CN104778213B - 一种基于随机游走的社交网络推荐方法 - Google Patents

Abstract

本发明涉及一种基于随机游走的社交网络推荐方法，包括以下步骤：1)在社交网络中选定一个源用户u和待预测物品i，设定游走步数k的最大值为6；2)在社交网络中以源用户u为起点开始进行随机游走，到达用户u_k时，判断用户u_k是否对待预测物品i有评分；3)根据用户u_k的所有已评分物品的集合和步数k计算此次停止游走的概率4)选择一个代替物品j，记录用户u_k对代替物品j的评分为5)在社交网络中与u_k直接相连的用户集合中选择下一步随机游走的节点用户u_k+1；6)根据记录下来的评分，预测源用户u对待预测物品i的评分r_u,i，并将待预测物品i推荐给源用户u。与现有技术相比，本发明具有准确率高、覆盖率广、方法先进等优点。

Description

一种基于随机游走的社交网络推荐方法

技术领域

本发明涉及计算机应用技术领域，尤其是涉及一种基于随机游走的社交网络推荐方法。

背景技术

随着网络上信息过载问题越来越严重，用户如何快速准确地找到自己需要的信息面临着很大的挑战。推荐系统的出现在一定程度上缓解了这个问题。推荐系统主要是分析用户的历史行为，分析出用户偏好以及利用用户之间的关系，最终对用户做出推荐。目前推荐系统中传统的推荐方法有协同过滤推荐(Collaborative Filtering)、基于内容的推荐(Content-based Recommendations)等，矩阵分解在Netflix比赛中被证明效果相当好。然而传统的推荐方法存在着不少问题，当对某个历史行为较少的用户做推荐时很难取得比较好的效果，这就是推荐系统中的冷启动问题。而且其实用户之间也是存在着信任关系的，传统的推荐系统并没有考虑这些因素。

近些年，基于社交网络的推荐是一个研究热点。基于社交网络的推荐在模型中会度量用户之间的信任度，研究已经证明来自所信任用户的推荐更能让用户所接收。只要一个用户属于一个社交网络，有着直接相连的用户，那么推荐系统就能做出推荐，因此基于社交网络的推荐能够明显提高推荐系统的覆盖率。社交网络中用户之间的信任度可以分为显示信任度和隐式信任度。显示信任度是指被用户明确指明的信任度，而隐式信任度是系统根据一些用户历史行为推导出来的，比如用户间交流频率、用户共同好友数目等。同时信任度又分为直接信任度和间接信任度，直接信任度是指直接相连的用户之间的信任度，而间接信任度是通过直接信任度的传播在两个不直接相连的用户之间产生的信任度。信任度的传播是社交网络推荐中的一个重要问题。Massa提出利用乘法传播信任度，并且还有考虑到信任度传播的最大距离和最小信任阀值。信任度传播距离越大，信任度就会衰减。在推荐中利用信任度能够一定程度上解决推荐系统的冷启动问题。Inay Ha提出了一种结合用户之间的关系和传统的协同过滤推荐算法，首先计算出用户之间的权值，依据六度分离理论，在由用户构成的图中找出两个用户之间的所有路径从而计算出两者之间的权值。最后利用用户协同过滤做推荐时考虑这个权值因素，实验结果表明这种方法在准确性上上获得了一定的提高。J.Golbeck提出了TidalTrust模型，在这个模型中预测源用户对物品的评分时，采用广度遍历的策略，找出与源用户距离最近的并且对该物品有评分记录的用户，并将这些用户对该物品的评分与用户与源用户之间的信任度相乘的结果做聚合，最终做为预测的分数。但是这个模型的缺点在于只要与源用户距离稍远的用户都没有被考虑，甚至他们之间的信任度比较大。MoleTrust相对于TidalTrust而言，不同点在于，在寻找对某物品有评分记录的用户时设置了一个最大深度来作为限制。Mohsen Jamali等人提出了一个随机图游走模型，利用随机图游走策略来控制信任度传播，但是当游走距离较远时考虑使用相似物品来替代目标物品时产生不少误差；Hao Ma指出了在社交网络中存在着一些特点：用户信任和用户的兴趣相似度正向关联，好友关系和用户的兴趣相似度不具有正向关联，用户和其好友之间的兴趣是不同的；Nicola Barbieri等人提出了一个随机话题模型(WTFW)，WTFW能够预测用户之间是否存在边，并且能对预测的边做出是社交还是话题兴趣的解释。

