CN110633422A - 一种基于异构信息网络的微博好友推荐方法 - Google Patents

Abstract

本发明公开了一种基于异构信息网络的微博好友推荐方法，其包括步骤：S1、构造微博用户的异构信息网络数据；S2、对异构信息网络中的元路径进行抽取，将异构信息网络转化为同质信息网络；S3、使用图卷积网络得到用户的向量表示；S4、计算不同用户间的相似性并进行相似性的融合。本发明通过对异构信息网络以及图卷积网络的使用，捕获丰富的用户行为信息，并得到高性能的用户向量表示，从而有效提高推荐的精确性。

Description

一种基于异构信息网络的微博好友推荐方法

技术领域

本发明属于互联网技术领域，具体涉及一种基于异构信息网络的微博好友推荐方法。

背景技术

推荐系统在不同的在线服务中发挥着越来越重要的作用，以微博为例，用户在使用微博的过程中，它可以为用户推荐可能认识或者有着相似爱好的其他用户，从而提高用户对微博的使用率和满意度。

微博好友推荐涉及到对社交网络的研究，现阶段，网络研究通常采用结构单一的同质信息网络，即网络中的所有节点都是同一类型，重点考察网络内部的结构与特点；且同质信息网络很难将不同的数据信息融合，这样就忽略了用户间行为的多样性。另外，现实世界中的大多数应用节点之间也含有多种链路关系，其网络结构更为复杂，信息更为丰富，同质信息网络无法表达多个复杂的实体和实体之间的连接关系。

发明内容

本发明为克服现有技术存在的不足之处，提供一种基于异构信息网络的微博好友推荐方法，以期能通过对异构信息网络的使用充分捕获用户的行为信息和丰富的语义信息，并以图卷积网络作为工具得到高性能的用户向量表示，从而有效提高推荐的精确性。

本发明为达到上述发明目的，采用以下技术方案实现的：

本发明一种基于异构信息网络的微博好友推荐方法的特点是按如下步骤进行：

步骤1、构建异构信息网络

获取微博用户集U＝{u₁,u₂,…,u_i,…,u_n}，其中，u_i表示所述微博用户集合U中的第i个微博用户，n表示微博用户总数，i＝1,2,…,n；以n个微博用户作为所述异构信息网络

