[发明专利]一种社交网络推荐系统及方法

权利要求书

1.一种社交网络推荐系统，其特征在于，该系统包括：

并行数据获取模块，并行获取必要的社交网络数据，实时获取用户间的交互信息，并存储所获取的数据集；

用户间链接强度计算模块，基于所述并行数据获取模块所获取的用户间的交互信息进行用户间的链接强度的并行计算；

并行化社区发现模块，根据所述用户间链接强度计算模块计算出的用户间的链接强度，结合相应的聚类算法，对并行数据获取模块所获取的数据集实现并行化的社区发现；

基于社区发现结果的潜在信息分析与推荐模块，在并行化社区发现模块社区发现结果的基础上，分析用户潜在的信息，分析特定社区的成因结构特性、关键用户以及分析关键词在社区间的分布特性，对社交网络中的用户，综合其个体信息及所在社区信息进行推荐；

其中，

所述用户间链接强度计算模块按照如下公式计算用户间的链接强度w_ij：

wij=Σq=13kq(1-exp(-rq))]]>

其中，w_ij为用户i与用户j间的链接强度，r_q,q＝1,2,3分别表示用户i与用户j之间的好友关系，用户i与用户j之间@的次数以及用户i与用户j之间评论的次数，k_q表示用户i与用户j之间的各种交互信息的权重；

所述并行化社区发现模块根据所述用户间链接强度计算模块计算出的用户间的链接强度，结合相应的聚类算法，对并行数据获取模块所获取的数据集实现并行化的社区发现指：

将并行计算的用户间的链接强度组成的邻接矩阵分割到各个计算节点上，并行计算其度矩阵和Laplacian矩阵；

对Laplacian矩阵进行特征值和特征向量的并行Lanczos数值求解，得到矩阵前K个最大特征值和对应的特征向量；

将得到的特征向量排成一行，构造出特征向量矩阵U，并对其进行归一化，得到规范化特征向量矩阵Y；

再对规范化的特征向量矩阵Y进行特征提取，将每行看作一个点，代表原来的抽象个体的欧式空间映射，采用基于距离的聚类方法将其聚类成K类；

根据点的对应关系，将原来的社区中的个体等价地划为K类，完成社区的分类。

2.如权利要求1所述的系统，其特征在于，所述必要的社交网络数据包括如下任一种或几种：

用户信息、关注列表、粉丝列表、@信息、话题信息、标签信息、博文消息列表与评论列表。

3.如权利要求1或2所述的系统，其特征在于，所述用户间链接强度计算模块进行用户间的链接强度的并行计算的过程如下：

对所述并行数据获取模块所获取的整个数据集中的用户ID进行取模运算，得到的模数为集群计算节点数；

根据计算得到的各用户对应的模值，将用户数据分割到对应的计算节点，并行计算用户间的链接强度。