然而在社交网络推荐系统中寻找与源用户相关的用户时，如果考虑的用户之间距离越长，则产生推荐的覆盖率越高，但同时噪音越大。这个一直是基于信任度的社交网络推荐中的难题所在。我们利用随机图游走策略提出一个模型，该模型能度量用户之间的信任度，并且在覆盖率和误差方面表现不错。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确率高、覆盖率广、方法先进的基于随机游走的社交网络推荐方法。

本发明的目的可以通过以下技术方案来实现：

一种基于随机游走的社交网络推荐方法，包括以下步骤：

1.一种基于随机游走的社交网络推荐方法，其特征在于，包括以下步骤：

1)在社交网络中选定一个源用户u和待预测物品i，以源用户u为起点开始进行随机游走，并且设定游走步数k的最大值为6；

2)当到达用户u_k时，判断用户u_k是否对待预测物品i有评分，若是，则记录该评分为停止游走，并进行步骤6)，若否，则进行步骤3)；

3)根据用户u_k的所有已评分物品的集合和步数k计算此次停止游走的概率并以的概率进行步骤4)，以的概率进行步骤5)；

4)在用户u_k的所有已评分物品的集合中选择一个代替物品j，记录用户u_k对代替物品j的评分为停止游走，并进行步骤6)；

5)若游走步数k小于6，则k＝k+1，继续此次游走，并且在社交网络中与u_k直接相连的用户集合中选择下一步随机游走的节点用户u_k+1，并且返回步骤2)，若游走步数k等于6，则停止游走，进行步骤6)；

6)根据记录下来的评分，预测源用户u对待预测物品i的评分r_u,i，并将待预测物品i推荐给源用户u。

所述的步骤3)中概率的计算方法为：

31)计算在用户u_k的所有已评分物品的集合中的每个物品m与待预测物品i之间的物品相似度sim(m,i)，sim(m,i)的计算式为：

其中，UC_m,i为对物品m和i均有评分的用户的集合，u_k∈UC_m,i，和分别为用户u_k对物品m和i的评分，为用户u_k对所有已评分物品的平均分；

32)根据物品相似度sim(m,i)计算停止游走的概率的计算式为：

所述的步骤4)中选择代替物品j的条件满足：

其中，t(u_k-1,u_k)为u_k-1与u_k的相互信任度，V为此次游走经过所有路径节点(u₁,u₂...u_k)的集合。

所述的步骤5)中选择下一步的节点用户u_k+1的概率为：

其中，w为与u_k直接相连的用户集合中的用户节点。

所述的步骤6)中预测源用户u对待预测物品i评分r_u,i的计算式为：

其中，R^*为多次游走后返回的(u_k,j)集合，为用户u_k对替代物品j的评分，r_u,i是用户u_k对物品i的评分或者是其他替代用户对替代物品j评分的加权和。

与现有技术相比，本发明具有以下优点：

一、准确率高：由于考虑相似物品时设置了合理的阈值，且仅考虑源用户信任的用户的评分物品，因此能够有效提高推荐的准确率。

二、覆盖率广：根据随机游走控制了信任度传播距离，能够有效提高推荐的覆盖率。

三、方法先进：利用信任度传播能够扩大用户的邻居集合，能一定程度上解决系统冷启动问题。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例：

一种基于随机游走的社交网络推荐方法，对于预测源用户u对待预测物品i的评分，按照以下策略进行多次游走，包括以下步骤：

1)根据用户之间的信任关系构建社交网络的图结构，顶点即是用户，顶点之间的关系即是用户之间的信任度，在社交网络中选定一个源用户u和待预测物品i，并以源用户u为起点开始进行随机游走，并且设定游走步数k的最大值为6；

2)当游走了第k步，k＝1,2,3……6，到达用户u_k时，判断用户u_k是否对待预测物品i有评分，若是，则记录该评分为停止游走，并进行步骤6)，若否，则进行步骤3)；

