CN105678590B - 一种面向社交网络基于云模型的topN推荐方法 - Google Patents

Abstract

本发明公开一种面向社交网络基于云模型的topN推荐方法，属于数据挖掘和信息检索领域。利用社交网络海量数据集收集被推荐用户信息，评分物品信息，推荐用户信息；从被推荐用户信息和推荐用户信息中提取用户属性、获得用户评分，由多维云逆向云发生器生成多维云；通过多维云相似度计算用户属性云相似度；由推荐用户和被推荐用户的评分生成评分云，合并所有评分云生成父云，在父云中生成新的评分；综合相似度和评分生成被推荐用户对新物品的兴趣度，取兴趣度高的前N个物品生成topN推荐集。该方法解决了属性单一或多属性权值设置不确定给推荐系统带来的阻碍，个性化推荐针对不同用户产生不同的推荐集，并将推荐相关信息发送至用户，节省了网络资源。

Description

一种面向社交网络基于云模型的topN推荐方法

技术领域

本发明属于数据挖掘和信息检索领域，涉及计算机系统的信息采集和分析，是一种面向社交网络基于云模型的个性化推荐方法。

背景技术

随着互联网的快速发展，人们逐渐步入信息过载时代。为解决信息过载问题，人们不断采用新的措施，如强化搜索引擎，优化推荐系统等解决海量信息带来的难题。

近年来，推荐系统受到物联网巨头和电商越来越多的青睐，尤其个性化推荐技术的发展，对改善用户体验和提高服务质量起到了重要的作用。推荐系统可以分为两类：评分预测和个性化推荐。前者是对未评分物品进行评分估计，后者是向用户提供一个个性化推荐列表。向用户提供个性化推荐列表的推荐方法叫做topN推荐。现有的推荐技术可以分为基于内容和基于协同过滤的技术。基于内容的是通过分析用户的内容属性和物品的内容属性，建立特征表述，向用户推荐潜在感兴趣的物品。基于协同过滤的利用的是用户行为记录信息，寻找邻居用户群，根据邻居用户群兴趣特征向该用户进行推荐。由于基于内容的推荐对内容的知识要求较高，因此，基于协同过滤的技术得到了更广泛的关注。基于以上叙述，基于协同过滤的topN推荐成广泛研究的对象。

然而，协同过滤推荐在利用属性进行相似度计算时，由于属性单一或者多重属性权重设置的不确定，因此相似度计算结果很难令人满意。此外，引入物品的评分来生成推荐列表时，解决相似度计算过程中属性问题和评分标准不统一的问题对topN推荐十分重要。

发明内容

本发明针对现有技术中协同过滤推荐时采集对象的属性单一及多重权重设置不确定，不能得到满意的推荐结果，致使网络中发送的无用信息量过多，占用信道资源，容易造成网络拥塞等技术问题。本发明针对传统相似度计算在单个属性上过于单一和多个属性权值设置的不确定性的问题，提出一种基于多维云模型的社交网络用户行为相似度计算方法。采用一种统一用户评分空间的方法，并在此基础上进一步优化传统的topN推荐算法。

从基于用户协同过滤的topN推荐相关研究背景出发，通过数据预处理，将社交网络的被推荐用户、推荐用户(即被推荐用户近邻用户)、已评分物品关联起来建立推荐用户集-被推荐用户集-评分物品集三层关系；构建多维云模型根据三层关系中的建立推荐用户集-被推荐用户集两层关系获取用户相似度，通过综合云模型统一用户对物品的评分标准，最终生成针对被推荐用户的topN推荐集。

本发明建立一种面向社交网络的基于云模型的topN推荐系统，包括，获取数据源信息模块、计算用户相似度模块、综合云模型(统一用户评分标准模块)、生成topN推荐集模块。其中，数据源信息模块分别搜索被推荐用户的最近邻居集合，获取相关信息，计算用户相似度、统一用户评分标准模块解决用户评分主观性和差异性的问题，推荐系统为被推荐用户产生其尚未关注的但可能最感兴趣的物品列表。

