CN106776959A - 一种基于线上线下双重社交关系的活动推荐系统及方法 - Google Patents

Abstract

本发明提出一种基于线上线下双重社交关系的活动推荐系统及方法，属于社交网站好友推荐技术领域，本发明利用线上同组、线下同活动双重社交关系，实现了目标用户潜在好友发现策略，提供了将传统活动推荐算法移植到EBSN推荐系统的可用性实施手段；基于本发明发现的目标用户其潜在好友的活动偏好等，可以比较准确地向目标用户推荐令其感兴趣的活动，提高了EBSN推荐系统的服务质量；本发明还提供用户社交活动统计分析功能，可根据用户选择的区域，以可视化友好界面形式展现该地区社交活动统计分析结果，为其他应用提供有参考价值的信息支撑。

Description

一种基于线上线下双重社交关系的活动推荐系统及方法

技术领域

本发明属于社交网站好友推荐技术领域，具体涉及一种基于线上线下双重社交关系的活动推荐系统及方法。

背景技术

随着互联网和移动定位设备发展，出现了一种新型社交网络应用——基于事件社交网EBSN(Event based on Social Networks)；借助该应用平台，用户可以创建、发布和组织社交事件，比如组织学术会议、举行正式聚会、募集抗灾基金、以及分发商品优惠券等。由于EBSN不仅包含传统社交网的线上交互(online interactions)操作，而且还包含颇具价值的线下交互(offline interactions)操作，因此使得虚拟与物理双重的社交交互变得易于融合。目前，EBSN的典型代表有：Meetup、Google+Events、Groupon和豆瓣等。下面以Meetup应用为例，说明通过活动所能体现出的EBSN特点；

Meetup中的活动主要包含以下若干属性。

●时间(time)：事件的开始时间和结束时间，时间一般由活动的组织者(organizer)决定。

●位置(venue)：事件的举办地点，通常和事件属性、事件时间等因素相关。

●已报名参加人数(went)：包括已经报名参加事件的人以及参加人数。

●事件名称(name)：活动的名称，通常是活动的主题描述。

●事件组名称(group)：发起该事件的组织。

●描述(description)：事件的具体描述。

从上述活动特点可以看出，Meetup用户之间存在着线上同组关系和线下同活动关系，而这种双重社交关系主要由以下两个属性来体现。

●组：在Meetup中有不同主题的组，组由组内用户构成。组有自己的主题、组织者等，用户和组是多对一的关系。对于参加了同一个组的用户而言，他们具有线上同组关系。

●活动：活动与用户是多对多关系，即同一活动可以有不同用户参加，同一用户也可以参加不同活动。当不同用户参加同一活动时，那么他们就具有线下同活动关系。

在传统社交活动推荐算法中，比如基于用户偏好或线上好友关系的活动推荐算法，除了考虑活动和用户基本属性(如活动主题、活动时间、活动地点、用户偏好、活动代价等)外，大都基于好友关系进行活动推荐。但前已述及，在EBSN中，有些应用的用户之间不存在明确好友关系，比如典型的Meetup应用，因此基于用户偏好或者好友关系的传统活动推荐算法就不能直接用于EBSN活动推荐。但幸运地是，EBSN具有线上同组、线下同活动双重社交关系，而该双重社交关系又在某种程度上间接体现了一种潜在的社交好友关系，如果该关系能得以充分利用，就可以有效解决EBSN因缺乏好友关系所导致的活动推荐可用关键因素不足问题。

发明内容

针对现有技术的不足，本发明提出一种基于线上线下双重社交关系的活动推荐系统及方法，将线上同组、线下同活动综合纳入活动推荐的评分确定中，并得到了最优推荐参数，从而提高了目标社交网站活动推荐的准确度，本发明创新性地提出了潜在好友关系概念，并在发现用户好友基础上，辅以用户历史活动等属性来对综合计算和评价活动分值，从而选出更合适的活动推荐给目标用户，旨在提高EBSN活动推荐准确率。

一种基于线上线下双重社交关系的活动推荐系统，该系统包括：数据采集清洗模块、活动统计分析模块、活动相似度获取模块、双重社交关系影响因子获取模块、用户潜在好友发现模块和用户感兴趣活动推荐模块，其中，

数据采集清洗模块：用于采用数据采集清洗模块获取目标社交网站的活动数据集，并将活动数据集进行数据清洗操作后存储；所述的活动数据集，包括：事件活动名称、事件活动开始时间、事件活动结束时间、事件活动举办地点、事件活动组名称、事件活动报名人数和事件活动描述；

活动统计分析模块：用于根据数据采集清洗模块中存储的数据，对目标城市的用户及其所参加的活动进行数据分类汇总，并进行可视化结果展示；

活动相似度获取模块：用于确定目标用户与社交网站线上任意一项活动的相似情况，具体包括：将目标用户的地理经度和纬度转换成平面距离，根据平面距离计算目标用户所在地与社交网站举办活动所在地点间物理位置的相似度；获取目标用户标签与社交网站活动库中每项活动标签的相似度；获取目标用户已参加的组与社交网站举办活动所属组之间的相似度；

双重社交关系影响因子获取模块：用于结合线下活动确定目标用户与其他任意一个用户间的双重社交关系影响因子值，具体包括：获取目标用户与其他任意一个用户间的标签相似度、获取目标用户与其他任意一个用户间的活动所在组的相似度、获取目标用户与其他任意一个用户间的历史线下活动相似度，通过设定权重值的方式，根据用户对间的标签相似度、活动所在组的相似度和历史线下活动相似度，确定该对用户间双重社交关系影响因子值；

