CN108846042B - 一种结合用户反馈机制的社交网络推荐方法 - Google Patents

Abstract

本发明提出一种结合用户反馈机制的社交网络推荐方法，属于社交网络与信息推荐领域。本发明选取一段时间内的多次推荐记录以及用户的反馈情况，根据被推荐成员对推荐者以往的反馈情况，改变推荐者的权重。经过迭代计算权重后，得到高权重的用户与低权重的用户，则用户的权重越高，其推荐精准度、推荐效率越高。在今后的推荐过程中，优先选择权重高的用户发起推荐，实现一件物品在一个圈子中的高效率推荐。本推荐方法是一种结合用户反馈的链接分析的评估方法。应用这种推荐方法，能够通过社交网络的拓扑结构来分析社交网络中各成员间的信任情况，避免社交网络结构的不确定性以及复杂性，提高推荐系统的准确率。

Description

一种结合用户反馈机制的社交网络推荐方法

技术领域

本发明涉及一种结合用户反馈机制的社交网络推荐方法，属于社交网络与信息推荐领域。

背景技术

推荐系统已经成为对所谓的信息过载问题的一个重要反应，在这个问题中用户发现越来越难以在正确的时间找到正确的信息。通过结合用户分析，信息过滤和机器学习的想法，推荐系统已被证明能够有效地为用户提供更加智能和主动的信息服务，通过提供具体的产品或服务建议来预测他们的学习偏好和需求。

总的来说，两个推荐策略——基于内容的推荐、协同过滤，已经占据了主导地位。基于内容的推荐依赖于正在推荐的项目的丰富内容描述。例如，基于内容的电影推荐算法通常会依赖诸如流派，演员，导演，制片人等信息，并将其与该用户的学习偏好进行匹配，以便选择一组有前景的电影推荐。很明显，这自那以来就给基于内容的推荐者的设计者带来了重大的知识工程负担。然而协同过滤算法为其提供了可能，协同过滤算法通过分析用户的过去评分历史或者其目标用户的相似用户度，对目标用户做推荐。

为了挖掘社交网络，分析与理解信息网络中对象和关系间的语义关系，本方法对社交网络中的信息推荐算法进行研究。

发明内容

本发明要解决的技术问题提出了一种结合用户反馈机制的社交网络推荐方法，选取一段时间内的多次推荐记录以及用户的反馈情况，根据被推荐成员对推荐者以往的反馈情况，改变推荐者的权重。经过迭代计算权重后，得到高权重的用户与低权重的用户，则用户的权重越高，其推荐精准度、推荐效率越高。在今后的推荐过程中，优先选择权重高的用户发起推荐，实现一件物品在一个圈子中的高效率推荐。

本发明采用的技术方案是：一种结合用户反馈机制的社交网络推荐方法，包括如下步骤：

1、一种结合用户反馈机制的社交网络推荐方法，包括如下步骤：

Step1、随机选择社交网络中的一个成员作为推荐者，向其有信任关系的成员(如：朋友)推荐物品，将其拥有的权重平均分配给被推荐成员，其分配的权重称为推荐权重；

Step1.1、建立社交网络；

建立社交网络图G(V,E,S)，其中V代表社交网络图G中的成员集合，S代表推荐物品的集合，E代表成员间的信任关系，如：用户A是用户B的朋友，则用户A和用户B之间相互信任；

Step1.2、建立推荐效用函数；

在社交网络图G(V,E,S)中，V代表社交网络图G中的成员集合，E代表各成员间的信任关系，分为信任与不信任，S代表推荐物的集合；

推荐效用函数定义为一个成员对一个集合的映射函数R:(i→U,S1)，其中i为推荐者，U为被推荐成员的集合，且u∈U即u为被推荐成员，S1代表物品，对于社交网络图G中的被推荐成员集合U而言，推荐效用函数定义如下：

