CN109145223B - 一种基于社交影响力传播的社交推荐方法 - Google Patents

Abstract

本发明公开了一种基于社交影响力传播的社交推荐方法，其步骤包括：1.构造用户对物品的评分矩阵和用户之间的社交关系矩阵；2.构造用户和物品初始特征矩阵；3.根据K次演化得到用户的社交影响力传播对用户融合特征矩阵的贡献；4.根据用户历史评分过的物品计算物品对用户融合特征矩阵的贡献；5.通过矩阵内积操作得到用户对物品的预测评分矩阵。本发明可以基于社交影响力缓解传统推荐模型中数据稀疏性问题，同时根据多个演化操作计算社交影响力传播的贡献，实现对用户融合特征矩阵的精准建模，从而实现对用户进行精准的物品推荐。

Description

一种基于社交影响力传播的社交推荐方法

技术领域

本发明涉及个性化推荐领域，具体的说是一种基于社交影响力传播的社交推荐方法。

背景技术

随着互联网的迅猛发展，电子零售，社区等网站应运而生。用户面临庞大的资源类型，往往因为无法找到中意的物品而苦恼，所以针对用户的兴趣爱好的推荐系统成为各大网站的必备技术，自主为每个用户推荐可能感兴趣的物品。

推荐系统中协同过滤算法应用广泛且取得不错的效果。协同过滤算法基于用户和物品之间的历史交互数据，物品类型可以包括实体商品，以及虚拟商品如电影，电子书籍等。用户和物品之间的交互数据可以包括如购买物品行为，为商品打分，或者观看电影的行为等。虽然协同过滤算法应用广泛，且取得一定的效果，然而在实际应用中，用户和物品之间的交互数据非常稀疏，这给提高协同过滤的推荐效果带来一定的挑战。

许多社交服务平台的诞生，为社交推荐提供可能。社交服务平台不仅仅提供了用户和物品产生交互行为的机会，也为用户提供了在线交友，以及和其他用户产生关联的行为。社交服务平台中建立连接的两个用户互相称作双方的社交邻居，且社交邻居之间的兴趣爱好被认为相似，因此，用户与物品之间是否建立联系将不仅仅受到自身兴趣爱好的影响，也将受到社交邻居的影响。现有的一些社交推荐工作基于协同过滤技术解决推荐问题，而且只考虑用户的社交邻居的影响。然而用户的社交影响力传播也会对用户的兴趣爱好的建模带来一定的贡献，因此社交推荐的问题在于如何设计模型结构捕获社交影响力传播对其兴趣爱好精准建模带来的影响以及缓解传统推荐模型中的数据集稀疏问题。

发明内容

本发明为克服现有技术存在的不足之处，提供了一种基于社交影响力传播的社交推荐方法，以期能综合考虑社交影响力传播和用户历史评分物品对用户融合特征矩阵的贡献，缓解传统推荐模型中的数据集稀疏问题，从而对用户进行精准物品推荐。

本发明为解决技术问题采用如下技术方案：

本发明一种基于社交影响力传播的社交推荐方法的特点是按如下步骤进行：

步骤1、构造用户对物品的评分矩阵R和用户之间的社交关系矩阵S：

令U表示用户集，且U＝{u₁,...,u_a,...,u_e,...,u_N}，u_a表示第a个用户，u_e表示第e个用户，a≠e，1≤a,e≤N，N表示用户总数；令V表示物品集，且V＝{v₁,...,v_i,...,v_M}，v_i表示第i个物品，1≤i≤M，M表示物品总数；令r_ai表示第a个用户u_a对第i个物品v_i的评分值，则用户对物品的评分矩阵为R＝{r_ai}_N×M，如果第a个用户u_a评价过第i个物品v_i，则r_ai＝1，否则r_ai＝0；令s_ea表示第a个用户u_a与第e个用户u_e的社交关系值，如果第a个用户u_a信任第e个用户u_e，则s_ea＝1，否则s_ea＝0，则用户与用户之间的社交关系矩阵为S＝{s_ea}_N×N；

步骤2、构造用户和物品初始特征矩阵：

步骤2.1、针对用户集U中所有用户，随机初始化一个符合标准正态分布的D×N的用户初始特征矩阵Q＝{Q₁,...,Q_a,...,Q_N}，其中，Q_a表示第a个用户u_a的D×1维初始特征向量；

