CN101944218A - 社会网络下的基于图的个性化推荐方法及其*** - Google Patents

Abstract

本发明公开了一种社会网络下的基于图的个性化推荐方法及其***。该方法包括：获取用户对资源的评分信息和标签标注信息；基于所述标签标注信息，计算用户和用户之间的相似度；基于所述评分信息、所述用户和用户之间的相似度构建带权的社会网络无向图；利用随机漫步的方法，确定所述社会网络无向图点中待推荐顶点到其余每一个顶点的概率，将所述顶点中代表项目的顶点按照概率排序，依照所述排序进行，生成个性化推荐项目列表。本发明通过引入相似度，能够更加准确的为不同的用户提供与其喜好相关的个性化的推荐。

Description

社会网络下的基于图的个性化推荐方法及其***

技术领域

本发明涉及知识挖掘技术领域，尤其涉及社会网络下的基于图的个性化推荐方法及其***。 

背景技术

社会网络是web2.0的重要组成部分。如果说网络的意义是把计算机连在一起，那么社会网络的目的则是把人连在一起。传统的电子商务、网络媒体等***也逐渐走向社会网络结构。传统网站开始支持用户们建立友谊关系，包括直接选择信任的朋友，或对项目做个性化标签等行为。淘宝上的用户可以把自己喜欢的商品分享给朋友，也可以在喜欢的商品上做上标签，让更多的人通过此标签找到这件商品。朋友之间的分享和传递成了一种新的数据传播媒介。如何利用社会网络中人与人的关系来改进传统的推荐算法成了值得思考的问题。 

个性化服务主要是根据用户的设定和用户偏好对信息资源进行收集、整理和分类，跟踪用户兴趣变化，向用户推荐和更新相关信息。主流的***采用基于内容过滤，基于协作过滤和基于图的方法。 

基于内容的推荐方法是最早的推荐方法，根据文档内容和用户兴趣的相似程度进行推荐，这个方法一个很大的缺点就是他依赖于 文档的形式，如果是视频新闻等内容没有办法表示出来的资源来说，这种方法就很不合适。 

基于协作过滤的方法是这个领域最成功的一个方法，它运用用户和用户之间的相似度为用户找到一个“邻居”集合，然后根据这些邻居的喜好来给用户进行推荐。他的一个优点就是不依赖于资源的形式，但是它受数据的稀疏性的影响。 

发明内容

本发明的目的在于提供一种社会网络下的基于图的个性化推荐方法及其***。基于本发明，能够更加准确的为不同的用户提供与其喜好相关的个性化的推荐。 

本发明提供了一种社会网络下的基于图的个性化推荐方法，包括如下步骤：信息获取步骤，获取用户对资源的评分信息和标签标注信息；相似度计算步骤，基于所述标签标注信息，计算用户和用户之间的相似度；社会网络无向图构建步骤，基于所述评分信息、所述用户和用户之间的相似度构建带权的社会网络无向图；推荐项目列表生成步骤，利用随机漫步的方法，确定所述社会网络无向图中待推荐顶点到其余每一个顶点的概率，将所述顶点中代表项目的顶点按照概率排序，依照所述排序进行个性化推荐，生成个性化推荐项目列表。 

上述个性化推荐方法，优选在所述信息获取步骤和所述相似度计算步骤之间还包括：预处理步骤，对所述评分信息进行过滤，选择用户肯定的评分信息以及过滤***存在的空标签标注信息；其中，在所述社会网络无向图构建步骤中，所述评分信息为所述肯定的评分信息。 

上述个性化推荐方法，优选在所述相似度计算步骤中，基于所述标签标注信息，利用余弦相似度计算用户和用户之间的所述相似度。 

上述个性化推荐方法，优选所述社会网络无向图构建步骤具体为：如果用户对资源进行了评分，则在该用户和资源之间连一条边，边的权值为评分的分值；然后将用户和用户之间的所述相似度计算结果加入到图中，如果两个用户相似度不为0，则在两个用户之间连边，边的权值与相似度成正比。 

另一方面，本发明还提供了一种社会网络下的基于图的个性化推荐***，所述***包括：信息获取模块，用于获取用户对资源的评分信息和标签标注信息；相似度计算模块，用于所述标签标注信息，计算用户和用户之间的相似度；社会网络无向图构建模块，用于基于所述评分信息、所述用户和用户之间的相似度构建带权的社会网络无向图；推荐项目列表生成模块，用于利用随机漫步的***，确定所述社会网络无向图中待推荐顶点到中每一个顶点的概率，将所述顶点中代表项目的顶点按照概率排序，依照所述排序进行个性化推荐，生成个性化推荐项目列表。 

