一種面向社交網(wǎng)絡(luò)基于云模型的topN推薦方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于數(shù)據(jù)挖掘和信息檢索領(lǐng)域，涉及計(jì)算機(jī)系統(tǒng)的信息采集和分析，是一 種面向社交網(wǎng)絡(luò)基于云模型的個(gè)性化推薦方法。
【背景技術(shù)】
[0002] 隨著互聯(lián)網(wǎng)的快速發(fā)展，人們逐漸步入信息過載時(shí)代。為解決信息過載問題，人們 不斷采用新的措施，如強(qiáng)化搜索引擎，優(yōu)化推薦系統(tǒng)等解決海量信息帶來的難題。
[0003] 近年來，推薦系統(tǒng)受到物聯(lián)網(wǎng)巨頭和電商越來越多的青睞，尤其個(gè)性化推薦技術(shù) 的發(fā)展，對改善用戶體驗(yàn)和提高服務(wù)質(zhì)量起到了重要的作用。推薦系統(tǒng)可以分為兩類:評分 預(yù)測和個(gè)性化推薦。前者是對未評分物品進(jìn)行評分估計(jì)，后者是向用戶提供一個(gè)個(gè)性化推 薦列表。向用戶提供個(gè)性化推薦列表的推薦方法叫做topN推薦?，F(xiàn)有的推薦技術(shù)可以分為 基于內(nèi)容和基于協(xié)同過濾的技術(shù)?；趦?nèi)容的是通過分析用戶的內(nèi)容屬性和物品的內(nèi)容屬 性，建立特征表述，向用戶推薦潛在感興趣的物品?；趨f(xié)同過濾的利用的是用戶行為記錄 信息，尋找鄰居用戶群，根據(jù)鄰居用戶群興趣特征向該用戶進(jìn)行推薦。由于基于內(nèi)容的推薦 對內(nèi)容的知識(shí)要求較高，因此，基于協(xié)同過濾的技術(shù)得到了更廣泛的關(guān)注?；谝陨蠑⑹?， 基于協(xié)同過濾的topN推薦成廣泛研究的對象。
[0004] 然而，協(xié)同過濾推薦在利用屬性進(jìn)行相似度計(jì)算時(shí)，由于屬性單一或者多重屬性 權(quán)重設(shè)置的不確定，因此相似度計(jì)算結(jié)果很難令人滿意。此外，引入物品的評分來生成推薦 列表時(shí)，解決相似度計(jì)算過程中屬性問題和評分標(biāo)準(zhǔn)不統(tǒng)一的問題對topN推薦十分重要。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明針對現(xiàn)有技術(shù)中協(xié)同過濾推薦時(shí)采集對象的屬性單一及多重權(quán)重設(shè)置不 確定，不能得到滿意的推薦結(jié)果，致使網(wǎng)絡(luò)中發(fā)送的無用信息量過多，占用信道資源，容易 造成網(wǎng)絡(luò)擁塞等技術(shù)問題。本發(fā)明針對傳統(tǒng)相似度計(jì)算在單個(gè)屬性上過于單一和多個(gè)屬性 權(quán)值設(shè)置的不確定性的問題，提出一種基于多維云模型的社交網(wǎng)絡(luò)用戶行為相似度計(jì)算方 法。采用一種統(tǒng)一用戶評分空間的方法，并在此基礎(chǔ)上進(jìn)一步優(yōu)化傳統(tǒng)的topN推薦算法。
