CN104850579A - 社交网络中基于评分和特征相似的餐饮推荐算法 - Google Patents

Abstract

本发明公开一种社交网络中基于评分和特征相似的餐饮推荐算法，主要包括以下步骤，1)建立当前社交网络中的用户评分库；2)计算U_a与用户评分库中其他用户的评分相似度；3)选择与U_a评分相似度最高的k个用户，得到评分相似推荐用户集合；4)构建U_a的特征相似模型M＝(χ_a,i,δ_a,i,σ_a,i,γ_a,i)；5)计算特征相似推荐度并将排名靠前的项目推荐给目标用户。本发明将用户之间的特征相似度作为除了常规的评分相似度以外用于推荐算法的第二重依据，而多种用户特征的计算不仅使得攻击成本大量增加，极大提高抗攻击能力，并且使推荐的准确性得到提升。

Description

社交网络中基于评分和特征相似的餐饮推荐算法

技术领域

本发明涉及社交网络中的推荐算法领域，具体为一种基于评分和特征相似并应用于社交网络的餐饮美食推荐算法。

背景技术

个性化服务作为热点问题被许多研究领域关注和研究。个性化服务的一个重要研究内容是个性化推荐，它可以根据用户的兴趣寻找与之具有相似兴趣的用户团体，然后用户团体之间互相推荐感兴趣的信息。使用个性化推荐技术向用户推荐适宜其自身的餐厅，使得用户可以迅速得到符合其消费习惯的美食和餐厅信息，而这对于系统而言，既可以得到用户的信任，获得更多的青睐和使用，也使得系统推荐的内容更加精确能够更好的为用户服务。

作为电子商务推荐系统中应用最成功的推荐技术，传统的协同过滤推荐算法存在两方面问题。其仅仅依靠用户之间的相似度来选取目标用户的邻居，导致推荐精度较低，并且在面对用户概貌注入攻击(profile injection attacks)时，算法的抗攻击能力较差。

因此，需要一种更为安全有效的推荐系统，来实现方便而高效的服务。而本发明专利针对于美食餐饮行业，提出一种社交网络中的餐饮推荐算法。

发明内容

针对传统的推荐算法存在的缺陷，为了解决推荐准确度低、系统易受攻击等问题，同时在大数据广泛运用于电子商务的当下，通过全面考察社会网络的联系，借助大量有效数据的聚合，实现更加精准的餐饮推荐服务，本发明提出社交网络中基于评分和特征相似的餐饮推荐算法。

本发明的算法包括以下步骤：

S1：建立当前社交网络中的用户评分库；

S2：目标用户U_a搜索项目I_t；

S3：计算U_a与用户评分库中其他用户的评分相似度，得到U_a与用户评分库中所有用户的评分相似度集合；

S4：采用Top-k查询方法，选择与U_a评分相似度最高的k个用户，得到评分相似推荐用户集合；

S5：提取目标用户U_a在社交网络数据库中的好友信息，构建U_a的特征相似模型 M＝(χ_a,i,δ_a,i,σ_a,i,γ_a,i)，

(1)计算地域相似性χ_a,i，

$d_{a,i}(x,y)=\sqrt{{(x_{U_a}-x_{U_i})}^2+{(y_{U_a}-y_{U_i})}^2}$

${\mathrm{\χ}}_{a,i}=\frac{1}{1+d_{a,i}(x,y)}$

其中i选自评分相似推荐用户集合，d_a,i(x,y)表示在坐标轴中U_a常住区域位置与U_i常住区域位置的直线距离；

(2)计算饮食偏好相似性δ_a,i，

$D_{a,i}(U_a,U_i)=\underset{z=1}{\overset{N}{\mathrm{\Σ}}}{a}_z\⊕i_z$

${\mathrm{\δ}}_{a,i}=\frac{1}{1+D_{a,i}(U_a,U_i)}$

其中a_Z和i_Z分别表示U_a和U_i对不同口味的喜欢程度，1表示喜欢，0表示不喜欢，0.5表示无置可否；

(3)计算用户关联度σ_a,i，

${\mathrm{\σ}}_{a,i}=\left\{\begin{array}{cc}\max \left\{\frac{{\mathrm{\σ}}_{\mathrm{\β},i}}{t}\right\}& 1\≤\mathrm{\β}\≤5,i,t\∈(0,+\∞)\\ 1& \mathrm{\β}=0\end{array}\right.$