上述个性化推荐***，优选在所述信息获取模块和所述相似度计算模块之间还连接有：预处理模块，用于对所述评分信息进行过滤，选择用户肯定的评分信息以及过滤***存在的空标签标注信息；并且，在所述社会网络无向图构建模块中，所述评分信息为所述肯定的评分信息。 

上述个性化推荐***，优选在所述相似度计算模块中，基于所述标签标注信息，利用余弦相似度计算用户和用户之间的所述相似度。 

上述个性化推荐***，优选所述社会网络无向图构建模块中，所述用户和用户之间的相似度构建带权的社会网络无向图具体为：如果用户对资源进行了评分，则在该用户和资源之间连一条边，权值为评分的分值；然后将用户和用户之间的所述相似度计算结果加入到图中，如果两个用户相似度不为0，则在两个用户之间连边，边的权值与相似度成正比。 

本发明第一次将社会网络的标签特征与用户对于资源的评分信息结合起来，运用了随机游走的方法，为不同用户找到不同的，与其兴趣相关的资源。例如，将本发明应用于电子商务网站，在用户已购买或者浏览的资源的信息基础上，进行推荐别的资源，则有可能用户会对这些资源感兴趣，而购买更多的资源。人与人之间的社会联系构成社会网络，网络中所有的用户和资源联系在一起，并且用户和用户之间通过他们喜欢的资源也联系在一起，考虑从社会网络的观点解决用户的个性化推荐问题，是非常有意义的。实验证明，在加入用户标签相似度信息之后，使得无向图的密集程度增加了。利用了更多的用户信息，而使得为用户进行个性化推荐的效果更好。准确度大大提高。 

附图说明

图1为本发明社会网络下的基于图的个性化推荐方法的步骤流程图； 

图2为本发明社会网络下的基于图的个性化推荐方法实施例的数据流向图； 

图3为加入用户间相似度之前和之后的变化的示意图； 

图4为邻接矩阵的变化示意图； 

图5为本发明社会网络下的基于图的个性化推荐***实施例的结构示意图； 

图6为本发明社会网络下的基于图的个性化推荐***实施例的结构示意图。 

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。 

参照图1，图1为本发明社会网络下的基于图的个性化推荐方法的步骤流程图，所述方法在获取用户对资源的评分信息和标签标注信息后，包括如下步骤： 

信息获取步骤110，获取用户对资源的评分信息和标签标注信息；相似度计算步骤120，基于所述标签标注信息，计算用户和用户之间的相似度；社会网络无向图构建步骤130，基于所述评分信息、所述用户和用户之间的相似度构建带权的社会网络无向图；推荐项目列表生成步骤140，利用随机漫步的方法，确定所述社会网络无向图待推荐顶点到其余每一个顶点的概率，将所述顶点中代表项目的定点按照概率排序，依照所述排序进行个性化推荐，生成个性化推荐项目列表。 

实际中一种优选的处理方式是，在相似度计算步骤之前还包括：预处理步骤，对所述评分信息进行过滤，选择用户肯定的评分信息；过滤***存在的空标签标注信息；并且，在所述社会网络无向图构建步骤中，所述评分信息为所述肯定的评分信息。 社会网络下居于图的个性化推荐方法实例 

以下结合一个共享电影信息的社会网络平台的例子，详细描述本方法的具体实施方式。该实施例是用户之间共享电影信息的社会网络，用户可以对看过的电影进行评分和标记标签。评分分为1-5，而一个用户可以给每部电影打一到多个标签。图2为本发明社会网络下的基于图的个性化推荐方法实施例的步骤流程图。包括： 

步骤1，对用户对资源的评分和标记进行预处理：选择用户对资源的正向评价。如果***允许用户对资源进行空标注，即不输入具体的标签，则过滤这些空标签。 

在电影信息共享网络中，用户可以对电影进行评分，分值为1、1.5、2、2.5、3、3.5、4、4.5、5分，这里选取3.5、4、4.5和5分的评分信息，而略去其余的负面评价。本发明适用于表现用户喜好的评价信息，而被评为1-3分的则被认为是用户所不喜欢的项目，故在此处不予以考虑。在该实例中，用户必须对电影进行非空的标签的标注，则不需要预处理。 

