1)}=(1-r)\tilde{W}{R}^t+{\mathrm{re}}_j$ 计算出R^(t+1);

其中，r为返回概率；e_j为第j维为1的单位向量，为初始状态；

为邻接矩阵， $\tilde{W}=\left\{\begin{array}{cc}0& \\ w_{\mathrm{ij}}& (i,j)\∈E\end{array}\right.,$ 表示当前节点到下一个节点的概率；

R^(t+1)为t+1时刻图中的概率分布向量。

12.根据权利要求8所述的信息处理装置，其特征在于，所述第二计算模块具体通过公式We_i＝ΣR(u)计算所述每个节点与所述待推荐用户节点的第二相关性权重We；其中，u表示类外用户节点；R(u)表示类外用户节点的相关度。

13.根据权利要求8所述的信息处理装置，其特征在于，第三计算子模块具体根据所述We和所述Wi的乘积，得出所述每个节点的推荐度W。

14.根据权利要求8所述的信息处理装置，其特征在于，所述推荐模块具体用于将所有节点的W值按预设顺序进行排序，选取W值在预设范围内的项目节点并作为待推荐项目。