[0006] 從基于用戶協(xié)同過濾的topN推薦相關(guān)研究背景出發(fā)，通過數(shù)據(jù)預(yù)處理，將社交網(wǎng) 絡(luò)的被推薦用戶、推薦用戶（即被推薦用戶近鄰用戶）、已評分物品關(guān)聯(lián)起來建立推薦用戶 集-被推薦用戶集-評分物品集三層關(guān)系;構(gòu)建多維云模型根據(jù)三層關(guān)系中的建立推薦用戶 集-被推薦用戶集兩層關(guān)系獲取用戶相似度，通過綜合云模型統(tǒng)一用戶對物品的評分標(biāo)準(zhǔn)， 最終生成針對被推薦用戶的topN推薦集。
[0007] 本發(fā)明建立一種面向社交網(wǎng)絡(luò)的基于云模型的topN推薦系統(tǒng)，包括，獲取數(shù)據(jù)源 信息模塊、計(jì)算用戶相似度模塊、綜合云模型(統(tǒng)一用戶評分標(biāo)準(zhǔn)模塊）、生成topN推薦集模 塊。其中，數(shù)據(jù)源信息模塊分別搜索被推薦用戶的最近鄰居集合，獲取相關(guān)信息，計(jì)算用戶 相似度、統(tǒng)一用戶評分標(biāo)準(zhǔn)模塊解決用戶評分主觀性和差異性的問題，推薦系統(tǒng)為被推薦 用戶產(chǎn)生其尚未關(guān)注的但可能最感興趣的物品列表。
[0008] 本發(fā)明還提出一種面向社交網(wǎng)絡(luò)基于云模型的topN推薦方法，具體包含：一種面 向社交網(wǎng)絡(luò)基于云模型的topN推薦方法，其特征在于，數(shù)據(jù)獲取模塊獲取被推薦用戶和推 薦用戶信息，及已評分物品信息，提取用戶的屬性，建立推薦用戶集-被推薦用戶集-評分物 品集三層關(guān)系，構(gòu)建被推薦用戶及推薦用戶的屬性向量；多維云模型的逆向云發(fā)生器根據(jù) 推薦用戶集-被推薦用戶集關(guān)系計(jì)算被推薦用戶和推薦用戶的相似度;綜合云模型合并被 推薦用戶和推薦用戶的評分云生成父云，多維云模型的正向云發(fā)生器在父云中生成新的評 分;生成topN推薦集模塊根據(jù)相似度和新的評分計(jì)算獲得被推薦用戶的興趣度，將所有用 戶的興趣度按高低排序列表，選取前N個(gè)作為被推薦用戶的個(gè)性化推薦集。通過該推薦可以 解決互聯(lián)網(wǎng)帶來的信息冗余的問題，由于個(gè)性化推薦針對不同用戶產(chǎn)生不同的推薦集，并 將推薦相關(guān)信息發(fā)送至用戶，節(jié)省了網(wǎng)絡(luò)資源，提高了網(wǎng)絡(luò)性能。
[0009] 所述計(jì)算被推薦用戶和推薦用戶的相似度具體包括，多維云模型的逆向云發(fā)生器 根據(jù)被推薦用戶和推薦用戶各自的屬性向量生成對應(yīng)的云，通過正向云發(fā)生器生成各自的 云滴，根據(jù)云滴的距離衡量兩組云滴的相似度，由兩組云滴的相似度獲得用戶相似度。
[0010] 本發(fā)明的其中一個(gè)實(shí)施例進(jìn)一步包括，逆向云發(fā)生器根據(jù)被推薦用戶和推薦用戶 的評分生成各自的評分云，正向云發(fā)生器計(jì)算所有評分在各自評分云中的歸屬度，綜合云 模型合并所有評分云生成父云，正向云發(fā)生器利用歸屬度在父云中計(jì)算新的評分。根據(jù)推 薦用戶集-被推薦用戶集-評分物品集得到被推薦用戶和其近鄰用戶集所關(guān)注的所有物品 評分，云逆向云發(fā)生器獲取用戶評分向量(Ex，En，He)構(gòu)建一維評分云圖；綜合云模型合并 被推薦用戶和所有推薦用戶的評分云圖生成父云;正向云發(fā)生器計(jì)算所有物品評分在一維 評分云圖中的隸屬度，在父云中根據(jù)該隸屬度生成相應(yīng)的云滴，根據(jù)云滴獲得被推薦用戶 關(guān)注物品的新評分。