步骤2，利用用户对资源标注的标签，计算用户和用户之间的相似度：利用余弦相似度的计算方法，利用用户的标签向量，进行用户之间相似度的计算。 

假设有两个用户u_i和u_j。用户u_i标注了n_i个不用的标签，t_i ^(k)是第k个标签被用户u_i标注的次数。那么我们使用(标签，出现次数)这样的对来表示用户的兴趣，那么用户u_i的兴趣应该被写为：(t_i ⁽¹⁾，c_i ⁽¹⁾)，(t_i ⁽²⁾，c_i ⁽²⁾)，...， 

同样的，用户u_j的兴趣被表示为：(t_j ⁽¹⁾，c_j ⁽¹⁾)，(t_j ⁽²⁾，c_j ⁽²⁾)，...， 

假设集合T是用户u_i和用户u_j共同 使用的标签集合。那么我们使用如下公式来计算两个用户之间的相似度： 

$\mathrm{sim}(u_i,u_j)=\cos ({\stackrel{\→}{u}}_i,{\stackrel{\→}{u}}_j)=\frac{{\stackrel{\→}{u}}_i\·{\stackrel{\→}{u}}_j}{\left|{\stackrel{\→}{u}}_i\right|\×\left|{\stackrel{\→}{u}}_j\right|}=\frac{\underset{t\∈T}{\mathrm{\Σ}}{c_i}^{\left(t\right)}{c_j}^{\left(t\right)}}{\sqrt{\underset{k=1}{\overset{n_i}{\mathrm{\Σ}}}{c_i}^{{\left(k\right)}^2}\underset{k=1}{\overset{n_j}{\mathrm{\Σ}}}{c_j}^{{\left(k\right)}^2}}}$

步骤3，构建该社会网络的无向图：如果用户对资源进行了评分，则在该用户和资源之间连一条边。边的权值为评分的分值；然后将步骤2的计算结果加入到图中，如果两个用户相似度不为0的，则在两个用户之间连边，边的权值与相似度成正比。比值通过实验学习得到。 

建立图结构G＝(V，E)，V表示顶点，E表示边。顶点为用户和资源。用矩阵A来表示图G的邻接矩阵。 

如果用户u_i对资源r_j进行了评分，假设评分为p，则在用户u_i对应的顶点和资源r_j对应的点之间连无向边，边的权值为p。则邻接矩阵A为： 

$A={\left(a_{\mathrm{ij}}\right)}_{i,j\∈V}\·a_{\mathrm{ij}}=\left\{\begin{array}{cc}\mathrm{rating}& (i,j)\∈E\\ 0& \mathrm{otherwise}\end{array}\right.$

然后将步骤2的计算结果加入到图中，如果两个用户相似度不为0的，则在两个用户之间连边，边为无向边，边的权值为： 

w＝k*sim(u_i，u_j) 

参数k会在实验中进行学习。 

此时，该带权无向图G和其邻接矩阵A产生了变化。可以从图3看出图在加入用户之间相似度信息之前和之后的变化。图3中的每一个“小正方形”代表一个用户结点，每一个“圆形”代表一个资源结点。 

而图4则表示了图的邻接矩阵的变化，其中，左图表示加入用户相似度信息之前的邻接矩阵，矩阵的行列向量都是“用户+资源”，而在用户对应资源的部分填充的是所对应的评分信息(rating)，其余部分为0，右图表示加入用户相似度之后的邻接矩阵，和左图相比，多了用户对应用户部分的信息，这里填充的是所计算出的用户之间相似度的信息。可以看出，在加入基于标签的相似度信息之后图变得更加密集了。 

步骤4，对该图进行随机漫步迭代算法：在经典的随机漫步算法的基础上，在每一步都有一定的概率重新出发。当算法收敛之后，可以得到到达每个顶点的概率。这个概率可以理解为与当前用户的相关性，把所有资源顶点按概率排序，可以依照排序的结果进行个性化推荐。 

随机漫步算法可以用如下的公式来表达： 

p^(t+1)＝(1-a)Sp^(t)+aq 

假设从点x出发，每一步漫步都会沿着一条边从一个点走向另一个点，同事又有一定的概率重新从点x出发。这里p，q都是向量， p_i ^(t)表示在第t步之后到达点i的概率。S为转移矩阵，S的值从图的邻接矩阵A中得到： 

S＝D^-1/2AD^-1/2

S的元素，S_i，j表示每一步从点i走到点j的概率。如果图是连通的，并且是不可约的，则在若干步以后，到达每个点的可能性会趋向一个稳定的分布，上式会迭代至收敛。如果图是不连通的，则将图拆分成不同的连通分支然后以相同的原理进行计算。 