其中σ_β,i表示第β层的第i个朋友，t表示评分相似推荐用户的朋友总数；

(4)计算系统推荐强度γ_a,i，

${\mathrm{\ϵ}}_{a,i}=\frac{\sqrt{\underset{I_t\∈I_{a,i}}{\mathrm{\Σ}}{(R_{a,t}-R_{i,t})}^2}}{q}$

${\mathrm{\γ}}_{a,i}=\frac{1}{1+{\mathrm{\ϵ}}_{a,i}}$

其中R_a,t和R_i,t分别表示U_a和U_i对项目I_t的评分，q表示共同评分的项目总数；

S6：计算特征相似推荐度V_recommend，定义P_a,i＝(γ_a,i+1)×sim_a,i，

$Q_{a,i}=({\mathrm{\π}}_{a,i},{\mathrm{\θ}}_{a,i},{\∂}_{a,i})=(P_{a,i}\×{\mathrm{\χ}}_{a,i},P_{a,i}\×{\mathrm{\δ}}_{a,i},P_{a,i}\×{\mathrm{\σ}}_{a,i}),$

$V_{\mathrm{recommend}}(a,i)=\mathrm{COS}\left(\mathrm{\α}\right)=\frac{{\mathrm{\π}}_{a,i}+{\mathrm{\θ}}_{a,i}+{\∂}_{a,i}}{\sqrt{{{3\mathrm{\π}}_{a,i}}^2+{{\mathrm{\θ}}_{a,i}}^2+{{\∂}_{a,i}}^2}}$

S7：将特征相似推荐用户依特征相似推荐度递减排列，选择前x个特征相似推荐用户的评分最高项目推荐给目标用户U_a。

上述S3中计算用户评分相似度的具体过程为根据用户评分库中所有用户历史评分数据的统计特征，确定目标用户U_a与其他用户U_i之间的评分相似度

${\mathrm{sim}}_{a,i}=\frac{\underset{I_t\∈I_{a,i}}{\mathrm{\Σ}}(R_{a,t}-{\stackrel{\‾}{R}}_a)(R_{i,t}-\stackrel{\‾}{R_i})}{\sqrt{\underset{I_t\∈I_{a,i}}{\mathrm{\Σ}}{(R_{a,t}-\stackrel{\‾}{R_a})}^2}\sqrt{\underset{I_t\∈I_{a,i}}{\mathrm{\Σ}}{(R_{i,t}-\stackrel{\‾}{R_i})}^2}}$

其中R_a,t和R_i,t分别表示U_a和U_i对项目I_t的评分，和分别表示U_a和U_i的平均评分，I_a,i表示U_a和U_i的共同评分项目集。

上述S5：(1)中坐标轴的X、Y轴分别与指定区域地图的最南端和最西端相切。

本发明将用户之间的特征相似度作为除了常规的评分相似度以外用于推荐算法的第二重依据，而多种用户特征的计算不仅使得攻击成本大量增加，极大提高抗攻击能力，并且使推荐的准确性得到提升。

附图说明

图1为本发明社交网络中基于评分和特征相似的餐饮推荐算法流程图；

图2为地域相似性图；

图3为用户关联度图；

图4为三维余弦相似图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

假设U_a为北京人，出差在南京，因不熟悉当地状况，需要为U_a推荐适合其习惯的餐饮或美食。

算法的具体实施步骤为：

步骤1)遍历当前所有注册用户(为简化说明，共选取6个用户，用户可能来自于全国各地)，获得所有用户对周边餐饮的历史评分数据，如表1，根据所有用户各自的历史评分数据确定其统计特征。