本发明还提出一种面向社交网络基于云模型的topN推荐方法，具体包含：一种面向社交网络基于云模型的topN推荐方法，其特征在于，数据获取模块获取被推荐用户和推荐用户信息，及已评分物品信息，提取用户的属性，建立推荐用户集-被推荐用户集-评分物品集三层关系，构建被推荐用户及推荐用户的属性向量；多维云模型的逆向云发生器根据推荐用户集-被推荐用户集关系计算被推荐用户和推荐用户的相似度；综合云模型合并被推荐用户和推荐用户的评分云生成父云，多维云模型的正向云发生器在父云中生成新的评分；生成topN推荐集模块根据相似度和新的评分计算获得被推荐用户的兴趣度，将所有用户的兴趣度按高低排序列表，选取前N个作为被推荐用户的个性化推荐集。通过该推荐可以解决互联网带来的信息冗余的问题，由于个性化推荐针对不同用户产生不同的推荐集，并将推荐相关信息发送至用户，节省了网络资源，提高了网络性能。

所述计算被推荐用户和推荐用户的相似度具体包括，多维云模型的逆向云发生器根据被推荐用户和推荐用户各自的属性向量生成对应的云，通过正向云发生器生成各自的云滴，根据云滴的距离衡量两组云滴的相似度，由两组云滴的相似度获得用户相似度。

本发明的其中一个实施例进一步包括，逆向云发生器根据被推荐用户和推荐用户的评分生成各自的评分云，正向云发生器计算所有评分在各自评分云中的归属度，综合云模型合并所有评分云生成父云，正向云发生器利用归属度在父云中计算新的评分。根据推荐用户集-被推荐用户集-评分物品集得到被推荐用户和其近邻用户集所关注的所有物品评分，云逆向云发生器获取用户评分向量(Ex,En,He)构建一维评分云图；综合云模型合并被推荐用户和所有推荐用户的评分云图生成父云；正向云发生器计算所有物品评分在一维评分云图中的隶属度，在父云中根据该隶属度生成相应的云滴，根据云滴获得被推荐用户关注物品的新评分。

本发明的其中一个实施例进一步包括，提取被推荐用户和推荐用户的评分，根据公式

计算用户属性期望向量Ex，根据公式

计算用户属性熵值向量En，根据公式

计算评分云超熵向量，其中，

n表示所有推荐用户评分的个数，x_i表示评分，获得用户评分向量(Ex,En,He)。

本发明的其中一个实施例进一步包括，将被推荐用户的评分云和其关注的所有推荐用户的评分云综合生成一朵父云，所述生成父云具体包括，根据待合并用户的评分云图的数学期望曲线C'_T(x)，根据公式：

计算待合并用户的截断熵，根据待合并用户属性期望向量及截断熵根据公式：

获得父云的期望Ex'，根据评分云超熵向量He调用公式：

计算父云的超熵He'，其中n表示所有推荐用户评分的个数。

提取被推荐用户和所有关注的推荐用户的评分向量(Ex,En,He)，通过多维正向云发生器各自生成n1、n2个云滴，按到零点的距离从小到大排列,若n1≥n2，则

有个组合的排列，反之有

个组合的排列，计算每个组合情况下云滴集之间的距离，如第j个组合情况下云滴距离的平方和为Distance(j),根据公式

计算被推荐用户和所关注的推荐用户的相似度。

本发明方法首先运用多维云模型进行相似性计算，不但消除了属性单一的问题而且弥补多属性权值设置不确定的缺陷，为推荐结果提供准确的基础。其次使用综合云模型进行评分空间标准的统一，解决了用户评分主观性和用户个体差异性的问题，进一步提高了推荐的精度。最后由用户相似度和新评分生成topN推荐集。采用上述两种云模型改善了传统方法的存在的弊端，提高了推荐的准确度。推荐信息能准确发送到需要的客户端，有效提高的网络的性能和利用率。

