CN109376301A - 一种融合社交信息的个性化推荐方法 - Google Patents

一种融合社交信息的个性化推荐方法 Download PDF

Info

Publication number
CN109376301A
CN109376301A CN201811174475.7A CN201811174475A CN109376301A CN 109376301 A CN109376301 A CN 109376301A CN 201811174475 A CN201811174475 A CN 201811174475A CN 109376301 A CN109376301 A CN 109376301A
Authority
CN
China
Prior art keywords
user
project
social
similarity
scoring
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.)
Pending
Application number
CN201811174475.7A
Other languages
English (en)
Inventor
穆瑞辉
宋丽丽
张武强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinxiang University
Original Assignee
Xinxiang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinxiang University filed Critical Xinxiang University
Priority to CN201811174475.7A priority Critical patent/CN109376301A/zh
Publication of CN109376301A publication Critical patent/CN109376301A/zh
Pending legal-status Critical Current

Links

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)

Abstract

本发明涉及个性化推荐技术领域，特别是涉及一种融合社交信息的个性化推荐方法。本发明根据用户‑项目评分矩阵，计算用户之间的评分相似度，筛选评分最近邻居集；然后根据评分最近邻居集，计算出目标用户对项目的预测评分；根据用户社交网络信息，计算用户之间的社交相似度，筛选社交最近邻居集；根据社交最近邻居集，计算出目标用户对项目的预测评分；对两者进行融合，预测目标用户对项目的评分值，并降序排列，把预测评分最高的K个项目推荐给目标用户，生成推荐列表。最后，通过实验比较表明，本文提出的一种融合社交信息的个性化推荐方法性能优于当前的推荐方法，能有效地提高推荐的精度，从而达到缓解数据稀疏性和冷启动的难题的目的。

