CN105373591B - 移动社交网络中基于时空行为模式的用户兴趣模型构建方法 - Google Patents
移动社交网络中基于时空行为模式的用户兴趣模型构建方法 Download PDFInfo
- Publication number
- CN105373591B CN105373591B CN201510695412.6A CN201510695412A CN105373591B CN 105373591 B CN105373591 B CN 105373591B CN 201510695412 A CN201510695412 A CN 201510695412A CN 105373591 B CN105373591 B CN 105373591B
- Authority
- CN
- China
- Prior art keywords
- user
- interest
- representing
- model
- behavior
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 230000006855 networking Effects 0.000 title abstract 3
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000003542 behavioural effect Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 238000012512 characterization method Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 42
- 238000011160 research Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000000699 topical effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241001484259 Lacuna Species 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种移动社交网络中基于时空行为模式的用户兴趣模型构建方法,其特征在于,研究基于用户时空行为模式构建表征用户兴趣偏好的兴趣模型,通过现有的用户在移动社交网络数据去构建用户兴趣模型,同时挖掘填充模型中的空缺项,挖掘用户在不同行为模式下对不同主题的兴趣度,从而帮助用户过滤不感兴趣的信息,提高个性化服务质量,改善信息过载问题,增强用户体验。
Description
背景技术
一般地,个性化推荐技术包括用户兴趣建模、项目匹配、推荐等几个阶段。其中用户兴趣模型是个性化服务的基础和核心,为了提供个性化服务,必须研究用户的个性化需求,获取、分析用户的信息,建立合适的用户兴趣模型来表示用户的兴趣偏好。准确、合适的用户兴趣模型是个性化推荐的基础和前提,是提供个性化服务质量的保证。简单的讲,用户兴趣建模是发现和管理用户兴趣、需求或习惯等相关知识的过程,最后产生一个存储或者描述用户兴趣偏好的模型,称之为用户兴趣模型。用户兴趣模型是推荐系统得到个性化推荐结果的主要知识依据,其描述的用户兴趣偏好很大程度上决定推荐什么,所以说用户兴趣模型也是个性化推荐的基础。Y.Zhang和J.Koren等人在总结他们的实验结论时也提到,影响个性化服务质量的首要因素在于信息及其相关模型的表示,其次是算法复杂性的影响。所以个性化服务中,关键技术之一就是用户兴趣模型的构造。学者应晓敏阐述了用户兴趣建模在面向Internet个性化服务中的重要性,认为个性化服务系统主要包括用户信息收集模块、用户建模模块和个性化服务模块,同时围绕用户建模总结了用户模型的表示方法,分析了用户建模的信息来源,并对用户建模技术进行了归纳和分类,用户建模时需要考虑模型的易用性、灵活性、可更新性和可修改性,同时也能跟踪用户兴趣的变化。
作为个性化服务的基础和核心,用户兴趣模型直接关系到个性化服务的质量。只有当用户的兴偏好以及用户信息可以很好地被系统“理解”的时候,换言之系统能得到准确有效的用户兴趣模型之后,才可能提供理想的个性化服务。所以从用户信息中发现用户兴趣,构建用户兴趣模型,即用户兴趣建模,也就成为了个性化服务的核心和关键技术。用户兴趣模型是推荐系统产生个性化推荐的主要知识依据,其发现用户真实兴趣偏好的能力在很大程度上决定了推荐的质量。对用户建模的研究不仅对推荐系统本身至关重要,而且对促进电子商务的发展也具有重要意义。
对于用户兴趣模型的概念,不同的学者有不同的看法:
学者张丙奇在他的研究中认为,用户兴趣模型在个性化服务系统中表现为用户的描述文件或用户模型。