其中，t(i)为推荐者i的权重，N(u)为被推荐成员u被推荐物品S1的次数，β为比例系数，β∈[0,1]，|U|为被推荐成员集合的人数，e^-n为推荐效果值，其中e为自然常数，约为2.71828，n为物品S1在被推荐成员集合U中总的推荐次数；

Step2、根据被推荐成员的反馈情况对推荐者的权重进行调整；

Step2.1、建立反馈评价函数；

在社交网络图G(V,E,S)中，V代表社交网络图G中的成员集合，E代表各成员间的信任关系，分为信任与不信任，S代表推荐物的集合；

反馈评价函数是表示被推荐成员集合对推荐者的映射函数，为g:(U→i,S1)，其与推荐效用函数所对应，其中U代表被推荐成员的集合，i表示推荐者即i∈I，I为推荐者集合，且

S1代表物品，则对每一个被推荐成员u，即u∈U，定义反馈评价函数如下：

其中，t(i)为推荐者i的权重，N(u)为被推荐成员u被推荐物品S1的次数，β为比例系数，β∈[0,1]，|U|为被推荐成员集合的人数，e^-n为推荐效果值，其中e为自然常数，约为2.71828，n为物品S1在被推荐成员集合U中总的推荐次数；

α是公式(2)中的一个变量，当推荐者得到正反馈时，α＝1；当推荐者得到负反馈时，α＝-1；当推荐者没有得到反馈时，α＝0；

对于反馈评价函数，本方法分三种情况：第一种是正反馈，即接受推荐，此种情况下被推荐成员将物品推荐给他的朋友，反馈评价权重叠加到推荐者；第二种是不反馈，即不接受推荐但也不反对，反馈评价函数为0，推荐者的权重不变；第三种是负反馈，即被推荐成员对所推荐的物品或信息不感兴趣，反馈评价函数为负，推荐者的权重减小；

Step3、反复迭代进行Step1、Step2，经过迭代计算权重直至社交网络图G中的各成员的权重稳定不变，可得到高权重的成员和低权重的成员；

Step4、将社交网络划分为多个圈子；

本方法认为两个用户同属一个圈子的条件是：两个用户之间相互信任，如两个用户是朋友关系，或者两个用户之间相互不信任但两个用户以往推荐过的物品类别完全相同，因此，根据此条件将社交网络划分为多个不同的圈子；

Step5、将每个圈子中的成员的权重进行排名，按权重的高低，优先选择权重高的成员，让其进行推荐，实现一件物品在一个圈子中的高效率、高准确率推荐。

本发明的有益效果是：

1.本发明依据被推荐成员对推荐物品的以往多次反馈记录，即正反馈、负反馈或不反馈，给予推荐者一个激励或惩罚，从而改变推荐者的权重。从而经过迭代计算权重后，可得到高权重的推荐者与低权重的推荐者。根据权重的高低来评判推荐者的推荐精准度和推荐效率。在今后的推荐过程中，优先选择高推荐准确率和高推荐精准度的推荐者发起推荐，实现一件物品在一个圈子中的高效率推荐。

2.本发明是结合用户反馈的链接分析的评估方法，利用这种方法可依据社交网络的拓扑结构计算社交网络中的信任状况，通过被推荐成员的反馈情况改变推荐者的权重，能够更加准确、实时地衡量社交网络中成员之间的信任，避免社交网络结构的不确定性与复杂性带来的障碍。

3.本推荐方法对于一次性推荐给多人有一定的抑制。抑制作用有助于在一个圈子中信息大多是共享的，对多人推荐效果不大；另外也有效的防止了广告推销、垃圾推荐的产生，介绍如下：

如图2，社交网络图G(V,E,S)中，有成员集合V＝{a,b,c,d,e,f},信任关系E＝{E_ab＝1,E_ac＝1,E_ad＝1,E_be＝1,E_bf＝1,E_cd＝1}以及推荐物品S＝{S1}，假设物品S1在G中没有推荐过，且其中成员b、成员e、成员f为一个圈子(C1)，成员a、成员c、成员d为一个圈子(C2)；