表1各项目的历史评分

步骤2)目标用户U_a搜索感兴趣的餐厅项目。

步骤3)计算用户评分相似度。使目标用户U_a所评分的项目与其他用户进行比较，根据所有用户各自的历史评分数据的统计特征确定目标用户U_a和其他用户之间的评分相似度，该计算公式为 ${\mathrm{sim}}_{a,i}=\frac{\underset{I_t\∈I_{a,i}}{\mathrm{\Σ}}(R_{a,t}-{\stackrel{\‾}{R}}_a)(R_{i,t}-\stackrel{\‾}{R_i})}{\sqrt{\underset{I_t\∈I_{a,i}}{\mathrm{\Σ}}{(R_{a,t}-\stackrel{\‾}{R_a})}^2}\sqrt{\underset{I_t\∈I_{a,i}}{\mathrm{\Σ}}{(R_{i,t}-\stackrel{\‾}{R_i})}^2}},$ 具体数据如表2。

表2 U_a与其他用户的评分相似度

计算U_a与用户评分库中所有其他用户的评分相似度，得到U_a与用户评分库中所有用户的评分相似度集合。

步骤4)采用Top-k查询方法，选择与目标用户U_a评分相似度最高的3个用户，根据表2，产生评分相似推荐用户集合{U₂,U₃,U₆}(k值根据实际需求进行调整，但一般不得少于总用户数的1/3，不得多于总用户数的1/2)。

步骤5)用户特征统计与分析。从目标用户U_a的社交网络中提取U_a的所有社交状况并记录其所有好友。通过遍历U_a的详细信息，分析特征并构建目标用户U_a的特征相似模型M＝(χ_a,i,δ_a,i,σ_a,i,γ_a,i)，

5-1)计算地域相似性χ_a,i， $d_{a,i}(x,y)=\sqrt{{(x_{U_a}-x_{U_i})}^2+{(y_{U_a}-y_{U_i})}^2},{\mathrm{\χ}}_{a,i}=\frac{1}{1+d_{a,i}(x,y)},$ 用户i选取于评分相似推荐用户集合，即{U₂,U₃,U₆}，d_a,i(x,y)表示在坐标轴中目标用户U_a(为其坐标)常住区域位置与评分相似推荐用户U_i(为其坐标)常住区域位置的直线距离，在这里目标用户U_a常住区域为北京，坐标为(6.43，5.41)，坐标轴的X、 Y轴分别与指定区域地图(这里是中国地图)的最南端和最西端相切。χ_a,i用于记录目标用户U_a常住的区域位置信息与评分相似推荐用户U_i的常住地域信息的比较结果，如表3、图2所示，其值越接近1表示两者的常住地域信息越相近，可见用户U₆与U_a的常住区域最为接近。

表3 U_a与U_i常住区域信息比较

	常住区域	X轴	Y轴	da,i(x,y)	χa,i
						目标用户Ua	北京	6.43	5.41	——	——
U2	南京	7.37	3.61	2.03	0.33
						U3	沈阳	7.98	6.08	1.69	0.38
U6	石家庄	6.13	5.03	0.48	0.68

5-2)计算饮食偏好相似性δ_a,i，公式为 $D_{a,i}(U_a,U_i)=\underset{z=1}{\overset{N}{\mathrm{\Σ}}}{a}_z\⊕i_z,{\mathrm{\δ}}_{a,i}=\frac{1}{1+D_{a,i}(U_a,U_i)},$ 用户i选取于评分相似推荐用户集合{U₂,U₃,U₆}，在这里我们列举7种味觉，分别是酸、甜、苦、辣、咸、鲜、涩，其中(a₁,a₂,a₃…a₇)和(i₁,i₂,i₃…i₇)分别表示目标用户U_a和评分相似推荐用户U_i对上述7种味觉是否喜欢，其中用1表示喜欢，0表示不喜欢，0.5表示无置可否(例如a₁＝1，表示目标用户U_a喜欢酸味)，这里使用汉明距离比较两个等长字符串之间对应位置的字符不同的个数来计算目标用户U_a和评分相似推荐用户U_i饮食偏好相似性，其值越接近1表示两者对上述7种口味的偏好越相似，具体如表4所示，可见用户U₆与U_a的口味最为接近。