Description

一种融合社交信息的个性化推荐方法
技术领域
本发明涉及个性化推荐技术领域，特别是涉及一种融合社交信息的个性化推荐方法。
背景技术
随着微博等社交网络媒体的应用以及用户所产生的内容信息的爆炸式增长，面临着越来越严重的信息过载问题，那么要在海量数据中发现有价值的信息就变得更困难，推荐技术的发展可以根据用户的历史评分信息，挖掘用户的偏好倾向，从而为用户进行个性化的推荐，但是传统的个性化推荐方法存在数据稀疏性和冷启动的难题，并且推荐结果的准确性低，错误率高。
传统的社交网络推荐系统大多采用基于内容的推荐方法，而没有充分利用用户之间形成的社交网络信息，因此如何有效地利用用户之间的社交网络关系，从中挖掘出准确的用户偏好，提高推荐的精度，降低推荐错误率，提升用户体验，是迫切需要研究的热点之一。
发明内容
本发明的目的在于提供一种融合社交信息的个性化推荐方法。
本发明的目的是通过如下途径实现的：一种融合社交信息的个性化推荐方法,假设已有用户-项目评分矩阵和用户社交网络信息, 用户社交网络信息为微博内容、社交关系及社交活动，在此基础上做如下定义：
R :用户-项目评分矩阵；
:基于用户-项目评分矩阵的最近邻居集合；
:基于用户社交网络信息的最近邻居集合；
:用户；
:项目；
:融合参数；
: 用户发布的微博文字信息中关键词的权重值；
微博内容:用户在微博中发布的文字信息；
社交关系：与用户相关的关注与被关注的信息；
社交活动：用户与其他用户在微博上互动的提及、转发、评论行为信息；
具体方法步骤：
步骤1：根据用户-项目评分矩阵，采用公式(1)计算用户之间的评分相似度，并按降序排列，选取与用户评分相似性最高的前K个用户组成评分最近邻居集；
其中，表示用户和用户之间的评分相似度，是用户对项目的评分值，是用户对项目的评分值，是用户-项目评分矩阵中项目的总数；
步骤2：根据步骤1中得到的评分最近邻居集，采用公式(2)计算目标用户对项目的预测评分；
其中，表示基于用户-项目评分矩阵，用户对项目的预测评分，表示用户和用户之间的评分相似度，是用户对项目的评分值，表示与用户评分相似性最高的前个用户组成评分最近邻居集；
步骤3：根据用户社交网络信息，采用公式(3)计算用户之间的微博内容相似度，采用公式(4)计算用户之间的社交关系相似度，采用公式(5)计算用户之间的社交活动相似度，采用公式(6)计算用户之间的社交相似度,并按降序排列，选取与用户社交相似性最高的前个用户组成社交最近邻居集；
其中，是用户和用户之间的微博内容相似度，是用户的微博中第个关键词的权重值，是用户的微博中第个关键词的权重值， 是所有用户的微博中的关键词的总个数；
其中， 是用户之间的社交关系相似度，
其中， 是用户和用户之间的社交活动相似度， 表示用户提及(@)过用户或者用户提及(@)过用户c的总次数， 表示用户 回复过用户或者用户回复过用户的总次数， 表示用户评论过用户的微博或者用户评论过用户的微博的总次数， 表示曾经与用户交互过的所有用户的集合；
其中， 表示用户和用户之间的社交相似度， 分别表示这种相似度所占的权重；
步骤4：根据步骤3中得到的社交最近邻居集，采用公式(7)计算目标用户对项目的预测评分；
其中，表示基于用户社交信息，用户对项目的预测评分， 表示用户和用户之间的社交相似度，是用户对项目的评分值，表示与用户社交相似性最高的前个用户组成社交最近邻居集；
步骤5：根据步骤2和步骤4得到的结果，采用公式(8)进行融合，预测目标用户对项目的评分值，并进行降序排列，把预测评分最高的个项目推荐给目标用户，生成推荐列表；
其中，是目标用户对项目的预测评分值，是融合因子，它的取值范围为(0,1),是基于用户-项目评分矩阵，用户对项目的预测评分，是基于用户社交信息，用户对项目的预测评分。