若成员a先向成员b推荐了物品S1，则推荐效用函数为R(a→{b},S1)＝βt(a)，成员a的权重为T'(a)＝t(a)-R(a→{b},S1)＝(1-β)t(a)，然后成员a继续向成员c推荐，则推荐效用函数为R(a→{c},S1)＝βT'(a)＝β(1-β)t(a)，则成员a的权重变为T”(a)＝T'(a)-R(a→{c},S1)＝(1-β)²t(a)；

若成员a对成员b推荐了物品S1后，成员b接受推荐，并给予成员a正反馈。此时，推荐效用函数为R(a→{b},S1)＝βt(a)，反馈评价函数为g(b→{a},S1)＝βt(a)，此时成员a的权重为T'(a)＝t(a)-R(a→{b},S1)+g(b→{a},S1)＝t(a)，然后成员a又向成员c推荐了物品S1，此时推荐效用函数R(a→{c},S1)＝T'(a)β＝βt(a)，成员a权重变为T”(a)＝T'(a)-R(a→{c},S1)＝(1-β)t(a)；

对于成员a，在第一种情况和第二种情况下的最终权重是相差很多的，显然可得本方法抑制了成员一次对多人进行推荐，同时也抑制了成员在短时间内多次推荐同一物品；

4、本推荐方法的Step2可以有效缓解冷启动的问题,介绍如下：

如图3，社交网络图G(V,E,S)中，有成员集合V＝{a,b,c,d,e,f},信任关系E＝{E_ab＝1,E_ac＝1,E_ad＝1,E_be＝1,E_bf＝1,E_cd＝1}以及推荐物品S＝{S1}，假设物品S1在G中没有推荐过，且其中成员b、成员e、成员f为一个圈子(C1)，成员a、成员c、成员d为一个圈子(C2)；

若成员a先向成员c推荐物品S1，则推荐效用函数式为R(a→{c},S1)＝βt(a)，成员a的权重为T'(a)＝t(a)-R(a→{c},S1)＝(1-β)t(a)，然后成员a继续对成员d推荐，因为成员c和成员d同属于一个圈子，且物品S1在圈子C2中被推荐过了一次，则推荐效用函数式为R(a→{d},P1)＝[βT'(a)]*e^-1＝β[(1-β)t(a)]e^-1；

若成员a先向成员b推荐了物品S1，则推荐效用函数式为R(a→{b},S1)＝βt(a)，成员a的权重为T'(a)＝t(a)-R(a→{b},S1)＝(1-β)t(a)，然后成员a继续对成员c推荐，然而成员c与成员b不同属一个圈子，则推荐效用函数式为R(a→{c},S1)＝βT'(a)＝β(1-β)t(a)；

在第一种情况和第二种情况下的推荐效用函数值是相差很多的，因此由上述过程可知若推荐者需要得到较大的权重，其必须向不同的圈子推荐不同的物品，最理想的情况就是能够精准选择对的被推荐成员，从而得到较好的反馈，以便缓解冷启动的问题；

附图说明

图1：本发明总体流程图；

图2：同一物品在同一圈子中对多人推荐；

图3：同一物品在不同圈子的推荐；

图4：社交网络拓扑结构图；

图5：社交网络的信息推荐模型。

具体实施方式

为了更详细的描述本发明和便于本领域人员的理解，下面结合附图以及实施例对本发明做进一步的描述，本部分的实施例用于解释说明本发明，便于理解的目的，不以此来限制本发明。

实施例1：如图1-5所示，一种结合用户反馈机制的社交网络推荐方法，包括如下步骤：

Step1、随机选择社交网络中的一个成员作为推荐者，向其有信任关系的成员(如：朋友)推荐物品，将其拥有的权重平均分配给被推荐成员，其分配的权重称为推荐权重；

Step1.1、建立社交网络；

建立社交网络图G(V,E,S)，其中V代表社交网络图G中的成员集合，S代表推荐物品的集合，E代表成员间的信任关系(信任与不信任)，如：用户A是用户B的朋友，则用户A和用户B之间相互信任；