[0011] 本發(fā)明的其中一個(gè)實(shí)施例進(jìn)一步包括，提取被推薦用戶和推薦用戶的評分，根據(jù) 公另
，.計(jì)算用戶屬性期望向量EX，根據(jù)公式
算用戶屬性 熵值向量En，根據(jù)公無
計(jì)算評分云超熵向量，其中
η表 示所有推薦用戶評分的個(gè)數(shù)，^表示評分，獲得用戶評分向量(Ex，En，He)。
[0012] 本發(fā)明的其中一個(gè)實(shí)施例進(jìn)一步包括，將被推薦用戶的評分云和其關(guān)注的所有推 薦用戶的評分云綜合生成一朵父云，所述生成父云具體包括，根據(jù)待合并用戶的評分云圖 的數(shù)學(xué)期望曲線C't(x)，根據(jù)公式：
&計(jì)算待合并用戶的截?cái)囔兀鶕?jù)待 η
合并用戶屬性期望向量及截?cái)囔馗鶕?jù)公式： 獲得父云的期望Ex'，根據(jù)評分 ? 云超熵向量He調(diào)用公式：計(jì)算父云的超熵He'，其中η表示所有推薦用 戶評分的個(gè)數(shù)。
[0013] 提取被推薦用戶和所有關(guān)注的推薦用戶的評分向量(Ex，En，He)，通過多維正向云 發(fā)生器各自生成nl、n2個(gè)云滴，按到零點(diǎn)的距離從小到大排列，若η12η2,則(Χ?有個(gè)組合的 排列，反之有個(gè)組合的排列，計(jì)算每個(gè)組合情況下云滴集之間的距離，如第j個(gè)組合情 況下云滴距離的平方和為Distance(j)，根據(jù)公式
.計(jì) 算被推薦用戶和所關(guān)注的推薦用戶的相似度。
[0014] 本發(fā)明方法首先運(yùn)用多維云模型進(jìn)行相似性計(jì)算，不但消除了屬性單一的問題而 且彌補(bǔ)多屬性權(quán)值設(shè)置不確定的缺陷，為推薦結(jié)果提供準(zhǔn)確的基礎(chǔ)。其次使用綜合云模型 進(jìn)行評分空間標(biāo)準(zhǔn)的統(tǒng)一，解決了用戶評分主觀性和用戶個(gè)體差異性的問題，進(jìn)一步提高 了推薦的精度。最后由用戶相似度和新評分生成topN推薦集。采用上述兩種云模型改善了 傳統(tǒng)方法的存在的弊端，提高了推薦的準(zhǔn)確度。推薦信息能準(zhǔn)確發(fā)送到需要的客戶端，有效 提尚的網(wǎng)絡(luò)的性能和利用率。
【附圖說明】
[0015] 圖1是按照本發(fā)明一種實(shí)施方式的推薦方法的流程圖；
[0016] 圖2是本發(fā)明使用多維云模型計(jì)算用戶-用戶相似度流程示意圖；
[0017] 圖3是本發(fā)明使用綜合云模型統(tǒng)一評分標(biāo)準(zhǔn)的空間流程示意圖；
[0018] 圖4是本發(fā)明云相似度計(jì)算方法的流程示意圖；
[0019] 圖5是本發(fā)明計(jì)算用戶對新物品好感度的流程圖。
【具體實(shí)施方式】
[0020] 為使本發(fā)明的目的、技術(shù)方案以及優(yōu)點(diǎn)更加清晰明了，以下參照說明書附圖，對發(fā) 明具體實(shí)施做進(jìn)一步的詳細(xì)闡述。
