CN106097048A - 基于社交网络的推荐算法 - Google Patents

Abstract

本发明专利涉及一种基于社交网络的航班推荐算法，利用用户对航班的个体偏好，以及用户在民航出行中社交网络中有密切社交关系的用户的影响，结合邻居的社交偏好，预测用户的偏好，实现推荐。本专利简单实用、成本低、架构轻，通过普通物理机与大数据平台有机结合可实现民航旅客航班的在线推荐，不仅提高了推荐的准确性，还大大提高了推荐的实时性，可以应用于用户购票时向用户推荐个性化的航班以及在线下向用户推送喜爱的航班等场景。

Description

基于社交网络的推荐算法

所属技术领域

本发明专利涉及惯性推荐技术和大数据处理相关技术。

背景技术

在航空联盟的趋势下，民航客运存在激烈的竞争，航空公司不遗余力地改善企业管理，降低成本，提升客户体验，优化客户关系，旨在增加企业效益提高自身的竞争力。针对民航旅客的个性化航班推荐，不仅能提高旅客的购票效率，促使航空公司提高航班的质量，还能增加盈利，提升旅客的信赖度，避免优质客户的流失，有效缓解超售问题。

在民航交通领域，旅客出行频次比公交和地铁等出行低，呈现旅客出行记录较少的特点，故而针对民航旅客进行个性化推荐可能会存在数据稀疏性和冷启动问题。使用传统的一些推荐算法，对于没有历史记录的冷启动用户存在限制。民航出行中，旅客经常结伴出行，旅客之间存在一定的社交关系，采用社会化推荐的方法能有效解决以上问题。

发明内容

本专利针对民航旅客出行购票的场景，提出了一种基于社交网络的航班推荐算法。

方案中利用用户个体的偏好和社交关系的影响建立用户偏好的预测模型。模型的原理可以简单描述为：对于一个用户的未知偏好项，利用该用户社交网络中的邻居，将邻居的偏好通过网络传播给用户，得到用户的偏好预测。具体预测方法如下所示：

(1)利用合适的偏好模型得到用户的偏好，根据算法的目标提出目标优化函数：

$\min {\left(S_{individual}\right(i,j,k)-\frac{{\Σ}_{n\∈N_i}{\mathrm{\ω}}_{in}{S}_{individual}(n,j,k)}{{\Σ}_{n\∈N_i}{\mathrm{\ω}}_{in}})}^2---\left(1\right)$

公式(1)S_individual(i，j，k)为用户i对航线j的k航班的偏好，ω_in为用户i的邻居n的权重。算法的目标为最小化用户和邻居之间的偏好差异，通过最小化目标表达式达到预测缺失偏好的目的。

(2)算法是一个迭代的过程，每一次迭代更新用户的偏好值。算法在第n次迭代时，采用一种类似梯度下降的方法更新偏好值。偏好值更新的计算公式为：

$\begin{array}{c}{S}_{individual}(i,j,k)+=\\ {\mathrm{\λ}}_i*(\frac{{\Σ}_{n\∈N_i}{\mathrm{\ω}}_{in}{S}_{individual}(n,j,k)}{{\Σ}_{n\∈N_i}{\mathrm{\ω}}_{in}}-S_{individual}(i,j,k\left)\right)\end{array}---\left(2\right)$

${\mathrm{\λ}}_i=\frac{{\Σ}_{t\∈T_k}{\log }_{t_c-t+1}\mathrm{\α}*I_t}{{\Σ}_{t\∈T_k}{\log }_{t_c-t+1}\mathrm{\α}}---\left(3\right)$

$I_t=\{\begin{array}{cc}1,& \inf luencedbyneighboursattmoment\\ 0,& un\inf luencedbyneighboursattmoment\end{array}---\left(4\right)$

公式(2)中λ_i代表时间衰减的社交影响因子，I_t表示用户在t时刻受社交影响的状态，如公式(3)，公式(4)所示。λ_i值越高，用户受到社交的影响越大，偏好值更新越快，向邻居靠近的程度越大。

(3)计算邻居的权重ω_in：

ω_in＝sim(i，n)*fam(i，n) (5)

邻居的权重由两部分组成，即用户i和用户n的相似度和亲密度，用户间的相似度和亲密度计算如下：

$sim(i,n)=\frac{{\Σ}_{k\∈F_{in}}(r_{ik}-{\stackrel{\‾}{r}}_i)(r_{nk}-{\stackrel{\‾}{r}}_n)}{\sqrt{{\Σ}_{k\∈F_{in}}{(r_{ik}-{\stackrel{\‾}{r}}_i)}^2}\sqrt{{\Σ}_{k\∈F_{in}}{(r_{nk}-{\stackrel{\‾}{r}}_n)}^2}}---\left(6\right)$

$fam(i,n)=\frac{w_{in}}{{\Σ}_{m\∈N_i}{w}_{in}}---\left(7\right)$

公式(6)为用户i和用户n的皮尔森相关性，表示用户间偏好的相似度，公式(7)为用户i和用户n的亲密度，w_in为用户i和用户n的共同出行次数，N_i为用户i的邻居集合。

算法迭代将反复执行2-3步骤计算，直到用户和邻居的加权平均偏好差值小于阈值为止。因为算法具备较好的准确度和鲁棒性，经过若干轮迭代之后，预测的偏好项将会收敛逼近邻居的偏好，并随着迭代次数增多准确度越来越高。

本发明的有益效果如下：

本方法提升了推荐的准确度和用户的信赖度，可以应用于用户购票时向用户推荐个性化的航班以及在线下向用户推送喜爱的航班等场景。

附图说明

图1推荐算法流程

图2推荐算法示例

图3推荐算法实验结果

具体实施方式

实施流程如附图1所示：

(1)每个节点向周围邻居广播消息；

(2)广播结束后，每个节点接收来自邻居的消息，选取最近K个邻居，判断旅客的满意度和邻居的加权平均满意度的平方差，如果差值小于阈值，则停止更新，否则，根据公式更新旅客的满意度；

(3)若所有节点都达到稳定状态或算法达到最大迭代次数，则算法结束；若未达到稳定状态，则重复1，2步进行迭代。算法传播过程将反复执行1-2步骤计算。因为算法具备较好的准确度和鲁棒性，经过若干轮迭代之后，预测的偏好项将会收敛逼近邻居的偏好，并随着迭代次数增多准确度越来越高。

Claims (2)

1.用户在选择航班出行时，不仅会考虑自身的偏好，也会受到朋友的社交影响，进而得到一个用户对航班的综合反馈。为了描述社交关系对用户影响的大小，提出了社交影响因子的概念和计算方法。

2.基于民航PNR数据对用户偏好进行了数学描述，构建用户间的同行网络，并进一步提出一个基于社交网络的航班推荐算法。