如图4所示，有物品S1、S2、S3，即S＝{S1,S2,S3}，成员a、b、c、d、e、f，即V＝{a,b,c,d,e,f}，其中成员a和成员b、成员c、成员d相互信任(它们之间有一条边)，则有E_ab＝1、E_ac＝1、E_ad＝1，同理存在E_be＝1，E_bf＝1，E_cd＝1，即E＝{E_ab＝1,E_ac＝1,E_ad＝1,E_be＝1,E_bf＝1,E_cd＝1}；

Step1.2、建立推荐效用函数；

在社交网络图G(V,E,S)中，V代表社交网络图G中的成员集合，E代表各成员间的信任关系(信任与不信任)，S代表推荐物的集合；

推荐效用函数定义为一个成员对一个集合的映射函数R:(i→U,S1)，其中i为推荐者，U为被推荐成员的集合，且u∈U即u为被推荐成员，S1代表物品，对于社交网络图G中的被推荐成员集合U而言，推荐效用函数定义如下：

其中，t(i)为推荐者i的权重，N(u)为被推荐成员u被推荐物品S1的次数，β为比例系数，β∈[0,1]，e^-n为推荐效果值(e为自然常数，约为2.71828，n为物品S1在被推荐成员集合U中总的推荐次数)，|U|为被推荐成员集合的人数；

Step2、根据被推荐成员的反馈情况对推荐者的权重进行调整；

Step2.1、建立反馈评价函数；

在社交网络图G(V,E,S)中，V代表社交网络图G中的成员集合，E代表各成员间的信任关系(信任与不信任)，S代表推荐物的集合；

反馈评价函数是表示被推荐成员集合对推荐者的映射函数，为g:(U→i,S1)，其与推荐效用函数所对应，其中U代表被推荐成员的集合，i表示推荐者即i∈I，I为推荐者集合，且

S1代表物品，则对每一个被推荐成员u，即u∈U，定义反馈评价函数如下：

其中，t(i)为推荐者i的权重，N(u)为被推荐成员u被推荐物品S1的次数，β为比例系数，β∈[0,1]，e^-n为推荐效果值(e为自然常数，约为2.71828，n为物品S1在被推荐成员集合U中总的推荐次数)，|U|为被推荐成员集合的人数；

α是公式(2)中的一个变量，当推荐者得到正反馈时，α＝1；当推荐者得到负反馈时，α＝-1；当推荐者没有得到反馈时，α＝0；

对于反馈评价函数，本方法分三种情况：第一种是正反馈，即接受推荐(被推荐成员将物品推荐给他的朋友)，反馈评价权重叠加到推荐者；第二种是不反馈，即不接受推荐但也不反对，反馈评价函数为0，推荐者的权重不变；第三种是负反馈，即被推荐成员对所推荐的物品或信息不感兴趣，反馈评价函数为负，推荐者的权重减小；

所述的Step2.1的具体步骤如下：

如图5，社交网络图G(V,E,S)中，有成员集合V＝{a,b,c,d,e,f},信任关系E＝{E_ab＝1,E_ac＝1,E_ad＝1,E_be＝1,E_bf＝1,E_cd＝1}以及推荐物品S＝{S1}，假设物品S1在G中从没有推荐过，若成员a(推荐者)对成员b(被推荐成员)推荐了物品S1，则有推荐效用函数：R(a→{b},S1)＝βt(a)，即成员a持有的权重为T(a)＝t(a)-R(a→{b},S1)＝(1-β)t(a)，成员b持有的权重为：T(b)＝R(a→{b},S1)＝βt(a)，存在三种反馈情况，计算各成员的权重方式如下：

第一种，成员b对成员a的推荐给予了正反馈，则反馈评价函数为g(b→{a},S1)＝βt(a)，反馈评价权重叠加成员a，成员a的权重增加，为T'(a)＝T(a)+g(b→{a},S1)＝t(a)，成员b的权重减小，为T'(b)＝T(b)-g(b→{a},S1)＝0；