本发明一种融合社交信息的个性化推荐方法,与现有技术相比，本发明根据用户-项目评分矩阵，计算用户之间的评分相似度，筛选评分最近邻居集；然后根据评分最近邻居集，计算出目标用户对项目的预测评分；根据用户社交网络信息，计算用户之间的社交相似度，筛选社交最近邻居集；根据社交最近邻居集，计算出目标用户对项目的预测评分；对两者进行融合，预测目标用户对项目的评分值，并降序排列，把预测评分最高的K个项目推荐给目标用户，生成推荐列表。最后，通过实验比较表明，本文提出的一种融合社交信息的个性化推荐方法性能优于当前的推荐方法，能有效地提高推荐的精度，从而达到缓解数据稀疏性和冷启动的难题的目的。
附图说明
下面结合附图对本发明作进一步详细说明：
图1为本发明流程示意图。
具体实施方式
如图1所示，本发明一种融合社交信息的个性化推荐方法,假设已有用户-项目评分矩阵和用户社交网络信息, 用户社交网络信息为微博内容、社交关系及社交活动，在此基础上做如下定义：
R :用户-项目评分矩阵；
:基于用户-项目评分矩阵的最近邻居集合；
:基于用户社交网络信息的最近邻居集合；
:用户；
:项目；
:融合参数；
: 用户发布的微博文字信息中关键词的权重值；
微博内容:用户在微博中发布的文字信息；
社交关系：与用户相关的关注与被关注的信息；
社交活动：用户与其他用户在微博上互动的提及、转发、评论行为信息；
具体方法步骤：
步骤1：根据用户-项目评分矩阵，采用公式(1)计算用户之间的评分相似度，并按降序排列，选取与用户评分相似性最高的前K个用户组成评分最近邻居集；
其中，表示用户和用户之间的评分相似度，是用户对项目的评分值，是用户对项目的评分值，是用户-项目评分矩阵中项目的总数；
步骤2：根据步骤1中得到的评分最近邻居集，采用公式(2)计算目标用户对项目的预测评分；
其中，表示基于用户-项目评分矩阵，用户对项目的预测评分，表示用户和用户之间的评分相似度，是用户对项目的评分值，表示与用户评分相似性最高的前个用户组成评分最近邻居集；
步骤3：根据用户社交网络信息，采用公式(3)计算用户之间的微博内容相似度，采用公式(4)计算用户之间的社交关系相似度，采用公式(5)计算用户之间的社交活动相似度，采用公式(6)计算用户之间的社交相似度,并按降序排列，选取与用户社交相似性最高的前个用户组成社交最近邻居集；
其中，是用户和用户之间的微博内容相似度，是用户的微博中第个关键词的权重值，是用户的微博中第个关键词的权重值， 是所有用户的微博中的关键词的总个数；
其中， 是用户之间的社交关系相似度，
其中， 是用户和用户之间的社交活动相似度， 表示用户提及(@)过用户或者用户提及(@)过用户c的总次数， 表示用户 回复过用户或者用户回复过用户的总次数， 表示用户评论过用户的微博或者用户评论过用户的微博的总次数， 表示曾经与用户交互过的所有用户的集合；
其中， 表示用户和用户之间的社交相似度， 分别表示这种相似度所占的权重；
步骤4：根据步骤3中得到的社交最近邻居集，采用公式(7)计算目标用户对项目的预测评分；
其中，表示基于用户社交信息，用户对项目的预测评分， 表示用户和用户之间的社交相似度，是用户对项目的评分值，表示与用户社交相似性最高的前个用户组成社交最近邻居集；
步骤5：根据步骤2和步骤4得到的结果，采用公式(8)进行融合，预测目标用户对项目的评分值，并进行降序排列，把预测评分最高的个项目推荐给目标用户，生成推荐列表；
其中，是目标用户对项目的预测评分值，是融合因子，它的取值范围为(0,1),是基于用户-项目评分矩阵，用户对项目的预测评分，是基于用户社交信息，用户对项目的预测评分。