3)根据用户u_k的所有已评分物品的集合和步数k计算此次停止游走的概率并以的概率进行步骤4)，以的概率进行步骤5)，概率的计算方法为：

31)计算在用户u_k的所有已评分物品的集合中的每个物品m与待预测物品i之间的物品相似度sim(m,i)，sim(m,i)的计算式为：

其中，UC_m,i为对物品m和i均有评分的用户的集合，u_k∈UC_m,n，和分别为用户u_k对物品m和i的评分，为用户u_k对所有已评分物品的平均分；

32)根据物品相似度sim(m,i)计算停止游走的概率的计算式为：

4)在用户u_k的所有已评分物品的集合中选择一个代替物品j，记录用户u_k对代替物品j的评分为停止游走，并进行步骤6)，选择代替物品j的条件满足：

其中，t(u_k-1,u_k)为u_k-1与u_k的相互信任度，V为此次游走经过所有路径节点(u₁,u₂...u_k)的集合；

此次游走的结果即是记录用户u_k对j的评分，这里在考虑替代物品时不仅考虑了物品之间的相似度，而且合理考虑了用户之间的信任度，因此能够有效提高准确率。

5)若游走步数k小于6，则k＝k+1，继续此次游走，并且在社交网络中与u_k直接相连的用户集合中选择下一步随机游走的节点用户u_k+1，返回步骤2)，若游走步数k等于6，则停止游走，进行步骤6)，选择下一步的节点用户u_k+1的概率为：

其中，w为与u_k直接相连的用户集合中的用户节点；

由于能够利用用户之间的信任度，传播范围不仅仅局限于用户的直接邻居，因此能够提高覆盖率。

6)根据记录下来的评分，预测源用户u对待预测物品i的评分r_u,i，并将待预测物品i推荐给源用户u，预测源用户u对待预测物品i评分r_u,i的计算式为：

其中，R^*为多次游走后返回的(u_k,j)集合，为用户u_k对替代物品j的评分，r_u,i是用户u_k对物品i的评分或者是其他替代用户对替代物品j评分的加权和。

Claims (3)

1.一种基于随机游走的社交网络推荐方法，其特征在于，包括以下步骤：

1)在社交网络中选定一个源用户u和待预测物品i，以源用户u为起点开始进行随机游走，并且设定游走步数k的最大值为6；

2)当到达用户u_k时，判断用户u_k是否对待预测物品i有评分，若是，则记录该评分为停止游走，并进行步骤6)，若否，则进行步骤3)；

3)根据用户u_k的所有已评分物品的集合和步数k计算此次停止游走的概率并以的概率进行步骤4)，以的概率进行步骤5)，概率的计算方法为：

31)计算在用户u_k的所有已评分物品的集合中的每个物品m与待预测物品i之间的物品相似度sim(m,i)，sim(m,i)的计算式为：

其中，UC_m,i为对物品m和i均有评分的用户的集合，u_k∈UC_m,i，和分别为用户u_k对物品m和i的评分，为用户u_k对所有已评分物品的平均分；

32)根据物品相似度sim(m,i)计算停止游走的概率的计算式为：

4)在用户u_k的所有已评分物品的集合中选择一个代替物品j，记录用户u_k对代替物品j的评分为停止游走，并进行步骤6)，选择代替物品j的条件满足：

其中，t(u_k-1,u_k)为u_k-1与u_k的相互信任度，V为此次游走经过所有路径节点(u₁,u₂...u_k)的集合；

5)若游走步数k小于6，则k＝k+1，继续此次游走，并且在社交网络中与u_k直接相连的用户集合中选择下一步随机游走的节点用户u_k+1，并且返回步骤2)，若游走步数k等于6，则停止游走，进行步骤6)；

6)根据记录下来的评分，预测源用户u对待预测物品i的评分r_u,i，并将待预测物品i推荐给源用户u。

2.根据权利要求1所述的一种基于随机游走的社交网络推荐方法，其特征在于，所述的步骤5)中选择下一步的节点用户u_k+1的概率为：

其中，w为与u_k直接相连的用户集合中的用户节点。

3.根据权利要求1所述的一种基于随机游走的社交网络推荐方法，其特征在于，所述的步骤6)中预测源用户u对待预测物品i评分r_u,i的计算式为：

其中，R^*为多次游走后返回的(u_k,j)集合，为用户u_k对替代物品j的评分，r_u,i是用户u_k对物品i的评分或者是其他替代用户对替代物品j评分的加权和。