[发明专利]一种基于相似社区的舆情个性化推荐算法

说明书

本发明提出了一种基于相似社区的舆情个性化推荐算法，包括如下步骤：基于相似社区的思想，通过基于图计算相似社区的发现和数据挖掘，分析提取用户特征，形成相似用户的“邻居”集。其中，根据上述特征来计算用户之间的相似度。根据余弦相似性、相关相似性等方法求出相似度值，进而排序形成目标用户的最近“邻居”集。根据该“邻居”用户进行推荐。其中，根据其“邻居”集中的用户对舆情话题进行预测评价，将评价高的舆情话题推荐给用户。一种基于相似社区的舆情个性化推荐算法实现了通过提取相似社区的用户特征，形成相似用户的“邻居”集，利用相似用户群体兴趣以及行为的协同过滤方法对“邻居”用户进行推荐，从而提高了内容推荐的精确度，同时也扩展了内容覆盖面。

技术领域

本发明涉及图计算、社区网络、数据挖掘和个性化推荐，具体涉及到一种基于相似社区的舆情个性化推荐算法。

背景技术

在社区网络中用户面对众多繁杂的舆情信息和资源，如何快速便捷地获得自己感兴趣的舆情信息非常重要，这时用户就迫切需要一种适合自己的舆情个性化信息推荐服务。所谓个性化推荐服务就是根据用户的信息需求、兴趣和行为模式等，将用户感兴趣的信息、产品和服务推荐给用户的信息服务。

个性化推荐算法可以分为基于规则的算法和基于内容过滤的算法等。基于规则的算法，规则可以由用户定制，也可以利用基于相关规则的挖掘技术来发现，推荐信息依赖于规则的质量和数量。此算法的优点是简单、直接，缺点是随着规则数量的增多，系统将变得越来越难以管理。基于内容的过滤算法是利用资源与用户兴趣的相似性来过滤信息，此算法优点是简单、有效，缺点是不能为用户发现新的感兴趣的内容。

相较于其他个性化推荐算法，基于相似社区的个性化推荐算法可以通过对相似用户群体的划分，借助“邻居”用户群来实现信息筛选，有效提高内容推荐的精确度，同时也扩展了所推荐信息的覆盖面。

综上所述，基于相似社区的舆情个性化推荐算法的基本思想为：通过基于图计算相似社区的发现和数据挖掘，提取用户特征，分析用户行为以及兴趣爱好等基本属性，通过相应的相似度计算公式计算用户之间的相似性，形成相似用户的“邻居”集，利用兴趣相投、拥有共同经验之群体的喜好来对该“邻居”用户进行推荐。

发明内容

为解决现有技术中的缺点和不足，本发明提出了一种基于相似社区的舆情个性化推荐算法，通过基于图计算相似社区的发现和数据挖掘，可以对相似社区的用户进行特征的提取，分析用户对某舆情话题的历史浏览行为信息或评价，以及用户的基本属性(包括年龄、性别、兴趣爱好)，通过相应的相似度计算公式计算用户之间的相似性，形成相似用户的“邻居”集。根据该“邻居”用户进行推荐。协同过滤的算法即利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的舆情信息，个人通过合作的机制给予信息相当程度的回应(如评价)，并记录下来以达到过滤的目的进而帮助别人筛选信息。

本发明的技术方案为：

a.数据初始化。数据初始化主要是将用户对舆情话题的评价数据进行初始化。构建用户和舆情话题的关系矩阵，即评价矩阵，同时去除冗余项目。

b.最近邻居集的形成。根据上述关系来计算用户之间的相似度。根据余弦相似性、相关相似性等方法求出相似度值，进而排序形成目标用户的最近“邻居”集。

c.预测评价及产生推荐结果。通过相似度高低可以获得目标用户的“邻居”集，然后根据其“邻居”集中的用户对舆情话题进行预测评价，将评价高的舆情话题推荐给用户。

本发明的有益效果：

(1)构建基于图计算相似社区的发现和数据挖掘，通过提取相似社区的用户特征，形成相似用户的“邻居”集，实现对该“邻居”用户更精准的舆情信息推荐；

(2)本方法通过基于相似用户群体兴趣以及行为的协同过滤方法用于个性化推荐，从而提高了内容推荐的精确度，同时也扩展了内容覆盖面。

附图说明