[发明专利]一种基于择友偏好和矩阵分解的潜在好友推荐方法

说明书

本发明公开了一种基于择友偏好和矩阵分解的潜在好友推荐方法，包括根据用户间的表态数据，通过矩阵分解，以排序学习为模型学习用户的择友偏好，进行用户间的表态估计，融合用户间双向推荐的结果，最终向用户推荐可能成为好友的陌生人。本方法通过用户热门程度的筛选，能有效缓解传统基于矩阵分解的推荐算法中由于用户表态评分矩阵的稀疏性问题，并实现数据降维，而综合考虑双向推荐的结果，能进一步提高陌生潜在好友推荐的精度。

技术领域

本发明涉及互联网领域，具体涉及一种基于择友偏好和矩阵分解的潜在好友推荐方法。

背景技术

在移动互联网极大的方便了人们生活的今天，体量庞大的信息数据也给用户带来了选择上的困惑。如电商网站使用用户的购物记录给用户推荐相似的商品，微博根据用户间的社交关系给用户推荐可能认识的人。推荐系统的应用为人们进行了数据的筛选，帮助人们更高效的实现需求。

而社交系统由于移动互联网的出现，人们开始可以方便的获得基于自己地理位置附近的陌生人的信息，与附近的人建立社交关系，而不局限于现有人脉。然而，现阶段目前大部分的社交系统是基于线下熟人关系圈，主要是根据用户在现实的社交关系推荐已经认识的熟人或者是可能认识的同一组织的人。而且相对有限的，关联性强的基于现实社交的推荐系统对于体量庞大的陌生人数据，并不能有效的筛选出潜在的可能成为好友的陌生人进行推荐。

发明内容

为了克服现有技术缺乏对基于地理位置和陌生人社交的反映择友偏好的缺陷，提供一种基于择友偏好和矩阵分解的潜在好友推荐方法。

本发明采用如下技术方案：

一种基于择友偏好和矩阵分解的潜在好友推荐方法，包括如下步骤：

S1设置地理围栏，获取围栏内用户对其他用户的历史表态操作数据，建立表态矩阵，统计历史表态操作数据得到用户的“被喜欢”数和“被喜欢”率作为用户热门程度的参考依据；

S2根据用户热门程度将表态矩阵构建出多个子表态矩阵；

S3对子表态矩阵进行矩阵分解得到分解矩阵，进一步进行训练得到潜在特征矩阵；

S4根据潜在特征矩阵，预测当前用户对其他用户的单向表态评分；

S5综合当前用户对其他用户的单向表态评分，和其他用户对当前用户的单向表态评分，然后使用用户热门程度对评分进行加权，产生当前用户的推荐用户列表。

所述S1具体为：获取用户对其他用户的历史表态操作数据及位置坐标，对坐标在地理围栏内的用户建立男性用户对女性用户的表态进行记录，得到M性别用户-F性别用户表态矩阵，以及女性用户对男性用户的表态记录，进一步得到F性别用户-M性别用户表态矩阵，“喜欢”表态记录为1，“不喜欢”表态记录为0，未进行表态记录为空白，然后统计每个用户的“被喜欢”数量N和“被喜欢”率r。

所述S2中，在当前地理围栏内，对“被喜欢”数N进行阈值过滤删除历史数据积累少的用户，然后按照“被喜欢”率r按照将当前地理围栏内的用户表态矩阵划分为多个子表态矩阵，降低矩阵维度。

所述S3具体如下：

S3.1一对用户间的喜恶表态用两个低维的向量p_i和q_j的内积来描述，预测公式如下

其中表示用户i对用户j的表态评分，p_i表示用户j对其他用户偏好的潜在特征向量，q_j表示其他用户对用户j的偏好潜在特征向量；

S3.2步骤S2获得的子表态矩阵记录当前地理围栏内被喜欢率r相近的一类性别用户对另一类性别用户的历史喜恶表态，子表态矩阵R按S3.1方法分解成一对特征矩阵，分别是表态用户特征矩阵P和被表态的用户特征矩阵Q；