CN104966125B - 一种社交网络的物品评分及推荐方法 - Google Patents

Abstract

本发明涉及一种社交网络的物品评分及推荐方法，包括以下步骤：1)根据用户组U对已评分的物品组I的评分值建立用户‑物品评分二部图，计算用户组U中两用户间的相似度，并预测用户组U中的目标用户u对待评分物品j的评分，并得到预测用户‑物品评分二部图；2)根据用户组U的社交网络建立用户‑用户好友关系不可分图，并根据预测用户‑物品评分二部图和用户‑用户好友关系不可分图计算得到用户‑物品评分矩阵R和用户‑用户好友关系矩阵A。3)选定一个权值a，通过同一化A和R来建立物品推荐融合矩阵X；4)根据物品推荐融合矩阵X，向用户组U中的目标用户u推荐物品。与现有技术相比，本发明具有方法先进、可行性高等优点。

Description

一种社交网络的物品评分及推荐方法

技术领域

本发明涉及一种物品推荐方法，尤其是涉及一种社交网络的物品评分及推荐方法。

背景技术

近年来随着社交网络的迅速发展，信息过载问题日趋严重，基于社交网络数据进行物品推荐和评分预测算法已经成为了学术界和工业界的一个研究热点和重点。

P.Resnick等人实现了基于用户的协同过滤算法，利用用户之间偏好的相似度形成最近邻用户，根据最近邻用户的物品列表从而对目标用户进行物品推荐。基于用户的协同过滤算法是推荐系统中最古老的算法，曾被GroupLense用于新闻过滤。B.Sarwar等人实现了基于物品的协同过滤算法，构建物品之间的相似度，根据物品的相似度和用户的历史行为给用户生成推荐列表。现在大多数推荐系统都按照上述两种协同过滤的推荐思路，结合其他因素或特性建立模型，进行混合推荐。Deshpande等人将基于物品的协同过滤算法与基于条件概率相似度和余弦相似度相结合，进行物品推荐。Li Lei等人采用局部敏感哈希算法和层次聚类算法对新闻进行预处理，然后结合基于用户的协同过滤算法对用户产生推荐列表。

另一方面，有许多研究工作利用社交网络不可分图和二分图结构进行评分预测。J.Golbeck等人通过将协同过滤中的评分数据和基于信任的社交网络数据相结合，并采用改善的宽度优先算法遍历信任网络预测目标用户的评分情况，最终提高了物品推荐的准确率。H.Li等人采用向量包括物品社区规模、用户连通性、社会背景、类别排名历史、进化距离和平均评分六个特征，从而预测用户的评分情况。Vasuki等人基于用户之间的好友关系以及用户群组之间的关联，提出了一种好友/群组推荐方法，他们建立了两种模型：一种是基于邻近图结构，另一种是基于用户和群组之间的潜在影响因子。Jamali和Ester采用了矩阵因子分解方法和信任传播机制在社交网络中进行物品推荐，但是他们没有在理论上给出面对多个社交网络的融合机制。本发明结合了社交网络不可分图和二分图多模式结构，实现对目标用户的评分预测和物品推荐。

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方法先进、可行性高、多模式的社交网络的物品评分及推荐方法。

本发明的目的可以通过以下技术方案来实现：

一种社交网络的物品评分及推荐方法，包括以下步骤：

1)根据用户组U对已评分的物品组I的评分值建立用户-物品评分二部图，计算用户组U中两用户间的相似度，并预测用户组U中的目标用户u对待评分物品j的评分，并得到预测用户-物品评分二部图；

2)根据用户组U的社交网络建立用户-用户好友关系不可分图，并根据预测用户-物品评分二部图和用户-用户好友关系不可分图计算得到用户-物品评分矩阵R和用户-用户好友关系矩阵A；