的各个用户节点；

获取微博用户集合U的关注行为信息集A、点赞行为信息集Z和参与话题行为信息集T，并作为所述异构信息网络

中各个用户节点之间边的类型；

定义任意两个用户节点之间的关注信息所形成的元路径记为UAU；

定义任意两个用户节点之间的共同点赞所形成的元路径记为UZU；

定义任意两个用户节点之间的共同参与话题所形成的元路径记为UTU；

步骤2、将所述异构信息网络

转化为同质信息网络{Φ₁,Φ₂,Φ₃}：

步骤2.1、构造以元路径UAU为关注行为的关联矩阵

x_i,j表示第i个用户节点u_i和第j个用户节点u_j之间共同关注信息的个数；

利用所述关注行为信息的关联矩阵X_UAU将元路径UAU从异构信息网络

中抽取出来，从而得到各个用户节点之间关注行为信息的同质信息网络Φ₁；

步骤2.2、构造以元路径UZU为点赞行为的关联矩阵

y_i,j表示第i个用户节点u_i和第j个用户节点u_j之间点赞相同微博内容的个数；

利用所述点赞行为的关联矩阵Y_UZU将元路径UZU从异构信息网络

中抽取出来，从而得到各个用户节点之间点赞行为信息的同质信息网络Φ₂；

步骤2.3、构造以元路径UTU为参与话题行为的关联矩阵

z_i,j表示第i个用户节点u_i和第j个用户节点u_j之间参与相同话题的个数；

利用所述参与话题行为的关联矩阵X_UTU将元路径UTU从异构信息网络

中抽取出来，从而得到各个用户节点之间参与话题行为信息的同质信息网络Φ₃；

步骤3、利用图卷积网络得到用户的向量表示：

步骤3.1、对于关注信息的同质信息网络Φ₁，根据关注行为信息的关联矩阵X_UAU构造其邻接矩阵

a_i,j表示第i个用户节点u_i与第j个用户节点u_j之间是否存在关注行为，若存在，则令a_i,j＝1，否则，令a_i,j＝0；

步骤3.2、对于点赞关注行为信息的关联矩阵同质信息网络Φ₂，根据关注行为信息的关联矩阵Y_UZU构造其邻接矩阵

b_i,j表示第i个用户节点u_i与第j个用户节点u_j之间是否存在共同点赞行为，若存在，则令b_i,j＝1，否则，令b_i,j＝0；

步骤3.3、对于参与话题的同质信息网络Φ₃，根据所述参与话题行为的关联矩阵Z_UTU构造其邻接矩阵

c_i,j表示第i个用户节点u_i与第j个用户节点u_j之间是否存在共同参与话题行为，若存在，则令c_i,j＝1，否则，令c_i,j＝0；

步骤3.4、使用图卷积网络作为工具依次将同质信息网络{Φ₁,Φ₂,Φ₃}的特征矩阵和邻接矩阵作为输入，最终得到每个微博用户的特征向量表示；

步骤3.4.1、对同质信息网络Φ₁，将邻接矩阵A作为输入，得到第i个微博用户u_i的向量表示F_i(f_i1,f_i2,…,f_ik,…,f_id)，其中，f_ik表示第i个用户节点u_i向量表示中的第k个维度，k＝1,2,…,d，d是维度总数；

步骤3.4.2、对同质信息网络Φ₂，将邻接矩阵B作为输入，得到第i个微博用户u_i的向量表示G_i(g_i1,g_i2,…,g_ik,…,g_id)，其中，g_ik表示第i个用户节点u_i向量表示中的第k个维度，k＝1,2,…,d，d是维度总数；

步骤3.4.3、对同质信息网络Φ₃，将邻接矩阵C作为输入，得到第i个微博用户u_i的向量表示H_i(h_i1,h_i2,…,h_id,…,h_ik)，其中，h_ik表示第i个用户节点u_i向量表示中的第k个维度，k＝1,2,…,d，d是维度总数；

步骤4、用户间相似性的计算与融合：

步骤4.1、对于同质信息网络{Φ₁,Φ₂,Φ₃}，利用式(1)得到各同质信息网络中的用户相似性：

式(1)中，sim₁(u_i,u_j)表示在关注行为信息的同质信息网络Φ₁中，第i个用户节点u_i与第j个用户节点u_j之间的相似性；sim₂(u_i,u_j)表示在点赞行为信息的同质信息网络Φ₂中，第i个用户节点u_i与第j个用户节点u_j之间的相似性；sim₃(u_i,u_j)表示在参与话题行为信息的同质信息网络Φ₃中，第i个用户节点u_i与第j个用户节点u_j之间的相似性；

步骤4.2、利用式(2)计算第i个用户节点u_i与第j个用户节点u_j之间的综合相似度S(u_i,u_j)：

S(u_i,u_j)＝λ₁×sim₁+λ₂×sim₂+λ₃×sim₃ (2)

式(1)中，λ₁表示第i个用户节点u_i与第j个用户节点u_j之间的共同关注信息数与总关注信息数的比值；λ₂表示第i个用户节点u_i与第j个用户节点u_j之间的共同点赞信息数与总点赞信息数的比值；λ₃表示第i个用户节点u_i与第j个用户节点u_j之间的共同参与话题数与总参与话题数的比值；并有：

式(3)中，m_i、p_i、q_i分别表示第i个微博用户u_i所有的关注信息数，m_j表示第j个微博用户u_j所有的关注信息数；p_i表示第i个微博用户u_i所有的点赞行为信息数，p_j表示第j个微博用户u_j所有的点赞行为信息数；q_i表示第i个微博用户u_i所有的参与话题数，q_j表示第j个微博用户u_j所有的参与话题数；

步骤4.3、利用式(1)、式(2)和式(3)计算微博用户集U＝{u₁,u₂,…,u_i,…,u_n}中第i个微博用户u_i与任意一个微博用户之间的综合相似度

其中

表示任意一个微博用户，

步骤4.4、根据第i个微博用户u_i与其他微博用户之间的综合相似度

选取综合相似度最高的前T个微博用户作为与第i个微博用户u_i最相似的微博用户，从而将前T个微博用户推荐给第i个微博用户u_i。

与已有现有技术相比，本发明的优点效果体现在：

1、本发明将异构信息网络转化为同质信息网络，以图卷积网络为工具得到用户的向量表示，之后进行用户间相似性的计算与融合，从而有效对微博用户进行好友推荐，并提高了推荐的针对性和精确性。

2、本发明将异构信息网络应用在好友推荐中，异构信息网络对节点类型和节点间的链接关系做出区分，从而捕获了更为丰富的语义信息，相比于传统的基于同质信息网络的方法，异构信息网络的使用可以有效提高结果的准确性。

3、本发明以图卷积网络作为工具得到网络中各个用户的特征表示，它可以处理任意图结构的问题，与传统的网络嵌入技术相比，图卷积网络的训练过程更简单，得到的特征表示更为精简，大大提高了计算效率。