用户潜在好友发现模块：用于根据用户间双重社交关系影响因子值获取目标用户的潜在好友集合；

用户感兴趣活动推荐模块：用于结合潜在好友集合中好友社交影响得分和目标用户与社交网站线上任意一项活动的相似情况，向目标用户推荐令其感兴趣的活动，具体包括；获取当社交网站举办活动时，潜在好友集合中任一好友对目标用户的双重社交影响得分，进而获取目标用户的全部潜在好友对其的社交影响得分；通过设定权重值的方式，结合获取的目标用户与社交网站线上任意一项活动的相似情况，确定目标用户潜在好友向目标用户推荐感兴趣活动的综合影响分值；按从大到小顺序对综合影响分值进行排序；取前所需个数结果作为令目标用户感兴趣的活动向其推荐。

采用基于线上线下双重社交关系的活动推荐系统进行的推荐方法，包括以下步骤：

步骤1、在样本采集时间范围和地点范围内，采用数据采集清洗模块获取目标社交网站的活动数据集，并将活动数据集进行数据清洗操作后存储；

所述的活动数据集，包括：事件活动名称、事件活动开始时间、事件活动结束时间、事件活动举办地点、事件活动组名称、事件活动报名人数和事件活动描述；

步骤2、采用活动统计分析模块，对目标城市的用户及其所参加的活动进行数据分类汇总，并进行可视化结果展示；

步骤3、采用活动相似度获取模块，确定目标用户与社交网站线上任意一项活动的相似情况；具体步骤如下：

步骤3-1、将目标用户的地理经度和纬度转换成平面距离，根据平面距离计算目标用户所在地与社交网站举办活动所在地间物理位置的相似度；

步骤3-2、获取目标用户标签与社交网站活动库中每项活动标签的相似度；

步骤3-3、获取目标用户已参加的组与社交网站举办活动所属组之间的相似度；

步骤4、采用双重社交关系影响因子获取模块，结合线下活动确定目标用户与其他任意一个用户间的双重社交关系影响因子值，具体步骤如下：

步骤4-1、获取目标用户与其他任意一个用户间的标签相似度；

步骤4-2、获取目标用户与其他任意一个用户间的活动所在组的相似度；

步骤4-3、获取目标用户与其他任意一个用户间的历史线下活动相似度；

步骤4-4、通过设定权重值的方式，根据用户对间的标签相似度、活动所在组的相似度和历史线下活动相似度，确定该对用户间双重社交关系影响因子值；

步骤5、采用用户潜在好友发现模块，根据用户间双重社交关系影响因子值获取目标用户的潜在好友集合；

步骤6、采用用户感兴趣活动推荐模块，结合潜在好友集合中好友社交影响得分和目标用户与社交网站线上任意一项活动的相似情况，向目标用户推荐令其感兴趣的活动，具体步骤如下；

步骤6-1、获取当社交网站举办活动时，潜在好友集合中任一好友对目标用户的双重社交影响得分；

步骤6-2、反复执行步骤6-1，获取目标用户的全部潜在好友对其的社交影响得分；

步骤6-3、通过设定权重值的方式，结合步骤3中获取的目标用户与社交网站线上任意一项活动的相似情况，确定目标用户潜在好友向目标用户推荐感兴趣活动的综合影响分值；

步骤6-5、按从大到小顺序对综合影响分值进行排序；

步骤6-6、取前所需个数结果作为令目标用户感兴趣的活动向其推荐。

步骤4-2所述的获取目标用户与其他任意一个用户间的活动所在组的相似度，具体公式如下：

S_g(u_i，u_j)＝(G(u_i)∩G(u_j))/(G(u_i)∪G(u_j)) (1)

其中，(G(u_i)∩G(u_j))表示一对用户u_i和u_j间活动所在组集合的交集，即相同活动组集合；(G(u_i)∪G(u_j))表示u_i和u_j间活动所在组集合的并集，即二者间所有的活动组集合；S_g(u_i，u_j)表示用户u_i和用户u_j间的活动组相似度。

步骤4-3所述的获取目标用户与其他任意一个用户间的历史线下活动相似度，具体公式如下：

S_h(u_i，u_j)＝(H(u_i)∩H(u_j))/(H(u_i)∪H(u_j)) (2)

其中，(H(u_i)∩H(u_j))表示一对用户u_i和u_j间历史活动集合的交集，即相同历史活动集合；(H(u_i)∪H(u_j))表示u_i和u_j间历史活动集合的并集，即二者间所有的历史活动集合；S_h(u_i，u_j)表示用户u_i和用户u_j间的历史活动相似度。

步骤5所述的采用用户潜在好友发现模块，根据用户间双重社交关系影响因子值获取目标用户的潜在好友集合，具体步骤如下；

步骤5-1、按从大到小顺序对用户对间双重社交关系影响因子值进行排序；

步骤5-2、取前所需个数结果作为目标用户的潜在好友集合。

步骤6-1所述的获取当社交网站举办活动时，潜在好友集合中任一好友对目标用户的双重社交影响得分；

具体公式如下：

其中，表示潜在好友集合中任一好友对目标用户u_i的双重社交影响得分，a_z表示社交网站举办的活动，表示好友已参加的活动。

步骤6-2所述的获取目标用户的全部潜在好友对其的社交影响得分；

具体公式如下：

其中，S_s(u_i，(LF(u_i)，a_z))表示目标用户的全部潜在好友对其的社交影响得分，LF(u_i)表示目标用户u_i的潜在好友集合，a_z表示社交网站举办的活动，表示好友已参加的活动。

步骤6-3所述的通过设定权重值的方式，结合步骤3中获取的目标用户与社交网站线上任意一项活动的相似情况，确定目标用户潜在好友向目标用户推荐感兴趣活动的综合影响分值；

具体公式如下：

S(u_i，a_z)＝m·S_d(u_i，a_z)+q·S_t(u_i，a_z)+n·S_g(u_i，a_z)+p·S_s(u_i，(LF(u_i)，a_z)) (5)