学者刘伟成等人使用用户模型来用来表示用户对特定主题信息的相对稳定的兴趣需求,即用户的信息需求自提交到注销这段时间内,用户信息需求的一体化描述,包括动态更新以精确反映用户的特定兴趣,用户兴趣模型的定义为:用户兴趣模型是用来捕捉用户需求及其兴趣点,并记录、管理用户兴趣,描述用户潜在的兴趣及需求的模型。在图书推荐领域,马海兵等人采用的用户兴趣建模方法中,用户兴趣模型被形式化描述为一个由状态集、反馈信息集和学习函数组成的三元组,提出一种通用的方法,将各种反馈信息融合统一,开发了一个科技文献推荐系统,使用户在尽可能少的参与下,完成用户兴趣模型的建立、学习和更新。蒋萍和崔志明在研究智能搜索引擎中用户兴趣模型时,将用户模型定义为用于存储用户的兴趣、存储和管理用户的行为历史、存储学习用户行为的知识和进行相关推导的知识的功能集合。近似地,在文献中用户兴趣模型被定义为:用户兴趣模型是指记录、存储用户的兴趣需求,并随着需求调整进行动态更新的面向算法的,具有特定数据结构的、形式化的用户描述。
发明内容
本发明旨在针对现有用户兴趣模型的不足,结合移动社交网络的特点,研究基于用户时空行为模式构建表征用户兴趣偏好的兴趣模型,通过现有的用户在移动社交网络数据去构建用户兴趣模型,同时挖掘填充模型中的空缺项,挖掘用户在不同行为模式下对不同主题的兴趣度,从而帮助用户过滤不感兴趣的信息,提高个性化服务质量,改善信息过载问题,增强用户体验。
技术方案为:
一种移动社交网络中基于时空行为模式的用户兴趣模型构建方法,其特征在于,包括如下步骤:
首先,通过模型初始化算法处理用户在移动社交网络环境中不同时空行为模式下的历史数据,得到初始用户兴趣模型,训练过程中可能缺少某些时空行为模式下用户对主题的行为数据,从而模型中存在空缺项;
接着,通过用户-主题兴趣矩阵分别计算用户与用户之间、主题与主题之间的相似性,获得用户和主题的相似性集合;
然后,对用户主题相似性集合分别进行相似近邻计算,选择相似用户和相似主题;
最后,根据选择的相似近邻的兴趣度计算用户兴趣模型中的空缺项。
本发明提出的用户兴趣模型融合了用户-主题矩阵和情景信息,同时结合移动社交网络的特点。情景信息由时间和位置两个维度构成,兴趣模型反映用户在不同情景下的兴趣偏好信息。
附图说明
图1基于时空行为模式的用户兴趣模型示意图
图2用户兴趣模型的构建流程
具体实施方式
本发明提出的用户兴趣模型融合了用户-主题矩阵和情景信息,同时结合移动社交网络的特点。情景信息由时间和位置两个维度构成,兴趣模型反映用户在不同情景下的兴趣偏好信息。为了描述用户兴趣模型,给出如下定义:
定义1基于时空行为模式的用户兴趣模型(User Interest Model Based on TLP,UIM):UIM包含用户时空行为模式和用户兴趣,使用用户-主题矩阵融合情景信息的方法表示用户的兴趣,是一个三元组UIM={U,S,C},记为UIMmnc,其中U,S,C分别定义如下。
U={u1,u2,...,um}表示移动社交网络用户的有限集合,其中ui(1≤i≤m)是一个移动社交网络用户,m是所有用户的数量;
S={s1,s2,...,sn}表示移动社交网络内容主题的有限集合,其中sj(1≤j≤n)是一个主题,n是主题的数量;
C={c1,c2,...,cc}表示用户时空行为模式的有限集合,其中ck(1≤k≤c)表示从时间和空间两个维度描述用户所处情景信息的一种行为模式,用二元组表示,记为C=(Ct,Cl),Ct表示时间;Cl表示用户位置;k是用户行为模式的数量。
定义2用户-主题兴趣矩阵(User-Subject Interest Matrix,USIM):设UMm是一个用户兴趣模型,USIM是在UIMmnc中给定的时空行为模式ck(1≤k≤c)所确定的一个矩阵,是一个三元组{U,S,ck},记为USIMk,其中ck∈C。
定义3用户兴趣序列(User Interest Series,UIS):设UIMmnc是一个用户兴趣模型,UIS是UIMmnc中由给定用户和主题,随着用户行为模式变化的一个序列,是一个三元组{ui,sj,C},记为UISij,其中ui∈U,sj∈S。
由上述定义可知,用Rijk表示在行为模式ck下用户ui对主题sj的兴趣度,取值范围为0-1的实数,易知Rijk=USIMk∩UISij。UIM反映了用户在不用行为模式下对不同主题的兴趣,USIM和UIS是从不同维度对UIM的观察结果,USIM表示在某一确定行为模式下用户对主题的兴趣度状态,UIS表示某一用户从行为模式维度对主题兴趣度的变化趋势。
本发明使用用户-主题-时空行为模式构成的三维空间表示用户在不同时空行为模式下对不同主题的兴趣度,如图1所示。图1(a)表示用户兴趣模型UIMmnc,其中每一项表示用户ui(1≤i≤m)在某一时空行为模式ck(1≤k≤c)下对某一主题sj(1≤j≤n)的兴趣度Rijk,例如用户u2在时空行为模式cc下对主题s3的兴趣度R23c=0.234;图1(b)表示用户-主题兴趣矩阵USIMc,时空行为模式cc下用户ui(1≤i≤m)对主题sj(1≤j≤n)的兴趣度;图1(c)表示用户兴趣序列UPS23,用户u2和主题s3,随着用户时空行为模式变化的一个序列。在图1中用户u3缺少在时空行为模式cc下对主题s4的兴趣度R34c,出现这种情况的原因是用户u3在时空行为模式cc下对主题s4不感兴趣,或者从来不感兴趣。本发明要解决的问题就是通过现有的用户在移动社交网络数据去构建用户兴趣模型UIMmnc,同时挖掘填充模型中的空缺项,挖掘用户在不同行为模式下对不同主题的兴趣度。