4、本发明使用了相似性的融合，三个同质信息网络得到的三个相似度代表了用户不同行为间的相似程度，对三个相似度进行融合使得用户间的相似程度更具说服力，同时也提高了推荐的准确性。

附图说明

图1根据本发明方法流程图；

图2根据本发明的图卷积网络结构图。

具体实施方式

本实施例中，一种基于异构信息网络的微博好友推荐方法，适用于对微博中的任意一个用户，推荐与之相似的前N个用户。首先构造所需要的异构网络数据集，接下来将异构信息网络转化为同质信息网络，利用图卷积网络得到用户的特征表示，最后进行相似性的比较和融合，进而实现微博好友推荐。具体的说，如图1所示，是按如下步骤进行：

步骤1、构建异构信息网络

获取微博用户集U＝{u₁,u₂,…,u_i,…,u_n}，其中，u_i表示微博用户集合U中的第i个微博用户，n表示微博用户总数，i＝1,2,…,n；以n个微博用户作为异构信息网络

的各个用户节点；

获取微博用户集合U的关注行为信息集A、点赞行为信息集Z和参与话题行为信息集T，并作为异构信息网络

中各个用户节点之间边的类型；

定义任意两个用户节点之间的关注信息所形成的元路径记为UAU；

定义任意两个用户节点之间的共同点赞所形成的元路径记为UZU；

定义任意两个用户节点之间的共同参与话题所形成的元路径记为UTU；

步骤2、将异构信息网络

转化为同质信息网络{Φ₁,Φ₂,Φ₃}：

步骤2.1、构造以元路径UAU为关注行为的关联矩阵

x_i,j表示第i个用户节点u_i和第j个用户节点u_j之间共同关注信息的个数；

利用关注行为信息的关联矩阵X_UAU将元路径UAU从异构信息网络

中抽取出来，从而得到各个用户节点之间关注行为信息的同质信息网络Φ₁；

步骤2.2、构造以元路径UZU为点赞行为的关联矩阵

y_i,j表示第i个用户节点u_i和第j个用户节点u_j之间点赞相同微博内容的个数；

利用点赞行为的关联矩阵Y_UZU将元路径UZU从异构信息网络

中抽取出来，从而得到各个用户节点之间点赞行为信息的同质信息网络Φ₂；

步骤2.3、构造以元路径UTU为参与话题行为的关联矩阵

z_i,j表示第i个用户节点u_i和第j个用户节点u_j之间参与相同话题的个数；

利用参与话题行为的关联矩阵X_UTU将元路径UTU从异构信息网络中抽取出来，从而得到各个用户节点之间参与话题行为信息的同质信息网络Φ₃；

如图2所示，使用图卷积网络得到每个用户生成向量表示，输入数据后，数据经过隐层的处理，用户特征被层层提取；选取RELU激活函数，其将上一层的输出传递到下一层的输入。

步骤3、利用图卷积网络得到用户的向量表示：

步骤3.1、对于关注信息的同质信息网络Φ₁，根据关注行为信息的关联矩阵X_UAU构造其邻接矩阵

a_i,j表示第i个用户节点u_i与第j个用户节点u_j之间是否存在关注行为，若存在，则令a_i,j＝1，否则，令a_i,j＝0；

步骤3.2、对于点赞关注行为信息的关联矩阵同质信息网络Φ₂，根据关注行为信息的关联矩阵Y_UZU构造其邻接矩阵

b_i,j表示第i个用户节点u_i与第j个用户节点u_j之间是否存在共同点赞行为，若存在，则令b_i,j＝1，否则，令b_i,j＝0；

步骤3.3、对于参与话题的同质信息网络Φ₃，根据参与话题行为的关联矩阵Z_UTU构造其邻接矩阵

c_i,j表示第i个用户节点u_i与第j个用户节点u_j之间是否存在共同参与话题行为，若存在，则令c_i,j＝1，否则，令c_i,j＝0；

步骤3.4、使用图卷积网络作为工具依次将同质信息网络{Φ₁,Φ₂,Φ₃}的邻接矩阵作为输入，最终得到每个微博用户的特征向量表示；

步骤3.4.1、对同质信息网络Φ₁，将邻接矩阵A作为输入，得到第i个微博用户u_i的向量表示F_i(f_i1,f_i2,…,f_id)，其中，f_ik表示第i个用户节点u_i向量表示中的第k个维度，k＝1,2,…,d，d是维度总数；

步骤3.4.2、对同质信息网络Φ₂，将邻接矩阵B作为输入，得到第i个微博用户u_i的向量表示G_i(g_i1,g_i2,…,g_id)，其中，g_ik表示第i个用户节点u_i向量表示中的第k个维度，k＝1,2,…,d，d是维度总数；