其中，S(u_i，a_z)表示目标用户潜在好友向目标用户推荐感兴趣活动的综合影响分值，m、n、p和q分别为权重调整系数，S_d(u_i，a_z)表示用户u_i所在地和活动a_z举办地的距离相似度，S_t(u_i，a_z)表示目标用户u_i和活动a_z的标签相似度，S_g(u_i，a_z)表示目标用户u_i所在组和活动a_z所在组相似度，S_s(u_i，(LF(u_i)，a_z))表示目标用户的全部潜在好友对其的社交影响得分，a_z表示社交网站举办的活动。

本发明优点：

在社交网活动推荐系统中，用户好友的偏好对向目标用户推荐令其感兴趣的活动有非常重要的借鉴作用，但EBSN中却不存在明确的好友关系，因此传统的活动推荐算法对EBSN典型应用之一的Meetup应用来说就不再适用了。为此，本发明提出一种基于online-offline双重社交关系的活动推荐系统及方法，旨在将虚拟社交关系与物理社交活动相融合，从而提高推荐服务质量，同时也在一定程度上弥补了EBSN活动推荐中好友关系不足的缺陷。具体而言，优点如下：

首先，针对EBSN好友关系不够明确的问题，本发明利用线上同组、线下同活动双重社交关系，实现了目标用户潜在好友发现策略，提供了将传统活动推荐算法移植到EBSN推荐系统的可用性实施手段；

其次，基于本发明发现的目标用户其潜在好友的活动偏好等，可以比较准确地向目标用户推荐令其感兴趣的活动，提高了EBSN推荐系统的服务质量；

此外，本发明还提供用户社交活动统计分析功能，可根据用户选择的区域，以可视化友好界面形式展现该地区社交活动统计分析结果，为其他应用提供有参考价值的信息支撑。

附图说明

图1为本发明一种实施例的基于线上线下双重社交关系的活动推荐系统结构图；

图2为本发明一种实施例的基于线上线下双重社交关系的活动推荐方法流程图；

图3本发明一种实施例的针对美国旧金山地区的活动分布图；

图4本发明一种实施例的Meetup应用中参加活动人数统计分析图；

图5本发明一种实施例的不同参数下推荐活动准确率测试图，其中，图(a)为参数m取不同值的测试结果示意图，图(b)参数n取不同值的测试结果示意图，图(c)为参数p取不同值的测试结果示意图，图(d)为参数q取不同值的测试结果示意图；

图6本发明一种实施例的不同参数下推荐活动召回率测试图，其中，图(a)为参数m取不同值的测试结果示意图，图(b)参数n取不同值的测试结果示意图，图(c)为参数p取不同值的测试结果示意图，图(d)为参数q取不同值的测试结果示意图；

图7本发明一种实施例的单个因素对活动推荐影响的测试图；

图8本发明一种实施例在最优参数下的活动推荐准确率测试图。

具体实施方式

下面结合附图对本发明一种实施例做进一步说明。

本发明实施例中，如图1所示，基于线上线下双重社交关系的活动推荐系统，该系统包括：数据采集清洗模块、活动统计分析模块、活动相似度获取模块、双重社交关系影响因子获取模块、用户潜在好友发现模块和用户感兴趣活动推荐模块；

本发明实施例中，数据采集清洗模块用于采用数据采集清洗模块获取目标社交网站的活动数据集，并将活动数据集进行数据清洗操作后存储；所述的活动数据集，包括：事件活动名称、事件活动开始时间、事件活动结束时间、事件活动举办地点、事件活动组名称、事件活动报名人数和事件活动描述；

本发明实施例中，活动统计分析模块用于根据数据采集清洗模块中存储的数据，对目标城市的用户及其所参加的活动进行数据分类汇总，并进行可视化结果展示；

本发明实施例中，调用Google Map API函数进行统计分析结果的可视化显示。首先，选择感兴趣的城市；其次，根据Meetup举办某项活动所处位置确定坐标点；接下来，统计在该地点参与该项活动的用户数，并调用circle函数画圆。其中，圆半径大小和所着颜色要根据用户参与活动的数量来决，比如，可用[1-10)、[10-100)、[100-1000)代表三个数量范围，而每个范围分别着不同颜色；最后，在每种度量范围下，数据个数越多，圆的半径就越大。

本发明实施例中，活动相似度获取模块用于确定目标用户与社交网站线上任意一项活动的相似情况，具体包括：将目标用户的地理经度和纬度转换成平面距离，根据平面距离计算目标用户所在地与社交网站举办活动所在地点间物理位置的相似度；获取目标用户标签与社交网站活动库中每项活动标签的相似度；获取目标用户已参加的组与社交网站举办活动所属组之间的相似度；

本发明实施例中，双重社交关系影响因子获取模块用于结合线下活动确定目标用户与其他任意一个用户间的双重社交关系影响因子值，具体包括：获取目标用户与其他任意一个用户间的标签相似度、获取目标用户与其他任意一个用户间的活动所在组的相似度、获取目标用户与其他任意一个用户间的历史线下活动相似度，通过设定权重值的方式，根据用户对间的标签相似度、活动所在组的相似度和历史线下活动相似度，确定该对用户间双重社交关系影响因子值；

本发明实施例中，用户潜在好友发现模块用于根据用户间双重社交关系影响因子值获取目标用户的潜在好友集合；

本发明实施例中，用户感兴趣活动推荐模块用于结合潜在好友集合中好友社交影响得分和目标用户与社交网站线上任意一项活动的相似情况，向目标用户推荐令其感兴趣的活动，具体包括；获取当社交网站举办活动时，潜在好友集合中任一好友对目标用户的双重社交影响得分，进而获取目标用户的全部潜在好友对其的社交影响得分；通过设定权重值的方式，结合获取的目标用户与社交网站线上任意一项活动的相似情况，确定目标用户潜在好友向目标用户推荐感兴趣活动的综合影响分值；按从大到小顺序对综合影响分值进行排序；取前所需个数结果作为令目标用户感兴趣的活动向其推荐。