(案例)
图2给出了基于时空行为模式的用户兴趣模型的构建流程。
首先,通过模型初始化算法处理用户在移动社交网络环境中不同时空行为模式下的历史数据,得到初始用户兴趣模型,训练过程中可能缺少某些时空行为模式下用户对主题的行为数据,从而模型中存在空缺项。
接着,通过用户-主题兴趣矩阵分别计算用户与用户之间、主题与主题之间的相似性,获得用户和主题的相似性集合。
然后,对用户主题相似性集合分别进行相似近邻计算,选择相似用户和相似主题。
最后,根据选择的相似近邻的兴趣度计算用户兴趣模型中的空缺项。
(1)模型初始化
模型初始化就是分析用户在移动社交网络环境中不同时空行为模式下的历史数据,得到初始用户兴趣模型,记作UPMi。由模型的表示可知,模型初始化主要是计算用户在不同时空行为模式下对主题的兴趣度。
在用户时空行为模式ck下,用户ui的行为数据表现为一条条微博内容,首先需要将一条条微博进行整合,这样可以有效解决短文本特征词获取困难问题。整合之后通过分词,去停用词,计算词频tfp=nt/nw,nt表示词语t在微博中出现的次数,nw表示微博所有词语的个数。微博内容可以表示为向量Wik=((f1,tf1),(f2,tf2),...,(fn,tfn)),fp表示特征词,tfp表示词频。
这样用户ui在时空行为模式ck下对主题sj的兴趣度计算可以采用式(1),
其中,p(sj)表示主题sj出现的概率,计算时为类别cj中微博数量除以总数量,P(Wik)表示微博Wik出现的概率,计算时每个微博出现的概率均相等,fp为微博中的特征词,tfp为词频,P(fp|sj)表示特征词fp在主题sj中出现的概率,就是特征词fp在主题类别cj的概率,即wi。
基于上述用户兴趣度的计算方法,给出模型初始化算法如算法1所示。
(2)相似性计算
本文相似性的计算包括用户相似性和主题相似性,通过上一节得到的用户兴趣模型UIM获得用户与用户之间和主题与主题之间的兴趣相似程度。皮尔逊相关系数(Pearsoncorrelation coefficient PCC)已经被广泛用来求解线性相关程度,PCC的取值范围为[-1,1],PCC的值越大表明相似程度越大,反之则越小。计算相似性之前先介绍两个与之相关的定义。
定义4用户兴趣广泛度(User Interest Extensive Degree,UE):用户兴趣广泛度表示用户在社交网络中的兴趣广泛程度,用户感兴趣的主题越多表示用户兴趣广泛度越高。
定义5主题热门度(Subject Popularity,SP):主题热门度表示主题的热门程度,感兴趣的人越多表示主题越热门。
在用户-主题兴趣矩阵USPMk={U,S,ck}中,使用公式(2)计算用户兴趣广泛程度,即矩阵中第i行中大于0的个数除以主题总个数;使用公式(3)计算主题热门度,即矩阵中第j列中大于0的个数除以用户总个数。
用户ui,uj之间的相似度使用如下公式计算。
式(4)中,S表示用户ui,uj在行为模式ck下共同感兴趣的主题集合,即S=Si∩Sj,Risk和Rjsk分别表示用户ui,uj在行为模式ck下对主题Ss的兴趣度,和分别是在行为模式ck下用户ui,uj所有感兴趣主题的兴趣度均值。从公式可以看出,如果两个用户都对比较冷门的主题感兴趣,则更能说明这两个用户兴趣相似。1-log(1+sp(s))可以看作是对热门主题的惩罚因子。
主题si,sj之间的相似度使用如下公式计算。
式(5)中,U表在行为模式ck下同时对主题si,sj感兴趣的用户集合,即U=Ui∩Uj,Rujk和Rujk分别表示用户Uu在行为模式ck下对主题si,sj的兴趣度,和分别是在行为模式ck下所有用户对主题si,sj的兴趣度均值。从公式可以看出,如果兴趣不广泛的用户对两个主题都感兴趣,则更能说明这两个主题越相似。1-log(1+ue(u))可以看作是对兴趣广泛的用户的惩罚因子。
根据式(4)和(5)即可计算用户之间和主题之间的相似性。若用户ui,uj之间没有共同感兴趣的主题,即主题si,sj之间没有共同感兴趣的用户,即本文将用户ui,uj和主题si,sj之间的相似性置0,当SIMU(ui,uj)=0,当SIMS(si,sj)=0。
(3)相似近邻计算
相似近邻计算是协同过滤的关键一步,因为不相似近邻将会降低计算的准确性。已有研究方法大都根据相似性进行排序,选择前K项作为相似近邻,这种选择方法有可能包括相似性为负值的近邻,而相似性为负值的近邻将在很大程度上降低计算的准确性。本发明将相似性小于等于0的近邻滤除,对于用户ui的相似近邻KNBU(ui)和主题si的相似近邻KNBS(si)分别采用公式(6)和(7)计算,得到相似性大于零且不包含自身的集合。
KNBU(ui)={uj|uj∈U,SIMU(ui,uj)>0,ui≠uj} (6)
KNBS(si)={sj|sj∈S,SIMS(si,sj)>0,sj≠sj} (7)
