CN104850579A - 社交网络中基于评分和特征相似的餐饮推荐算法 - Google Patents
社交网络中基于评分和特征相似的餐饮推荐算法 Download PDFInfo
- Publication number
- CN104850579A CN104850579A CN201510126421.3A CN201510126421A CN104850579A CN 104850579 A CN104850579 A CN 104850579A CN 201510126421 A CN201510126421 A CN 201510126421A CN 104850579 A CN104850579 A CN 104850579A
- Authority
- CN
- China
- Prior art keywords
- user
- scoring
- similarity
- recommendation
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Coloring Foods And Improving Nutritive Qualities (AREA)
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Ua与用户评分库中其他用户的评分相似度;3)选择与Ua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Ua的特征相似模型M=(χa,i,δa,i,σa,i,γa,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
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Ua搜索项目It;
S3:计算Ua与用户评分库中其他用户的评分相似度,得到Ua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Ua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Ua在社交网络数据库中的好友信息,构建Ua的特征相似模型 M=(χa,i,δa,i,σa,i,γa,i),
(1)计算地域相似性χa,i,
其中i选自评分相似推荐用户集合,da,i(x,y)表示在坐标轴中Ua常住区域位置与Ui常住区域位置的直线距离;
(2)计算饮食偏好相似性δa,i,
其中aZ和iZ分别表示Ua和Ui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σa,i,
其中σβ,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γa,i,
其中Ra,t和Ri,t分别表示Ua和Ui对项目It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Vrecommend,定义Pa,i=(γa,i+1)×sima,i,
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Ua。
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Ua与其他用户Ui之间的评分相似度
其中Ra,t和Ri,t分别表示Ua和Ui对项目It的评分,和分别表示Ua和Ui的平均评分,Ia,i表示Ua和Ui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Ua为北京人,出差在南京,因不熟悉当地状况,需要为Ua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Ua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Ua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Ua和其他用户之间的评分相似度,该计算公式为 具体数据如表2。
表2 Ua与其他用户的评分相似度
计算Ua与用户评分库中所有其他用户的评分相似度,得到Ua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Ua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Ua的社交网络中提取Ua的所有社交状况并记录其所有好友。通过遍历Ua的详细信息,分析特征并构建目标用户Ua的特征相似模型M=(χa,i,δa,i,σa,i,γa,i),
5-1)计算地域相似性χa,i, 用户i选取于评分相似推荐用户集合,即{U2,U3,U6},da,i(x,y)表示在坐标轴中目标用户Ua(为其坐标)常住区域位置与评分相似推荐用户Ui(为其坐标)常住区域位置的直线距离,在这里目标用户Ua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。χa,i用于记录目标用户Ua常住的区域位置信息与评分相似推荐用户Ui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Ua的常住区域最为接近。
表3 Ua与Ui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δa,i,公式为 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Ua和评分相似推荐用户Ui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Ua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Ua和评分相似推荐用户Ui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Ua的口味最为接近。
表4 Ua与Ui饮食偏好相似性
5-3)计算用户关联度σa,i,公式为 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Ua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,σβ,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Ua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Ua的关联程度最为接近。