步骤3.4.3、对同质信息网络Φ₃，将邻接矩阵C作为输入，得到第i个微博用户u_i的向量表示H_i(h_i1,h_i2,…,h_id)，其中，h_ik表示第i个用户节点u_i向量表示中的第k个维度，k＝1,2,…,d，d是维度总数；

步骤4、用户间相似性的计算与融合：

步骤4.1、对于同质信息网络{Φ₁,Φ₂,Φ₃}，利用式(1)得到各同质信息网络中的用户相似性：

式(1)中，sim₁(u_i,u_j)表示在关注行为信息的同质信息网络Φ₁中，第i个用户节点u_i与第j个用户节点u_j之间的相似性；sim₂(u_i,u_j)表示在点赞行为信息的同质信息网络Φ₂中，第i个用户节点u_i与第j个用户节点u_j之间的相似性；sim₃(u_i,u_j)表示在参与话题行为信息的同质信息网络Φ₃中，第i个用户节点u_i与第j个用户节点u_j之间的相似性；

步骤4.2、利用式(2)计算第i个用户节点u_i与第j个用户节点u_j之间的综合相似度S(u_i,u_j)：

S(u_i,u_j)＝λ₁×sim₁+λ₂×sim₂+λ₃×sim₃ (2)

式(1)中，λ₁表示第i个用户节点u_i与第j个用户节点u_j之间的共同关注信息数与总关注信息数的比值；λ₂表示第i个用户节点u_i与第j个用户节点u_j之间的共同点赞信息与总点赞信息的比值；λ₃表示第i个用户节点u_i与第j个用户节点u_j之间的共同参与话题与总参与话题的比值；并有：

式(3)中，m_i、p_i、q_i分别表示第i个微博用户u_i所有的关注信息数，m_j表示第j个微博用户u_j所有的关注信息数；p_i表示第i个微博用户u_i所有的点赞行为信息数，p_j表示第j个微博用户u_j所有的点赞行为信息数；q_i表示第i个微博用户u_i所有的参与话题数，q_j表示第j个微博用户u_j所有的参与话题数；

步骤4.3、利用式(1)、式(2)和式(3)计算微博用户集U＝{u₁,u₂,…,u_i,…,u_n}中第i个微博用户u_i与任意一个微博用户之间的综合相似度其中

表示任意一个微博用户，

步骤4.4、根据第i个微博用户u_i与其他微博用户之间的综合相似度

选取综合相似度最高的前T个微博用户作为与第i个微博用户u_i最相似的微博用户，从而将前T个微博用户推荐给第i个微博用户u_i。

Claims (1)

1.一种基于异构信息网络的微博好友推荐方法，其特征是按如下步骤进行：

步骤1、构建异构信息网络

获取微博用户集U＝{u₁,u₂,…,u_i,…,u_n}，其中，u_i表示所述微博用户集合U中的第i个微博用户，n表示微博用户总数，i＝1,2,…,n；以n个微博用户作为所述异构信息网络

