CN105589966A - 一种基于综合得分的好友推荐方法 - Google Patents

Abstract

本发明公开了基于综合得分的好友推荐方法。本方法考虑到用户填写的个人信息对推荐好友的影响，将个人信息的因素通过计算获取相应的信息得分，也考虑到移动设备中的签到的地点对推荐好友的影响，通过用户的签到信息计算相应的地理得分，而且还增加了推送信息的因素，将用户在推送信息中存在的相同点考虑在内使得整个方法在推荐好友的准确性方面得到提高。在计算地理得分时采用时间分段和空间聚类的方式，减少了计算量。本方法的优点在于：综合多方面的影响因素，并通过较为巧妙的方式将用户的个人信息、签到信息和推送消息在推荐好友的影响巧妙的结合在一起。本方法可以应用到移动端的社交网络、婚恋交友、推荐***等应用场景。

Description

一种基于综合得分的好友推荐方法

技术领域

本发明涉及社交网络中的好友推荐领域，特别是在解决和优化好友推荐的有效性方面，着重解决了在多种因素影响下，如何合理综合多种因素获取最优的推荐好友的问题。

背景技术

随着大数据时代的来临以及移动智能终端的发展，社交网络在移动互联网上得到迅猛的发展，挖掘一些隐藏的信息为用户提供更加准确的好友成为越来越多的人研究的方向。如今普遍的研究主要是考虑单一的因素对好友的影响，通过好友的网络拓扑获取好友的好友来推荐，通过用户资料的相似性来推荐潜在的好友，通过地理位置的推荐等都是较为简单的对单一影响因素进行处理获取相应的好友。

如今基于地理位置的数据研究逐渐被人们所重视，但仅通过考虑地理位置因素不仅计算量大，而且即使进行处理减轻计算量但在推荐有效性方面又有所下降。同时随着信息推送的社会需求不断加大，推送的信息也成为了我们不得不考虑的一个重要的因素，如何从推送信息中获取好友的信息也成为十分必要的因素。

专利方法，考虑个人信息的匹配程度，通过划分年龄、赋权、计算获取信息得分，在通过个人的签到信息对签到位置和时间的处理后，减轻计算量，计算相应的地理得分，接着考虑推送信息的影响在通过推送信息获取相应的喜好得分，最后对三个得分进行加权求和获取最终的综合得分，通过综合得分来判断最佳的推荐好友。

发明内容

本发明要解决了在多种因素影响下，如何合理综合多种因素获取最优的推荐好友的问题，提供一种好友推荐方法，是基于个人信息、签到信息、推送信息来计算综合得分的方法来选取最佳的推荐好友。

本发明解决技术问题所采取的技术方案如下：

1)根据用户填写的个人信息，确定参与推荐筛选用户的信息得分，包括如下步骤：

a)对年龄进行划分，确定需要推荐好友的用户的个人信息中的年龄所在区间，如果需要推荐好友的用户未填写年龄，则不在继续计算信息得分的操作，并将所有参与推荐筛选的用户的信息得分设为0，如果填写了年龄则继续进行。

b)根据上述所得区间对不同的年龄段进行赋权重。

c)通过用户个人信息中的爱好，计算不同年龄区间内的用户i的信息权值score_i。

d)对计算出的所有参与推荐筛选的用户的信息权值score_i进行规约化处理，获取最终的用户i信息得分inf_i。

2)根据用户的签到信息，确定参与推荐筛选的用户的地理得分，包括如下步骤：

a)获取需要推荐好友的用户一定时间内的所有签到信息，其中第i次的签到信息主要包括签到时间T_i，签到位置Addr_i。

b)采用DBSCAN聚类算法，通过需要推荐好友的用户所有签到信息中的签到位置Addr中的经、纬度信息对签到位置进行聚类，获取需要推荐好友的用户的第i签到信息中的签到位置所属的聚类位置addr_i。

c)将一天的时间进行划分，确定需要推荐好友的用户的所有签到时间中每一次签到在所有划分的时间段中的顺序，其中第i次签到所在的时间段为ti，将需要推荐好友的用户的第i次签到信息表示为(t_i,addr_i)。