本发明实施例中，采用基于线上线下双重社交关系的活动推荐系统进行的推荐方法，方法流程图如图2所示，包括以下步骤：

步骤1、在样本采集时间范围和地点范围内，采用数据采集清洗模块获取Meetup社交网的活动数据集，并将活动数据集进行数据清洗操作后存储；所述的活动数据集，包括：事件活动名称、事件活动开始时间、事件活动结束时间、事件活动举办地点、事件活动组名称、事件活动报名人数和事件活动描述；

本发明实施例中，数据采集的是Meetup社交网中美国旧金山附近的用户及其相关活动数据，时间范围从2006年8月31日到2016年2月21日；实验数据采集的Meetup空间范围是一个从(36.1，-120)到(38.0，-123)的矩形范围；该范围可用数据包含了347,685个用户个数，68,371个线上组，1,176,010个线下活动。原始数据包含用户数据和活动数据两类数据，其中用户数据主要有用户位置、偏好标签、组标签、组成员、参加过的活动等属性；活动数据主要有活动位置、活动举办时间、活动描述、活动标签、举办活动的组、已经报名参加活动人数等属性。

本发明实施例中，假定Meetup有3个用户存在，即u₁、u₂和u₃，他们各自相关信息如表1所示。令u₁是本专利要推荐活动的目标用户，其参加历史活动相关信息如表2所示，Meetup举办活动相关信息如表3所示，现在需要为目标用户u₁推荐令其感兴趣的活动；

表1 Meetup相关用户信息

表2用户历史活动信息

表3 Meetup将要举办活动信息

步骤2、采用活动统计分析模块，对目标城市的用户及其所参加的活动进行数据分类汇总，并进行可视化结果展示；

本发明实施例中，图3给出了美国旧金山地区用户活动随地点变化的分布情况；在图3中，圆的面积大小代表该地区举办活动的频繁度，通过标注圆不同颜色的方式表示不同活动种类，从图3中可以发现，活动的举办是有地区性的；比如，水上活动的举办地大部分处于沿海地区；而旅行活动则更频繁地选择在郊区举办，等等。这也充分表明活动举办地与活动偏好是有直接关系的；

本发明实施例中，图4展示了Meetup中参加活动人数分布情况；从图4可以看出，大部分活动只有少数人参加，能吸引很多人参加的大型活动相对较少，因此参加活动人数与活动数之间呈现明显的重尾分布；

步骤3、采用活动相似度获取模块，确定目标用户与社交网站线上任意一项活动的相似情况；具体步骤如下：

步骤3-1、将目标用户的地理经度和纬度转换成平面距离，根据平面距离计算目标用户所在地与Meetup网站举办活动所在地间物理位置的相似度；

本发明实施例中，平面距离计算公式如下：

其中，Dis tan ce(L(u_i)，L(a_z))表示用户u_i和活动a_z间的平面距离，表示用户u_i的弧度值，λ表示经度差，β表示纬度差，γ表示地球半径(γ＝6378.137公里)；

本发明实施例中，目标用户所在地与社交网站举办活动所在地间物理位置的相似度，计算公式如下：

S_d(u_i，a_z)＝1/(Dis tan ce(L(u_i)，L(a_z))+1) (7)

其中，u_i表示第i个目标用户；a_z表示Meetup活动库A_m中第z个活动，即a_z∈A_M；S_d(u_i，a_z)表示用户u_i所在地和活动a_z举办地的距离相似度；

本发明实施例中，将用户所在位置和活动举办地点所在位置的经纬度带入公式(6)，求得L(u_i)和L(a_z)间的平面距离分别为：D(L(u_i)，L(a_D))＝0，D(L(u_i)，L(a_E))＝0.638，D(L(u_i)，L(a_F))＝0.87；其中z＝D、E、F分别表示“联谊会”、“学生教育问题讨论”和“英语读书会”等活动；

本发明实施例中，将平面距离带入计算公式(7)，求得目标用户u₁与Meetup所举办的任意一项活动间的物理位置相似度为：

步骤3-2、获取目标用户标签(Tag)与Meetup网站活动库中每项活动标签的相似度；

计算公式如下：

S_t(u_i，a_z)＝(T(u_i)∩T(a_z))/(T(u_i)∪T(a_z)) (8)

其中，T(u_i)表示u_i的标签集合，T(a_z)表示活动库第z项活动的标签集合，(T(u_i)∩T(a_z))表示u_i标签集合与第z项活动的标签集合的交集，即相同标签。(T(u_i)∪T(a_z))表示u_i标签集合与第z项活动的活动类别标签集合的并集，即用户u_i和活动a_z具有的全部标签集合；St(u_i，a_z)表示u_i和a_z的标签相似度；

本发明实施例中，由于A_m＝{D，E，F}，a₁＝D，a₂＝E，a₃＝F，T(u₁)＝{教育，阅读，英语}，T(a₁)＝{社交，交友}，T(a₂)＝{学生，教育}，T(a₃)＝{阅读，英语}，则根据公式(8)可计算出目标用户u₁与a_z的标签相似度为：S_t(u₁，a₁)＝(T(u₁)∩T(a₁))/(T(u₁)∪T(a₁))＝0/5＝0，S_t(u₁，a₂)＝(T(u₁)∩T(a₂))/(T(u₁)∪T(a₂))＝1/4＝0.25，S_t(u₁，a₃)＝(T(u₁)∩T(a₃))/(T(u₁)∪T(a₃))＝2/3＝0.67；

