CN109145223B - 一种基于社交影响力传播的社交推荐方法 - Google Patents
一种基于社交影响力传播的社交推荐方法 Download PDFInfo
- Publication number
- CN109145223B CN109145223B CN201811142932.4A CN201811142932A CN109145223B CN 109145223 B CN109145223 B CN 109145223B CN 201811142932 A CN201811142932 A CN 201811142932A CN 109145223 B CN109145223 B CN 109145223B
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- users
- social
- evolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 66
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 39
- 239000011541 reaction mixture Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000003997 social interaction Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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,...,ua,...,ue,...,uN},ua表示第a个用户,ue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,...,vi,...,vM},vi表示第i个物品,1≤i≤M,M表示物品总数;令rai表示第a个用户ua对第i个物品vi的评分值,则用户对物品的评分矩阵为R={rai}N×M,如果第a个用户ua评价过第i个物品vi,则rai=1,否则rai=0;令sea表示第a个用户ua与第e个用户ue的社交关系值,如果第a个用户ua信任第e个用户ue,则sea=1,否则sea=0,则用户与用户之间的社交关系矩阵为S={sea}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,...,Qa,...,QN},其中,Qa表示第a个用户ua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,...,Li,...,LM},其中,Li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ua,从用户集U中寻找一个用户子集Ba,且用户子集Ba中的任意用户ub′满足sb'a=1,从用户特征矩阵Q中查找第b′个用户ub′的初始特征向量Qb′;
式(1)中,Wk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ua的演化特征向量,当k=1时,Bk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ua的社交邻居集合的影响向量,并有:
步骤7、对用户集U中的第a个用户ua,从物品集V中寻找一个物品子集Ca,且物品子集Ca中的任意物品vc′满足rac′=1,从物品初始特征矩阵L中查第c′个物品vc′的物品初始特征向量Lc′;
步骤8、利用式(3)计算用户集U中第a个用户ua的融合特征向量Za,从而得到所有用户的融合特征矩阵Z={Z1,...,Za,....,ZN}:
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,XCa是第a个用户ua的物品子集Ca对第a个用户ua的融合特征向量Za的贡献,并有:
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,...,ua,...,ue,...,uN},ua表示第a个用户,ue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,...,vi,...,vM},vi表示第i个物品,1≤i≤M,M表示物品总数;令rai表示第a个用户ua对第i个物品vi的评分值,则用户对物品的评分矩阵为R={rai}N×M,如果第a个用户ua评价过第i个物品vi,则rai=1,否则rai=0;令sea表示第a个用户ua与第e个用户ue的社交关系值,如果第a个用户ua信任第e个用户ue,则sea=1,否则sea=0,则用户与用户之间的社交关系矩阵为S={sea}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,...,Qa,...,QN},其中,Qa表示第a个用户ua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,...,Li,...,LM},其中,Li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ua,从用户集U中寻找一个用户子集Ba,且用户子集Ba中的任意用户ub′满足sb'a=1,从用户特征矩阵Q中查找第b′个用户ub′的初始特征向量Qb′;
式(1)中,Wk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ua的演化特征向量,当k=1时,Bk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ua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
步骤7、对用户集U中的第a个用户ua,从物品集V中寻找一个物品子集Ca,且物品子集Ca中的任意物品vc′满足rac′=1,从物品初始特征矩阵L中查第c′个物品vc′的物品初始特征向量Lc′;
步骤8、利用式(3)计算用户集U中第a个用户ua的融合特征向量Za,从而得到所有用户的融合特征矩阵Z={Z1,...,Za,....,ZN}:
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,...,ua,...,ue,...,uN},ua表示第a个用户,ue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,...,vi,...,vM},vi表示第i个物品,1≤i≤M,M表示物品总数;令rai表示第a个用户ua对第i个物品vi的评分值,则用户对物品的评分矩阵为R={rai}N×M,如果第a个用户ua评价过第i个物品vi,则rai=1,否则rai=0;令sea表示第a个用户ua与第e个用户ue的社交关系值,如果第a个用户ua信任第e个用户ue,则sea=1,否则sea=0,则用户与用户之间的社交关系矩阵为S={sea}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,...,Qa,...,QN},其中,Qa表示第a个用户ua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,...,Li,...,LM},其中,Li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ua,从用户集U中寻找一个用户子集Ba,且用户子集Ba中的任意用户ub′满足sb'a=1,从用户特征矩阵Q中查找第b′个用户ub′的初始特征向量Qb′;
式(1)中,Wk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ua的演化特征向量,当k=1时,Bk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ua的社交邻居集合的影响向量,并有:
步骤7、对用户集U中的第a个用户ua,从物品集V中寻找一个物品子集Ca,且物品子集Ca中的任意物品vc′满足rac′=1,从物品初始特征矩阵L中查第c′个物品vc′的物品初始特征向量Lc′;
步骤8、利用式(3)计算用户集U中第a个用户ua的融合特征向量Za,从而得到所有用户的融合特征矩阵Z={Z1,...,Za,....,ZN}:
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,XCa是第a个用户ua的物品子集Ca对第a个用户ua的融合特征向量Za的贡献,并有:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811142932.4A CN109145223B (zh) | 2018-09-28 | 2018-09-28 | 一种基于社交影响力传播的社交推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811142932.4A CN109145223B (zh) | 2018-09-28 | 2018-09-28 | 一种基于社交影响力传播的社交推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145223A CN109145223A (zh) | 2019-01-04 |
