CN108021645B - 一种基于择友偏好和矩阵分解的潜在好友推荐方法 - Google Patents

Abstract

本发明公开了一种基于择友偏好和矩阵分解的潜在好友推荐方法，包括根据用户间的表态数据，通过矩阵分解，以排序学习为模型学习用户的择友偏好，进行用户间的表态估计，融合用户间双向推荐的结果，最终向用户推荐可能成为好友的陌生人。本方法通过用户热门程度的筛选，能有效缓解传统基于矩阵分解的推荐算法中由于用户表态评分矩阵的稀疏性问题，并实现数据降维，而综合考虑双向推荐的结果，能进一步提高陌生潜在好友推荐的精度。

Description

一种基于择友偏好和矩阵分解的潜在好友推荐方法

技术领域

本发明涉及互联网领域，具体涉及一种基于择友偏好和矩阵分解的潜在好友推荐方法。

背景技术

在移动互联网极大的方便了人们生活的今天，体量庞大的信息数据也给用户带来了选择上的困惑。如电商网站使用用户的购物记录给用户推荐相似的商品，微博根据用户间的社交关系给用户推荐可能认识的人。推荐系统的应用为人们进行了数据的筛选，帮助人们更高效的实现需求。

而社交系统由于移动互联网的出现，人们开始可以方便的获得基于自己地理位置附近的陌生人的信息，与附近的人建立社交关系，而不局限于现有人脉。然而，现阶段目前大部分的社交系统是基于线下熟人关系圈，主要是根据用户在现实的社交关系推荐已经认识的熟人或者是可能认识的同一组织的人。而且相对有限的，关联性强的基于现实社交的推荐系统对于体量庞大的陌生人数据，并不能有效的筛选出潜在的可能成为好友的陌生人进行推荐。

发明内容

为了克服现有技术缺乏对基于地理位置和陌生人社交的反映择友偏好的缺陷，提供一种基于择友偏好和矩阵分解的潜在好友推荐方法。

本发明采用如下技术方案：

一种基于择友偏好和矩阵分解的潜在好友推荐方法，包括如下步骤：

S1设置地理围栏，获取围栏内用户对其他用户的历史表态操作数据，建立表态矩阵，统计历史表态操作数据得到用户的“被喜欢”数和“被喜欢”率作为用户热门程度的参考依据；

S2根据用户热门程度将表态矩阵构建出多个子表态矩阵；

S3对子表态矩阵进行矩阵分解得到分解矩阵，进一步进行训练得到潜在特征矩阵；

S4根据潜在特征矩阵，预测当前用户对其他用户的单向表态评分；

S5综合当前用户对其他用户的单向表态评分，和其他用户对当前用户的单向表态评分，然后使用用户热门程度对评分进行加权，产生当前用户的推荐用户列表。

所述S1具体为：获取用户对其他用户的历史表态操作数据及位置坐标，对坐标在地理围栏内的用户建立男性用户对女性用户的表态进行记录，得到M性别用户-F性别用户表态矩阵，以及女性用户对男性用户的表态记录，进一步得到F性别用户-M性别用户表态矩阵，“喜欢”表态记录为1，“不喜欢”表态记录为0，未进行表态记录为空白，然后统计每个用户的“被喜欢”数量N和“被喜欢”率r。

所述S2中，在当前地理围栏内，对“被喜欢”数N进行阈值过滤删除历史数据积累少的用户，然后按照“被喜欢”率r按照将当前地理围栏内的用户表态矩阵划分为多个子表态矩阵，降低矩阵维度。

所述S3具体如下：

S3.1一对用户间的喜恶表态用两个低维的向量p_i和q_j的内积来描述，预测公式如下

其中

表示用户i对用户j的表态评分，p_i表示用户j对其他用户偏好的潜在特征向量，q_j表示其他用户对用户j的偏好潜在特征向量；

S3.2步骤S2获得的子表态矩阵记录当前地理围栏内被喜欢率r相近的一类性别用户对另一类性别用户的历史喜恶表态，子表态矩阵R按S3.1方法分解成一对特征矩阵，分别是表态用户特征矩阵P和被表态的用户特征矩阵Q；