附图说明

图1是按照本发明一种实施方式的推荐方法的流程图；

图2是本发明使用多维云模型计算用户-用户相似度流程示意图；

图3是本发明使用综合云模型统一评分标准的空间流程示意图；

图4是本发明云相似度计算方法的流程示意图；

图5是本发明计算用户对新物品好感度的流程图。

具体实施方式

为使本发明的目的、技术方案以及优点更加清晰明了，以下参照说明书附图，对发明具体实施做进一步的详细阐述。

如图1是实现本发明的总体流程图，包括数据获取，计算相似度，评分标准统一，生成topN推荐集四部分，其中，数据获取可以直接从基于web研究型的推荐系统下载或利用成熟的社交平台的API获取。通过数据源获取物品信息、获取用户信息、获取关注列表；构建用户的属性向量、构建关注用户的属性向量，通过多维云模型计算被推荐用户和推荐用户的相似度；获取被推荐用户和推荐用户评分，建立综合云模型统一评分标准；计算用户对新物品的好感度，生成topN推荐集。

计算用户间相似度。提取与用户相似度有关的包括年龄、性别、居住地址、爱好等多个属性，通过数学方法，对不同属性赋予不同的属性值，多维云模型的逆向云发生器，由提取出的属性值计算得出代表多维属性云图的数字特征(云滴分布的期望；云滴的熵；期望的随机度量，反映云滴在云中的离散程度；云滴的超熵，是熵的不确定性度量)，

构建代表用户属性的多维云图，正向云发生器生成云滴，根据云滴的3En原则(对于云的定性概念有贡献的云滴，主要落在[Ex+3En,Ex-3En]范围内)，取[Ex+3En,Ex-3En]范围内的云滴计算得出两个云相似度，用云的相似度衡量两个用户的相似度。

统一用户评分标准。根据近邻用户集-被推荐用户集-评分物品集得到被推荐用户和其近邻用户集的所有物品评分，云模型的云逆向云发生器获取用户评分向量(Ex,En,He)构建一维评分云图；综合云模型合并被推荐用户和所有被关注用户的云图生成父云；正向云发生器计算每个评分在一维评分云图中的隶属度，在父云中根据该隶属度生成父云下相应的云滴，根据云滴确定新评分。

生成topN推荐集。根据被推荐用户与其近邻用户的相似度、新评分，以相似度与评分的乘积作为被推荐用户对新物品的感兴趣程度，根据兴趣程度由高到低进行排序，取前N(N为每个数据集最佳的推荐数目)个兴趣程度作为待推荐的列表。具体实施包括：

S1：数据获取部分通过数据源获取被推荐用户信息集合，推荐用户信息集合，推荐用户和被推荐用户已评分的物品信息集合；

S2：相似度计算部分分别对被推荐用户信息集合、被推荐用户已评分的物品信息集合和推荐用户信息集合、推荐用户已评分的物品集合的信息进行属性提取，利用多维云相似度算法计算推荐用户和被推荐用户的相似度，从物品信息集合获取推荐用户和被推荐用户已评分物品的评分，使用综合云模型合并算法合并推荐用户和被推荐用户的评分云，生成父云，统一评分标准，通过一维正向云发生器利用旧评分生成新标准下的评分。

S3：根据被推荐用户和推荐用户之间的相似度和推荐用户已评分的物品在新标准下的评分，通过相似度与新评分的乘积计算被推荐用户对新物品(推荐用户已评分而被推荐用户未评分的物品)的兴趣好感值，根据好感值从高到低排序取前N个作为topN推荐集合。

S2中的多维云模型计算用户相似度如图2所示，具体包括：

S21：取推荐用户user_1,user_2,…,user_n中的用户与被推荐用户target_user的属性向量数据(Attr_1,Attr_2,...,Attr_m)，推荐用户中每个用户的属性向量数据包含m组多维数据(Data_1,Data_2,...,Data_m)，被推荐用户属性向量数据包含s组多维数据(Data_1,Data_2,...,Data_s)，属性向量数据构造用户云图的样本集，其中，每组数据均属于该样本集，根据样本集计算样本均值向量，样本均值是用户属性向量数据在整个云图空间分布的期望，把用户属性抽象为一个定性概念，期望即代表用户属性定性概念的点，期望的计算公式为：

