[发明专利]一种基于社交网络的信息推荐方法

说明书

技术领域

本发明涉及网络信息技术领域，尤其涉及到一种能够基于社交网络的信息推荐方法。

背景技术

互联网的飞速发展和不断增长的信息资源使得信息指数激增，信息服务领域面临着“信息资源丰富，但获取有利用价值的信息困难”的问题，给人们带来很大的信息负担。一方面，网络上出现大量数据资源导致的“信息过载”现象（information overload）；另一方面，用户无法获取自己需要的信息资源。推荐系统（recommendation systems）作为一种以“信息推送”模式服务的重要方法，是解决信息过载问题的主要手段，它能够以用户为中心在分析预测用户需求的基础上主动给用户推送其可能需要但又难以获取的信息，通过根据用户的不同环境场合下的行为特征为用户推荐更具有利用价值的信息资源。

伴随着互联网发展的还有社交网络的飞速扩增。社交网络通过互联网把具有相同爱好甚至是互不相识的人们连接起来，从而形成具有某一特点的团体。社交网络是一个能够互相沟通和交流并且能够参与互动的平台，它从研究部门、学校、政府、商业应用平台扩展成一个人类社会交流的工具。因为互联网是虚拟的，人们千方百计地隐瞒自己在网络中的真实身份，这不仅带来了大量的虚假信息，而且使人们之间的信任程度越来越低，沟通变得更加困难。社交网络采用真实信息注册，增强了网络用户的身份真实性和行为可信性，极大地保障了系统中信息安全和用户交互的可靠性、地域性和实时性，使人们能更放心、更轻松的与其他人进行交流，同时也带来了全新的用户体验。通过社交网络，他们会主动公布自己的特点和偏好，积极提供并注释各种资源（比如图片、视频）或分享他们的知识。例如，用户可以通过豆瓣来分享图书，通过Facebook进行网络社交和分享照片，通过Twitter发送微博，通过Flickr发布照片，通过YouTube上传视频等。越来越流行的社交网络悄悄的改变着人们的生活方式和价值取向。

目前，经常使用的推荐方法包括以下几种：

1）基于关联规则的推荐方法，它根据用户交易数据，生成关联规则，并结合用户当前购买行为提出建议，购物车分析是关联规则最典型的应用。基于关联规则的推荐方法通用性比较强，可以应用于多种领域，但关联规则抽取难、消耗的时间多，随着关联规则数量不断增多，系统也变的难以管理。

2）基于内容的推荐方法，它主要侧重于信息资源项目的内容分析及其用户偏好模型的构建，推荐功能是通过比较资源与用户偏好的相似度来实现的。基于内容的推荐技术虽然有直观的结果，简单的计算，迅速的响应时间，良好的可解释性，能解决冷启动和数据稀疏的问题。但是，仍然具有一定的局限性：可以分析项目的内容是有限的，仅是可以通过一系列的特征集合表示的信息，并不能有效地处理诸如声音、图片、视频等多媒体信息；用户可以接收和过去喜好推荐类似的项目，但不能为用户发现新的感兴趣的商品，推荐内容单一；无法处理品质、风格或观点。

3）协同过滤推荐方法，它是目前推荐信息系统中最成功的技术，协同过滤的基本思想是利用用户或项目之间的相似度进行推荐或预测，该方法找出一群具有相同偏好的用户群，然后分析用户的共同偏好来对目标用户进行推荐。协同过滤算法的优点在于它并不关注项目本身的内容，主要是根据用户或项目相似度来推荐资源，系统只需要获得足够的项目评价就可以可靠的进行项目推荐。但是，协同过滤算法的缺点也非常明显，即“冷启动”问题、数据稀疏问题、可扩展性问题等。

社交网络的发展为个性化推荐提供了良好的渠道，本发明将用户间的信任度量、社交网络方式和个性化推荐技术有机结合，提出了一种基于社交网络的信息推荐方法来构造一个高效率、高精确度的推荐系统。

发明内容

为解决上述技术问题，本发明提供一种基于社交网络的信息推荐方法，其采用的技术方案如下：

一种基于社交网络的信息推荐方法，其步骤如下：

步骤1：计算用户之间的信任度和相似性，使用加权值来构建用户关系矩阵；

步骤2：使用社区发现算法对用户进行聚类，形成用户最近邻居集；

步骤3：预测评分并生成推荐列表。

构建用户-评分矩阵R_m×n：

m代表用户的个数，n代表项目的个数，r_ij代表用户i对项目j的评分。

在填充的用户-评分矩阵R_m×n的基础上，用Pearson相关性来计算用户之间的相似度，构建用户-用户相似性矩阵S：