第二种为成员b对成员a的推荐给予了负反馈，则反馈评价函数为g(b→{a},S1)＝-βt(a)，反馈评价权重叠加到成员a，成员a的权重减小，为T'(a)＝T(a)+g(b→{a},S1)＝0，成员b的权重不变，即T'(b)＝T(b)＝βt(a)；

第三种为成员b对成员a不反馈，则反馈评价函数为g(b→{a},S1)＝0；反馈评价权重叠加到成员a，其成员a的权重为T'(a)＝T(a)+g(b→{a},S1)＝(1-β)t(a)，成员b的权重为T'(b)＝T(b)+g(b→{a},S1)＝βt(a)；

Step3、反复迭代进行Step1、Step2，经过迭代计算权重直至社交网络图G中的各成员的权重稳定不变，可得到高权重的成员和低权重的成员；

Step4、将社交网络划分为多个圈子；

本方法认为两个用户同属一个圈子的条件是：两个用户之间相互信任，如两个用户是朋友关系，或者两个用户之间相互不信任但两个用户以往推荐过的物品类别完全相同，因此，根据此条件将社交网络划分为多个不同的圈子；

Step5、将每个圈子中的成员的权重进行排名，按权重的高低，优先选择权重高的成员，让其进行推荐，实现一件物品在一个圈子中的高效率、高准确率推荐。

进一步地，Step1.2中公式(1)和Step2.1中公式(2)中的推荐效果值(e^-n)：e^-n的具体介绍如下：

由于同一个圈子的成员对信息的共享程度是相对较高的，本方法设定在一个圈子中同一物品的推荐效用是逐渐递减的，因此本方法在Step1.2中公式(1)，和Step2.1中公式(2)中定义了推荐效果值(e^-n)，其为某一物品在同一个圈子中的推荐效果值；

其变量n代表某一物品在被推荐成员集合中总的推荐次数，变量e^-n(e为自然常数，约为2.71828)代表这一物品的推荐效果值，则e^-n是一个指数函数，由指数函数的增减性可知，随着物品推荐次数(n)逐渐增加，推荐效果值(e^-n)逐渐递减；

进一步地，所述的Step4具体步骤如下：

Step4.1、本发明认为两个用户同属一个圈子的条件是：两个用户之间相互信任，如两个用户是朋友关系，或者两个用户之间相互不信任但两个用户以往推荐过的物品类别完全相同，因此，根据此条件将社交网络划分为多个不同的圈子；

本发明引入“圈子”的概念，圈子是由访问某一类别的物品的用户集合及他们之间的社交关系构成的，访问某一类别的商品指的是用户将某类物品推荐给朋友，社交关系指的是用户间的信任关系(信任与不信任)，如：用户A是用户B的朋友，则用户A和用户B之间相互信任；

本发明选取一段时间内的多次推荐记录以及用户的反馈情况，根据被推荐成员对推荐者以往的反馈情况，改变推荐者的权重。经过迭代计算权重后，得到高权重的用户与低权重的用户，则用户的权重越高，其推荐精准度、推荐效率越高。在今后的推荐过程中，优先选择权重高的用户发起推荐，实现一件物品在一个圈子中的高效率推荐。本推荐方法是一种结合用户反馈的链接分析的评估方法。应用这种推荐方法，能够通过社交网络的拓扑结构来分析社交网络中各成员间的信任情况，避免社交网络结构的不确定性以及复杂性，提高推荐系统的准确率。

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (2)

1.一种结合用户反馈机制的社交网络推荐方法，其特征在于：包括如下步骤：

Step1、随机选择社交网络中的一个成员作为推荐者，向其有信任关系的成员推荐物品，将其拥有的权重平均分配给被推荐成员，其分配的权重称为推荐权重；

Step1.1、建立社交网络；

建立社交网络图G(V,E,S)，其中V代表社交网络图G中的成员集合，S代表推荐物品的集合，E代表成员间的信任关系，分为信任与不信任，用户A是用户B的朋友，则用户A和用户B之间相互信任；