5-4)计算系统推荐强度γa,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, 用户i选取于评分相似推荐用户集合{U2,U3,U6},其中εa,i表示系统推荐强度差,其中Ra,k和Ri,k分别表示Ua和Ui对项目It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 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Ua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Ua搜索餐厅项目It;
S3:计算Ua与用户评分库中其他用户的评分相似度,得到Ua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Ua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Ua在社交网络数据库中的好友信息,构建Ua的特征相似模型M=(χa,i,δa,i,σa,i,γa,i),
(1)计算地域相似性χa,i,
其中i选自评分相似推荐用户集合,da,i(x,y)表示在坐标轴中Ua常住区域位置与Ui常住区域位置的直线距离;
(2)计算饮食偏好相似性δa,i,
其中aZ和iZ分别表示Ua和Ui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σa,i,
其中σβ,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γa,i,
其中Ra,t和Ri,t分别表示Ua和Ui对项目It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Vrecommend,定义Pa,i=(γa,i+1)×sima,i,
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Ua。
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Ua与其他用户Ui之间的评分相似度
其中Ra,t和Ri,t分别表示Ua和Ui对项目It的评分,和分别表示Ua和Ui的平均评分,Ia,i表示Ua和Ui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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510126421.3A CN104850579B (zh) | 2015-03-20 | 2015-03-20 | 社交网络中基于评分和特征相似的餐饮推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510126421.3A CN104850579B (zh) | 2015-03-20 | 2015-03-20 | 社交网络中基于评分和特征相似的餐饮推荐算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104850579A true CN104850579A (zh) | 2015-08-19 |
CN104850579B CN104850579B (zh) | 2018-02-02 |
Family
ID=53850224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510126421.3A Active CN104850579B (zh) | 2015-03-20 | 2015-03-20 | 社交网络中基于评分和特征相似的餐饮推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104850579B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894254A (zh) * | 2016-06-28 | 2016-08-24 | 上海理工大学 | 一种基于度数分布与用户评分的社交推荐系统 |
CN106919580A (zh) * | 2015-12-25 | 2017-07-04 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置 |
CN107423553A (zh) * | 2017-06-06 | 2017-12-01 | 深圳睿京科技有限公司 | 食品的推荐方法及装置 |
CN108304448A (zh) * | 2017-12-08 | 2018-07-20 | 无锡雅座在线科技股份有限公司 | 菜品推荐方法及装置、存储介质、处理器 |
CN108647216A (zh) * | 2017-03-16 | 2018-10-12 | 上海交通大学 | 基于开发人员社交网络的软件众包任务推荐系统及方法 |
CN109299360A (zh) * | 2018-09-21 | 2019-02-01 | 昆明理工大学 | 一种菜品推荐的方法 |
CN111881341A (zh) * | 2020-06-15 | 2020-11-03 | 合肥美的电冰箱有限公司 | 饮食信息推荐方法及装置、电子设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064924A (zh) * | 2012-12-17 | 2013-04-24 | 浙江鸿程计算机系统有限公司 | 一种基于地理标注照片挖掘的旅游地点情境化推荐方法 |
CN103279533A (zh) * | 2013-05-31 | 2013-09-04 | 北京华悦博智科技有限责任公司 | 一种社交关系推荐方法及系统 |
CN103377250A (zh) * | 2012-04-27 | 2013-10-30 | 杭州载言网络技术有限公司 | 基于邻域的top-k推荐方法 |
CN103793476A (zh) * | 2014-01-08 | 2014-05-14 | 西安电子科技大学 | 基于网络社区的协同过滤推荐方法 |
US20140258309A1 (en) * | 2013-03-08 | 2014-09-11 | Warren Young | Systems and methods for providing a review platform |
-
2015
- 2015-03-20 CN CN201510126421.3A patent/CN104850579B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377250A (zh) * | 2012-04-27 | 2013-10-30 | 杭州载言网络技术有限公司 | 基于邻域的top-k推荐方法 |