其中U和S分别是用户和主题的集合,用户相似性SIMU(ui,u)和主题相似性SIMS(si,s)分别根据式(4)和(5)计算。
(4)协同过滤计算
本发明将应用基于用户和基于主题的混合协同过滤算法计算用户-主题兴趣矩阵USIMk中的用户兴趣度。基于用户的协同过滤方法(User based)根据用户u相似近邻的兴趣度计算u对主题的兴趣度,同时考虑用户重要度。
定义6用户重要度(User Influence,UI):本文指在社交网络中用户的重要程度,被关注的人越多,表示用户越重要,用户影响力越大,也叫用户影响力。基于PageRank算法思想,用户重要度通过式(8)计算。
其中d∈(0,1)为阻尼系数,v是关注用户u的用户,U(v)是关注用户u的集合,N(v)是用户v关注的用户数。
User based系统过滤计算用户ui在ck时间片对主题sj的兴趣度采用式(9)。
其中α∈(1,0)为调节系数,由实验确定,Rojk表示用户uo在行为模式ck下对主题sj的兴趣度,SIMU(ui,uo)表示用户ui,uo的相似性,根据式(1)计算,KNBU(ui)表示用户ui的相似用户集合,根据式(4)计算。若用户ui没有相似近邻用户,则将计算结果置0,即当Rijk=0。
Item based协同过滤方法根据相似主题的兴趣度计算用户对主题的兴趣度,用户ui在行为模式ck下对主题sj的兴趣度采用式(10)计算。
其中Riok表示用户ui在行为模式ck下对主题so的兴趣度,SIMS(sj,so)表示主题sj,so的相似性,根据式(2)计算,KNBS(sj)表示主题sj的相似主题集合,根据式(3)计算。若主题sj没有相似近邻服务,则将计算结果置0,即当Rijk=0。
采用单一的User-based或Item-based的协同过滤方法在某种程度上将忽略了一些使计算结果更准确的信息。由于相似用户和相似主题都可以对缺失项的计算产生影响,本发明采用融合User-based和Item-based的混合协同过滤方法从用户和两个方面综合计算用户-主题兴趣矩阵USPMk的缺失项。用户ui在行为模式ck下对主题sj的兴趣度采用式(11)计算。
其中,分别是采用User-based和Item-based的协同过滤方法计算的用户ui在行为模式ck下对主题sj的兴趣度,分别根据式(9)和(10)计算,λ∈(0,1)根据实验调整。
(5)用户兴趣模型的构建算法
基于用户兴趣模型初始化算法训练得到初始用户兴趣模型,接着通过用户之间和主题之间的相似性计算,相似近邻选择和协同过滤计算,实现了用户兴趣模型的构建,构建算法如算法2所示,算法考虑用户兴趣广泛度、主题热门度以及用户重要度对用户兴趣偏好的影响。
创新点
针对现有用户兴趣模型的不足,结合移动社交网络的特点,提出了基于用户时空行为模式的兴趣模型。随着移动社交网络的飞速发展,用户规模不断扩大,信息更新速度不断加快,信息过载问题日益严重。个性化服务是解决信息过载的关键技术之一,而用户兴趣模型是个性化服务的基础和核心,准确合适的用户兴趣模型是个性化服务的基础和前提,也是个性化服务质量的重要保证。移动社交网络具有实时性、移动性和社交性等特点,提供了更实时、更多维、更异构的数据,传统的用户兴趣模型缺乏实时性和高维数据的处理能力,不能很好的表示移动网络环境中用户的兴趣偏好。本发明旨在针对现有用户兴趣模型的不足,结合移动社交网络的特点,研究基于用户时空行为模式构建表征用户兴趣偏好的兴趣模型,通过现有的用户在移动社交网络数据去构建用户兴趣模型,同时挖掘填充模型中的空缺项,挖掘用户在不同行为模式下对不同主题的兴趣度,从而帮助用户过滤不感兴趣的信息,提高个性化服务质量,改善信息过载问题,增强用户体验。
Claims (1)
1.一种移动社交网络中基于时空行为模式的用户兴趣模型构建方法,其特征在于,包括如下步骤:
首先,通过模型初始化算法处理用户在移动社交网络环境中不同时空行为模式下的历史数据,得到初始用户兴趣模型,训练过程中可能缺少某些时空行为模式下用户对主题的行为数据,从而模型中存在空缺项;
模型初始化就是分析用户在移动社交网络环境中不同时空行为模式下的历史数据,得到初始用户兴趣模型,记作UPMi,用于计算用户在不同时空行为模式下对主题的兴趣度;
在用户时空行为模式ck下,第i个用户ui的行为数据表现为一条条微博内容,首先需要将一条条微博进行整合,用于解决短文本特征词获取困难问题,ck表示从时间和空间两个维度描述用户所处情景信息的一种行为模式;以上,1≤k≤c,1≤i≤m,k表示用户行为模式的数量,c表示所有用户时空行为模式的数量,m是所有用户的数量;整合之后通过分词,去停用词,计算词频,nt 表示词语t在微博中出现的次数,nw表示微博所有词语的个数;微博内容表示为向量Wik=((f1,tf1),(f2,tf2),...,(fn,tfn)),fp表示第p个特征词,tfp表示词频,1≤p≤n;
这样用户ui在时空行为模式ck下对主题sj的兴趣度计算采用式(1),
其中,P(sj)表示主题sj出现的概率,1≤j≤n,n表示所有主题的数量,计算时为主题类别cj中微博数量除以总数量,P(Wik)表示微博Wik出现的概率,计算时每个微博出现的概率均相等,P(fp|sj)表示特征词fp在主题sj中出现的概率,就是特征词fp在主题类别cj的概率,即wi;