其中，其中

是用户属性期望向量均值，

代表用户多维用户属性数值均值，i代表用户属性的维数，n代表有属性向量数据组数。根据期望向量计算得出云图的熵值向量，熵值向量是由用户属性这个定性概念的随机性和模糊性决定，是该定性概念的不确定性的度量。计算公式为：

其中

代表用户属性熵值向量均值。方差在云模型中无特别意义，是为了计算云的超熵做准备，方差向量

的计算公式如下：

超熵是熵的不确定性度量，是云模型的一个属性参数。超熵向量均值

计算公式为：

多维逆向云发生器根据上述结果生成推荐用户和被推荐用户的生成云

S22:根据被推荐用户的生成云和任一关注中的推荐用户的生成云，多维云相似度算法模块计算被推荐用户与任一推荐用户生成云的相似度，分别计算被推荐用户和所有推荐用户两两之间生成云的相似度(sim_1,sim_2,...,sim_k)。

如图3所示为综合云模型统一评分标准流程，具体包括：

S23：取被推荐用户target_user和推荐用user_1,…,user_n的评分(Rating_1,Rating_2,...,Rating_n)，通过云模型的逆向云发生器生成代表用户评分行为的云，代表云属性的三个向量分别为用户属性期望向量、用户属性熵值向量、超熵向量(Ex,En,He),其中，Ex代表用户评分规律的期望值，En代表评分规律的随机性和模糊性，He是评分云中熵的熵，代表熵的不确定性和模糊性，计算公式分别如下:

其中，n表示用户评分的个数,x_i代表第i个用户的评分。

S24：使用综合云模型将所有用户评分云进行合并，生成一朵父云。具体包括：取被推荐用户和任一推荐用户的评分云生成两个用户评分云的父云，将该父云与第三个推荐用户的评分云进行合并，以此类推，最终，将被推荐用户评分云和关注用户集中的所有用户的评分云综合为一朵父云。其中，生成基于两个用户的父云需要获得这两个用户云图的截断熵En'，根据两个用户的父云的云图的数学期望曲线C'_T(x)，根据公式：

计算用户的截断熵，其中对于用户1和用户2，云图的数学期望曲线分别为C_T1(x)、C_T2(x)，

带入公式(9)分别计算两个用户的截断熵En'₁，En'₂，其中C'_T1(x)为C_T1(x)大于C_T2(x)的部分，反之亦如此。由两用户的期望Ex₁、Ex₂和截断熵En'₁、En'₁，根据公式：

获得父云的期望Ex。

由两用户的截断熵En'₁和En'₂，可以综合求得云的熵En：

En＝En'₁+En'₂ (12)

根据两用户各自的超熵He₁与He₂和各自的截断熵En'₁和En'₂，根据公式：

可以求得综合云的超熵He。以此类推，当对所有待合并n个用户评分云进行合并生成父云时，根据公式：

获得父云的期望Ex'，根据公式：

计算父云的超熵He'。生成推荐用户和被推荐用户的评分云的父云，为统一评分打下基础。

S25：运用正向云发生器计算被推荐用户和其关注的推荐用户的评分在初始云下的归属度，归属度代表单个用户评分对评分云图期望Ex的靠近程度，根据公式：

计算归属度。其中，μ_i是用户的评分云第i(i＝1,2,3,...,n)个评分的隶属度，在父云下生成相应x'_i，x'_i即为生成的新评分,即图中(rating₁,rating₂,...,rating_n)。i代表用户属性的维数，n代表有属性向量数据组数。

被推荐用户与关注的推荐用户的相似度计算如图4所示。取被推荐用户和被推荐用户的评分向量(Ex₁,...,Ex_n|En₁,...,En_n|He₁,...,He_n)，通过多维正向云发生器各自生成n1、n2个云滴，按到零点的距离从小到大的排列,若n1≥n2，则