3)选定一个权值a，通过同一化A和R来建立物品推荐融合矩阵X；

4)根据物品推荐融合矩阵X，向用户组U中的目标用户u推荐物品。

所述的步骤1)具体包括以下步骤：

11)根据用户-物品评分二部图获得用户组U中的普通用户v和目标用户u分别对物品组I的打分向量r_v,I和r_u,I；

12)计算普通用户v和目标用户u之间的关于物品组I的用户评分相似度sim(u,v)，sim(u,v)的计算式为：

13)根据sim(u,v)预测目标用户u对物品组I中的待评分物品j的评分r_u,j，r_u,j的计算式为：

其中，r_v,j为普通用户v对待评分物品j的评分。

所述的步骤2)具体包括以下步骤：

21)根据预测用户-物品评分二部图计算用户-物品评分矩阵R，R中元素的计算式为：

r_ij＝sim(U_i,U_j)

其中，U_i、U_j分别为用户组U中的节点用户；

22)根据用户-用户好友关系不可分图计算用户-用户好友关系矩阵A，A中元素a_ij的计算式为：

其中，deg(U_i)、deg(U_j)分别为在用户-用户好友关系不可分图中的节点用户U_i和U_j的度。

所述的步骤3)具体包括以下步骤：

31)将A和R作同一化处理分别得到A′和R′，A′和R′的计算式为：

其中，m_A为矩阵A的平均值，s_A为矩阵A的标准差，m_R为矩阵R的平均值，s_R为矩阵R的标准差；

32)选定权值a，a的计算式为：

其中，dA为基于用户-用户好友关系矩阵的协同系数，localA为在用户-用户好友关系不可分图中，和目标用户具有好友关系的用户数(目标用户的度)与所有用户数n的比值，globalA为所有用户的度与所有用户数平方n²的比值，dR为用户-物品评分矩阵的协同系数，localR为目标用户有评分记录的物品数量与所有物品数量的比值，globalR为所有被用户打过分的物品数量与用户数量和所有物品数量乘积的比值；

33)计算物品推荐融合矩阵X，X中的元素x_ij的计算式为：

x_ij＝(1-a)a_ij+ar_ij

即X＝(1-a)A+aR

其中，x_ij为物品推荐融合相似度。

所述的步骤4)具体包括以下步骤：

41)根据物品推荐融合矩阵X中的元素x_ij找出与目标用户u相似度最接近的前m个用户，并且获得前m个用户u_m的物品推荐融合相似度S_m；

42)计算目标用户u对未评分物品组J中的n个未评分物品j_n的评分的计算式为：

其中，avg_u为目标用户u的所有已评分的平均值，为用户u_m对未评分物品j_n的评分，为用户u_m的所有已评分的平均值。

与现有技术相比，本发明具有以下优点：

一、方法先进：本方法通过加权的方式将用户-物品评分二部图和用户-用户好友关系不可分图结合起来，综合考虑，最终将待推荐物品按评分高低的顺序推荐给目标用户，考虑全面。

二、可行性高：本方法可以适用于多种物品推荐场合，包括购物网站、好友圈等场合，适用范围广。

附图说明

图1为本发明的方法流程图。

图2为用户-物品评分二部图。

图3为用户-用户好友关系不可分图。

图4为基于多模式的物品推荐和评分预测图。

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：

如图1所示，一种社交网络的物品评分及推荐方法，包括以下步骤：

1)根据用户组U对已评分的物品组I的评分值建立用户-物品评分二部图，计算用户组U中两用户间的相似度，并预测用户组U中的目标用户u对待评分物品j的评分，并得到预测用户-物品评分二部图，具体包括以下步骤：

11)根据用户-物品评分二部图获得用户组U中的普通用户v和目标用户u分别对物品组I的打分向量r_v,I和r_u,I；

12)计算普通用户v和目标用户u之间的关于物品组I的用户评分相似度sim(u,v)，sim(u,v)的计算式为：

13)根据sim(u,v)预测目标用户u对物品组I中的待评分物品j的评分r_u,j，r_u,j的计算式为：

其中，r_v,j为普通用户v对待评分物品j的评分；

2)根据用户组U的社交网络建立用户-用户好友关系不可分图，并根据预测用户-物品评分二部图和用户-用户好友关系不可分图计算得到用户-物品评分矩阵R和用户-用户好友关系矩阵A，具体包括以下步骤：