S3.3采用基于排序学习的逻辑回归模型对矩阵分解进行离线训练，特征矩阵P和被表态的用户特征矩阵Q先进行随机初始化，通过使用随机梯度下降方法最小化损失函数，得到优化后的表态用户特征矩阵P和被表态用户特征矩阵Q即潜在特征矩阵。

所述S4具体为：

利用S3.3训练得出的潜在特征矩阵对用户之间评分进行估计，估计公式如下：

通过估计得到原来评分矩阵中R_mf中空白元素的估计值。

所述S5具体为：

设用户m_x获得对用户f_i的估计评分后，查找用户f_i对用户m_x的估计评分/实际评分，设置单向评分权重权值ω，选择达到最高推荐准确率的权值，并且对用户f_i对用户m_x的估计评分/实际评分赋以根据用户f_i的用户热度获得的影响力系数，让热门程度高的高质量用户有更大的影响力和推荐优先度，该过程采用如下式子描述：

gScore(m_x,f_i)＝ω*lScore(m_x,f_i)+α*(1-ω)*lScore(f_i,m_x)

其中,lScore(m_x,f_i)表示在估计评分矩阵

中用户m_x对用户f_i的估计表态评分，lScore(f_i,m_x)表示在另一估计评分矩阵

中用户m_x对用户f_i的估计表态评分，gScore(m_x,f_i)表示用户m_x对用户f_i的考虑双向影响之后的综合评分，ω∈(0,1)为单向评分权重，α为被推荐用户的影响力系数；

最终用户m_x根据综合评分gScore(m_x,f_i)排序，得到一组有序的F性别用户列表，按列表顺序进行推荐。

S1中还包括采用APP获取用户的基本信息，所述基本信息包括地理位置及个人信息，所述个人信息包括性格及兴趣，查看推荐的用户基本信息，根据推荐的用户信息进行“喜欢”或“不喜欢”的两种表态，并记录，而用户作为推荐用户被其他用户进行表态时也会被记录，用户对其他用户的表态是对方不可见的，只有一对用户相互进行了“喜欢”表态时，才产生一次成功的匹配，而推荐的目标是可能和当前用户匹配成功的用户。

男性用户对女性用户的子表态矩阵M-F矩阵，我们定义集合K∈{(x,i,j)|x∈M∩i∈F∩j∈F∩R_xi＝1∩R_xj＝0},元素(x,i,j)表示用户x对用户i的喜爱超过了用户j的喜爱，在这个集合上优化损失函数，通过迭代训练得到一组优化过的特征矩阵，所述损失函数具体为：

损失函数的值表示男性用户M对女性用户F表态的预测值和实际值之间的逼近程度，P_M∈R^d×|M|表示男性表态者的潜在特征矩阵；Q_F∈R^d×|F|示被表态者/推荐对象的潜在特征矩阵；d为分解所得潜在特征个数，默认值为

可按实际运算性能进行调整；σ是逻辑斯蒂函数,σ(x)＝(1/(1+e^-x))；λ是正则化项的参数，初始为1，根据拟合情况进行调整；||·||_F是Frobenius范数。

本发明的有益效果：

(1)本发明以用户在获得陌生人信息数据后做出表态反应的操作数据进行陌生人社交推荐，数据特征反映了用户的综合择友偏好，会更贴合现实中认识陌生人的情形。

(2)本发明根据用户热门程度为用户表态矩阵进行降维，能有效地降低矩阵分解运算的复杂度。

(3)本发明结合用户之间的双向关系，在推荐给用户可能感兴趣的人时，也会考虑到对方对当前用户是否感兴趣，使推荐效果更为精准。

附图说明

图1是本发明的工作流程图；

图2是本发明实施例在社交系统中实现的过程示意图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，一种基于择友偏好和矩阵分解的潜在好友推荐方法，包括如下步骤：

S1设置地理围栏，通过手机APP客户端获取用户基本信息和展示推荐对象，用户的基本信息包括地理位置、个人照片、个人信息(性别、兴趣等)，用户在上传了基本信息之后，可以查看推荐的一组用户的基本信息，然后根据这些信息，对推荐用户进行“喜欢”或“不喜欢”的两种表态，而用户作为推荐用户被其他用户进行表态时也会被记录在后台。用户对其他用户的表态是对方不可见的，只有一对用户相互进行了“喜欢”表态时，才产生一次成功的匹配，而推荐的目标是可能和当前用户匹配成功的用户。