[0021]如圖1是實(shí)現(xiàn)本發(fā)明的總體流程圖，包括數(shù)據(jù)獲取，計(jì)算相似度，評分標(biāo)準(zhǔn)統(tǒng)一，生 成topN推薦集四部分，其中，數(shù)據(jù)獲取可以直接從基于web研究型的推薦系統(tǒng)下載或利用成 熟的社交平臺(tái)的API獲取。通過數(shù)據(jù)源獲取物品信息、獲取用戶信息、獲取關(guān)注列表;構(gòu)建用 戶的屬性向量、構(gòu)建關(guān)注用戶的屬性向量，通過多維云模型計(jì)算被推薦用戶和推薦用戶的 相似度;獲取被推薦用戶和推薦用戶評分，建立綜合云模型統(tǒng)一評分標(biāo)準(zhǔn);計(jì)算用戶對新物 品的好感度，生成topN推薦集。
[0022]計(jì)算用戶間相似度。提取與用戶相似度有關(guān)的包括年齡、性別、居住地址、愛好等 多個(gè)屬性，通過數(shù)學(xué)方法，對不同屬性賦予不同的屬性值，多維云模型的逆向云發(fā)生器，由 提取出的屬性值計(jì)算得出代表多維屬性云圖的數(shù)字特征(云滴分布的期望;云滴的熵;期望 的隨機(jī)度量，反映云滴在云中的離散程度;云滴的超熵，是熵的不確定性度量），
[0023] 構(gòu)建代表用戶屬性的多維云圖，正向云發(fā)生器生成云滴，根據(jù)云滴的3En原則（對 于云的定性概念有貢獻(xiàn)的云滴，主要落在[Ex+3En，Ex-3En]范圍內(nèi)），取[Ex+3En，Ex-3En]范 圍內(nèi)的云滴計(jì)算得出兩個(gè)云相似度，用云的相似度衡量兩個(gè)用戶的相似度。
[0024] 統(tǒng)一用戶評分標(biāo)準(zhǔn)。根據(jù)近鄰用戶集-被推薦用戶集-評分物品集得到被推薦用戶 和其近鄰用戶集的所有物品評分，云模型的云逆向云發(fā)生器獲取用戶評分向量(Ex，En，He) 構(gòu)建一維評分云圖；綜合云模型合并被推薦用戶和所有被關(guān)注用戶的云圖生成父云；正向 云發(fā)生器計(jì)算每個(gè)評分在一維評分云圖中的隸屬度，在父云中根據(jù)該隸屬度生成父云下相 應(yīng)的云滴，根據(jù)云滴確定新評分。
[0025] 生成topN推薦集。根據(jù)被推薦用戶與其近鄰用戶的相似度、新評分，以相似度與評 分的乘積作為被推薦用戶對新物品的感興趣程度，根據(jù)興趣程度由高到低進(jìn)行排序，取前N (N為每個(gè)數(shù)據(jù)集最佳的推薦數(shù)目）個(gè)興趣程度作為待推薦的列表。具體實(shí)施包括：
[0026] S1:數(shù)據(jù)獲取部分通過數(shù)據(jù)源獲取被推薦用戶信息集合，推薦用戶信息集合，推薦 用戶和被推薦用戶已評分的物品信息集合；
[0027] S2:相似度計(jì)算部分分別對被推薦用戶信息集合、被推薦用戶已評分的物品信息 集合和推薦用戶信息集合、推薦用戶已評分的物品集合的信息進(jìn)行屬性提取，利用多維云 相似度算法計(jì)算推薦用戶和被推薦用戶的相似度，從物品信息集合獲取推薦用戶和被推薦 用戶已評分物品的評分，使用綜合云模型合并算法合并推薦用戶和被推薦用戶的評分云， 生成父云，統(tǒng)一評分標(biāo)準(zhǔn)，通過一維正向云發(fā)生器利用舊評分生成新標(biāo)準(zhǔn)下的評分。
[0028] S3:根據(jù)被推薦用戶和推薦用戶之間的相似度和推薦用戶已評分的物品在新標(biāo)準(zhǔn) 下的評分，通過相似度與新評分的乘積計(jì)算被推薦用戶對新物品（推薦用戶已評分而被推 薦用戶未評分的物品）的興趣好感值，根據(jù)好感值從高到低排序取前N個(gè)作為topN推薦集 合。
[0029] S2中的多維云模型計(jì)算用戶相似度如圖2所示，具體包括：
[0030] S21:取推薦用戶user_l，user_2，…，user_n*的用戶與被推薦用戶tar