将这个模型应用到问题中时，在对当前用户i进行推荐时，p向量的初始值为全部相等，并且和为1。q向量的值为除了i维为1外，其余维度都为0。也就是说在每次重新出发的过程中，都从i点重新出发。a则表示重新出发的概率。 

在电影共享平台中，这个图是一个连通图，所以对整个图进行一个随机游走的迭代计算。判断是否收敛时，将两次迭代得到的p向量相减，如果差小于10^-6，则判断其为收敛。假设最后得到的向量为p⁽ⁿ⁾。 

对向量p⁽ⁿ⁾的所有对应于资源的，而不是对应于用户的维度取出来，将这些值从大到小排序。除去当前用户已经浏览过的资源，将剩下的资源中排在前K个作为给用户推荐的资源。 

性能评测 

用于评测推荐***性能的指标主要有以下三个： 

但是我们注意到，“测试集中的资源总数”和“推荐的资源总数”对于不同的方法和参数来说是相等的，所以召回率和准确率都由“正确推荐的资源”来决定。所以召回率和准确率这两个指标在这个问题上相当于是重复的。因此我们这里只使用准确率和成功率来进行评测。我们这里使用P@2，P@5，P@10分别表示在排名前2，前5，前10个的准确度，使用S@1，S@5来表示排名前1，前5的成功率。 

实验选定在不添加基于标签的用户之间的相似度的图结构上做随机游动算法作为对比算法。我们将所有的数据集以9∶1的比例划分训练集和测试集进行测试。 

首先我们对算法中的参数a进行测试： 

表1对参数a取不同值的评测结果 

根据实验得到，在这个具体问题下，a＝0.8较好。然后，对不用的系数k进行测试： 

表2对系数k取不同值的评测结果 

根据实验得到，在这个具体问题下，k＝5较好。将本发明与对比实验放在一起比较，得到如下结果： 

表3对系数k取不同值的评测结果 

我们可以看到，本发明比对比算法在P@5和P@2上分别增长了3.1％和1.55％，换句话说，本发明使得相关的资源排名更靠前了。除此以外，在S@1和S@5指标上也增长了3.7和1.32％，以为这更多的用户可以在前5个推荐的项中找到其感兴趣的资源。 

选择两组不同的用户进行测试，第一组用户浏览过的资源数小于100，第二组用户浏览过的资源数在100至200。测试得到如下结果： 

表3对两组不同的用户进行测试的结果 

我们可以看到，本发明对于系数的数据效果更好。也就是说第一组在数据比第二组更稀疏，但是算法应在在第一组上得到更大的提高的比例。 

社会网络作为当前web2.0下越来越重要的一个角色，本发明使用社会网络中用户标注资源标签的信息，计算出用户间的相似度，并和用户对资源的评分信息一起，对用户进行个性化推荐。实验证明，加入了基于标签的用户间相似度信息，能够使原本的随即漫步算法的性能增加；并且尤其在稀疏的数据集上，性能的提高更多。***实施例：

另一方面，本发明还提供了一种社会网络下的基于图的个性化推荐***，该***在获取用户对资源的评分信息和标签标注信息后，包括： 

评价信息获取模块50，用于获取用户对资源的评分信息和标签标注信息；相似度计算模块52，用于所述标签标注信息，计算用户和用户之间的相似度；社会网络无向图构建模块54，用于基于所述评分信息、所述用户和用户之间的相似度构建带权的社会网络无向图；推荐项目列表生成模块56，用于利用随机漫步的***，确定所述社会网络无向图待推荐定点到其余每一个顶点的概率，将所述顶点所对应的是项目的顶点按照概率排序，依照所述排序进行个性化推荐，生成个性化推荐项目列表。 

参照图6，图6为本发明社会网络下的基于图的个性化推荐***实施例的结构示意图。 

评价信息获取模块60，用于获取用户对资源的评分信息和标签标注信息；预处理模块61，用于对所述评分信息进行过滤，选择用户肯定的评分信息以及过滤***存在的空标签标注信息；相似度计算模块62，用于所述标签标注信息，计算用户和用户之间的相似度；社会网络无向图构建模块64，用于基于所述评分信息、所述用户和用户之间的相似度构建带权的社会网络无向图；推荐项目列表生成模块66，用于利用随机漫步的***，确定所述社会网络无向图点中每一个顶点的概率，将所述顶点按照概率排序，依照所述排序进行个性化推荐，生成个性化推荐项目列表。 

