[发明专利]一种基于社会网络结构的并行推荐方法

说明书

一种基于社会网络结构的并行推荐方法，包括如下步骤：1)根据活跃节点选择策略，选取k个活跃节点作为中心节点；2)以k个中心节点为初始聚类中心，对剩余的所有节点进行聚类，将所有节点划分为以k个中心节点为中心的k个社区；3)根据上一步得到的k个社区，使用SimRank算法分别计算每个社区内所有用户间的相似度；4)计算与某用户最为相似的用户列表；5)重复4)得到任意用户的相似用户列表；6)对于目标用户，分析其相似用户列表中用户的兴趣喜好对目标用户进行个性化推荐。本发明提供一种有效性良好、在大数据集下具有较好的处理效率的基于社会网络结构的并行推荐方法。

技术领域

本发明属于网络推荐技术领域，尤其是一种基于社会网络结构的并行推荐方法。

背景技术

根据用户的信息要求、兴趣等，将用户可能感兴趣的信息、产品等推荐给用户，就是个性化信息推荐。推荐是解决信息超载问题的一个非常有效方法。推荐系统通过探究用户的兴趣偏好，进行个性化计算，由系统自动发掘用户的兴趣点，从而引导用户挖掘自己所需要的信息。个性化推荐方法是研究推荐系统的关键技术。目前，推荐技术主要可以分为三类：一是基于内容的推荐，它是根据用户的内容特征提取用户的兴趣资料对用户进行推荐；二是协同过滤技术，它分析用户兴趣，在用户群中找到指定用户的相似(兴趣)用户，综合相似用户对某一信息的评价，对指定用户进行推荐。三是混合推荐，即将各种推荐技术相结合进行最终推荐，典型的做法是把基于内容的推荐和协同过滤技术相结合。

目前，协同过滤推荐技术是应用最为广泛，并且最为成功的推荐技术。它一般可分为两类：基于用户的协同过滤推荐和基于项目的协同过滤推荐。前者主要计算用户之间的相似性，它认为相似的用户具有相同的兴趣爱好。而后者主要计算项目之间的相似性，它认为人们可能更加青睐于那些与他们喜欢的物品相似的东西。协同过滤技术可以为用户发现新的兴趣，然而协同过滤存在数据稀疏、冷启动和可扩展性等问题。目前，业界主要研究的是协同过滤技术，以及以协同过滤技术为主的混合推荐，主要目的在于解决协同过滤存在的问题，并提高推荐的效率、准确性和多样性。

社会网络是现实社会关系的真实反映，由于社会网络拥有庞大的用户群体，用户频繁地更新自己的信息，造成社会网络每天都会产生大量的用户数据。如何从这些用户数据中发现深层次的有用信息，来更准确地挖掘用户的兴趣爱好，实现真正意义上的个性化推荐是随着社交网络、电子商务等网络技术的飞速发展以后个性化推荐的一个显著特征和研究热点。此外，由于社会网络产生了超大规模的数据集，如何有效处理这种大规模的数据集也成为目前个性化推荐的一个较为严峻的挑战。

发明内容

为了克服已有协同过滤推荐技术的有效性较差、在大数据集下处理速度较慢的不足，本发明提供一种有效性良好、在大数据集下具有较好的处理效率的基于社会网络结构的并行推荐方法。

本发明解决其技术问题所采用的技术方案是：

一种基于社会网络结构的并行推荐方法，所述推荐方法包括如下步骤：

1)根据活跃节点选择策略，选取k个活跃节点作为中心节点；

2)以k个中心节点为初始聚类中心，对剩余的所有节点进行聚类，将所有节点划分为以k个中心节点为中心的k个社区；

3)根据上一步得到的k个社区，使用SimRank算法分别计算每个社区内所有用户间的相似度，过程如下：

3.1)节点p和节 点q的相似性通过所有p的入邻居节点和q的入邻居节点之间的相似性的平均值来衡量，如果用s(p,q)表示节点p和节 点q的相似性，那么SimRank的数学表达式写成如下形式：

其中c是一个0-1之间的常量，当或者时，s(p,q)＝0

3.2)假设第t次迭代的SimRank值为s^t(p,q)，SimRank值初始化为：