Step1.2、建立推荐效用函数；

在社交网络图G(V,E,S)中，V代表社交网络图G中的成员集合，E代表各成员间的信任关系，S代表推荐物的集合；

推荐效用函数定义为一个成员对一个集合的映射函数R:(i→U,S1)，其中i为推荐者，U为被推荐成员的集合，且u∈U即u为被推荐成员，S1代表物品，对于社交网络图G中的被推荐成员集合U而言，推荐效用函数定义如下：

其中，t(i)为推荐者i的权重，N(u)为被推荐成员u被推荐物品S1的次数，β为比例系数，β∈[0,1]，|U|为被推荐成员集合的人数，e^-n为推荐效果值，其中e为自然常数，为2.71828，n为物品S1在被推荐成员集合U中总的推荐次数；

Step2、根据被推荐成员的反馈情况对推荐者的权重进行调整；

Step2.1、建立反馈评价函数；

在社交网络图G(V,E,S)中，V代表社交网络图G中的成员集合，E代表各成员间的信任关系，S代表推荐物的集合；

反馈评价函数是表示被推荐成员集合对推荐者的映射函数，为g:(U→i,S1)，其与推荐效用函数所对应，其中U代表被推荐成员的集合，i表示推荐者即i∈I，I为推荐者集合，且

S1代表物品，则对每一个被推荐成员u，即u∈U，定义反馈评价函数如下：

其中，t(i)为推荐者i的权重，N(u)为被推荐成员u被推荐物品S1的次数，β为比例系数，β∈[0,1]，|U|为被推荐成员集合的人数，e^-n为推荐效果值，其中e为自然常数，为2.71828，n为物品S1在被推荐成员集合U中总的推荐次数；

α是公式(2)中的一个变量，当推荐者得到正反馈时，α＝1；当推荐者得到负反馈时，α＝-1；当推荐者没有得到反馈时，α＝0；

对于反馈评价函数g:(U→i,S1)，分三种情况：第一种是正反馈，即接受推荐，此种情况下被推荐成员将物品推荐给他的朋友，反馈评价权重叠加到推荐者；第二种是不反馈，即不接受推荐但也不反对，反馈评价函数为0，推荐者的权重不变；第三种是负反馈，即被推荐成员对所推荐的物品或信息不感兴趣，反馈评价函数为负，推荐者的权重减小；

Step3、反复迭代进行Step1、Step2，经过迭代计算权重直至社交网络图G中的各成员的权重稳定不变，可得到高权重的成员和低权重的成员；

Step4、根据将社交网络划分为多个圈子；

Step5、将每个圈子中的成员的权重进行排名，按权重的高低，优先选择权重高的成员，让其进行推荐，实现一件物品在一个圈子中的高效率、高准确率推荐；

所述的Step4具体步骤如下：

Step4.1、认为两个用户同属一个圈子的条件是：两个用户之间相互信任，两个用户是朋友关系，或者两个用户之间相互不信任但两个用户以往推荐过的物品类别完全相同，因此，根据此条件将社交网络划分为多个不同的圈子；

圈子是由访问某一类别的物品的用户集合及他们之间的社交关系构成的，访问某一类别的商品指的是用户将某类物品推荐给朋友，社交关系指的是用户间的信任关系，分为信任与不信任，用户A是用户B的朋友，则用户A和用户B之间相互信任。

2.根据权利要求1所述的一种结合用户反馈机制的社交网络推荐方法，其特征在于：所述的Step1.2中公式(1)和Step2.1中公式(2)中的推荐效果值e^-n：

其变量n代表某一物品在被推荐成员集合中总的推荐次数，对于变量e^-n，e为自然常数，为2.71828，代表这一物品的推荐效果值，则e^-n是一个指数函数，由指数函数的增减性可知，随着物品推荐次数n逐渐增加，推荐效果值e^-n逐渐递减。

Images