也就是说，为了更好的实现个性化的推荐，相似度计算模块62还连接有预处理模块61，用于对评分信息进行过滤，选择用户肯定的评分信息以及过滤***存在的空标签标注信息。并且，社会网络无向图构建模块中，所述评分信息为所述肯定的评分信息。比如，如果评分范围为1-5，选取所有的大于3分的评分项。如果***允许用户对资源进行空标注，即不输入具体的标签，则过滤这些空标签。在所述相似度计算模块中，基于所述标签标注信息，利用余弦相似度计算用户和用户之间的所述相似度。所述用户和用户之间的相似度构建带权的社会网络无向图具体为：如果用户对资源进行了评分，则在该用户和资源之间连一条边，权值为评分的分值；然后将用户和用户之间的所述相似度计算结果加入到图中，如果两个用户相似度不为0的，则在两个用户之间连边，边的权值与相似度成正比。 

在此需要说明的是，***实施例的原理与方法实施例的原理是相同的，相互之间互相参照即可。在此不再赘述。 

以上对本发明所提供的一种社会网络下的基于图的个性化推荐方法及其***进行了详细介绍，本文中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。 

Claims (8)

1.一种社会网络下的基于图的个性化推荐方法，其特征在于，包括如下步骤：

信息获取步骤，获取用户对资源的评分信息和标签标注信息；

相似度计算步骤，基于所述标签标注信息，计算用户和用户之间的相似度；

社会网络无向图构建步骤，基于所述评分信息、所述用户和用户之间的相似度构建带权的社会网络无向图；

推荐项目列表生成步骤，利用随机漫步的方法，确定所述社会网络无向图中待推荐顶点到其余每一个顶点的概率，将所述顶点中代表项目的顶点按照概率排序，依照所述排序进行个性化推荐，生成个性化推荐项目列表。

2.根据权利要求1所述的个性化推荐方法，其特征在于，在所述信息获取步骤和所述相似度计算步骤之间还包括：

预处理步骤，对所述评分信息进行过滤，选择用户肯定的评分信息以及过滤***存在的空标签标注信息；

其中，在所述社会网络无向图构建步骤中，所述评分信息为所述肯定的评分信息。

3.根据权利要求2所述的个性化推荐方法，其特征在于，在所述相似度计算步骤中，基于所述标签标注信息，利用余弦相似度计算用户和用户之间的所述相似度。

4.根据权利要求3所述的个性化推荐方法，其特征在于，所述社会网络无向图构建步骤具体为：如果用户对资源进行了评分，则在该用户和资源之间连一条边，边的权值为评分的分值；然后将用户和用户之间的所述相似度计算结果加入到图中，如果两个用户相似度不为0，则在两个用户之间连边，边的权值与相似度成正比。

5.一种社会网络下的基于图的个性化推荐***，其特征在于，所述***包括：

信息获取模块，用于获取用户对资源的评分信息和标签标注信息；

相似度计算模块，用于所述标签标注信息，计算用户和用户之间的相似度；

社会网络无向图构建模块，用于基于所述评分信息、所述用户和用户之间的相似度构建带权的社会网络无向图；

推荐项目列表生成模块，用于利用随机漫步的***，确定所述社会网络无向图中待推荐顶点到中每一个顶点的概率，将所述顶点中代表项目的顶点按照概率排序，依照所述排序进行个性化推荐，生成个性化推荐项目列表。

6.根据权利要求5所述的个性化推荐***，其特征在于，在所述信息获取模块和所述相似度计算模块之间还连接有：

预处理模块，用于对所述评分信息进行过滤，选择用户肯定的评分信息以及过滤***存在的空标签标注信息；并且，

在所述社会网络无向图构建模块中，所述评分信息为所述肯定的评分信息。

7.根据权利要求6所述的个性化推荐***，其特征在于，在所述相似度计算模块中，基于所述标签标注信息，利用余弦相似度计算用户和用户之间的所述相似度。

8.根据权利要求7所述的个性化推荐***，其特征在于，所述社会网络无向图构建模块中，所述用户和用户之间的相似度构建带权的社会网络无向图具体为：如果用户对资源进行了评分，则在该用户和资源之间连一条边，权值为评分的分值；然后将用户和用户之间的所述相似度计算结果加入到图中，如果两个用户相似度不为0，则在两个用户之间连边，边的权值与相似度成正比。

Images