获取地理围栏内，用户对其他用户的历史表态操作数据及位置坐标，然后按照性别分两个矩阵记录用户历史表态，男性用户对女性用户的表态，在M-F矩阵中记录，女性用户对男性用户的表态，在F-M矩阵中记录。“喜欢”表态记录为1，“不喜欢”表态记录为0，未进行表态记录为空白，然后统计每个用户的“被喜欢”数量N和“被喜欢”率r。

S2根据用户热门程度将表态矩阵构建出多个子表态矩阵，所述多个子表态矩阵表示根据被喜欢率将用户表态矩阵划分为多个不同等级；

具体为：在当前地理围栏内出现过的用户，对“被喜欢”数N进行阈值过滤删除历史数据积累少的用户，然后按照“被喜欢”率r将当前区域内的用户表态矩阵划分为多个子表态矩阵，降低矩阵维度。同时为用户的推荐对象进行预筛选(包括用户热度、用户活跃度、恶意用户等)，候选对象可以根据后台计算能力进行适当放宽调整去覆盖更广的用户。

对某一具体目标用户M_i表现为可以根据M_i用户热门程度、地理位置等条件查找出用户M_i所在热门程度区间的同性别用户，此例子处即男性用户M，对相近热门程度区间内的异性别用户F的历史表态矩阵。

其中，热门程度边界定义设置适当交叠，保证当前用户的候选好友除了热门程度相近的其他用户，还可以把热门程度稍高于当前用户的其他用户纳入预测范围。

S3对子表态矩阵进行矩阵分解得到分解矩阵，进一步进行训练得到潜在特征矩阵；

S3.1一对用户间的喜恶表态用两个低维的向量p_i和q_j的内积来描述，预测公式如下

其中

表示用户i对用户j的表态评分，p_i表示用户j对其他用户偏好的潜在特征向量，q_j表示其他用户对用户j的偏好潜在特征向量；

S3.2步骤S2获得的子表态矩阵记录当前地理围栏内被喜欢率r相近的一类性别用户对另一类性别用户的历史喜恶表态，子表态矩阵R按S3.1方法分解成一对特征矩阵，分别是表态用户特征矩阵P和被表态的用户特征矩阵Q；

S3.3采用基于排序学习的逻辑回归模型对矩阵分解进行离线训练，特征矩阵P和被表态的用户特征矩阵Q先进行随机初始化，通过使用随机梯度下降方法最小化损失函数，得到优化后的表态用户特征矩阵P和被表态用户特征矩阵Q，即潜在特征矩阵。

男性用户对女性用户的子表态矩阵M-F矩阵为例，我们定义集合K∈{(x,i,j)|x∈M∩i∈F∩j∈F∩R_xi＝1∩R_xj＝0},元素(x,i,j)表示用户x对用户i的喜爱超过了用户j的喜爱，在这个集合上优化损失函数，通过迭代训练得到一组优化过的特征矩阵，所述损失函数具体为：

所述损失函数的值表示男性用户M对女性用户F表态的预测值和实际值之间的逼近程度，P_M∈R^d×|M|表示男性表态者的潜在特征矩阵；Q_F∈R^d×|F|示被表态者/推荐对象的潜在特征矩阵；d为分解所得潜在特征个数，默认值为

可按实际运算性能进行调整；σ是逻辑斯蒂函数,σ(x)＝(1/(1+e^-x))；λ是正则化项的参数，初始为1，根据拟合情况进行调整；||·||_F是Frobenius范数。

因为用户规模会比较大，在此使用随机梯度下降的方法对损失函数进行离线训练优化，然后可以获得一对矩阵(P_M,Q_F)，代表的是一个地理范围内，热门程度区间内，M性别用户对F性别用户的表态矩阵的分解结果。

S4根据潜在特征矩阵，预测当前用户对其他用户的单向表态评分，当前用户在最近日常使用过程中提交的地理位置数据以及用户热门程度，会在请求一组推荐用户时，作为请求参数向后台查询到相应的子表态矩阵分解结果，具体为：