21)根据预测用户-物品评分二部图计算用户-物品评分矩阵R，R中元素的计算式为：

r_ij＝sim(U_i,U_j)

其中，U_i、U_j分别为用户组U中的节点用户；

22)根据用户-用户好友关系不可分图计算用户-用户好友关系矩阵A，A中元素a_ij的计算式为：

其中，deg(U_i)、deg(U_j)分别为在用户-用户好友关系不可分图中的节点用户U_i和U_j的度；

3)选定一个权值a，通过同一化A和R来建立物品推荐融合矩阵X，具体包括以下步骤：

31)将A和R作同一化处理分别得到A′和R′，A′和R′的计算式为：

其中，m_A为矩阵A的平均值，s_A为矩阵A的标准差，m_R为矩阵R的平均值，s_R为矩阵R的标准差；

32)选定权值a，a的计算式为：

其中，dA为基于用户-用户好友关系矩阵的协同系数，localA为在用户-用户好友关系不可分图中，和目标用户具有好友关系的用户数(目标用户的度)与所有用户数n的比值，globalA为所有用户的度与所有用户数平方n²的比值，dR为用户-物品评分矩阵的协同系数，localR为目标用户有评分记录的物品数量与所有物品数量的比值，globalR为所有被用户打过分的物品数量与用户数量和所有物品数量乘积的比值；

33)计算物品推荐融合矩阵X，X中的元素x_ij的计算式为：

x_ij＝(1-a)a_ij+ar_ij

即X＝(1-a)A+aR

其中，x_ij为物品推荐融合相似度；

4)根据物品推荐融合矩阵X，向用户组U中的目标用户u推荐物品，具体包括以下步骤：

41)根据物品推荐融合矩阵X中的元素x_ij找出与目标用户u相似度最接近的前m个用户，并且获得前m个用户u_m的物品推荐融合相似度S_m；

42)计算目标用户u对未评分物品组J中的n个未评分物品j_n的评分的计算式为：

其中，avg_u为目标用户u的所有已评分的平均值，为用户u_m对未评分物品j_n的评分，为用户u_m的所有已评分的平均值。

本发明设计并实现一种多模式的物品推荐与评分预测技术，主要由三个部分组成：基于用户-物品评分二部图的评分预测，基于用户-用户好友关系不可分图的评分预测，以及自动加权策略。

如图2所示，在社交评分网络中，根据用户对物品的打分行为，构建用户-物品评分二部图吗，其中U表示用户，I表示物品，从而得到用户-物品评分矩阵，如表1所示。根据用户-物品评分矩阵计算用户之间的相似度，对目标用户产生推荐结果并进行评分预测。

表1用户-物品评分矩阵

表1用户-物品评分矩阵

	I1	I2
			U1	4	5
U2	2	1
			U3	3	？

如图3所示，同样的，根据社交评分网络中用户与用户之间的好友关系，构建用户-用户好友关系不可分图，得到用户-用户好友关系矩阵，如表2所示，计算用户之间的相似度，对目标用户产生推荐结果并进行评分预测。

表2用户-用户好友关系矩阵

	U1	U2	U3
				U1	0	1	1
U2	1	0	0
				U3	1	0	0

如图4所示，本发明将异构的用户-物品评分二部图和用户-用户好友关系不可分图两者相结合。

但由于用户-物品评分矩阵二部图和用户-用户好友关系不可分图会以不同程度影响最终整体的物品推荐和评分预测结果，同时社交网络中存在大量噪声和无关信息，因此本发明将上述两者相结合时引入一种基于网络结构密度的自动化加权策略，尤其考虑了用户配置文件的结构密度以及网络结构密度，因此对于每个目标用户，本发明都能自动化调整社交网络结构对其推荐结果和评分预测结果的影响，最终提高推荐结果和评分预测的准确率和召回率。