表4 U_a与U_i饮食偏好相似性

5-3)计算用户关联度σ_a,i，公式为 ${\mathrm{\σ}}_{a,i}=\left\{\begin{array}{cc}\max \left\{\frac{{\mathrm{\σ}}_{\mathrm{\β},i}}{t}\right\}& 1\≤\mathrm{\β}\≤5,i,t\∈(0,+\∞)\\ 1& n=0\end{array}\right.,$ 用户i选取于评分相似推荐用户集合{U₂,U₃,U₆}，β最大为5，表示目标用户U_a和评分相似推荐用户产生联系最多只需经过5个人就会产生关联，σ_β,i表示第β层的第i个朋友，t表示评分相似推荐用户的朋友总数，在图3中，目标用户U_a与评分相似推荐用户U₂、U₃、U₆的关联度分别为而目标用户和评分相似推荐用户关联度越接近1表示两者关联程度越深关联性越直接，当β＝0表示直接认识，可见用户U₆与U_a的关联程度最为接近。

5-4)计算系统推荐强度γ_a,i，表示系统将该评分相似推荐用户推荐给目标用户的系数，  ${\mathrm{\ϵ}}_{a,i}=\frac{\sqrt{\underset{I_t\∈I_{a,i}}{\mathrm{\Σ}}{(R_{a,t}-R_{i,t})}^2}}{q},{\mathrm{\γ}}_{a,i}=\frac{1}{1+{\mathrm{\ϵ}}_{a,i}},$ 用户i选取于评分相似推荐用户集合{U₂,U₃,U₆}，其中ε_a,i表示系统推荐强度差，其中R_a,k和R_i,k分别表示U_a和U_i对项目I_t的评分，q表示共同评分的项目总数，系统推荐强度越接近1表示该评分相似推荐用户与目标用户越相似，详细的计算结果如表5所示，可见，系统推荐强度值最大的是用户U₆。

表5推荐强度

步骤6)计算特征相似推荐度定义 $Q_{a,i}=({\mathrm{\π}}_{a,i},{\mathrm{\θ}}_{a,i},{\∂}_{a,i})=(P_{a,i}\×{\mathrm{\χ}}_{a,i},P_{a,i}\×{\mathrm{\δ}}_{a,i},P_{a,i}\×{\mathrm{\σ}}_{a,i}),V_{\mathrm{recommend}}(a,i)=\mathrm{COS}\left(\mathrm{\α}\right)=\frac{{\mathrm{\π}}_{a,i}+{\mathrm{\θ}}_{a,i}+{\∂}_{a,i}}{\sqrt{3({{\mathrm{\π}}_{a,i}}^2+{{\mathrm{\θ}}_{a,i}}^2+{{\∂}_{a,i}}^2)}},$ 用户i选取于评分相似推荐用户集合{U₂,U₃,U₆}，通过计算可知，是最优推荐结果向量，表示目标用户和最优特征相似推荐用户常住地域信息相同，饮食偏好相同且两者直接认识，并对所消费的项目评分完全一致，通过计算该最优推荐结果和特征相似推荐结果的余弦值的大小，显示特征相似推荐用户与最优推荐结果的差距，该结果如表6和图4所示。其值越接近1表示特征相似推荐用户与目标用户的特征及评分越相似。

表6特征相似推荐度

步骤7)产生推荐结果。将特征相似推荐用户以特征相似度递减次序排列{U₆,U₂,U₃}，选择前2(x＝2)个特征相似推荐用户{U₆,U₂}的评分最高项目{I₁,I₃}(即“玫瑰餐饮”和“南京美食档”)推荐给目标用户。目标用户U_a可根据推荐选择适宜的餐饮，消费后再为该项目打分，不仅能丰富数据库，还能使得推荐系统的个性化服务更加精确。

Claims (3)

