[发明专利]一种融合用户社交圈相似度的好友推荐方法

说明书

技术领域

本发明涉及数据挖掘和推荐系统领域，特别是涉及一种融合用户社交圈相似度的好友推荐方法。

背景技术

随着Web2.0的发展，社交网络成为Web2.0模式发展中出现的一个典型应用，个性化推荐技术也在社交网络中得到了广泛的应用。社交网络也即是社会网络服务(Social Network Service，SNS)，直观的讲可以说是基于网络的社交，其发展大致可分为：E-mail，BBS，BLOG，Facebook/人人网等个阶段。在社交网络中，用户通过添加好友，关注机制等方式进行互动交流以及信息分享，而相互之间添加好友必然使用户之间产生一种联系，随着时间的发展，用户与其好友以及好友的好友之间共同形成了一种好友社交网络，从中我们可以了解到用户的兴趣爱好，信息分享、交流情况以及其活跃程度等等。另外，由于社交网络中的用户基数比较大，而且网络中的用户大多是相互之间缺乏了解和信任的陌生人，因此不可能随意形成好友关系，这些都是在社交网络中进行好友推荐时必须要考虑的问题。

作为推荐系统的核心组成部分，推荐算法的研究不断受到学者们的关注，各种推荐算法层出不穷，然而推荐算法都有一定的局限性，且推荐的大多是具有“物性”的对象，而有关社交网络用户或好友的推荐方面的研究则相对较少。即便在现有的好友推荐算法中，大多是通过一定的方法如用户链结信息、用户话题偏好等构建好友推荐模型，两个用户越相似，他们就越有可能成为好友，主要包括以Saltonx相似系数、Jaccard相似系数为代表的基于共同邻居的相似性指标，以Adamic-Adar为代表的基于节点相似度的相似性指标；同时，还包括基于随机游走的SimRank指标等算法。由此可见，传统的用户推荐方法主要以个体相似度为基础进行推荐，极少考虑社区因素的影响。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种融合用户社交圈相似度的好友推荐方法。该方法通过对用户社交圈进行识别、计算社交圈相似度产生初始推荐列表、计算用户相似度产生最终推荐列表，同时运用用户社交圈的信息和用户自身信息提高推荐精度。

为了实现本发明的上述目的，本发明提供了一种融合用户社交圈相似度的好友推荐方法，包括如下步骤：

S1：采集用户信息；

S2：利用S1中采集的用户信息，对用户社交圈进行识别；

S3：计算用户社交圈相似度，并进行交圈相似度排序；

S4：利用S3中得到的交圈相似度排序，结合用户属性，计算用户相似度；

S5：对S4得到的用户相似度将进行排序，得到对应用户的好友推荐列表。

由于社交网络中用户基数会随着时间推移，变得相当庞大，而用户推荐要求具有一定的实时性。为了快速的得到用户社交圈相似度排名，S2中选用Fast Unfolding方案。模块度(modularity)指的是网络中连接社区结构内部顶点的边所占的比例，减去在同样的社团结构下任意连接这两个节点的比例的期望值。通过模块度的可以刻画这样的划分的优劣，模块度越大，则社交圈划分的效果越好，模块度的计算其公式为：

其中，A_i,j表示的是顶点i和顶点j之间的权重，m是网络的连边数，P_i,j表示的是与顶点i与顶点j连接的边数的期望值，c_i表示的是顶点被分配到的社区，δ(c_i,c_j)用于判断顶点i与顶点j是否被划分在同一个社区中，若是，则返回1，否则，返回0。

上述S2步骤中对用户社交圈进行识别包括以下步骤：

S21：以每个用户为一个节点，初始化节点，以一个节点表示一个用户，用边表示用户的关系，用户间有过联系，则视为有关系；边的权重表示联系的次数。

S22：将每个节点划分到与其相邻的节点所在的社区中，计算模块度Q，使得模块度Q达到最大。

S23：将S22中划分的社区聚合成为一个点，根据生成的社区结构重新构造网络。

S24：重复S22、S23的步骤，直到网络中的结构不再改变为止，识别出用户的社交圈。

上述步骤S3中计算用户社交圈相似度的公式为