有个组合，反之有

个组合，计算每个组合情况下云滴集之间的距离，求均值。令第j个组合的云滴距离的平方和为Distance(i),则相似度Similarity的计算方式为：

S3计算用户对新物品的好感度流程图如图5所示：

根据被推荐用户与推荐用户的相似度及推荐用户已评分物品(推荐用户已评分而被推荐用户从未评分的物品)的新评分，将相似度与新评分做乘积计算被推荐用户对新物品的兴趣度(interest₁,...,interest_n)，将兴趣度从大到小排列，取兴趣度最高的前N个物品推荐给被推荐用户。

传统topN推荐方法的相似度计算方法仅利用了单一属性或多属性加权进行计算，而利用历史评分过程中存在个人评分习惯的差异的问题，为克服属性单一或多属性计算相似度过程中权值设置不确定的问题，本发明所述的一种面向社交网络基于云模型的topN推荐方法，引进多维云模型，解决了利用多属性相似度计算过程中权值设置不确定的问题，改进了相似度计算方法，引进综合云模型，解决评分标准不统一的问题，提高了推荐的精度。两者结合，大大提升推荐的效果。

应当指出上述的流程图，可以使本领域的技术人员和读者更全面地理解本发明创造的实施方法，尽管本发明说明书参照附图对本发明创造已进行了详细的说明，但是，本领域的技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。

Claims (4)

1.一种面向社交网络基于云模型的topN推荐方法，其特征在于，数据获取模块获取被推荐用户和推荐用户信息，及已评分物品信息，提取用户的属性，建立推荐用户集-被推荐用户集-评分物品集三层关系，构建被推荐用户及推荐用户的属性向量，根据推荐用户集-被推荐用户集-评分物品集得到被推荐用户和其近邻用户集所关注的所有物品评分，云逆向云发生器获取用户评分向量(Ex,En,He)构建一维评分云图，综合云模型合并被推荐用户和所有推荐用户的评分云图生成父云，正向云发生器计算所有物品评分在一维评分云图中的隶属度，在父云中根据该隶属度生成相应的云滴，根据云滴获得被推荐用户关注物品的新评分，提取被推荐用户和推荐用户的评分，根据公式

计算用户属性期望向量Ex，根据公式

计算用户属性熵值向量En，根据公式

计算评分云超熵向量，获得用户评分向量(Ex,En,He)，其中，

n表示所有推荐用户评分的个数,x_i代表第i个用户的评分；多维云模型的逆向云发生器提取被推荐用户和所关注的推荐用户的评分向量(Ex,En,He)，通过多维正向云发生器各自生成n1、n2个云滴，按到零点的距离从小到大排列,计算每个组合情况下云滴集之间的距离，第j个组合情况下云滴距离的平方和为Distance(j),根据公式

计算被推荐用户和所关注的推荐用户的相似度；生成topN推荐集模块根据相似度和新的评分计算获得被推荐用户的兴趣度，将所有用户的兴趣度按高低排序列表，选取前N个作为被推荐用户的推荐集。

2.根据权利要求1所述的推荐方法，其特征在于，所述计算被推荐用户和推荐用户的相似度具体包括，多维云模型的逆向云发生器根据被推荐用户和推荐用户各自的属性向量生成对应的云，通过正向云发生器生成各自的云滴，根据两组云滴的距离获得被推荐用户和推荐用户的相似度。

3.根据权利要求1所述的推荐方法，其特征在于，将被推荐用户的评分云和其关注的所有推荐用户的评分云综合生成一朵父云，所述生成父云具体包括，根据待合并用户的评分云图的数学期望曲线C'_T(x)，根据公式：

计算待合并用户的截断熵，根据用户属性期望向量及截断熵调用公式：

获得父云的期望Ex'，根据评分云超熵向量He调用公式：

计算父云的超熵He'，其中n表示所有推荐用户评分的个数。

4.根据权利要求3所述的推荐方法，其特征在于，根据公式

计算被推荐用户和关注的推荐用户在评分云下第i(i＝1,2,3,...,n)个用户评分的归属度μ_i，其中，x′_i为在父云下生成的新评分。

Images