CN109658277A - 一种学术社交网络好友推荐方法、系统和存储介质 - Google Patents

Abstract

本发明公开了一种学术社交网络好友推荐方法、系统和存储介质，所述方法包括从学术社交网络中选择符合设定条件的用户组成推荐集合，计算推荐集合中的各用户在学术社交网络中的社会地位值，计算推荐集合中的各用户与目标用户的近似度，计算各用户的最终得分和从推荐集合中选择部分或全部用户推荐到目标用户等步骤。本发明可以避免现有技术中因仅考虑全局因素而造成的带有明显马太效应的冷启动问题，也可以避免现有技术中因仅考虑局部因素而造成的隐私泄露和缺乏个性化的问题，以及当从学术社交网络中获得的用户信息不多时造成的准确度较低的问题。本发明广泛应用于信息处理技术领域。

Description

一种学术社交网络好友推荐方法、系统和存储介质

技术领域

本发明涉及信息处理技术领域，尤其是一种学术社交网络好友推荐方法、系统和存储介质。

背景技术

大数据时代社交网络的快速发展，极大地方便了人们的生活的同时，学术社交网络作为一种专业化的社交网络，也正在迅速崛起。用户可以在学术社交网络中与其他用户建立好友关系并与好友进行学术交流。学术社交网络帮助用户拓展社交关系，极大地促进学者们的科研交流。

在不断扩大的信息网络中，“信息过载”的问题越来越严重，用户在学术社交网络中寻找适合自己的其他用户的效率越来越低。如何为用户更好地为用户推荐感兴趣的潜在好友，成为了社交网络领域中的一个研究热点，而推荐系统正是解决这一问题的有效手段。

推荐系统可以根据社交网络中各用户的特点进行分析和匹配，并向某一用户推荐具有匹配关系的其他用户，使得该用户能够以更高的效率发现自己感兴趣的潜在好友，从而有目的地与这些潜在好友建立好友关系。

不同类型的社交网络需要使用不同的推荐系统。在学术社交网络中，对于刚注册的用户，由于用户的个人信息或研究兴趣信息较少，推荐系统容易陷入冷启动问题，难以挖掘社交网络中的“关键人物”，从而导致推荐质量下降，准确率较低。针对冷启动问题，传统的好友推荐方法大多利用热门推荐，向用户推荐热门度最高的其他学者，但是这种算法容易陷入“马太效应”，对于长尾用户的挖掘能力不够；一些网站通过用户授权的社交账号(如微信、QQ等)，导入其他社交网络上的好友关系进行推荐，但是这种方法难以发现更多的潜在好友并且涉及用户的隐私信息，难以获取。此外，这些方法都是采用非个性化的推荐算法，难以根据用户的特点进行个性化的推荐。

发明内容

为了解决上述技术问题，本发明的目在于提供一种学术社交网络好友推荐方法、系统和存储介质。

一方面，本发明包括一种学术社交网络好友推荐方法，包括以下步骤：

从学术社交网络中选择符合设定条件的用户组成推荐集合；

计算推荐集合中的各用户在学术社交网络中的社会地位值；

计算推荐集合中的各用户与目标用户的近似度；

根据推荐集合中的各用户对应的社会地位值和近似度，计算各用户的最终得分；

根据最终得分，从推荐集合中选择部分或全部用户推荐到目标用户。

进一步地，所述计算推荐集合中的各用户在学术社交网络中的社会地位值这一步骤，具体包括：

计算推荐集合中的各用户的团队影响力、动态影响力、好友关系影响力和课程影响力；

对所述团队影响力、动态影响力、好友关系影响力和课程影响力分别进行归一化处理，从而得到各归一化处理结果；

根据各归一化处理结果，计算得到对应用户的社会地位值。

进一步地，所述团队影响力的计算公式为：

T_u＝W_t1∑Team+W_t2∑Member；

式中，T_u为用户u的团队影响力，∑Team为学术社交网络中与用户u相关的团队数量，∑Member为学术社交网络中用户u所在团队的人员数量，W_t1和W_t2为权重系数；

所述动态影响力的计算公式为：

D_u＝W_d1∑post+W_d2∑like+W_d3∑read+W_d4∑trans；

式中，D_u为用户u的动态影响力，∑post为用户u在学术社交网络中发布的动态消息数量，∑like为用户u在学术社交网络中发布的动态消息所获得的点赞数量，∑read为用户u在学术社交网络中发布的动态消息所获得的阅读量，∑trans为用户u在学术社交网络中发布的动态消息所获得的转发量，W_d1、W_d2、W_d3和W_d4为权重系数；