Claims (1)

1.一种融合社交信息的个性化推荐方法，其特征在于：假设已有用户-项目评分矩阵和用户社交网络信息, 用户社交网络信息为微博内容、社交关系及社交活动，在此基础上做如下定义：
R :用户-项目评分矩阵；
:基于用户-项目评分矩阵的最近邻居集合；
:基于用户社交网络信息的最近邻居集合；
:用户；
:项目；
:融合参数；
: 用户发布的微博文字信息中关键词的权重值；
微博内容:用户在微博中发布的文字信息；
社交关系：与用户相关的关注与被关注的信息；
社交活动：用户与其他用户在微博上互动的提及、转发、评论行为信息；
具体方法步骤：
步骤1：根据用户-项目评分矩阵，采用公式(1)计算用户之间的评分相似度，并按降序排列，选取与用户评分相似性最高的前K个用户组成评分最近邻居集；
其中，表示用户和用户之间的评分相似度，是用户对项目的评分值，是用户对项目的评分值，是用户-项目评分矩阵中项目的总数；
步骤2：根据步骤1中得到的评分最近邻居集，采用公式(2)计算目标用户对项目的预测评分；
其中，表示基于用户-项目评分矩阵，用户对项目的预测评分，表示用户和用户之间的评分相似度，是用户对项目的评分值，表示与用户评分相似性最高的前个用户组成评分最近邻居集；
步骤3：根据用户社交网络信息，采用公式(3)计算用户之间的微博内容相似度，采用公式(4)计算用户之间的社交关系相似度，采用公式(5)计算用户之间的社交活动相似度，采用公式(6)计算用户之间的社交相似度,并按降序排列，选取与用户社交相似性最高的前个用户组成社交最近邻居集；
其中，是用户和用户之间的微博内容相似度，是用户的微博中第个关键词的权重值，是用户的微博中第个关键词的权重值， 是所有用户的微博中的关键词的总个数；
其中， 是用户之间的社交关系相似度，
其中， 是用户和用户之间的社交活动相似度， 表示用户提及(@)过用户或者用户提及(@)过用户c的总次数， 表示用户 回复过用户或者用户回复过用户的总次数， 表示用户评论过用户的微博或者用户评论过用户的微博的总次数， 表示曾经与用户交互过的所有用户的集合；
其中， 表示用户和用户之间的社交相似度， 分别表示这种相似度所占的权重；
步骤4：根据步骤3中得到的社交最近邻居集，采用公式(7)计算目标用户对项目的预测评分；
其中，表示基于用户社交信息，用户对项目的预测评分， 表示用户和用户之间的社交相似度，是用户对项目的评分值，表示与用户社交相似性最高的前个用户组成社交最近邻居集；
步骤5：根据步骤2和步骤4得到的结果，采用公式(8)进行融合，预测目标用户对项目的评分值，并进行降序排列，把预测评分最高的个项目推荐给目标用户，生成推荐列表；
其中，是目标用户对项目的预测评分值，是融合因子，它的取值范围为(0,1),是基于用户-项目评分矩阵，用户对项目的预测评分，是基于用户社交信息，用户对项目的预测评分。
CN201811174475.7A 2018-10-09 2018-10-09 一种融合社交信息的个性化推荐方法 Pending CN109376301A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811174475.7A CN109376301A (zh) 2018-10-09 2018-10-09 一种融合社交信息的个性化推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811174475.7A CN109376301A (zh) 2018-10-09 2018-10-09 一种融合社交信息的个性化推荐方法

Publications (1)

Publication Number Publication Date
CN109376301A true CN109376301A (zh) 2019-02-22

Family

ID=65403908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811174475.7A Pending CN109376301A (zh) 2018-10-09 2018-10-09 一种融合社交信息的个性化推荐方法

Country Status (1)