步骤3-3、获取目标用户u_i已参加的组与Meetup网站举办活动所属组之间的相似度；

计算公式如下：

其中，表示u_i已参加的活动组集合，G(a_z)表示Meetup举办第z项活动所属的组；如果G(a_z)是的子集，即Meetup举办的活动所属组包含在用户已参加的活动组集合中，则二者之间的相似度为1，即否则，二者之间的相似度为0，即

本发明实施例中，由于目标用户u₁已参加的组集合而Meetup举办活动所属组集合G(a_z)＝{G₁，G₂}，满足因此根据公式(9)可计算出组相似度为：

步骤4、采用双重社交关系影响因子获取模块，结合线下活动确定目标用户与其他任意一个用户间的双重社交关系影响因子值，具体步骤如下：

步骤4-1、获取目标用户与其他任意一个用户间的标签相似度；

计算公式如下：

S_t(u_i，u_j)＝(T(u_i)∩T(u_j))/(T(u_i)∪T(u_j)) (10)

其中，(T(u_i)∩T(u_j))表示一对用户u_i和u_j间的标签集合的交集，即相同标签集合；(T(u_i)∪T(u_j))表示u_i和u_j间的标签集合的并集，即二者间的所有标签集合；S_t(u_i，u_j)表示u_i和u_j的标签相似度；

本发明实施例中，由于T(u₁)＝{教育，阅读，英语}，T(u₂)＝{教育，思维，数学，学生}，T(u₃)＝{阅读，跑步，游泳}，则根据公式(10)可计算出任意一对用户间的标签相似度为：S_t(u₁，u₂)＝(T(u₁)∩T(u₂))/(T(u₁)∪T(u₂))＝1/6＝0.167，S_t(u₁，u₃)＝(T(u₁)∩T(u₃))/(T(u₁)∪T(u₃))＝1/5＝0.25；

步骤4-2、获取目标用户与其他任意一个用户间的活动所在组的相似度，具体公式如下：

S_g(u_i，u_j)＝(G(u_i)∩G(u_j))/(G(u_i)∪G(u_j)) (1)

其中，(G(u_i)∩G(u_j))表示一对用户u_i和u_j间活动所在组集合的交集，即相同活动组集合；(G(u_i)∪G(u_j))表示u_i和u_j间活动所在组集合的并集，即二者间所有的活动组集合；S_g(u_i，u_j)表示用户u_i和用户u_j间的活动组相似度；

本发明实施例中，由于G(u₁)＝{G₁，G₂}，G(u₂)＝{G₁}，G(u₃)＝{G₂}，则根据公式(1)可计算出目标用户u₁与任意一个用户间的组相似度为：S_g(u₁，u₂)＝(G(u₁)∩G(u₂))/(G(u₁)∪G(u₂))＝1/2＝0.5，S_g(u₁，u₃)＝(G(u₁)∩G(u₃))/(G(u₁)∪G(u₃))＝1/2＝0.5；

步骤4-3、获取目标用户与其他任意一个用户间的历史线下活动相似度；

具体公式如下：

S_h(u_i，u_j)＝(H(u_i)∩H(u_j))/(H(u_i)∪H(u_j)) (2)

其中，(H(u_i)∩H(u_j))表示一对用户u_i和u_j间历史活动集合的交集，即相同历史活动集合；(H(u_i)∪H(u_j))表示u_i和u_j间历史活动集合的并集，即二者间所有的历史活动集合；S_h(u_i，u_j)表示用户u_i和用户u_j间的历史活动相似度；

本发明实施例中，由于H(u₁)＝{A，B}，H(u₂)＝{A，C}，H(u₃)＝{B}，则根据公式(2)可计算出目标用户u₁与任意一个用户间的历史活动相似度为S_h(u₁，u₂)＝(H(u₁)∩H(u₂))/(H(u₁)∪H(u₂))＝1/3＝0.33，S_h(u₁，u₃)＝(H(u₁)∩H(u₃))/(H(u₁)∪H(u₃))＝1/2＝0.5；

步骤4-4、通过设定权重值的方式，根据用户对间的标签相似度、活动所在组的相似度和历史线下活动相似度，确定该对用户间双重社交关系影响因子值；

计算公式如下：

S_F(u_i，u_j)＝αS_t(u_i，u_j)+βS_g(u_i，u_j)+(1-α-β)S_h(u_i，u_j) (11)

其中，S_F(u_i，u_j)表示一对用户u_i和u_j间的双重社交关系影响因子值；参数α和β分别表示权重系数；

本发明实施例中，不同应用需求根据公式(11)，可以设置不同权重调节系数α和β的取值范围，假定口＝0.3，β＝0.3，则一对用户间双重社交关系影响因子值计算结果如下：

S_F(u₁，u₂)＝0.3*S_t(u₁，u₂)+0.3*S_g(u₁，u₂)+(1-0.3-0.3)*S_h(u₁，u₂)

＝0.3*0.167+0.3*0.5+0.4*0.33

＝0.0511+0.15+0.132

＝0.33711

S_F(u₁，u₃)＝0.3*S_t(u₁，u₃)+0.3*S_g(u₁，u₃)+(1-0.3-0.3)*S_h(u₁，u₃)