步骤2.2、针对物品集V中所有物品，随机初始化一个符合标准正态分布的M×D的物品初始特征矩阵L＝{L₁,...,L_i,...,L_M}，其中，L_i表示第i个物品的1×D维初始特征向量；

步骤3、定义演化总次数为K，当前演化次数为k，并初始化k＝1；

步骤4、对于用户集U中的第a个用户u_a，从用户集U中寻找一个用户子集B_a，且用户子集B_a中的任意用户u_b′满足s_b'a＝1，从用户特征矩阵Q中查找第b′个用户u_b′的初始特征向量Q_b′；

步骤5、对于用户集U中的第a个用户u_a，利用式(1)计算第k次演化的第a个用户u_a的演化特征向量

从而得到第k次演化的所有用户的演化特征矩阵

式(1)中，W^k是D×2D维的服从标准正态分布的第k次演化的随机实数矩阵；

是第k-1次演化的第a个用户u_a的演化特征向量，当k＝1时，

B^k表示D维的服从标准正态分布的第k次演化的随机实数向量，f(·)是ReLU激活函数；

是第k次演化的第a个用户u_a的社交邻居集合的影响向量，并有：

式(2)中，

是第k-1次演化的第b′个用户u_b′的演化向量，当k＝1时，

步骤6、将k+1赋值给k，并判断k＞K是否成立，若成立，则表示得到第K次演化后的所有用户的演化特征矩阵

否则返回步骤5执行；

步骤7、对用户集U中的第a个用户u_a，从物品集V中寻找一个物品子集C_a，且物品子集C_a中的任意物品v_c′满足r_ac′＝1，从物品初始特征矩阵L中查第c′个物品v_c′的物品初始特征向量L_c′；

步骤8、利用式(3)计算用户集U中第a个用户u_a的融合特征向量Z_a，从而得到所有用户的融合特征矩阵Z＝{Z₁,...,Z_a,....,Z_N}：

式(3)中，W是D×2D维的服从标准正态分布的随机实数矩阵；B表示D维的服从标准正态分布的随机实数向量，X_Ca是第a个用户u_a的物品子集C_a对第a个用户u_a的融合特征向量Z_a的贡献，并有：

步骤9、根据所述融合特征矩阵Z和物品初始特征矩阵L，利用式(5)计算预测评分矩阵

中第a个用户u_a对第i个物品v_i的预测评分

式(5)中，

是表示第i个物品的1×D维物品初始特征向量L_i的转置；

步骤10、建立如式(6)所示的目标函数

步骤11、通过随机梯度下降法对所述目标函数

进行优化求解，使得式(6)达到最小，从而得到最优预测评分矩阵，并利用所述最优预测评分矩阵进行物品推荐。

与已有技术相比，本发明有益效果体现在：

1、本发明设计多次演化结构和计算用户的融合特征向量，同时考虑了用户的社交影响力传播和历史评分物品的共同影响，精准建模行为的兴趣爱好，缓解了传统推荐模型中的数据集稀疏问题，解决了现有的社交推荐方法中忽略用户社交影响力传播，有利于提高物品推荐精准度。

2、本发明通过多次演化操作可以捕获用户的社交影响力传播给用户行为决策的带来的影响，解决了现有的社交推荐方法中忽略用户的社交影响力传播，有利于提高基于社交关系数据对用户融合特征建模的精准度。

3、本发明在每次演化操作中基于每个用户的社交邻居的影响和前一次自身演化特征向量的共同作用对用户自身的演化特征向量进行更新，实现了对前一次演化特征信息的保留，有利于提高用户演化特征向量建模的准确度。

4、本发明通过寻找用户历史评分物品，基于每个用户历史评分物品的初始特征向量，计算其对用户融合特征向量的贡献，有利于提高用户历史评分物品贡献建模的精准度。

附图说明

图1为本发明一种基于社交影响力传播的社交推荐方法图。

具体实施方式

本实施例中，图1所示，一种基于社交影响力传播的社交推荐方法是综合考虑社交影响力传播和用户历史评分物品对用户融合特征矩阵的贡献，缓解了传统推荐模型中的数据集稀疏问题，并对用户进行精准物品推荐；其步骤是按如下过程进行：