Claims (5)

1.一种社交网络的物品评分及推荐方法，其特征在于，包括以下步骤：

1)根据用户组U对已评分的物品组I的评分值建立用户-物品评分二部图，计算用户组U中普通用户v和目标用户u之间的关于物品组I的用户评分相似度，并预测用户组U中的目标用户u对待评分物品j的评分，并得到预测用户-物品评分二部图；

2)根据用户组U的社交网络建立用户-用户好友关系不可分图，并根据预测用户-物品评分二部图和用户-用户好友关系不可分图计算得到用户-物品评分矩阵R和用户-用户好友关系矩阵A；

3)选定一个权值a，通过同一化A和R来建立物品推荐融合矩阵X；

4)根据物品推荐融合矩阵X，向用户组U中的目标用户u推荐物品。

2.根据权利要求1所述的一种社交网络的物品评分及推荐方法，其特征在于，所述的步骤1)具体包括以下步骤：

11)根据用户-物品评分二部图获得用户组U中的普通用户v和目标用户u分别对物品组I的打分向量r_v,I和r_u,I；

12)计算普通用户v和目标用户u之间的关于物品组I的用户评分相似度sim(u,v)，sim(u,v)的计算式为：

13)根据sim(u,v)预测目标用户u对物品组I中的待评分物品j的评分r_u,j，r_u,j的计算式为：

其中，r_v,j为普通用户v对待评分物品j的评分。

3.根据权利要求1所述的一种社交网络的物品评分及推荐方法，其特征在于，所述的步骤2)具体包括以下步骤：

21)根据预测用户-物品评分二部图计算用户-物品评分矩阵R，R中元素的计算式为：

r_ij＝sim(U_i,U_j)

其中，U_i、U_j分别为用户组U中的节点用户；

22)根据用户-用户好友关系不可分图计算用户-用户好友关系矩阵A，A中元素a_ij的计算式为：

其中，deg(U_i)、deg(U_j)分别为在用户-用户好友关系不可分图中的节点用户U_i和U_j的度。

4.根据权利要求1所述的一种社交网络的物品评分及推荐方法，其特征在于，所述的步骤3)具体包括以下步骤：

31)将A和R作同一化处理分别得到A′和R′，A′和R′的计算式为：

其中，m_A为矩阵A的平均值，s_A为矩阵A的标准差，m_R为矩阵R的平均值，s_R为矩阵R的标准差；

32)选定权值a，a的计算式为：

其中，dA为基于用户-用户好友关系矩阵的协同系数，localA为在用户-用户好友关系不可分图中，和目标用户具有好友关系的用户数与所有用户数n的比值，globalA为所有用户的度与所有用户数平方n²的比值，dR为用户-物品评分矩阵的协同系数，localR为目标用户有评分记录的物品数量与所有物品数量的比值，globalR为所有被用户打过分的物品数量与用户数量和所有物品数量乘积的比值；

33)计算物品推荐融合矩阵X，X中的元素x_ij的计算式为：

x_ij＝(1-a)a_ij+ar_ij

即X＝(1-a)A+aR

其中，x_ij为物品推荐融合相似度。

5.根据权利要求1所述的一种社交网络的物品评分及推荐方法，其特征在于，所述的步骤4)具体包括以下步骤：

41)根据物品推荐融合矩阵X中的元素x_ij找出与目标用户u相似度最接近的前m个用户，并且获得前m个用户u_m的物品推荐融合相似度S_m；

42)计算目标用户u对未评分物品组J中的n个未评分物品j_n的评分的计算式为：

其中，avg_u为目标用户u的所有已评分的平均值，为用户u_m对未评分物品j_n的评分，为用户u_m的所有已评分的平均值。