＝0.3*0.25+0.3*0.5+0.3*0.5

＝0.075+0.15+0.15

＝0.375

步骤5、采用用户潜在好友发现模块，根据用户间双重社交关系影响因子值获取目标用户u_i的潜在好友集合LF(u_i)，具体步骤如下；

步骤5-1、按从大到小顺序对用户对间双重社交关系影响因子值S_F(u_i，u_j)进行排序；

步骤5-2、取前所需k′个结果作为目标用户u_i的潜在好友集合LF(u_i)；

本发明实施例中，假设选取k′＝2，则目标用户u₁的潜在好友集合LF(u₁)＝{u₂，u₃}；

步骤6、采用用户感兴趣活动推荐模块，结合潜在好友集合中好友社交影响得分和目标用户与社交网站线上任意一项活动的相似情况，向目标用户推荐令其感兴趣的活动，具体步骤如下；

步骤6-1、获取当Meetup网站举办活动时，潜在好友集合LF(u_i)中任一好友对目标用户u_i的双重社交影响得分；

具体公式如下：

其中，表示潜在好友集合中任一好友对目标用户u_i的双重社交影响得分，a_z表示社交网站举办的活动，表示好友已参加的活动；

本发明实施例中，目标用户u₁的潜在好友集合LF(u₁)＝{u₂，u₃}，A_m＝{D，E，F}，a₁＝D，a₂＝E，a₃＝F，则有存在。于是，根据公式(3)可分别计算出u₂对Meetup所举办活动的双重社交影响分数为：

步骤6-2、反复执行步骤6-1，获取目标用户的全部潜在好友对其的社交影响得分；

具体公式如下：

其中，S_s(u_i，(LF(u_i)，a_z))表示目标用户的全部潜在好友对其的社交影响得分，LF(u_i)表示目标用户u_i的潜在好友集合，a_z表示社交网站举办的活动，表示好友已参加的活动；

本发明实施例中，由于则有于是，可计算出u₃对Meetup所举办活动的双重社交影响分数为：

本发明实施例中，由于LF(u₁)＝{u₂，u₃}，a₁＝D，a₂＝E，a₃＝F，则根据公式(4)，可计算出目标用户u₁的全部潜在好友LF(u₁)对其社交影响得分如下：

步骤6-3、通过设定权重值的方式，结合步骤3中获取的目标用户与Meetup网站线上任意一项活动的相似情况，确定目标用户潜在好友向目标用户推荐感兴趣活动的综合影响分值；

具体公式如下：

S(u_i，a_z)＝m·S_d(u_i，a_z)+q·S_t(u_i，a_z)+n·S_g(u_i，a_z)+p·S_s(u_i，(LF′(u_i)，a_z)) (5)

其中，S(u_i，a_z)表示目标用户潜在好友向目标用户推荐感兴趣活动的综合影响分值，m、n、p和q分别为权重调整系数，S_d(u_i，a_z)表示用户u_i所在地和活动a_z举办地的距离相似度，S_t(u_i，a_z)表示目标用户u_i和活动a_z的标签相似度，S_g(u_i，a_z)表示目标用户u_i所在组和活动a_z所在组相似度，S_s(u_i，(LF(u_i)，a_z))表示目标用户的全部潜在好友对其的社交影响得分，a_z表示社交网站举办的活动；

本发明实施例中，由于A_m＝{D，E，F}，a₁＝D，a₂＝E，a₃＝F，LF(u₁)＝{u₂，u₃}，此处本专利设置权重调整系数m＝0.3，n＝0.6，p＝0.2，q＝0.1，则根据公式(5)，可计算出a_z及LF(u₁)向u₁推荐感兴趣活动的综合影响分值如下：

S(u₁，a₁)＝mS_d(u₁，a₁)+nS_g(u₁，a₁)+pS_s(u₁，(LF(u₁)，a₁))+qS_t(u₁，a₁)

＝0.3*1+0.6*0+0.2*1+0.1*0

＝0.9

S(u₁，a₂)＝mS_d(u₁，a₂)+nS_g(u₁，a₂)+pS_s(u₁，(LF(u₁)，a₂))+qS_t(u₁，a₂)

＝0.3*0.94+0.6*0.25+0.2*1+0.1*1

＝1.107

S(u₁，a₃)＝mS_d(u₁，a₃)+nS_g(u₁，a₃)+pS_s(u₁，(LF(u₁)，a₃))+qS_t(u₁，a₃)

＝0.3*0.92+0.6*0.67+0.2*1+0.1*0

＝0.943

步骤6-5、按从大到小顺序对综合影响分值S(u_i，a_z)进行排序；

本发明实施例中，由于S(u₁，a₁)＝0.9，S(u₁，a₂)＝1.107，S(u₁，a₃)＝0.943，因此按从大到小顺序对S(u₁，a_z)进行排序，可得到：S(u₁，a₂)＞S(u₁，a₃)＞S(u₁，a₁)；

步骤6-6、取前所需k个结果作为令目标用户感兴趣的活动向其推荐。

本发明实施例中，取k＝1，则将活动E，即Meetup将要举办的“学生教育问题讨论”活动推荐给目标用户u₁；

本发明实施例中，通过实验验证了所提的基于online-offline双重社交关系的活动推荐系统的有效性和可行性；

本发明实施例中，通过四个实验对该系统进行性能验证。首先，令公式(3)中4个参数中的3个固定不变，调节第4个参数，测试推荐活动准确率和召回率，实验结果分别如图5和图6所示。其次，为找出哪个参数对推荐结果有更大影响，单独测试了在一个参数下活动推荐的准确率和召回率，结果如图7所示；最后，在综合考虑四个参数条件下获取最佳推荐结果，如图8所示；

图5中图(a)给出了当n、p和q分别等于0.5时，m从0.1变化到0.9过程中，随着活动推荐个数的增加活动推荐的准确率变化情况；从图5中图(a)可以看出，随着距离权重调整参数m增加，活动推荐准确率有所降低，这说明m较小时，推荐准确率较高。实际情况也是如此，m较小，意味着距离相似度所占权重较小，那么远距离的活动，人们也倾向于参加，这源于有便利交通工具可选，距离在推荐活动中就不再是主要影响因素；