d)对参与推荐筛选的用户的签到信息中的签到位置和签到时间进行相同的处理，获取参与推荐筛选的用户的所有签到信息，其中第k次签到表示为(t_k,addr_k)。

e)通过对需要推荐好友的用户和参与推荐筛选的用户的签到信息进行比较、计算获取参与推荐筛选的用户的地理权值。

f)对计算出的所有参与推荐筛选的用户的得分进行规约化处理，获取最终的参与推荐筛选的用户的地理得分。

3)根据推送信息，确定参与推荐筛选的用户的喜好得分，步骤如下：

a)对推送信息的类型的初始推送量初始化，赋予初始每一种推送信息类型的具体的推送值。

b)记录推送给用户的信息类型，对用户接受或拒绝推送进行记录，当推送被拒绝时，该推送信息的类型记录的推送量减半并更新记录，如果推送信息被接受则该推送信息的类型的推送量增加1并更新记录。

c)对需要推荐好友的用户的所有推送信息类型的推送次数进行排序，获取前三种推荐信息的类型。

d)分别计算出每一位参与推荐筛选的用户的喜好权值，获取参与推荐筛选的用户与需要推荐好友的用户前三种对应的推送信息类型的推送量，其中第i中推送信息类型的推送量为m_i，然后将三种推荐信息类型的每一种推荐信息现有推送量除以该推送信息类型的初始值，然后三种推送信息类型计算结果的和作为参与推荐筛选的用户的喜好权值。

e)对计算出的所有参与推荐筛选的用户的喜好权值进行规约化处理，获取最终的参与推荐筛选的用户喜好得分。

4)计算综合得分：

对每一位参与推荐筛选的用户的信息得分，地理得分，喜好得分进行加权求和获取最终该用户的综合得分，通过综合得分对所有参与推荐筛选的用户进行排序获取最佳的推荐好友。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，解释了本方法的原理。

图1是本发明方法的总体流程图。

图2是计算信息得分的流程图。

图3是计算地理得分的流程图。

图4是计算喜好得分的流程图。

具体实施方式

本发明实施的具体步骤如下：

图1列出了一种好友推荐方法的流程图，如图1所示，该好友推荐方法包括以下步骤S101-S103：

步骤S101是计算信息得分、地理得分、喜好得分，通过计算参与推荐筛选的用户的三种得分来为参与推荐筛选的用户的综合得分的计算提供依据。

步骤S102将S101计算得到的三种得分进行加权求和，获取每一个参与推荐筛选的用户的综合得分。

步骤S103使用S102计算出的综合得分对所有参与推荐筛选的用户进行排序，获取前30位，将获取的最佳好友推荐给需要推荐好友的用户

步骤S101中的信息得分计算如图2所示，包括如下步骤A1-A6：

步骤A1是获取需要推荐用户的用户填写的个人资料，在个人资料填写中必须包括年龄和用户爱好的选择，个人爱好可以为购物、电影、图书等。

步骤A2对年龄进行划分，划分为13以下，14-22，23-28,28-35,36-45,46以上，获取需要推荐好友的用户的个人信息中的年龄，如果需要推荐用户的用户年龄未填，即停止计算信息得分，将所有参与推荐筛选的用户的信息得分统一记为0，如果填写了年龄确定该年龄所在的区间，继续进行余下的操作，如用户年龄为25岁，其所在区间为23-28.

步骤A3对划分的各年龄段进行赋权值，步骤A2中获取的需要推荐好友的用户的年龄所在的区间权值最高，然后向年龄两端逐渐减少，如确定所在区间为23-28，即可将其权重设置为6，则各个年龄段的权重依次为：4,5,6,5,4,3

步骤A4获取被推荐用户的个人信息中的爱好选择，将结果与步骤A2中获取的需要推荐好友的用户的个人资料中的爱好进行对比，获取两者相同爱好的数目，并记录。如两者均选择了电影、购物则两者的相同爱好的数目为2

步骤A5对步骤A4中获取的参与推荐筛选的用户的个人信息中的年龄判断该年龄所在步骤A2所划分的区间，获取该区间的在步骤A3中确定的权值，将步骤A4中获取的相同爱好数目与确定的权值两者相乘，获取每一个被推荐用户的个人信息权值，如被推荐用户的年龄为36，其所在的区间为36-45，则该年龄段的权值为4，两者相同爱好为2，则计算出的信息权值为8

步骤A6在A5计算出所有的参与推荐筛选的用户的个人信息权值后，通过公式一进行权值规约，规约区间[N,M]＝[0,10]，获取每一位参与推荐筛选的用户的信息得分

$y=(M-N)*\frac{x-x_{min}}{x_{\max }-x_{min}}+N$ (公式一)

步骤S101中的地理得分的计算如图3所示，包括如下步骤B1-B7:

步骤B1获取需要推荐用户的用户前6个月的签到信息，在每一次的签到信息中必须包括该用户的签到时间和签到位置，位置中包含相应的经、纬度，并记录。

步骤B2中需要对B1获取的签到信息中的签到地点进行聚类，采用DBSCAN聚类算法(一种基于密度的聚类方法，该算法将具有足够高密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇)，通过给定半径和最小领域中的点数来获取类簇集合，而其中各点之间的距离是通过经度和纬度计算得到。获取每一个类簇集合中的中心点位置，即该集合所组成区域的中心点。将每一个签到信息中的签到位置改为其所属聚类集合的中心点位置，并修改记录，其中不满足聚类要求的单个点不对其进行处理。

步骤B3对一天的时间进行分段，分为00:01-6:29，6:30-9:00,9:01-12:00,12：01-13:30,13:31-18:00,18:01-24:00，对步骤B2中处理后的签到信息获取每一个签到信息的签到时间，判断签到时间所在的范围，将每一个签到信息中的签到时间用该范围在所有分段中的位置替换，并修改记录。如签到时间为8:03，该时间所在的范围为6:30-9:00，改时间段在所有分段中的位置为2，所以该签到时间替换为2，并修改记录。

步骤B4对B3得到的所有签到信息进行统计，即统计B3处理后签到记录，在相同时间段和相同聚类中的签到数目之和并记录，记录形式(签到的时间所在的时间段，所在聚类的中心点位置，次数)。

步骤B5将参与推荐筛选的用户的签到信息按照步骤B1-B4进行处理，获取各个参与推荐筛选的用户签到信息统计后的结果并记录。

步骤B6比较B4和B5所得到的结果，即统计每一个参与推荐筛选的用户和需要推荐好友的用户所有签到点中相同点的个数，相似点的个数和不同点的个数，其中相同点是指签到时间所在的时间段和所在聚类的中心点一样，相似点是指签到时间所在的时间段相同但所在的聚类的中心点不一样，不同点是指签到时间所在的时间段和所在的聚类的中心点都不一样。在比较所在的聚类的中心点是否一样时是通过计算两个中心点的距离看是否超过了步骤B2中所给的聚类半径，如果没有则两者相同，否则不同。在得到被推荐用户k的相同点N₁、相似点N₂、不同点N₃的数目，以及B1获取的签到信息的数目N，采用公式二计算地理权值score，其中d₁，d₂，d₃是相应的地理权重。

$score=d_1\frac{N_1}{N}+d_2\frac{N_2}{N}+d_3\frac{N_3}{N}$ (公式二)

步骤B7在通过步骤B6得到每一位参与推荐筛选的用户的地理权重后，通过公式一进行规约，规约区间[N,M]＝[0,10]，获取每一位参与推荐筛选的用户的地理得分

步骤S101中的喜好得分的计算如图4所示，包括如下步骤C1-C5：

步骤C1是要求对每一个用户的推送信息的类型一样，并且赋予每种推送的信息类型一定的初始推送量，记录并备份每一种推送信息类型的初始量，如生活初始推送次数50，饮食初始推送次数80次。

步骤C2记录推送给用户的信息类型并在步骤C1的记录上对相应的推送结果进行修改，如向用户推送生活用品打折的信息，如果用户点击查看了，则生活的信息类型推送量加1，如果用户拒绝了则推送量减少一半，以保证每次推送信息的有效性。

步骤C3获取需要推荐好友的用户的所有推送信息类型的推送量，通过推送量对需要推荐好友的用户所有的推送信息类型进行排序，获取前3种推送信息的类型。

步骤C4在步骤C3获取前三种推送信息的类型后，分别获取每一位参与推荐筛选的用户对应三种推送信息类型的推送量m_i，其中i是信息类型，并在步骤C1的备份中获取对应的三种推送信息类型的初始量M_i,通过计算三种推送信息类型的m_i/M_i的和，获取相应的喜好权值

步骤C4计算出所有的参与推荐筛选的用户的喜好权值后，通过公式一进行规约，规约区间[N,M]＝[0,10]，获取最终的喜好信息得分

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (5)