所述好友关系影响力的计算公式为：

F_u＝W_f1∑f_in+W_f2∑f_out；

式中，F_u为用户u的好友关系影响力，∑f_in为用户u的入度，∑f_out为用户u的出度，W_f1和W_f2为权重系数；

所述课程影响力的计算公式为：

C_u＝W_c1∑Course+W_c2∑Course_Member；

式中，C_u为用户u的课程影响力，∑Course为用户u在学术社交网络中开设的课程数量，∑Course_Member为用户u在学术社交网络中所开设课程的学员数量，W_c1和W_c2为权重系数。

进一步地，所述对团队影响力进行归一化处理的计算公式为：

式中，T_normal为用户u的团队影响力归一化处理结果，T_max为推荐集合中所有用户的团队影响力中的最大值，T_min为推荐集合中所有用户的团队影响力中的最小值；

所述对动态影响力进行归一化处理的计算公式为：

式中，D_normal为用户u的动态影响力归一化处理结果，D_max为推荐集合中所有用户的动态影响力中的最大值，D_min为推荐集合中所有用户的动态影响力中的最小值；

所述对好友关系影响力进行归一化处理的计算公式为：

式中，F_normal为用户u的好友关系影响力归一化处理结果，F_max为推荐集合中所有用户的好友关系影响力中的最大值，F_min为推荐集合中所有用户的好友关系影响力中的最小值；

所述对课程影响力进行归一化处理的计算公式为：

式中，C_normal为用户u的课程影响力归一化处理结果，C_max为推荐集合中所有用户的课程影响力中的最大值，C_min为推荐集合中所有用户的课程影响力中的最小值。

进一步地，所述社会地位值的计算公式为：

Score_First＝T_normal+D_normal+F_normal+C_normal；

式中，Score_First为用户u的社会地位值，T_normal为用户u的团队影响力归一化处理结果，D_normal为用户u的动态影响力归一化处理结果，F_normal为用户u的好友关系影响力归一化处理结果，C_normal为用户u的课程影响力归一化处理结果。

进一步地，本发明方法还包括权重系数优化步骤，所述权重系数优化步骤具体包括：

设定权重系数的初始值；所述权重系数包括W_t1、W_t2、W_d1、W_d2、W_d3、W_d4、W_f1、W_f2、W_c1和W_c2；

对权重系数进行多次迭代调整，直至计算得到的社会地位值取得最大值；

保存社会地位值取得最大值时对应的权重系数。

进一步地，所述计算推荐集合中的各用户与目标用户的近似度这一步骤，具体包括：

使用分词工具获取推荐集合中的各用户和目标用户的单位信息；

对获取到的单位信息进行向量化，从而得到推荐集合中的各用户和目标用户各自的单位信息向量；

分别计算目标用户的单位信息向量与推荐集合中各用户的单位信息向量的余弦值，从而得到目标用户与推荐集合中的各用户的近似度。

进一步地，所述各用户的最终得分是相应用户的社会地位值和近似度的乘积。

另一方面，本发明还包括一种学术社交网络好友推荐系统，包括：

推荐集合生成模块，用于从学术社交网络中选择符合设定条件的用户组成推荐集合；

社会地位值计算模块，用于计算推荐集合中的各用户在学术社交网络中的社会地位值；

近似度计算模块，用于计算推荐集合中的各用户与目标用户的近似度；

最终得分计算模块，用于根据推荐集合中的各用户对应的社会地位值和近似度，计算各用户的最终得分；

推荐结果发送模块，用于根据最终得分，从推荐集合中选择部分或全部用户推荐到目标用户。

另一方面，本发明还包括一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行本发明方法。

本发明的有益效果是：以最终得分作为标准，向目标用户进行潜在好友推荐，综合考虑了学术社交网络的全局因素和局部因素的影响，可以避免现有技术中因仅考虑全局因素而造成的带有明显马太效应的冷启动问题，也可以避免现有技术中因仅考虑局部因素而造成的隐私泄露和缺乏个性化的问题，以及当从学术社交网络中获得的用户信息不多时造成的准确度较低的问题。本发明可以提供更高的查准率和查全率，具有较好的有效性和实用性。