接着,通过用户-主题兴趣矩阵分别计算用户与用户之间、主题与主题之间的相似性,获得用户和主题的相似性集合;
然后,对用户主题相似性集合分别进行相似近邻计算,选择相似用户和相似主题;
最后,根据选择的相似近邻的兴趣度计算用户兴趣模型中的空缺项;
用户ui在行为模式ck下对主题sj的兴趣度采用式(11)计算:
其中,分别是采用User-based和Item-based的协同过滤方法计算的用户ui在行为模式ck下对主题sj的兴趣度,分别根据式(9)和(10)计算,λ∈(0,1)根据实验调整;
公式(9)为:
其中α∈(1,0)为调节系数,由实验确定,Rojk表示用户uo在行为模式ck下对主题sj的兴趣度,SIMU(ui,uo)表示用户ui,uo的相似性,KNBU(ui)表示用户ui的相似用户集合,UI(uo)表示用户uo重要度;
公式(10)为:
其中Riok表示用户ui在行为模式ck下对主题so的兴趣度,SIMS(sj,so)表示主题sj,so的相似性,KNBS(sj)表示主题sj的相似主题集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510695412.6A CN105373591B (zh) | 2015-10-23 | 2015-10-23 | 移动社交网络中基于时空行为模式的用户兴趣模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510695412.6A CN105373591B (zh) | 2015-10-23 | 2015-10-23 | 移动社交网络中基于时空行为模式的用户兴趣模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105373591A CN105373591A (zh) | 2016-03-02 |
CN105373591B true CN105373591B (zh) | 2019-05-14 |
Family
ID=55375791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510695412.6A Active CN105373591B (zh) | 2015-10-23 | 2015-10-23 | 移动社交网络中基于时空行为模式的用户兴趣模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105373591B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10885131B2 (en) | 2016-09-12 | 2021-01-05 | Ebrahim Bagheri | System and method for temporal identification of latent user communities using electronic content |
CN110489669B (zh) * | 2018-05-11 | 2021-11-30 | 中移(苏州)软件技术有限公司 | 一种信息推送方法及装置 |
CN109033069B (zh) * | 2018-06-16 | 2022-05-17 | 天津大学 | 一种基于社会媒体用户动态行为的微博主题挖掘方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1906316A1 (en) * | 2006-09-28 | 2008-04-02 | Deutsche Telekom AG | An interactive hybrid recommender system |
CN103971161A (zh) * | 2014-05-09 | 2014-08-06 | 哈尔滨工程大学 | 基于柯西分布量子粒子群的混合推荐方法 |
CN104008184A (zh) * | 2014-06-10 | 2014-08-27 | 百度在线网络技术(北京)有限公司 | 信息的推送方法和装置 |
-
2015
- 2015-10-23 CN CN201510695412.6A patent/CN105373591B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1906316A1 (en) * | 2006-09-28 | 2008-04-02 | Deutsche Telekom AG | An interactive hybrid recommender system |
CN103971161A (zh) * | 2014-05-09 | 2014-08-06 | 哈尔滨工程大学 | 基于柯西分布量子粒子群的混合推荐方法 |