图5中图(b)给出了当m、p和q分别等于0.5时，n从0.1变化到0.9过程中，随着活动推荐个数的增加活动推荐的准确率变化情况。从图5中图(b)中可以看出，随着组权重调整参数n增加，活动推荐准确率有所提高，这说明n较大时，推荐准确率较高。实际情况也是如此，n较大，意味着组相似度所占比重较高，人们更倾向于参加自己所在组所组织的活动；

图5中图(c)给出了当m、n和q分别等于0.5时，p从0.1变化到0.9过程中，随着活动推荐个数的增加活动推荐的准确率变化情况。从图5中图(c)中可以看出，随着社交影响权重调整参数p增加，活动推荐准确率有所提高，这说明p较大时，活动推荐准确率较高。实际情况也是如此，p较大，意味着社交影响越大，人们更倾向于和自己好友一起参加活动；

图5中图(d)给出了当m、n和p分别等于0.5时，q从0.1变化到0.9过程中，随着活动推荐个数的增加活动推荐的准确率变化情况。从图5(d)中可以看出，随着用户偏好标签和活动标签相似度权重q增加，活动推荐准确率有所减低，这说明q较小时，活动推荐准确率较高。这可能是因为用户偏好标签不完整或者用户可能有尝试新类型活动的愿望所致；

图6中展现的是各参数对推荐活动召回率的影响，随着活动推荐个数的增加，推荐活动的召回率明显降低。在推荐1个活动时，很难保证推荐的那个活动正是用户所需要的活动，所以造成准确率低，相应地，召回率就较高。而随着推荐活动个数的增加，推荐活动越来越有可能是用户需要的，因此使得准确率增加，召回率降低，这符合一般推荐规律；

图7展示了只考虑一个因素对推荐活动的准确率。从图7中可以看出，参数n对活动推荐影响最大，也就是举办活动的组对于用户影响力最大。而q对推荐活动影响最小，也就是活动的主题对于用户参加活动的影响较小，这可能因为用户偏好标签和个人实际偏好有所差异，或者人们愿意尝试不同的新活动；

图8中展示了m＝0.3，n＝0.6，p＝0.2，q＝0.1时的活动推荐准确率。从图8中可以看出，当参数m＝0.3，n＝0.6，p＝0.2，q＝0.1时，取得了最优推荐结果。

Claims (8)

1.一种基于线上线下双重社交关系的活动推荐系统，其特征在于，该系统包括：数据采集清洗模块、活动统计分析模块、活动相似度获取模块、双重社交关系影响因子获取模块、用户潜在好友发现模块和用户感兴趣活动推荐模块，其中，

数据采集清洗模块：用于采用数据采集清洗模块获取目标社交网站的活动数据集，并将活动数据集进行数据清洗操作后存储；所述的活动数据集，包括：事件活动名称、事件活动开始时间、事件活动结束时间、事件活动举办地点、事件活动组名称、事件活动报名人数和事件活动描述；

活动统计分析模块：用于根据数据采集清洗模块中存储的数据，对目标城市的用户及其所参加的活动进行数据分类汇总，并进行可视化结果展示；

活动相似度获取模块：用于确定目标用户与社交网站线上任意一项活动的相似情况，具体包括：将目标用户的地理经度和纬度转换成平面距离，根据平面距离计算目标用户所在地与社交网站举办活动所在地点间物理位置的相似度；获取目标用户标签与社交网站活动库中每项活动标签的相似度；获取目标用户已参加的组与社交网站举办活动所属组之间的相似度；

双重社交关系影响因子获取模块：用于结合线下活动确定目标用户与其他任意一个用户间的双重社交关系影响因子值，具体包括：获取目标用户与其他任意一个用户间的标签相似度、获取目标用户与其他任意一个用户间的活动所在组的相似度、获取目标用户与其他任意一个用户间的历史线下活动相似度，通过设定权重值的方式，根据用户对间的标签相似度、活动所在组的相似度和历史线下活动相似度，确定该对用户间双重社交关系影响因子值；

用户潜在好友发现模块：用于根据用户间双重社交关系影响因子值获取目标用户的潜在好友集合；

用户感兴趣活动推荐模块：用于结合潜在好友集合中好友社交影响得分和目标用户与社交网站线上任意一项活动的相似情况，向目标用户推荐令其感兴趣的活动，具体包括；获取当社交网站举办活动时，潜在好友集合中任一好友对目标用户的双重社交影响得分，进而获取目标用户的全部潜在好友对其的社交影响得分；通过设定权重值的方式，结合获取的目标用户与社交网站线上任意一项活动的相似情况，确定目标用户潜在好友向目标用户推荐感兴趣活动的综合影响分值；按从大到小顺序对综合影响分值进行排序；取前所需个数结果作为令目标用户感兴趣的活动向其推荐。