步骤1、构造用户对物品的评分矩阵R和用户之间的社交关系矩阵S：

令U表示用户集，且U＝{u₁,...,u_a,...,u_e,...,u_N}，u_a表示第a个用户，u_e表示第e个用户，a≠e，1≤a,e≤N，N表示用户总数；令V表示物品集，且V＝{v₁,...,v_i,...,v_M}，v_i表示第i个物品，1≤i≤M，M表示物品总数；令r_ai表示第a个用户u_a对第i个物品v_i的评分值，则用户对物品的评分矩阵为R＝{r_ai}_N×M，如果第a个用户u_a评价过第i个物品v_i，则r_ai＝1，否则r_ai＝0；令s_ea表示第a个用户u_a与第e个用户u_e的社交关系值，如果第a个用户u_a信任第e个用户u_e，则s_ea＝1，否则s_ea＝0，则用户与用户之间的社交关系矩阵为S＝{s_ea}_N×N；

步骤2、构造用户和物品初始特征矩阵：

步骤2.1、针对用户集U中所有用户，随机初始化一个符合均值为0，方差为0.01的标准正态分布的D×N的用户初始特征矩阵Q＝{Q₁,...,Q_a,...,Q_N}，其中，Q_a表示第a个用户u_a的D×1维初始特征向量；

步骤2.2、针对物品集V中所有物品，随机初始化一个符合均值为0，方差为0.01的标准正态分布的M×D的物品初始特征矩阵L＝{L₁,...,L_i,...,L_M}，其中，L_i表示第i个物品的1×D维初始特征向量；

步骤3、定义演化总次数为K，本实例中，K设置为3，当前演化次数为k，并初始化k＝1；

步骤4、对于用户集U中的第a个用户u_a，从用户集U中寻找一个用户子集B_a，且用户子集B_a中的任意用户u_b′满足s_b'a＝1，从用户特征矩阵Q中查找第b′个用户u_b′的初始特征向量Q_b′；

步骤5、对于用户集U中的第a个用户u_a，利用式(1)计算第k次演化的第a个用户u_a的演化特征向量

从而得到第k次演化的所有用户的演化特征矩阵

式(1)中，W^k是D×2D维的服从均值为0，方差为0.01的标准正态分布的第k次演化的随机实数矩阵；

是第k-1次演化的第a个用户u_a的演化特征向量，当k＝1时，

B^k表示D维的服从标准正态分布的第k次演化的随机实数向量，f(·)是ReLU激活函数；

是第k次演化的第a个用户u_a的社交邻居集合的影响向量，并利用式(2)得到社交邻居集合的影响向量

式(2)中，

是第k-1次演化的第b′个用户u_b′的演化向量，当k＝1时，

步骤6、将k+1赋值给k，并判断k＞K是否成立，若成立，则表示得到第K次演化后的所有用户的演化特征矩阵

否则返回步骤5执行；

步骤7、对用户集U中的第a个用户u_a，从物品集V中寻找一个物品子集C_a，且物品子集C_a中的任意物品v_c′满足r_ac′＝1，从物品初始特征矩阵L中查第c′个物品v_c′的物品初始特征向量L_c′；

步骤8、利用式(3)计算用户集U中第a个用户u_a的融合特征向量Z_a，从而得到所有用户的融合特征矩阵Z＝{Z₁,...,Z_a,....,Z_N}：

式(3)中，W是D×2D维的服从标准正态分布的随机实数矩阵；B表示D维的服从标准正态分布的随机实数向量，

是第a个用户u_a的物品子集C_a对第a个用户u_a的融合特征向量Z_a的贡献，并利用式(4)获得：

步骤9、根据所述融合特征矩阵Z和物品初始特征矩阵L，利用式(5)计算预测评分矩阵

中第a个用户u_a对第i个物品v_i的预测评分

式(5)中，

是表示第i个物品的1×D维物品初始特征向量L_i的转置；

步骤10、建立如式(6)所示的目标函数

步骤11、通过随机梯度下降法对所述目标函数

进行优化求解，使得式(6)达到最小，从而得到最优预测评分矩阵，并根据所述最优预测评分矩阵进行物品推荐。

为了验证本方法的有效性，本文选用了Yelp和Flickr数据集，对于这两个数据集，保留了至少有5个评分记录和5个社交关系的用户，并且过滤掉少于5次交互记录的物品。

本发明使用Hit Ratio(HR)和Normalized Discounted Cumulative Gain(NDCG)作为评价指标。

本发明选择5种方法和本文提出的方法进行效果对比，分别是BPR、FM、TrustSVD、ContextMF、PinSage。其中SocialGCN是本发明专利提出的方法。