的各个用户节点；

获取微博用户集合U的关注行为信息集A、点赞行为信息集Z和参与话题行为信息集T，并作为所述异构信息网络

中各个用户节点之间边的类型；

定义任意两个用户节点之间的关注信息所形成的元路径记为UAU；

定义任意两个用户节点之间的共同点赞所形成的元路径记为UZU；

定义任意两个用户节点之间的共同参与话题所形成的元路径记为UTU；

步骤2、将所述异构信息网络

转化为同质信息网络{Φ₁,Φ₂,Φ₃}：

步骤2.1、构造以元路径UAU为关注行为的关联矩阵

x_i,j表示第i个用户节点u_i和第j个用户节点u_j之间共同关注信息的个数；

利用所述关注行为信息的关联矩阵X_UAU将元路径UAU从异构信息网络

中抽取出来，从而得到各个用户节点之间关注行为信息的同质信息网络Φ₁；

步骤2.2、构造以元路径UZU为点赞行为的关联矩阵

y_i,j表示第i个用户节点u_i和第j个用户节点u_j之间点赞相同微博内容的个数；

利用所述点赞行为的关联矩阵Y_UZU将元路径UZU从异构信息网络

中抽取出来，从而得到各个用户节点之间点赞行为信息的同质信息网络Φ₂；

步骤2.3、构造以元路径UTU为参与话题行为的关联矩阵z_i,j表示第i个用户节点u_i和第j个用户节点u_j之间参与相同话题的个数；

利用所述参与话题行为的关联矩阵X_UTU将元路径UTU从异构信息网络中抽取出来，从而得到各个用户节点之间参与话题行为信息的同质信息网络Φ₃；

步骤3、利用图卷积网络得到用户的向量表示：

步骤3.1、对于关注信息的同质信息网络Φ₁，根据关注行为信息的关联矩阵X_UAU构造其邻接矩阵

a_i,j表示第i个用户节点u_i与第j个用户节点u_j之间是否存在关注行为，若存在，则令a_i,j＝1，否则，令a_i,j＝0；

步骤3.2、对于点赞关注行为信息的关联矩阵同质信息网络Φ₂，根据关注行为信息的关联矩阵Y_UZU构造其邻接矩阵

b_i,j表示第i个用户节点u_i与第j个用户节点u_j之间是否存在共同点赞行为，若存在，则令b_i,j＝1，否则，令b_i,j＝0；

步骤3.3、对于参与话题的同质信息网络Φ₃，根据所述参与话题行为的关联矩阵Z_UTU构造其邻接矩阵

c_i,j表示第i个用户节点u_i与第j个用户节点u_j之间是否存在共同参与话题行为，若存在，则令c_i,j＝1，否则，令c_i,j＝0；

步骤3.4、使用图卷积网络作为工具依次将同质信息网络{Φ₁,Φ₂,Φ₃}的特征矩阵和邻接矩阵作为输入，最终得到每个微博用户的特征向量表示；

步骤3.4.1、对同质信息网络Φ₁，将邻接矩阵A作为输入，得到第i个微博用户u_i的向量表示F_i(f_i1,f_i2,…,f_ik,…,f_id)，其中，f_ik表示第i个用户节点u_i向量表示中的第k个维度，k＝1,2,…,d，d是维度总数；

步骤3.4.2、对同质信息网络Φ₂，将邻接矩阵B作为输入，得到第i个微博用户u_i的向量表示G_i(g_i1,g_i2,…,g_ik,…,g_id)，其中，g_ik表示第i个用户节点u_i向量表示中的第k个维度，k＝1,2,…,d，d是维度总数；

步骤3.4.3、对同质信息网络Φ₃，将邻接矩阵C作为输入，得到第i个微博用户u_i的向量表示H_i(h_i1,h_i2,…,h_id,…,h_ik)，其中，h_ik表示第i个用户节点u_i向量表示中的第k个维度，k＝1,2,…,d，d是维度总数；

步骤4、用户间相似性的计算与融合：

步骤4.1、对于同质信息网络{Φ₁,Φ₂,Φ₃}，利用式(1)得到各同质信息网络中的用户相似性：

式(1)中，sim₁(u_i,u_j)表示在关注行为信息的同质信息网络Φ₁中，第i个用户节点u_i与第j个用户节点u_j之间的相似性；sim₂(u_i,u_j)表示在点赞行为信息的同质信息网络Φ₂中，第i个用户节点u_i与第j个用户节点u_j之间的相似性；sim₃(u_i,u_j)表示在参与话题行为信息的同质信息网络Φ₃中，第i个用户节点u_i与第j个用户节点u_j之间的相似性；

步骤4.2、利用式(2)计算第i个用户节点u_i与第j个用户节点u_j之间的综合相似度S(u_i,u_j)：

S(u_i,u_j)＝λ₁×sim₁+λ₂×sim₂+λ₃×sim₃ (2)

式(1)中，λ₁表示第i个用户节点u_i与第j个用户节点u_j之间的共同关注信息数与总关注信息数的比值；λ₂表示第i个用户节点u_i与第j个用户节点u_j之间的共同点赞信息数与总点赞信息数的比值；λ₃表示第i个用户节点u_i与第j个用户节点u_j之间的共同参与话题数与总参与话题数的比值；并有：

式(3)中，m_i、p_i、q_i分别表示第i个微博用户u_i所有的关注信息数，m_j表示第j个微博用户u_j所有的关注信息数；p_i表示第i个微博用户u_i所有的点赞行为信息数，p_j表示第j个微博用户u_j所有的点赞行为信息数；q_i表示第i个微博用户u_i所有的参与话题数，q_j表示第j个微博用户u_j所有的参与话题数；

步骤4.3、利用式(1)、式(2)和式(3)计算微博用户集U＝{u₁,u₂,…,u_i,…,u_n}中第i个微博用户u_i与任意一个微博用户之间的综合相似度

其中表示任意一个微博用户，

步骤4.4、根据第i个微博用户u_i与其他微博用户之间的综合相似度

选取综合相似度最高的前T个微博用户作为与第i个微博用户u_i最相似的微博用户，从而将前T个微博用户推荐给第i个微博用户u_i。

Images