根据S3得到的潜在特征矩阵对用户之间评分进行估计，具体公式如下：

通过估计得到原来评分矩阵中R_mf中空白元素的估计值，可以根据评分估计值排序筛选出候选的一组待推荐用户。

S5综合当前用户对其他用户的单向表态评分，和其他用户对当前用户的单向表态评分，然后使用用户热门程度对评分进行加权，产生当前用户的推荐用户列表，具体为：

用户m_x获得一组待推荐用户的单向估计评分后，查找待推荐用户对用户m_x的估计评分/实际评分，综合考虑两个评分，并且待推荐用户对用户m_x的估计评分/实际评分赋以根据待推荐用户热门程度获得的影响力系数，让热门程度高的高质量用户有更大的影响力和推荐优先度。该过程可以如下式子描述：

gScore(m_x,f_i)＝ω*lScore(m_x,f_i)+α*(1-ω)*lScore(f_i,m_x)

其中,lScore(m_x,f_i)表示用户m_x对用户f_i的估计表态评分，gScore(m_x,f_i)表示用户m_x对用户f_i的考虑双向影响之后的综合估计表态评分，ω为单向评分权重，α为被推荐用户的影响力系数，ω，α需要根据推荐系统实际运行进行调整以达到良好的推荐效果。

S5得到估计表态评分lScore(m_x,f_i)为

矩阵中的1个值；lScore(f_i,m_x)为另一个另一估计评分矩阵

矩阵中的1个值，然后得到综合估计表态评分，是1个用户对1个待推荐用户的评分，每个用户有一组待推荐用户的评分，根据评分排序推荐。

步骤S4所述的估计步骤和S5所述的修正步骤均可于后台离线完成，在用户向后台进行请求一组推荐用户时，可以直接查找到最近一次估计并修正过的评分，后台跟据评分的排序结果向用户推送，一组可能成为好友的陌生用户。

如图2所示为本方法在实际的社交系统上实现的过程示意图，可以通过用户热门程度的筛选，能有效缓解传统基于矩阵分解的推荐算法中由于用户表态评分矩阵的稀疏性问题，并实现数据降维，而综合考虑双向推荐的结果，能进一步提高陌生潜在好友推荐的精度。

图2“用户注册”描述了用户在使用手机客户端APP在注册过程中需要向后台提供自己的用户信息，包括地理位置、个人照片、个人信息(性别、兴趣等)。

图2“用户日常使用”描述了用户对个人基本信息的更新操作，以及用户对APP展示一组推荐用户后的表态操作，以上操作信息会传输到后台服务器进行记录。

图2“后台”右侧描述了服务器端根据用户传来的个人基本信息和择友表态信息，通过本方法处理获得一组待推荐用户列表。当用户在APP请求推荐时，将列表推送至用户APP，显示推荐用户信息。当一对用户相互进行过“喜欢”表态，即视为推荐成功，建立线上好友关系。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于择友偏好和矩阵分解的潜在好友推荐方法，其特征在于，包括如下步骤：

S1设置地理围栏，获取围栏内用户对其他用户的历史表态操作数据，建立表态矩阵，统计历史表态操作数据得到用户的“被喜欢”数和“被喜欢”率作为用户热门程度的参考依据；

S2根据用户热门程度将表态矩阵构建出多个子表态矩阵；

S3对子表态矩阵进行矩阵分解得到分解矩阵，进一步进行训练得到潜在特征矩阵；

S4根据潜在特征矩阵，预测当前用户对其他用户的单向表态评分；

S5综合当前用户对其他用户的单向表态评分，和其他用户对当前用户的单向表态评分，然后使用用户热门程度对评分进行加权，产生当前用户的推荐用户列表；

所述S3具体如下：

S3.1一对用户间的喜恶表态用两个低维的向量p_i和q_j的内积来进行预测，预测公式如下

其中

表示用户i对用户j的表态评分，p_i表示用户i社交择友偏好的特征向量，q_j表示用户j自身社交特征向量；

S3.2步骤S2获得的子表态矩阵记录当前地理围栏内被喜欢率ratio相近的一类性别用户对另一类性别用户的历史喜恶表态，子表态矩阵R按S3.1方法分解成一对特征矩阵，分别是表态用户特征矩阵P和被表态的用户特征矩阵Q；

S3.3采用基于排序学习的逻辑回归模型对矩阵分解进行离线训练，特征矩阵P和被表态的用户特征矩阵Q先进行随机初始化，通过使用随机梯度下降方法最小化损失函数，得到优化后的表态用户特征矩阵P和被表态用户特征矩阵Q即潜在特征矩阵。

