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(luò)最為青睞的對(duì)象。該文在分析現(xiàn)有朋友推薦算法的基礎(chǔ)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(jí)思想為基礎(chǔ),根據(jù)用戶的歷史行為對(duì)用戶進(jìn)行評(píng)級(jí),將評(píng)級(jí)相似的用戶合并為一個(gè)群組,以減少進(jìn)行大規(guī)模好友推薦時(shí)的時(shí)間代價(jià);其次,考慮用戶之間的共同關(guān)注關(guān)系,以及用戶與好友交流的時(shí)間差額,計(jì)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(yàn)證算法的性能,最終實(shí)驗(yàn)證明:該算法準(zhǔn)確性和召回率都得到了提升。 

【文章來源】：南京理工大學(xué)學(xué)報(bào). 2019,43(04)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

節(jié)點(diǎn)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(quán)方法的同時(shí)，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(shí)間參數(shù)，δfi，fof為fi與fof連接建立時(shí)間參數(shù)。此時(shí)，時(shí)間參數(shù)值差額越大，則權(quán)重越小。由此，可以根據(jù)各個(gè)參數(shù)變化做出特征建立，從而得出好友推薦結(jié)果。圖2用戶好友導(dǎo)向示意圖2．2算法流程輸入:目標(biāo)用戶地址UID，用戶好友序列表Seqn(其中下標(biāo)n代表好友數(shù)量)，好友對(duì)應(yīng)興趣標(biāo)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(jì)算出用戶與共同好友量(3)ifS＞k//取閾值k設(shè)定用戶截取頻繁數(shù)據(jù)內(nèi)的好友比對(duì)(4)Mpp=sort(S)//對(duì)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(biāo)簽序列(8)Ui=Mpp∩Score4(UID，IntLab(i))//根據(jù)式(5)計(jì)算用戶好友間興趣加權(quán)值(9)Ui=T(ForeachiinUi)//對(duì)Ui序列表重新計(jì)算差額(10)輸出sort(Ui)//排序后輸出Ui結(jié)果值示例:給定一組好友數(shù)據(jù)候選集如表1所示，設(shè)定好友單向共同興趣標(biāo)簽，以用戶本身為搜索中心，向用戶表內(nèi)好友進(jìn)行搜索。其中Tid為用戶好友標(biāo)簽，InL為好友興趣標(biāo)簽。給定用戶

(1)基于評(píng)級(jí)合并的模型:該模型根據(jù)用戶的歷史行為對(duì)用戶進(jìn)行評(píng)級(jí)，將評(píng)級(jí)相似的用戶合并為一個(gè)群組，以減少進(jìn)行大規(guī)模好友推薦時(shí)的時(shí)間代價(jià);(2)基于粉絲關(guān)系的模型:該模型為目標(biāo)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(shí)使用評(píng)級(jí)合并和粉絲關(guān)系來預(yù)測(cè)新的好友。試驗(yàn)選取7種情況進(jìn)行研究:推薦列表用戶數(shù)分別為5、10、15、20、25、30、50等。針對(duì)相同組別的測(cè)試集和訓(xùn)練集，其準(zhǔn)確率、召回率和F1-measure結(jié)果如圖3～圖5所示。圖3算法的推薦準(zhǔn)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(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn):推薦好友的數(shù)量越多，則算法的準(zhǔn)確率越低，而召回率則越高，綜合準(zhǔn)確率和召回率兩個(gè)指標(biāo)的F1-measure值也逐漸增大，這與實(shí)際情況是完全吻合的。與其他方法對(duì)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(shí)考慮了評(píng)級(jí)合并和好友關(guān)系的方法，具有最好的推薦準(zhǔn)確度和召回率。從圖5可以看出，當(dāng)好友推薦人數(shù)達(dá)到15時(shí)，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(shì)也就更加明顯，在實(shí)際應(yīng)用中可以取得更好的成果。274


本文編號(hào)：3246033