CN104008184A (zh) * | 2014-06-10 | 2014-08-27 | 百度在线网络技术(北京)有限公司 | 信息的推送方法和装置 |
Non-Patent Citations (2)
Title |
---|
A new temporal and social PMF-based method to predict users" interests in micro-blogging;Hongyun Bao 等;《Decision Support Systems》;20130224;第55卷(第2013期);第698页-709页 * |
基于LCS的用户时空行为兴趣相似性计算方法;李晓静 等;《计算机工程与应用》;20131231;第49卷(第20期);第251页-254页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105373591A (zh) | 2016-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI636416B (zh) | 內容個人化之多相排序方法和系統 | |
US11727717B2 (en) | Data-driven, photorealistic social face-trait encoding, prediction, and manipulation using deep neural networks | |
CN106104512A (zh) | 用于主动获取社交数据的系统和方法 | |
EP2646973A2 (en) | Real-time personalized recommendation of location-related entities | |
CN111274440A (zh) | 一种基于视觉和音频内容相关度挖掘的视频推荐方法 | |
CN111949886B (zh) | 一种用于信息推荐的样本数据生成方法和相关装置 | |
CN105373591B (zh) | 移动社交网络中基于时空行为模式的用户兴趣模型构建方法 | |
Tu et al. | An intelligent personalized fashion recommendation system | |
CN109492129A (zh) | 一种基于双流神经网络的相似视频搜索方法和系统 | |
JP2022191336A (ja) | 記憶の協調的回想の適応提示のためのキュー・データ・モデルの実装 | |
Jia et al. | Multi-modal learning for video recommendation based on mobile application usage | |
WO2017210644A1 (en) | System and method for a platform to identify and connect like-minded individuals based on interaction | |
CN114281976A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN116383519A (zh) | 基于双加权的自注意力的群组推荐方法 | |
CN111125428A (zh) | 基于评分预测函数拟合结构的时间相关电影推荐方法 | |
CN115130493A (zh) | 基于图像识别的面部形变推荐方法、装置、设备和介质 | |
Zhang et al. | Inferring latent network from cascade data for dynamic social recommendation | |
CN111897999B (zh) | 一种用于视频推荐且基于lda的深度学习模型构建方法 | |
CN109299368B (zh) | 一种用于环境信息资源ai智能个性化推荐的方法及系统 | |
CN116956183A (zh) | 多媒体资源推荐方法、模型训练方法、装置及存储介质 | |
CN114417166B (zh) | 基于行为序列和动态社交影响的连续兴趣点推荐方法 | |
CN114610913A (zh) | 多媒体数据的推荐方法、推荐模型训练方法及相关设备 | |
Periyasamy et al. | Analysis and Performance Evaluation of Cosine Neighbourhood Recommender System. | |
CN112616072B (zh) | 一种基于用户正负反馈信息的短视频点击率预测方法 | |
US11615158B2 (en) | System and method for un-biasing user personalizations and recommendations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |