[发明专利]基于复杂网络图嵌入的好友关注度度量排序方法及系统

权利要求书

1.基于复杂网络图嵌入的好友关注度度量排序方法，其特征在于：包括以下步骤：

S1：获取一种带有评分机制的数据集并清洗该数据集；

S2：通过用户间的社交关系以及用户自身的历史记录，以用户及其评价行为作为节点、用户间的好友关系作为连边，构建出超图网络；

S3：基于LBSN2vec算法生成用户特征向量与物品特征向量；

S4：通过改进后的OLA-srec模型计算出对每个好友的关注度；

S5：根据用户对每个好友的关注度大小，对用户好友进行排序，同时由关注度的正负来计算相应用户的最优好友数量。

2.如权利要求1所述的基于复杂网络图嵌入的好友关注度度量排序方法，其特征在于：所述步骤S1包括：对获取的数据集文件进行清洗操作，使用交叉筛选技术来删除朋友数量过少的冷启动用户和朋友数量过多的名人用户，具体操作为：首先删除当前不满足条件的用户；接着检查是否出现不满足条件的用户，再删除新出现的不满足条件的用户；反复迭代，直至不再出现不满足条件的用户。

3.如权利要求1所述的基于复杂网络图嵌入的好友关注度度量排序方法，其特征在于：所述步骤S2包括：

首先根据用户的好友关系作为连边来构建用户的社交网络，网络中的每个节点代表用户，然后在用户节点的基础上插入用户的行为历史记录节点，形成与相应的用户节点形成一种超图边；其中超图边上的用户行为历史记录节点对应用户曾经的某个具体行为。

4.如权利要求1所述的基于复杂网络图嵌入的好友关注度度量排序方法，其特征在于：所述步骤S3包括：

S3.1：基于一种即走即停的随机游走采样算法，采样相应数量的超边，在用户的好友边上执行经典随机游走算法，与此同时从对应的用户行为超边上采样行为历史节点，其中，用户的好友边是指当前用户与其存在交互的用户节点所构成的连边，用户行为边是指当前用户与其相应的行为节点所构成的连边，此外，使用可调参数α控制每种类型边的比例，由此得到超边样本训练集，

E_s＝2W (1)

E_fr＝2Wα (2)

E_fi＝2W(1-α) (3)

其中E_s是所有边的数量，E_fr为朋友边的数量，E_fi为用户行为边的数量，W为滑动窗口的长度；

S3.2：在步骤S3.1得到的超边训练集上使用LBSN图嵌入和梯度下降算法得到用户特征向量和行为特征向量，在余弦坐标系下，通过最小化超图节点与最佳拟合向量之间的误差来保持n个节点的接近性，(4)式为优化目标函数，

其中是当前的用户节点向量，为最佳拟合向量，Θ为当前的优化目标；

此外，使用了负采样技术，即加入负样本节点和拟合直线之间的最大余弦值，因此在采集到的n个节点的优化函数更正如下：

其中γ表示负样本数，为的期望，为负采样得到的节点向量，之后，再对式(6)的目标函数使用随机梯度下降算法进行优化求解，

式(7)和式(8)为随机梯度下降算法中对应的向量梯度。