附图说明

图1为本发明方法一具体实施例的原理图。

具体实施方式

本实施例以学者网这一被广泛使用的学术社交网络作为应用对象，对本发明方法、系统和存储介质进行说明。本实施例的原理如图1所示。

本发明包括一种学术社交网络好友推荐方法，包括以下步骤：

S1.从学术社交网络中选择符合设定条件的用户组成推荐集合；

S2.计算推荐集合中的各用户在学术社交网络中的社会地位值；

S3.计算推荐集合中的各用户与目标用户的近似度；

S4.根据推荐集合中的各用户对应的社会地位值和近似度，计算各用户的最终得分；

S5.根据最终得分，从推荐集合中选择部分或全部用户推荐到目标用户。

本实施例中，步骤S1-S5的目标是从学术社交网络中选择部分或全部用户推荐给目标用户，由目标用户决定是否要与被推荐的用户建立好友关系。步骤S1-S5可以是主动向目标用户执行的，也可以是响应目标用户的请求而执行的。

所述目标用户可以是学术社交网络以外的用户，也可以是新加入学术社交网络的用户，还可以是学术社交网络中的任一特定用户。

在步骤S1中，对学者网的数据进行预处理，通过删除不可信的用户、身份信息不完善的用户以及好友数小于20的用户等手段，对学者网中的各用户进行初步筛选，形成推荐集合。步骤S1中还可以根据目标用户的要求设定注册时间、学术评级等更多的初步筛选条件。

在步骤S2中，通过计算推荐集合中的各用户的社会地位值，考虑了学术社交网络的全局因素的影响。

在步骤S3中，通过计算推荐集合中的各用户与目标用户的近似度，考虑了学术社交网络的局部因素的影响。

在步骤S4中，每一用户的最终得分是根据该用户相应的社会地位值和近似度计算得到的，因此最终得分综合考虑了学术社交网络的全局因素和局部因素的影响。

在步骤S5中，以最终得分作为标准，向目标用户进行潜在好友推荐，综合考虑了学术社交网络的全局因素和局部因素的影响，可以避免现有技术中因仅考虑全局因素而造成的带有明显马太效应的冷启动问题，也可以避免现有技术中因仅考虑局部因素而造成的隐私泄露和缺乏个性化的问题，以及当从学术社交网络中获得的用户信息不多时造成的准确度较低的问题。

进一步作为优选的实施方式，所述步骤S2，即计算推荐集合中的各用户在学术社交网络中的社会地位值这一步骤，具体包括：

S201.计算推荐集合中的各用户的团队影响力、动态影响力、好友关系影响力和课程影响力；

S202.对所述团队影响力、动态影响力、好友关系影响力和课程影响力分别进行归一化处理，从而得到各归一化处理结果；

S203.根据各归一化处理结果，计算得到对应用户的社会地位值。

优选地，本实施例以学者网为应用对象，在步骤S201中：

所述团队影响力的计算公式为：

T_u＝W_t1∑Team+W_t2∑Member；(1)

公式(1)中，T_u为用户u的团队影响力，∑Team为学术社交网络中与用户u相关的团队数量，∑Member为学术社交网络中用户u所在团队的人员数量，W_t1和W_t2为权重系数；

公式(1)的原理为：在学者网中，用户可以通过创建自己的科研团队，科研团队可以有不同的学者申请加入。一般来说，用户创建、管理、参与的科研团队越多、团队的人员数越多，则说明用户在社交网络中的社会地位越高，具有越高的影响力。

所述动态影响力的计算公式为：

D_u＝W_d1∑post+W_d2∑like+W_d3∑read+W_d4∑trans；(2)

公式(2)中，D_u为用户u的动态影响力，∑post为用户u在学术社交网络中发布的动态消息数量，∑like为用户u在学术社交网络中发布的动态消息所获得的点赞数量，∑read为用户u在学术社交网络中发布的动态消息所获得的阅读量，∑trans为用户u在学术社交网络中发布的动态消息所获得的转发量，W_d1、W_d2、W_d3和W_d4为权重系数；

公式(2)的原理为：在学者网中，用户的社交网络社会地位越高，那么他的观点和意见就会得到越多人的关注和讨论，这里的关注和讨论可以表现为发布动态的点赞量、阅读量、转发量等。通过计算用户发布动态的扩散路径长度和扩散路径的宽度，可以得出用户的动态影响力。

所述好友关系影响力的计算公式为：

F_u＝W_f1∑f_in+W_f2∑f_out；(3)