2.根据权利要求1所述的一种基于择友偏好和矩阵分解的潜在好友推荐方法，其特征在于，所述S1具体为：获取用户对其他用户的历史表态操作数据及位置坐标，对坐标在地理围栏内的用户建立男性用户对女性用户的表态记录，得到男性用户对女性用户表态矩阵，记为Male-Female矩阵，后续以R_MF表示，以及女性用户对男性用户的表态记录，进一步得到女性用户对男性用户表态矩阵，记为Female-Male矩阵，后续以P_FM表示，“喜欢”表态记录为1，“不喜欢”表态记录为0，未进行表态记录为空白，然后统计每个用户的“被喜欢”数量N和“被喜欢”率ratio。

3.根据权利要求1所述的一种基于择友偏好和矩阵分解的潜在好友推荐方法，其特征在于，所述S2中，在当前地理围栏内，对“被喜欢”数N进行阈值过滤，删除历史数据积累少的用户，然后按照“被喜欢”率ratio将当前地理围栏内的用户表态矩阵划分为多个子表态矩阵，降低矩阵维度。

4.根据权利要求2所述的方法，其特征在于，所述S4具体为：

利用S3.3训练得出的潜在特征矩阵对用户之间评分进行估计，估计公式如下：

其中，P_M表示男性表态者的择友偏好特征矩阵，Q_F表示被表态用户的社交特征矩阵，

表示男性用户对女性用户的估计评分矩阵；

通过估计得到原来表态矩阵中R_MF中空白元素的估计值。

5.根据权利要求4所述的方法，其特征在于，所述S5具体为：

设用户m_x获得对用户f_i的估计评分后，查找用户f_i对用户m_x的估计评分或实际评分，设置单向评分权重值ω，选择达到最高推荐准确率的权值，并且对用户f_i对用户m_x的估计评分或实际评分赋以根据用户f_i的用户热度获得的影响力系数，让热门程度高的高质量用户有更大的影响力和推荐优先度，该过程采用如下式子描述：

gScore(m_x,f_i)＝ω*lScore(m_x,f_i)+α*(1-ω)*lScore(f_i,m_x)

其中,lScore(m_x,f_i)表示在估计评分矩阵

中用户m_x对用户f_i的估计表态评分，lScore(f_i,m_x)表示在另一估计评分矩阵

中用户m_x对用户f_i的估计表态评分，gScore(m_x,f_i)表示用户m_x对用户f_i考虑双向影响之后的综合评分，ω∈(0,1)为单向评分权重，α为被推荐用户的影响力系数；

最终用户m_x根据综合评分gScore(m_x,f_i)排序，得到一组有序的F性别用户列表，按列表顺序进行推荐。

6.根据权利要求1所述的方法，其特征在于，S1中还包括采用APP获取用户的基本信息，所述基本信息包括地理位置及个人信息，所述个人信息包括性格及兴趣，查看推荐的用户基本信息，根据推荐的用户基本信息进行“喜欢”或“不喜欢”的两种表态，并记录，用户作为推荐用户被其他用户进行表态时也会被记录，用户对其他用户的表态是对方不可见的，只有一对用户相互进行了“喜欢”表态时，才产生一次成功的匹配，推荐的目标是可能和当前用户匹配成功的用户。

7.根据权利要求3所述的方法，其特征在于，男性用户对女性用户的子表态矩阵M-F矩阵，定义集合K∈{(x,i,j)|x∈M∩i∈F∩j∈F∩R_xi＝1∩R_xj＝0},

元素(x,i,j)表示用户x对用户i的喜爱超过了用户j的喜爱，在这个集合上优化损失函数，通过迭代训练得到一组优化过的特征矩阵，所述损失函数具体为：

损失函数的值表示男性用户M对女性用户F表态的预测值和实际值之间的逼近程度，d为分解所得潜在特征个数，默认值为

可按实际运算性能进行调整；P_M∈R^d×|M|表示男性表态者的择友偏好特征矩阵，Q_F∈R^d×|F|表示被表态者或推荐对象的社交特征矩阵，σ是逻辑斯蒂函数,σ(x)＝(1/(1+e^-x))；λ是正则化项的参数，初始为1，根据拟合情况进行调整；||·||_F是Frobenius范数。

Images