2.采用权利要求1所述的基于线上线下双重社交关系的活动推荐系统进行的推荐方法，其特征在于，包括以下步骤：

步骤1、在样本采集时间范围和地点范围内，采用数据采集清洗模块获取目标社交网站的活动数据集，并将活动数据集进行数据清洗操作后存储；

所述的活动数据集，包括：事件活动名称、事件活动开始时间、事件活动结束时间、事件活动举办地点、事件活动组名称、事件活动报名人数和事件活动描述；

步骤2、采用活动统计分析模块，对目标城市的用户及其所参加的活动进行数据分类汇总，并进行可视化结果展示；

步骤3、采用活动相似度获取模块，确定目标用户与社交网站线上任意一项活动的相似情况；具体步骤如下：

步骤3-1、将目标用户的地理经度和纬度转换成平面距离，根据平面距离计算目标用户所在地与社交网站举办活动所在地间物理位置的相似度；

步骤3-2、获取目标用户标签与社交网站活动库中每项活动标签的相似度；

步骤3-3、获取目标用户已参加的组与社交网站举办活动所属组之间的相似度；

步骤4、采用双重社交关系影响因子获取模块，结合线下活动确定目标用户与其他任意一个用户间的双重社交关系影响因子值，具体步骤如下：

步骤4-1、获取目标用户与其他任意一个用户间的标签相似度；

步骤4-2、获取目标用户与其他任意一个用户间的活动所在组的相似度；

步骤4-3、获取目标用户与其他任意一个用户间的历史线下活动相似度；

步骤4-4、通过设定权重值的方式，根据用户对间的标签相似度、活动所在组的相似度和历史线下活动相似度，确定该对用户间双重社交关系影响因子值；

步骤5、采用用户潜在好友发现模块，根据用户间双重社交关系影响因子值获取目标用户的潜在好友集合；

步骤6、采用用户感兴趣活动推荐模块，结合潜在好友集合中好友社交影响得分和目标用户与社交网站线上任意一项活动的相似情况，向目标用户推荐令其感兴趣的活动，具体步骤如下；

步骤6-1、获取当社交网站举办活动时，潜在好友集合中任一好友对目标用户的双重社交影响得分；

步骤6-2、反复执行步骤6-1，获取目标用户的全部潜在好友对其的社交影响得分；

步骤6-3、通过设定权重值的方式，结合步骤3中获取的目标用户与社交网站线上任意一项活动的相似情况，确定目标用户潜在好友向目标用户推荐感兴趣活动的综合影响分值；

步骤6-5、按从大到小顺序对综合影响分值进行排序；

步骤6-6、取前所需个数结果作为令目标用户感兴趣的活动向其推荐。

3.根据权利要求2所述的推荐方法，其特征在于，步骤4-2所述的获取目标用户与其他任意一个用户间的活动所在组的相似度，具体公式如下：

S_g(u_i，u_j)＝(G(u_i)∩G(u_j))/(G(u_i)∪G(u_j)) (1)

其中，(G(u_i)∩G(u_j))表示一对用户u_i和u_j间活动所在组集合的交集，即相同活动组集合；(G(u_i)∪G(u_j))表示u_i和u_j间活动所在组集合的并集，即二者间所有的活动组集合；S_g(u_i，u_j)表示用户u_i和用户u_j间的活动组相似度。

4.根据权利要求2所述的推荐方法，其特征在于，步骤4-3所述的获取目标用户与其他任意一个用户间的历史线下活动相似度，具体公式如下：

S_h(u_i，u_j)＝(H(u_i)∩H(u_j))/(H(u_i)∪H(u_j)) (2)

其中，(H(u_i)∩H(u_j))表示一对用户u_i和u_j间历史活动集合的交集，即相同历史活动集合；(H(u_i)∪H(u_j))表示u_i和u_j间历史活动集合的并集，即二者间所有的历史活动集合；S_h(u_i，u_j)表示用户u_i和用户u_j间的历史活动相似度。

5.根据权利要求2所述的推荐方法，其特征在于，步骤5所述的采用用户潜在好友发现模块，根据用户间双重社交关系影响因子值获取目标用户的潜在好友集合，具体步骤如下；

步骤5-1、按从大到小顺序对用户对间双重社交关系影响因子值进行排序；

步骤5-2、取前所需个数结果作为目标用户的潜在好友集合。

6.根据权利要求2所述的推荐方法，其特征在于，步骤6-1所述的获取当社交网站举办活动时，潜在好友集合中任一好友对目标用户的双重社交影响得分；

具体公式如下：

$S_S(u_i,(A\left(u_i^f\right),a_z\left)\right)=\left\{\begin{array}{cc}1,& if{a}_z\∈A\left(u_i^f\right)\\ 0,& else\end{array}\right\}---\left(3\right)$

其中，表示潜在好友集合中任一好友对目标用户u_i的双重社交影响得分，a_z表示社交网站举办的活动，表示好友已参加的活动。

7.根据权利要求2所述的推荐方法，其特征在于，步骤6-2所述的获取目标用户的全部潜在好友对其的社交影响得分；

具体公式如下：

$S_S(u_i,(LF\left(u_i\right),a_z\left)\right)={\mathrm{\Σ}}_f{S}_S(u_i,(A\left(u_i^f\right),a_z\left)\right)---\left(4\right)$

其中，S_S(u_i，(LF(u_i)，a_z))表示目标用户的全部潜在好友对其的社交影响得分，LF(u_i)表示目标用户u_i的潜在好友集合，a_z表示社交网站举办的活动，表示好友已参加的活动。

8.根据权利要求2所述的推荐方法，其特征在于，步骤6-3所述的通过设定权重值的方式，结合步骤3中获取的目标用户与社交网站线上任意一项活动的相似情况，确定目标用户潜在好友向目标用户推荐感兴趣活动的综合影响分值；

具体公式如下：

S(u_i，a_z)＝m·S_d(u_i，a_z)+q·S_t(u_i，a_z)+n·S_g(u_i，a_z)+p·S_S(u_i，(LF(u_i)，a_z)) (5)

其中，S(u_i，a_z)表示目标用户潜在好友向目标用户推荐感兴趣活动的综合影响分值，m、n、p和q分别为权重调整系数，S_d(u_i，a_z)表示用户u_i所在地和活动a_z举办地的距离相似度，S_t(u_i，a_z)表示目标用户u_i和活动a_z的标签相似度，S_g(u_i，a_z)表示目标用户u_i所在组和活动a_z所在组相似度，S_S(u_i，(LF(u_i)，a_z))表示目标用户的全部潜在好友对其的社交影响得分，a_z表示社交网站举办的活动。