公式(3)中，F_u为用户u的好友关系影响力，∑f_in为用户u的入度_，∑f_out为用户u的出度，W_f1和W_f2为权重系数；所述出度表示该用户主动添加的好友数量，所述入度表示该用户同意接受的好友数量。

公式(3)的原理为：在学者网中，用户拥有的好友关系也可以是衡量用户社会地位的指标。具体来说，在社交网络的拓扑图中，可以表现为用户的出度和入度。

所述课程影响力的计算公式为：

C_u＝W_c1∑Course+W_c2∑Course_Member；(4)

公式(4)中，C_u为用户u的课程影响力，∑Course为用户u在学术社交网络中开设的课程数量，∑Course_Member为用户u在学术社交网络中所开设课程的学员数量，W_c1和W_c2为权重系数；

公式(4)的原理为：与团队功能类似，在学者网中，用户可以自主地开设课程，教师用户可以上传教学资源、班级考勤、作业管理等，学生用户可以提交作业、课后答疑、在线交流等。因此，课程平台可以将不同用户联系在一起，组成新的社交关联。因此，课程平台的影响力也被当作用户影响力的一部分。如果一个用户开设、管理的课程越多、课程中参与的人员越多，则说明用户在社交网络中的社会地位越高。

优选地，本实施例以学者网为应用对象，在步骤S202中：

所述对团队影响力进行归一化处理的计算公式为：

公式(5)中，T_normal为用户u的团队影响力归一化处理结果，T_max为推荐集合中所有用户的团队影响力中的最大值，T_min为推荐集合中所有用户的团队影响力中的最小值；

所述对动态影响力进行归一化处理的计算公式为：

公式(6)中，D_normal为用户u的动态影响力归一化处理结果，D_max为推荐集合中所有用户的动态影响力中的最大值，D_min为推荐集合中所有用户的动态影响力中的最小值；

所述对好友关系影响力进行归一化处理的计算公式为：

公式(7)中，F_normal为用户u的好友关系影响力归一化处理结果，F_max为推荐集合中所有用户的好友关系影响力中的最大值，F_min为推荐集合中所有用户的好友关系影响力中的最小值；

所述对课程影响力进行归一化处理的计算公式为：

公式(8)中，C_normal为用户u的课程影响力归一化处理结果，C_max为推荐集合中所有用户的课程影响力中的最大值，C_min为推荐集合中所有用户的课程影响力中的最小值。

在学者网中，同一用户的团队影响力、动态影响力、好友关系影响力和课程影响力等各影响力因子的数值分别在不同的数量级，例如动态影响力的数值可以达到1000，而团队影响力的数值只有8，如果不加以处理，直接根据各影响力因子的原始数值计算最终得分，数量级较小的影响力因子对最终得分的影响就会很小。

通过公式(5)-(8)对各影响力因子进行归一化处理，归一化处理结果的数值落入区间[0，1]内，可以消除原始数值数量级差异的影响。

进一步作为优选的实施方式，所述社会地位值的计算公式为：

Score_First＝T_normal+D_normal+F_normal+C_normal；

式中，Score_First为用户u的社会地位值，T_normal为用户u的团队影响力归一化处理结果，D_normal为用户u的动态影响力归一化处理结果，F_normal为用户u的好友关系影响力归一化处理结果，C_normal为用户u的课程影响力归一化处理结果。

在学者网中，任一用户的社会地位值是该用户的团队影响力归一化处理结果、动态影响力归一化处理结果、好友关系影响力归一化处理结果和课程影响力归一化处理结果之和。

进一步作为优选的实施方式，本发明学术社交网络好友推荐方法，还包括权重系数优化步骤，所述权重系数优化步骤具体包括：

设定权重系数的初始值；所述权重系数包括W_t1、W_t2、W_d1、W_d2、W_d3、W_d4、W_f1、W_f2、W_c1和W_c2；

对权重系数进行多次迭代调整，直至计算得到的社会地位值取得最大值；

保存社会地位值取得最大值时对应的权重系数。

在本实施例中，为了更好地调整团队、动态、课程和好友关系因子的作用，最大化用户的最终得分，需要对不同影响力因素的权重系数进行调整。本实施例中，将所有权重系数的初始值设定为1.00，通过多次迭代对比社会地位值来调整各权重系数的取值，使得该用户的社会地位值取得最大值，记录此时的权重系数，并在以后对该用户的计算中，使用所记录的权重系数。

作为一个优选的实施例，W_t1、W_t2、W_d1、W_d2、W_d3、W_d4、W_f1、W_f2、W_c1和W_c2可以分别取0.02、0.69、0.01、0.9、0.88、0.91、0.01、0.77、0.02、0.70。