CN109145223B true CN109145223B (zh) | 2021-03-09 |
Family
ID=64813543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811142932.4A Active CN109145223B (zh) | 2018-09-28 | 2018-09-28 | 一种基于社交影响力传播的社交推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145223B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967101B (zh) * | 2021-04-07 | 2023-04-07 | 重庆大学 | 一种基于社交用户多交互信息的协同过滤物品推荐方法 |
CN113051487B (zh) * | 2021-04-20 | 2022-08-02 | 安徽师范大学 | 基于用户信任和社交影响力的旅游群组推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013131009A (ja) * | 2011-12-21 | 2013-07-04 | Dainippon Printing Co Ltd | 情報提供システム、情報提供方法及びプログラム |
CN103678669A (zh) * | 2013-12-25 | 2014-03-26 | 福州大学 | 一种社交网络中的社区影响力评估系统及方法 |
CN104182543A (zh) * | 2014-09-05 | 2014-12-03 | 上海理工大学 | 基于相似性传播与流行度降维的混合推荐方法 |
CN105095267A (zh) * | 2014-05-09 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种用于用户参与项目的推荐方法及装置 |
CN107169873A (zh) * | 2017-06-16 | 2017-09-15 | 北京信息科技大学 | 一种多特征融合的微博用户权威度评价方法 |
-
2018
- 2018-09-28 CN CN201811142932.4A patent/CN109145223B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013131009A (ja) * | 2011-12-21 | 2013-07-04 | Dainippon Printing Co Ltd | 情報提供システム、情報提供方法及びプログラム |
CN103678669A (zh) * | 2013-12-25 | 2014-03-26 | 福州大学 | 一种社交网络中的社区影响力评估系统及方法 |
CN105095267A (zh) * | 2014-05-09 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种用于用户参与项目的推荐方法及装置 |
CN104182543A (zh) * | 2014-09-05 | 2014-12-03 | 上海理工大学 | 基于相似性传播与流行度降维的混合推荐方法 |
CN107169873A (zh) * | 2017-06-16 | 2017-09-15 | 北京信息科技大学 | 一种多特征融合的微博用户权威度评价方法 |
Non-Patent Citations (1)
Title |
---|
Attentive Recurrent Social Recommendation;Peijie Sun.et;《SIGIR: The 41st International ACM SIGIR Conference on Research & Development in Information Retrieral》;20180712;第185-194页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109145223A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guan et al. | Matrix factorization with rating completion: An enhanced SVD model for collaborative filtering recommender systems | |
CN110969516B (zh) | 一种商品推荐方法及装置 | |
Cheng et al. | MMALFM: Explainable recommendation by leveraging reviews and images | |
CN108431833B (zh) | 端到端深度协作过滤 | |
Christakopoulou et al. | Local item-item models for top-n recommendation | |
CN108460619B (zh) | 一种提供融合显隐式反馈的协同推荐模型的方法 | |
CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
CN106503028B (zh) | 推荐方法和系统 | |
CN107833117B (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
CN105787055B (zh) | 信息推荐方法及装置 | |
CN110175895B (zh) | 一种物品推荐方法及装置 | |
CN110335123B (zh) | 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置 | |
CN112115377A (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
CN106127506B (zh) | 一种基于主动学习解决商品冷启动问题的推荐方法 | |
US20110252044A1 (en) | Apparatus and method for measuring contents similarity based on feedback information of ranked user and computer readable recording medium storing program thereof | |
CN105787100A (zh) | 一种基于深度神经网络的用户会话推荐方法 | |
CN111010592A (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
CN109145223B (zh) | 一种基于社交影响力传播的社交推荐方法 | |
CN107346333B (zh) | 一种基于链路预测的在线社交网络好友推荐方法与系统 | |
Ujjin et al. | Learning user preferences using evolution | |
CN111815410B (zh) | 基于选择性邻域信息的商品推荐方法 | |
CN106528584B (zh) | 一种基于组合学习的群组推荐方法 | |
CN114861079A (zh) | 一种融合商品特征的协同过滤推荐方法和系统 | |
Wangwatcharakul et al. | Improving dynamic recommender system based on item clustering for preference drifts | |
KR102323424B1 (ko) | 관측평점과 유사도 그래프를 활용한 추천 알고리즘의 평점 예측 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240401 Address after: Room 701, Block A, J2, Phase II, Innovation Industrial Park, Innovation Avenue, High tech Zone, Hefei City, Anhui Province, 230031 Patentee after: HEFEI CHANGCHUNTENG MOBILE TECHNOLOGY Co.,Ltd. Country or region after: China Address before: Tunxi road in Baohe District of Hefei city of Anhui Province, No. 193 230009 Patentee before: Hefei University of Technology Country or region before: China |
|
TR01 | Transfer of patent right |