為了更好地拓寬用戶社交圈并且通過新朋友獲取更多的信息資源,好友推薦成為社交網(wǎng)絡最為青睞的對象。該文在分析現(xiàn)有朋友推薦算法的基礎上,提出基于六度分割理論的社交好友推薦算法。首先,該方法以好友分級思想為基礎,根據(jù)用戶的歷史行為對用戶進行評級,將評級相似的用戶合并為一個群組,以減少進行大規(guī)模好友推薦時的時間代價;其次,考慮用戶之間的共同關注關系,以及用戶與好友交流的時間差額,計算用戶與好友之間的相似程度。采用新浪微博數(shù)據(jù)集驗證算法的性能,最終實驗證明:該算法準確性和召回率都得到了提升。 

【文章來源】：南京理工大學學報. 2019,43(04)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

節(jié)點合并流程1．3好友推薦算法

(fof，i)=∑fi(δu，fi·δfi，fof)－0．3friendf槡i(6)使用好友加權方法的同時，加入特定的好友選擇參考數(shù)值，公式如下Ti，fof=(δu，fi·δfi，fof)－0．3(7)式中:－0．3為懲罰因子(可變參數(shù))，δu，fi為u與fi連接建立時間參數(shù)，δfi，fof為fi與fof連接建立時間參數(shù)。此時，時間參數(shù)值差額越大，則權重越小。由此，可以根據(jù)各個參數(shù)變化做出特征建立，從而得出好友推薦結果。圖2用戶好友導向示意圖2．2算法流程輸入:目標用戶地址UID，用戶好友序列表Seqn(其中下標n代表好友數(shù)量)，好友對應興趣標簽為IntLab(i)。輸出:用戶好友推薦有序表。(1)Foreachi∈Seqn(2)S=sum(UID，Seqi)//根據(jù)式(1)計算出用戶與共同好友量(3)ifS＞k//取閾值k設定用戶截取頻繁數(shù)據(jù)內(nèi)的好友比對(4)Mpp=sort(S)//對所得數(shù)據(jù)降序排列(5)End(6)Ui=NULL//置空i階序列表(7)While(Scan(IntLab(n)))//掃描好友興趣標簽序列(8)Ui=Mpp∩Score4(UID，IntLab(i))//根據(jù)式(5)計算用戶好友間興趣加權值(9)Ui=T(ForeachiinUi)//對Ui序列表重新計算差額(10)輸出sort(Ui)//排序后輸出Ui結果值示例:給定一組好友數(shù)據(jù)候選集如表1所示，設定好友單向共同興趣標簽，以用戶本身為搜索中心，向用戶表內(nèi)好友進行搜索。其中Tid為用戶好友標簽，InL為好友興趣標簽。給定用戶

(1)基于評級合并的模型:該模型根據(jù)用戶的歷史行為對用戶進行評級，將評級相似的用戶合并為一個群組，以減少進行大規(guī)模好友推薦時的時間代價;(2)基于粉絲關系的模型:該模型為目標用戶推薦的朋友均為與他擁有許多共同粉絲的用戶;(3)模型TFPＲ:該模型同時使用評級合并和粉絲關系來預測新的好友。試驗選取7種情況進行研究:推薦列表用戶數(shù)分別為5、10、15、20、25、30、50等。針對相同組別的測試集和訓練集，其準確率、召回率和F1-measure結果如圖3～圖5所示。圖3算法的推薦準確率圖4算法的推薦召回率圖5算法的推薦F1-measure值通過實驗結果可以發(fā)現(xiàn):推薦好友的數(shù)量越多，則算法的準確率越低，而召回率則越高，綜合準確率和召回率兩個指標的F1-measure值也逐漸增大，這與實際情況是完全吻合的。與其他方法對比，本文提出的基于六度分割理論的社交好友推薦算法由于同時考慮了評級合并和好友關系的方法，具有最好的推薦準確度和召回率。從圖5可以看出，當好友推薦人數(shù)達到15時，為本文算法最高的F1-measure值�？傮w看來，隨著好友推薦數(shù)量的增多，本文算法與其他方法相比優(yōu)勢也就更加明顯，在實際應用中可以取得更好的成果。274


本文編號：3246033