进一步作为优选的实施方式，所述步骤S3，即计算推荐集合中的各用户与目标用户的近似度这一步骤，具体包括：

S301.使用分词工具获取推荐集合中的各用户和目标用户的单位信息；

S302.对获取到的单位信息进行向量化，从而得到推荐集合中的各用户和目标用户各自的单位信息向量；

S303.分别计算目标用户的单位信息向量与推荐集合中各用户的单位信息向量的余弦值，从而得到目标用户与推荐集合中的各用户的近似度。

步骤S301中，所使用的分词工具为Jieba分词工具。Jieba分词工具可以过滤单位信息中的停用词，所述停用词是指“得”、“的”、“呢”、“你”和“我”等不能反映单位信息的词语。通过Jieba分词工具，还可以添加自定义词典，例如可以添加“清华大学”、“北京大学”和“华南师范大学”等词语。

通过Jieba分词工具获取到的各用户的单位信息表现为若干关键词，对这些关键词进行One-hot编码，可以得到每个用户各自的单位信息向量，每个用户的单位信息向量实质上是一个单位向量空间(Unit Vector Space，UVS)。例如，用户u的UVS可以表示为UVS_u＝(kw₁,kw₂,…,kw_n)，其中kw_n为由Jieba分词工具得到的用户u的单位信息关键词。

本实施例中，目标用户的UVS表示为X＝(X₁,X₂,…,X_n)，推荐集合中的用户u的UVS表示为Y＝(Y₁,Y₂,…,Y_n)，则通过步骤S303计算得到的用户u与目标用户的近似度为

进一步作为优选的实施方式，所述各用户的最终得分是相应用户的社会地位值和近似度的乘积。

通过步骤S201-S203计算得到用户u的社会地位值Score_First，通过步骤S201-S203计算得到用户u与目标用户的近似度Score_Sim，进一步计算用户u的最终得分为Score_Final＝Score_First*Score_Sim。

根据推荐集合中各用户的最终得分，可以使用Top-N方法，将最终得分最高的N个用户推荐给目标用户。

本发明还包括一种学术社交网络好友推荐系统，包括：

推荐集合生成模块，用于从学术社交网络中选择符合设定条件的用户组成推荐集合；

社会地位值计算模块，用于计算推荐集合中的各用户在学术社交网络中的社会地位值；

近似度计算模块，用于计算推荐集合中的各用户与目标用户的近似度；

最终得分计算模块，用于根据推荐集合中的各用户对应的社会地位值和近似度，计算各用户的最终得分；

推荐结果发送模块，用于根据最终得分，从推荐集合中选择部分或全部用户推荐到目标用户。

本实施例中的学术社交网络好友推荐系统，可以执行本发明的学术社交网络好友推荐方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

本发明还包括一种学术社交网络好友推荐装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行本发明的学术社交网络好友推荐方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

本发明还包括一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行本发明的学术社交网络好友推荐方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

以上是对本发明的较佳实施进行了具体说明，但对本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种学术社交网络好友推荐方法，其特征在于，包括以下步骤：

从学术社交网络中选择符合设定条件的用户组成推荐集合；

计算推荐集合中的各用户在学术社交网络中的社会地位值；

计算推荐集合中的各用户与目标用户的近似度；

根据推荐集合中的各用户对应的社会地位值和近似度，计算各用户的最终得分；

根据最终得分，从推荐集合中选择部分或全部用户推荐到目标用户。

2.根据权利要求1所述的一种学术社交网络好友推荐方法，其特征在于，所述计算推荐集合中的各用户在学术社交网络中的社会地位值这一步骤，具体包括：

计算推荐集合中的各用户的团队影响力、动态影响力、好友关系影响力和课程影响力；

对所述团队影响力、动态影响力、好友关系影响力和课程影响力分别进行归一化处理，从而得到各归一化处理结果；

根据各归一化处理结果，计算得到对应用户的社会地位值。

3.根据权利要求2所述的一种学术社交网络好友推荐方法，其特征在于：

所述团队影响力的计算公式为：

T_u＝W_t1∑Team+W_t2∑Member；

式中，T_u为用户u的团队影响力，∑Team为学术社交网络中与用户u相关的团队数量，∑Member为学术社交网络中用户u所在团队的人员数量，W_t1和W_t2为权重系数；