CN103064924A (zh) * | 2012-12-17 | 2013-04-24 | 浙江鸿程计算机系统有限公司 | 一种基于地理标注照片挖掘的旅游地点情境化推荐方法 |
US20140258309A1 (en) * | 2013-03-08 | 2014-09-11 | Warren Young | Systems and methods for providing a review platform |
CN103279533A (zh) * | 2013-05-31 | 2013-09-04 | 北京华悦博智科技有限责任公司 | 一种社交关系推荐方法及系统 |
CN103793476A (zh) * | 2014-01-08 | 2014-05-14 | 西安电子科技大学 | 基于网络社区的协同过滤推荐方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919580A (zh) * | 2015-12-25 | 2017-07-04 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置 |
CN106919580B (zh) * | 2015-12-25 | 2021-04-13 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置 |
CN105894254A (zh) * | 2016-06-28 | 2016-08-24 | 上海理工大学 | 一种基于度数分布与用户评分的社交推荐系统 |
CN108647216A (zh) * | 2017-03-16 | 2018-10-12 | 上海交通大学 | 基于开发人员社交网络的软件众包任务推荐系统及方法 |
CN107423553A (zh) * | 2017-06-06 | 2017-12-01 | 深圳睿京科技有限公司 | 食品的推荐方法及装置 |
CN108304448A (zh) * | 2017-12-08 | 2018-07-20 | 无锡雅座在线科技股份有限公司 | 菜品推荐方法及装置、存储介质、处理器 |
CN109299360A (zh) * | 2018-09-21 | 2019-02-01 | 昆明理工大学 | 一种菜品推荐的方法 |
CN109299360B (zh) * | 2018-09-21 | 2021-10-22 | 昆明理工大学 | 一种菜品推荐的方法 |
CN111881341A (zh) * | 2020-06-15 | 2020-11-03 | 合肥美的电冰箱有限公司 | 饮食信息推荐方法及装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104850579B (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104850579A (zh) | 社交网络中基于评分和特征相似的餐饮推荐算法 | |
CN102663026B (zh) | 一种定向投放网络广告的实现方法 | |
CN104156450B (zh) | 一种基于用户网络数据的物品信息推荐方法 | |
CN104935963B (zh) | 一种基于时序数据挖掘的视频推荐方法 | |
CN103412948B (zh) | 基于聚类的协同过滤的商品推荐方法及系统 | |
CN105426528B (zh) | 一种商品数据的检索排序方法及系统 | |
CN102508870B (zh) | 一种结合评分数据与标签数据的个性化推荐方法 | |
CN103246980B (zh) | 信息输出方法及服务器 | |
CN106682114A (zh) | 一种融合用户信任关系和评论信息的个性化推荐方法 | |
WO2016191959A1 (zh) | 一种时变的协同过滤推荐方法 | |
CN106408377A (zh) | 购物推荐方法及系统 | |
CN103294812B (zh) | 一种基于混合模型的商品推荐方法 | |
CN102609523A (zh) | 基于物品分类和用户分类的协同过滤推荐算法 | |
CN106815347A (zh) | 基于商品相似度的改进slope one协同过滤推荐算法 | |
CN107885778A (zh) | 一种基于动态临近点谱聚类的个性化推荐方法 | |
KR20100039773A (ko) | 신상품 추천문제 해결을 위한 내용기반 필터링과 협업 필터링을 혼합한 사용자 프로파일 기반 이미지 추천 방법 및 장치 | |
CN103927347A (zh) | 一种基于用户行为模型和蚁群聚类的协同过滤推荐算法 | |
CN107358075A (zh) | 一种基于层次聚类的虚假用户检测方法 | |
CN104899246A (zh) | 基于模糊机制用户评分邻域信息的协同过滤推荐方法 | |
CN108415913A (zh) | 基于不确定邻居的人群定向方法 | |
CN102184364A (zh) | 基于半监督学习的推荐系统托攻击检测方法 | |
CN106021329A (zh) | 基于用户相似度的稀疏数据协同过滤推荐方法 | |
CN106952167A (zh) | 一种基于多元线性回归的餐饮业好友连边影响力预测方法 | |
CN110083764A (zh) | 一种协同过滤算法冷启动问题的解决方法 | |
CN103337028A (zh) | 一种推荐方法、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20150819 Assignee: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS Contract record no.: X2020980007071 Denomination of invention: Food and beverage recommendation algorithm based on rating and feature similarity in social networks Granted publication date: 20180202 License type: Common License Record date: 20201026 |
|
EE01 | Entry into force of recordation of patent licensing contract |