社交网络中的潜在好友推荐方法

摘要

本发明通过两层模型实现对潜在好友的推荐。第一层首先是对每个用户的文章进行主题分类，构建出用户关注度向量，计算用户的余弦(cosine)相似度，获得粗略潜在好友推荐列表。第二层将用户随时间的兴趣变化计入考虑，将变化因素考虑到相似度计算中，再基于第一层的粗化推荐表进一步细化好友推荐。由于利用了文章反映用户兴趣这一特征，从相似兴趣度出发，绕过了现有社交网络基于用户原有好友关系的限制，实现了基于兴趣相似度的好友推荐方法，拓展了好友推荐的范围，进而在大范围中更准确有效地实现好友的推荐。

主权项

一种社交网络中的潜在好友推荐方法，包括如下步骤：S01：从社交网络服务器上获得每位用户在一年内发表的所有文章，并进行存储记录；S02：统计每位用户在每个主题下的文章总数；完成步骤S02后，分别进行步骤S03和S04，完成步骤S04后，实施步骤S05，其中：S03：利用余弦定理依据以下公式计算用户间的粗略相似度：${\mathrm{similarity}}_{(i,j)}=\frac{\underset{t=1}{\overset{k}{\Sigma }}{n}_{(i,t)}\times n_{(j,t)}}{\sqrt{{n_{(i,1)}}^2+{n_{(i,2)}}^2+...+{n_{(i,k)}}^2}\sqrt{{n_{(j,1)}}^2+{n_{(j,2)}}^2+...+{n_{(j,k)}}^2}}$其中，similarity_(i,j)为用户i与用户j的粗略相似度，k为主题的数量，n_i，t表示用户i在主题t下发表的文章数，n_j，t表示用户j在主题t下发表的文章数；对于一个特定的用户，对其他用户依据其与该特定的用户之间粗略相似度similarity_(i,j)的大小进行排列，选出相似度最高的x个用户作为该特定的用户的潜在用户粗略推荐表；S04：根据每个用户每个月在k个主题下发表的文章数，依据以下公式计算第m月与第m+1月之间的差异dif_i[m]：${\mathrm{dif}}_i\left[m\right]=1-\frac{\underset{t=1}{\overset{k}{\Sigma }}{n}_{(i,m+1,t)}\times n_{(j,m,t)}}{\sqrt{n_{(i,m+\mathrm{1,1})}^2+n_{(i,m+\mathrm{1,2})}^2+...+n_{(i,m+1,k)}^2}\times \sqrt{n_{(i,m,1)}^2+n_{(i,m,2)}^2+...+n_{(i,m,k)}^2}}$进而依据以下公式计算x个用户中每个用户在一年中的兴趣变化敏感度λ_i：${\lambda }_i=\frac{\underset{i=1}{\overset{11}{\Sigma }}{\mathrm{dif}}_i\left[m\right]}{11}$S05：统计文章的发表时间，通过以下公式计算主题t中两个用户的相似度sim_t(i,j)：${\mathrm{sim}}_t(i,j)=\frac{{\Sigma }_{b=1}^{\left|n_{(i,t)}\right|}{\Sigma }_{a=1}^{\left|n_{(j,t)}\right|}{e}^{-\lambda (\mathrm{time}\left(a\right)-\mathrm{time}\left(b\right))}}{\left|n_{(i,t)}\right|\times \left|n_{(j,t)}\right|}$其中，n_(i,t)与n_(j,t)分别为主题t中用户i、用户j各自拥有的文章总数，λ为敏感因子，所述敏感因子λ通过以下公式计算得到：$\lambda =\frac{({\lambda }_i+{\lambda }_j)}{2}$最终，通过以下公式获得两个用户间的细化相似度sim(i,j)$\mathrm{sim}(i,j)=\frac{{\Sigma }_{t=1}^{k-1}{\mathrm{sim}}_t(i,j)*(n_{(i,t)}+n_{(j,t)})}{{\Sigma }_{t=1}^{k-1}(n_{(i,t)}+n_{(j,t)})}$完成S03和S05后，实施以下步骤：S06：对于该特定的用户，将其粗略推荐列表中的x个用户依据其与该特定的用户之间的细化相似度sim(i,j)的大小进行排列，获得最终的推荐列表，从而向该特定的用户提供该最终的推荐列表。