所述动态影响力的计算公式为：

D_u＝W_d1∑post+W_d2∑like+W_d3∑read+W_d4∑trans；

式中，D_u为用户u的动态影响力，∑post为用户u在学术社交网络中发布的动态消息数量，∑like为用户u在学术社交网络中发布的动态消息所获得的点赞数量，∑read为用户u在学术社交网络中发布的动态消息所获得的阅读量，∑trans为用户u在学术社交网络中发布的动态消息所获得的转发量，W_d1、W_d2、W_d3和W_d4为权重系数；

所述好友关系影响力的计算公式为：

F_u＝W_f1∑f_in+W_f2∑f_out；

式中，F_u为用户u的好友关系影响力，∑f_in为用户u的入度，∑f_out为用户u的出度，W_f1和W_f2为权重系数；

所述课程影响力的计算公式为：

C_u＝W_c1∑Course+W_c2∑Course_Member；

式中，C_u为用户u的课程影响力，∑Course为用户u在学术社交网络中开设的课程数量，∑Course_Member为用户u在学术社交网络中所开设课程的学员数量，W_c1和W_c2为权重系数。

4.根据权利要求3所述的一种学术社交网络好友推荐方法，其特征在于：

所述对团队影响力进行归一化处理的计算公式为：

式中，T_normal为用户u的团队影响力归一化处理结果，T_max为推荐集合中所有用户的团队影响力中的最大值，T_min为推荐集合中所有用户的团队影响力中的最小值；

所述对动态影响力进行归一化处理的计算公式为：

式中，D_normal为用户u的动态影响力归一化处理结果，D_max为推荐集合中所有用户的动态影响力中的最大值，D_min为推荐集合中所有用户的动态影响力中的最小值；

所述对好友关系影响力进行归一化处理的计算公式为：

式中，F_normal为用户u的好友关系影响力归一化处理结果，F_max为推荐集合中所有用户的好友关系影响力中的最大值，F_min为推荐集合中所有用户的好友关系影响力中的最小值；

所述对课程影响力进行归一化处理的计算公式为：

式中，C_normal为用户u的课程影响力归一化处理结果，C_max为推荐集合中所有用户的课程影响力中的最大值，C_min为推荐集合中所有用户的课程影响力中的最小值。

5.根据权利要求4所述的一种学术社交网络好友推荐方法，其特征在于，所述社会地位值的计算公式为：

Score_First＝T_normal+D_normal+F_normal+C_normal；

式中，Score_First为用户u的社会地位值，T_normal为用户u的团队影响力归一化处理结果，D_normal为用户u的动态影响力归一化处理结果，F_normal为用户u的好友关系影响力归一化处理结果，C_normal为用户u的课程影响力归一化处理结果。

6.根据权利要求5所述的一种学术社交网络好友推荐方法，其特征在于，还包括权重系数优化步骤，所述权重系数优化步骤具体包括：

设定权重系数的初始值；所述权重系数包括W_t1、W_t2、W_d1、W_d2、W_d3、W_d4、W_f1、W_f2、W_c1和W_c2；

对权重系数进行多次迭代调整，直至计算得到的社会地位值取得最大值；

保存社会地位值取得最大值时对应的权重系数。

7.根据权利要求1所述的一种学术社交网络好友推荐方法，其特征在于，所述计算推荐集合中的各用户与目标用户的近似度这一步骤，具体包括：

使用分词工具获取推荐集合中的各用户和目标用户的单位信息；

对获取到的单位信息进行向量化，从而得到推荐集合中的各用户和目标用户各自的单位信息向量；

分别计算目标用户的单位信息向量与推荐集合中各用户的单位信息向量的余弦值，从而得到目标用户与推荐集合中的各用户的近似度。

8.根据权利要求1所述的一种学术社交网络好友推荐方法，其特征在于，所述各用户的最终得分是相应用户的社会地位值和近似度的乘积。

9.一种学术社交网络好友推荐系统，其特征在于，包括：

推荐集合生成模块，用于从学术社交网络中选择符合设定条件的用户组成推荐集合；

社会地位值计算模块，用于计算推荐集合中的各用户在学术社交网络中的社会地位值；

近似度计算模块，用于计算推荐集合中的各用户与目标用户的近似度；

最终得分计算模块，用于根据推荐集合中的各用户对应的社会地位值和近似度，计算各用户的最终得分；

推荐结果发送模块，用于根据最终得分，从推荐集合中选择部分或全部用户推荐到目标用户。

10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-8任一项所述方法。