Country Link
CN (1) CN109376301A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919794A (zh) * 2019-03-14 2019-06-21 哈尔滨工程大学 一种基于信任传播的微博用户信任评估方法
CN110190975A (zh) * 2019-05-31 2019-08-30 北京字节跳动网络技术有限公司 一种提及人推荐方法、装置、终端设备及存储介质
CN112487297A (zh) * 2020-12-09 2021-03-12 贝壳技术有限公司 信息推送方法、装置、电子设备和存储介质
CN117290398A (zh) * 2023-09-27 2023-12-26 广东科学技术职业学院 一种基于大数据的课程推荐方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020099519A1 (en) * 2000-11-30 2002-07-25 Srivastava Ashok N. Method and system to identify which predictors are important for making a forecast with a collaborative filter
US20020123987A1 (en) * 2001-01-18 2002-09-05 Cox James A. Nearest neighbor data method and system
US8572017B2 (en) * 2009-01-22 2013-10-29 Sungkyunkwan University Foundation For Corporate Collaboration User-based collaborative filtering recommendation system and method for amending similarity using information entropy
CN104317900A (zh) * 2014-10-24 2015-01-28 重庆邮电大学 一种面向社交网络的多属性协同过滤推荐方法
CN105095476A (zh) * 2015-08-12 2015-11-25 西安电子科技大学 基于Jaccard均衡距离的协同过滤推荐方法
CN105404700A (zh) * 2015-12-30 2016-03-16 山东大学 一种基于协同过滤的视频栏目推荐系统及推荐方法
CN107862012A (zh) * 2017-10-30 2018-03-30 江苏大学 一种针对大学生群体的信息资源自动推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020099519A1 (en) * 2000-11-30 2002-07-25 Srivastava Ashok N. Method and system to identify which predictors are important for making a forecast with a collaborative filter
US20020123987A1 (en) * 2001-01-18 2002-09-05 Cox James A. Nearest neighbor data method and system
US8572017B2 (en) * 2009-01-22 2013-10-29 Sungkyunkwan University Foundation For Corporate Collaboration User-based collaborative filtering recommendation system and method for amending similarity using information entropy
CN104317900A (zh) * 2014-10-24 2015-01-28 重庆邮电大学 一种面向社交网络的多属性协同过滤推荐方法
CN105095476A (zh) * 2015-08-12 2015-11-25 西安电子科技大学 基于Jaccard均衡距离的协同过滤推荐方法
CN105404700A (zh) * 2015-12-30 2016-03-16 山东大学 一种基于协同过滤的视频栏目推荐系统及推荐方法
CN107862012A (zh) * 2017-10-30 2018-03-30 江苏大学 一种针对大学生群体的信息资源自动推荐方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919794A (zh) * 2019-03-14 2019-06-21 哈尔滨工程大学 一种基于信任传播的微博用户信任评估方法
CN109919794B (zh) * 2019-03-14 2022-07-29 哈尔滨工程大学 一种基于信任传播的微博用户信任评估方法
CN110190975A (zh) * 2019-05-31 2019-08-30 北京字节跳动网络技术有限公司 一种提及人推荐方法、装置、终端设备及存储介质
CN110190975B (zh) * 2019-05-31 2021-08-03 北京字节跳动网络技术有限公司 一种提及人推荐方法、装置、终端设备及存储介质
CN112487297A (zh) * 2020-12-09 2021-03-12 贝壳技术有限公司 信息推送方法、装置、电子设备和存储介质
CN117290398A (zh) * 2023-09-27 2023-12-26 广东科学技术职业学院 一种基于大数据的课程推荐方法及装置

Similar Documents

Publication Publication Date Title
Shi et al. Heterogeneous information network embedding for recommendation
Xie et al. Learning graph-based poi embedding for location-based recommendation
CN109376301A (zh) 一种融合社交信息的个性化推荐方法
Ma et al. Social network and tag sources based augmenting collaborative recommender system
KR101702020B1 (ko) 온라인 소셜 네트워크용 클라이언트-측 검색 템플릿
KR20210038860A (ko) 의도 추천 방법, 장치, 기기 및 저장매체
CN106484876A (zh) 一种基于典型度和信任网络的协同过滤推荐方法
AU2011350049A1 (en) System and method for performing a semantic operation on a digital social network
CN104156436A (zh) 一种社交云媒体协同过滤推荐方法
WO2015170151A1 (en) Methods and systems for personalizing aggregated search results
Manotumruksa et al. A personalised ranking framework with multiple sampling criteria for venue recommendation
CN109101667B (zh) 一种基于显式信任和隐式信任的个性化推荐方法
Kwapong et al. A knowledge graph based framework for web API recommendation
Yigit et al. Extended topology based recommendation system for unidirectional social networks
Yang et al. Time-aware CF and temporal association rule-based personalized hybrid recommender system
Li et al. A structural deep network embedding model for predicting associations between miRNA and disease based on molecular association network
Rao et al. Product recommendation system from users reviews using sentiment analysis
CN109857928A (zh) 基于多元信用评估的用户偏好预测方法
Yang et al. Using semantic technology to improve recommender systems based on slope one
Zhang et al. Cross-media correlation learning for web video event mining with integrated text semantics and network structural information
CN108334573A (zh) 基于聚类信息的高相关微博检索方法
Srifi et al. Collaborative recommender systems based on user-generated reviews: A concise survey
Liu et al. ICE: Information credibility evaluation on social media via representation learning
Gou et al. Personalized search by a multi-type and multi-level user profile in folksonomy
Tsai et al. Exploring User-Controlled Hybrid Recommendation in Conference Contexts

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190222