1.一种基于综合得分的好友推荐方法，其特征在于，包括：

1)根据用户填写的个人信息，确定参与推荐筛选的用户的信息得分，包括如下步骤：

a)对年龄进行分段，确定需要推荐好友的用户的年龄所在区间。

b)根据上述所得区间对不同的年龄段进行赋权。

c)通过需要推荐好友的用户的爱好，计算不同区间内的参与推荐筛选的用户的权值。

d)对计算出的所有参与推荐筛选的用户信息权值进行规约化处理，获取每一位参与推荐筛选的用户信息得分。

2)根据用户的签到信息，确定参与推荐筛选的用户的地理得分，包括如下步骤：

a)获取需要推荐好友的用户一定时间内的签到信息，第i次的签到信息主要包括签到时间T_i，签到位置Addr_i。

b)采用聚类算法，通过Addr_i中的经、纬度信息对需要推荐好友的用户的签到位置进行聚类，获取需要推荐好友的用户签到信息中的签到地点的聚类信息，第i次签到位置所属的聚类中心点位置为addr_i。

c)将一天的时间进行划分，确定每一次签到时间所在的不同的签到时间段，其中第i次签到所在的时间段为t_i，将需要推荐好友的用户的第i次签到信息表示为(t_i，addr_i)。

d)对参与推荐筛选的用户的签到信息中的签到位置和签到时间进行相同的处理，获取参与推荐筛选的用户的所有签到信息，其中第k次签到表示为(t_k，addr_k)。

e)通过对需要推荐好友的用户和参与推荐筛选的用户的签到信息进行比较、计算获取参与推荐筛选的用户的地理权值。

f)对计算出的所有参与推荐筛选的用户的得分进行规约化处理，获取最终的参与推荐筛选的用户的地理得分。

3)根据用户点击的推送信息，确定参与推荐筛选用户的喜好得分，步骤如下：

a)对推送的信息类型的推送量初始化。

b)记录每次向用户推送的信息类型和相应的推送结果，修改相应的推送量。

c)对需要推荐好友的用户的所有信息类型的推送次数进行排序，获取前三种推荐信息的类型。

d)分别计算参与推荐筛选的用户对应的三种推荐信息类型的权值，其中第i种推荐信息类型的推送量为m_i，并计算相应的参与推送筛选的用户喜好权值。

e)对计算出的所有参与推送筛选的用户的推荐权值进行规约化处理，获取最终的参与推送筛选的用户喜好得分。

4)计算综合得分：

为保证考虑不同分数对结果的影响，对三种分数进行加权求和，获取与需要推荐好友的用户最为相近的参与推荐筛选的用户，并将这些用户推荐给需要推荐好友的用户。

2.根据权利要求1所述的基于综合得分的好友推荐方法，其特征在于：步骤(1)中对年龄段的划分采用以推荐用户所在的区间权值最高，然后向两端逐渐减少。计算时采用对比爱好计算推荐用户和被推荐用户之间相同的爱好数目，将爱好数目与相应的权值相乘获取得分。在规约化时采用如下公式：

其中[N，M]是规约的范围，x是规约的数据，x_max是规约数据中最大的数据，x_min是规约数据中最小的数据，y是x规约后的结果。

3.根据权利要求1所述的基于综合得分的好友推荐方法，其特征在于：步骤(2)中采用DBSCAN聚类算法，通过对地理位置的聚类减少计算和提高匹配度。在对时间进行划分，避免了因时间因素导致的计算量过大问题。在计算地理得分时采用如下公式：

其中d₁，d₂，d₃分别是相应的加权，N是被推荐用户k的所有签到次数，N₁是被推荐用户k的所有签到点中与推荐用户之间时间和位置均不相同的点的个数，N₂是被推荐用户k的所有签到点中与推荐用户之间时间相同，但位置不相同的点的个数，N₃是被推荐用户k所有签到点中与推荐用户之间时间和位置均相同的点的个数。

4.根据权利要求1所述的基于综合得分的好友推荐方法，其特征在于：步骤(3)中对推送信息初始化，即通过对每一种推送的信息给予一定的推送次数，这样做可以有效的保证推送信息的有效性。在记录推送结果时，若用户点击了则增加1，若用户未点击采用折半减少法，即每次较少当前数量的一半，不是整数的取整数部分，当结果为1在减少时即为0。在计算喜好权值时，使用如下公式：

其中m_i是参与推荐筛选的用户i对应的三种推荐信息类型的爱好权值，v_k是当前推荐信息的不同类型的推送量，M_k是三种推送的信息类型的初始化推送量。

5.根据权利要求1所述的基于综合得分的好友推荐方法，其特征在于：步骤(4)中考虑不同的因素对推荐的不同影响，通过对不同的得分进行加权求值获取最终的综合得分，通过综合得分来排序从而获取最佳推荐好友的顺序来进行推荐。