表1不同模型不同维度D下在Yelp和Flickr数据集上的结果

实验结果如表1所示，从两个数据集下的结果可以得到，在不同的维度下，无论是HR还是NDCG，本发明提出的模型均可以达到最优结果。实验结果证明了本发明提出方法的可行性，以及相对于传统方法解决推荐问题存在一定的优势。

Claims (1)

1.一种基于社交影响力传播的社交推荐方法，其特征是按如下步骤进行：

步骤1、构造用户对物品的评分矩阵R和用户之间的社交关系矩阵S：

令U表示用户集，且U＝{u₁,...,u_a,...,u_e,...,u_N}，u_a表示第a个用户，u_e表示第e个用户，a≠e，1≤a,e≤N，N表示用户总数；令V表示物品集，且V＝{v₁,...,v_i,...,v_M}，v_i表示第i个物品，1≤i≤M，M表示物品总数；令r_ai表示第a个用户u_a对第i个物品v_i的评分值，则用户对物品的评分矩阵为R＝{r_ai}_N×M，如果第a个用户u_a评价过第i个物品v_i，则r_ai＝1，否则r_ai＝0；令s_ea表示第a个用户u_a与第e个用户u_e的社交关系值，如果第a个用户u_a信任第e个用户u_e，则s_ea＝1，否则s_ea＝0，则用户与用户之间的社交关系矩阵为S＝{s_ea}_N×N；

步骤2、构造用户和物品初始特征矩阵：

步骤2.1、针对用户集U中所有用户，随机初始化一个符合标准正态分布的D×N的用户初始特征矩阵Q＝{Q₁,...,Q_a,...,Q_N}，其中，Q_a表示第a个用户u_a的D×1维初始特征向量；

步骤2.2、针对物品集V中所有物品，随机初始化一个符合标准正态分布的M×D的物品初始特征矩阵L＝{L₁,...,L_i,...,L_M}，其中，L_i表示第i个物品的1×D维初始特征向量；

步骤3、定义演化总次数为K，当前演化次数为k，并初始化k＝1；

步骤4、对于用户集U中的第a个用户u_a，从用户集U中寻找一个用户子集B_a，且用户子集B_a中的任意用户u_b′满足s_b'a＝1，从用户特征矩阵Q中查找第b′个用户u_b′的初始特征向量Q_b′；

步骤5、对于用户集U中的第a个用户u_a，利用式(1)计算第k次演化的第a个用户u_a的演化特征向量

从而得到第k次演化的所有用户的演化特征矩阵

式(1)中，W^k是D×2D维的服从标准正态分布的第k次演化的随机实数矩阵；

是第k-1次演化的第a个用户u_a的演化特征向量，当k＝1时，

B^k表示D维的服从标准正态分布的第k次演化的随机实数向量，f(·)是ReLU激活函数；

是第k次演化的第a个用户u_a的社交邻居集合的影响向量，并有：

式(2)中，

是第k-1次演化的第b′个用户u_b′的演化向量，当k＝1时，

步骤6、将k+1赋值给k，并判断k＞K是否成立，若成立，则表示得到第K次演化后的所有用户的演化特征矩阵

否则返回步骤5执行；

步骤7、对用户集U中的第a个用户u_a，从物品集V中寻找一个物品子集C_a，且物品子集C_a中的任意物品v_c′满足r_ac′＝1，从物品初始特征矩阵L中查第c′个物品v_c′的物品初始特征向量L_c′；

步骤8、利用式(3)计算用户集U中第a个用户u_a的融合特征向量Z_a，从而得到所有用户的融合特征矩阵Z＝{Z₁,...,Z_a,....,Z_N}：

式(3)中，W是D×2D维的服从标准正态分布的随机实数矩阵；B表示D维的服从标准正态分布的随机实数向量，X_Ca是第a个用户u_a的物品子集C_a对第a个用户u_a的融合特征向量Z_a的贡献，并有：

步骤9、根据所述融合特征矩阵Z和物品初始特征矩阵L，利用式(5)计算预测评分矩阵

中第a个用户u_a对第i个物品v_i的预测评分

式(5)中，

是表示第i个物品的1×D维物品初始特征向量L_i的转置；

步骤10、建立如式(6)所示的目标函数

步骤11、通过随机梯度下降法对所述目标函数

进行优化求解，使得式(6)达到最小，从而得到最优预测评分矩阵，并利用所述最优预测评分矩阵进行物品推荐。

Images