基于偏好模型的社会化过滤方法

摘要

本发明公开了一种基于偏好模型的社会化过滤方法，主要解决现有技术针对用户比较多，社交关系复杂的情况，过滤方法准确性不高的问题，其实现方案是：通过分析组员之间社会化关系，计算组员对组的影响因子；通过分析组内组员喜好对象分布情况，计算组员喜好对象对组的影响因子；综合上述两种影响因子，共同对组的偏好模型进行特征表示，得到组的加权影响向量。然后计算过滤系数，判断推荐条件，来过滤出组的共同相似爱好，提高社会化过滤方法的准确性和效率。本发明具有对组的偏好模型分析的优点，仅需修改获取其领域内关键字向量，即可在网络上实现对不同领域对象的推荐。

主权项

1.一种基于偏好模型的社会化过滤方法，包括如下步骤：(1)从网页配置文件中获取一个组G＝{u₁，u₂，…，u_g}，u_l为组员，1≤l≤g，g为组G中组员的个数；再从组内获取所有组员喜好对象的列表M＝{m₁，m₂，…，m_p}，m_i为组员喜好对象，1≤i≤p，p为列表M中对象的个数；(2)根据组G的特征，分别计算组员u_l和组员喜好对象m_i对组的影响因子，得到对组G的加权影响向量：为组员喜好对象m_i对组G归一化后的加权影响因子，1≤i≤p；(3)使用关键字表示组员喜好对象m_i，得到组员喜好对象m_i的关键字向量W_i＝{w₁，w₂，…，w_n}，w_q为组员喜好对象m_i的关键字，1≤q≤n，n为组员喜好对象m_i的关键字个数；(4)将对象列表M的关键字向量表示为W＝{W₁，W₂，…，W_p}，W_i表示组员喜好对象m_i的关键字向量，1≤i≤p；(5)根据步骤(2)中所述的加权影响向量和步骤(4)中所述对象列表M的关键字向量W，计算组G的综合加权影响向量(6)输入待分析对象m′，并使用关键字表示待分析对象m′，得到待分析对象m′的关键字向量W′＝{w′₁，w′₂，…，w′_k}，其中w′_r为待分析对象m′的关键字，1≤r≤k，k为待分析对象m′的关键字个数；(7)根据步骤(6)中所述待分析对象m′的关键字向量W′和步骤(5)中所述组G的加权影响向量计算待分析对象m′的过滤系数Y：$Y=\underset{i=1}{\overset{p}{\Sigma }}{y}_i,$其中，y_i为过滤因子，1≤i≤p；(8)根据步骤(7)中所述待分析对象m′的过滤系数Y，判断推荐条件：若Y≥λ，则表示待分析对象m′满足推荐条件，并向组G予以推荐；反之不予以推荐，λ为推荐系统预设的阈值，0≤λ≤1。