1.社交网络中基于评分和特征相似的餐饮推荐算法，其特征在于，包括以下步骤，

S1：建立当前社交网络中的用户评分库；

S2：目标用户U_a搜索餐厅项目I_t；

S3：计算U_a与用户评分库中其他用户的评分相似度，得到U_a与用户评分库中所有用户的评分相似度集合；

S4：采用Top-k查询方法，选择与U_a评分相似度最高的k个用户，得到评分相似推荐用户集合；

S5：提取目标用户U_a在社交网络数据库中的好友信息，构建U_a的特征相似模型M＝(χ_a,i,δ_a,i,σ_a,i,γ_a,i)，

(1)计算地域相似性χ_a,i，

$d_{a,i}(x,y)=\sqrt{{(x_{U_a}-x_{U_i})}^2+{(y_{U_a}-y_{U_i})}^2}$

${\mathrm{\χ}}_{a,i}=\frac{1}{1+d_{a,i}(x,y)}$

其中i选自评分相似推荐用户集合，d_a,i(x,y)表示在坐标轴中U_a常住区域位置与U_i常住区域位置的直线距离；

(2)计算饮食偏好相似性δ_a,i，

$D_{a,i}(U_a,U_i)=\underset{z=1}{\overset{N}{\mathrm{\Σ}}}{a}_z\⊕i_z$

${\mathrm{\δ}}_{a,i}=\frac{1}{1+D_{a,i}(U_a,U_i)}$

其中a_Z和i_Z分别表示U_a和U_i对不同口味的喜欢程度，1表示喜欢，0表示不喜欢，0.5表示无置可否；

(3)计算用户关联度σ_a,i，

${\mathrm{\σ}}_{a,i}=\left\{\begin{array}{cc}\max \left\{\frac{{\mathrm{\σ}}_{\mathrm{\β},i}}{t}\right\}& 1\≤\mathrm{\β}\≤5,i,t\∈(0,+\∞)\\ 1& \mathrm{\β}=0\end{array}\right.$

其中σ_β,i表示第β层的第i个朋友，t表示评分相似推荐用户的朋友总数；

(4)计算系统推荐强度γ_a,i，

${\mathrm{\ϵ}}_{a,i}=\frac{\sqrt{\underset{I_t\∈I_{a,i}}{\mathrm{\Σ}}{(R_{a,t}-R_{i,t})}^2}}{q}$

${\mathrm{\γ}}_{a,i}=\frac{1}{1+{\mathrm{\ϵ}}_{a,i}}$

其中R_a,t和R_i,t分别表示U_a和U_i对项目I_t的评分，q表示共同评分的项目总数；S6：计算特征相似推荐度V_recommend，定义P_a,i＝(γ_a,i+1)×sim_a,i，

$Q_{a,i}=({\mathrm{\π}}_{a,i},{\mathrm{\θ}}_{a,i},{\∂}_{a,i})=(P_{a,i}\×{\mathrm{\χ}}_{a,i},P_{a,i}\×{\mathrm{\δ}}_{a,i},P_{a,i}\×{\mathrm{\σ}}_{a,i}),$

$V_{\mathrm{recommend}}(a,i)=\mathrm{COS}\left(\mathrm{\α}\right)=\frac{{\mathrm{\π}}_{a,i}+{\mathrm{\θ}}_{a,i}+{\∂}_{a,i}}{\sqrt{3{{\mathrm{\π}}_{a,i}}^2+{{\mathrm{\θ}}_{a,i}}^2+{{\∂}_{a,i}}^2}}$

S7：将特征相似推荐用户依特征相似推荐度递减排列，选择前x个特征相似推荐用户的评分最高项目推荐给目标用户U_a。

2.根据权利要求1所述的社交网络中基于评分和特征相似的餐饮推荐算法，其特征在于：S3中计算用户评分相似度的具体过程为根据用户评分库中所有用户历史评分数据的统计特征，确定目标用户U_a与其他用户U_i之间的评分相似度

${\mathrm{sim}}_{a,i}=\frac{\underset{I_t\∈I_{a,i}}{\mathrm{\Σ}}(R_{a,t}-{\stackrel{\‾}{R}}_a)(R_{i,t}-\stackrel{\‾}{R_i})}{\sqrt{\underset{I_t\∈I_{a,i}}{\mathrm{\Σ}}{(R_{a,t}-\stackrel{\‾}{R_a})}^2}\sqrt{\underset{I_t\∈I_{a,i}}{\mathrm{\Σ}}{(R_{i,t}-\stackrel{\‾}{R_i})}^2}}$

其中R_a,t和R_i,t分别表示U_a和U_i对项目I_t的评分，和分别表示U_a和U_i的平均评分，I_a,i表示U_a和U_i的共同评分项目集。

3.根据权利要求1所述的社交网络中基于评分和特征相似的餐饮推荐算法，其特征在于：S5：(1)中坐标轴的X、Y轴分别与指定区域地图的最南端和最西端相切。