基于六度分割理论的社交好友推荐算法研究
发布时间：2021-06-24 01:03
为了更好地拓宽用户社交圈并且通过新朋友获取更多的信息资源,好友推荐成为社交网络最为青睐的对象。该文在分析现有朋友推荐算法的基础上,提出基于六度分割理论的社交好友推荐算法。首先,该方法以好友分级思想为基础,根据用户的历史行为对用户进行评级,将评级相似的用户合并为一个群组,以减少进行大规模好友推荐时的时间代价;其次,考虑用户之间的共同关注关系,以及用户与好友交流的时间差额,计算用户与好友之间的相似程度。采用新浪微博数据集验证算法的性能,最终实验证明:该算法准确性和召回率都得到了提升。
【文章来源】：南京理工大学学报. 2019,43(04)北大核心CSCD
【文章页数】：6 页
【部分图文】：
节点合并流程1．3好友推荐算法
(fof，i)=∑fi(δu，fi·δfi，fof)－0．3friendf槡i(6)使用好友加权方法的同时，加入特定的好友选择参考数值，公式如下Ti，fof=(δu，fi·δfi，fof)－0．3(7)式中:－0．3为惩罚因子(可变参数)，δu，fi为u与fi连接建立时间参数，δfi，fof为fi与fof连接建立时间参数。此时，时间参数值差额越大，则权重越小。由此，可以根据各个参数变化做出特征建立，从而得出好友推荐结果。图2用户好友导向示意图2．2算法流程输入:目标用户地址UID，用户好友序列表Seqn(其中下标n代表好友数量)，好友对应兴趣标签为IntLab(i)。输出:用户好友推荐有序表。(1)Foreachi∈Seqn(2)S=sum(UID，Seqi)//根据式(1)计算出用户与共同好友量(3)ifS＞k//取阈值k设定用户截取频繁数据内的好友比对(4)Mpp=sort(S)//对所得数据降序排列(5)End(6)Ui=NULL//置空i阶序列表(7)While(Scan(IntLab(n)))//扫描好友兴趣标签序列(8)Ui=Mpp∩Score4(UID，IntLab(i))//根据式(5)计算用户好友间兴趣加权值(9)Ui=T(ForeachiinUi)//对Ui序列表重新计算差额(10)输出sort(Ui)//排序后输出Ui结果值示例:给定一组好友数据候选集如表1所示，设定好友单向共同兴趣标签，以用户本身为搜索中心，向用户表内好友进行搜索。其中Tid为用户好友标签，InL为好友兴趣标签。给定用户
(1)基于评级合并的模型:该模型根据用户的历史行为对用户进行评级，将评级相似的用户合并为一个群组，以减少进行大规模好友推荐时的时间代价;(2)基于粉丝关系的模型:该模型为目标用户推荐的朋友均为与他拥有许多共同粉丝的用户;(3)模型TFPＲ:该模型同时使用评级合并和粉丝关系来预测新的好友。试验选取7种情况进行研究:推荐列表用户数分别为5、10、15、20、25、30、50等。针对相同组别的测试集和训练集，其准确率、召回率和F1-measure结果如图3～图5所示。图3算法的推荐准确率图4算法的推荐召回率图5算法的推荐F1-measure值通过实验结果可以发现:推荐好友的数量越多，则算法的准确率越低，而召回率则越高，综合准确率和召回率两个指标的F1-measure值也逐渐增大，这与实际情况是完全吻合的。与其他方法对比，本文提出的基于六度分割理论的社交好友推荐算法由于同时考虑了评级合并和好友关系的方法，具有最好的推荐准确度和召回率。从图5可以看出，当好友推荐人数达到15时，为本文算法最高的F1-measure值。总体看来，随着好友推荐数量的增多，本文算法与其他方法相比优势也就更加明显，在实际应用中可以取得更好的成果。274
本文编号：3246033
【文章来源】：南京理工大学学报. 2019,43(04)北大核心CSCD
【文章页数】：6 页
【部分图文】：
节点合并流程1．3好友推荐算法
(fof，i)=∑fi(δu，fi·δfi，fof)－0．3friendf槡i(6)使用好友加权方法的同时，加入特定的好友选择参考数值，公式如下Ti，fof=(δu，fi·δfi，fof)－0．3(7)式中:－0．3为惩罚因子(可变参数)，δu，fi为u与fi连接建立时间参数，δfi，fof为fi与fof连接建立时间参数。此时，时间参数值差额越大，则权重越小。由此，可以根据各个参数变化做出特征建立，从而得出好友推荐结果。图2用户好友导向示意图2．2算法流程输入:目标用户地址UID，用户好友序列表Seqn(其中下标n代表好友数量)，好友对应兴趣标签为IntLab(i)。输出:用户好友推荐有序表。(1)Foreachi∈Seqn(2)S=sum(UID，Seqi)//根据式(1)计算出用户与共同好友量(3)ifS＞k//取阈值k设定用户截取频繁数据内的好友比对(4)Mpp=sort(S)//对所得数据降序排列(5)End(6)Ui=NULL//置空i阶序列表(7)While(Scan(IntLab(n)))//扫描好友兴趣标签序列(8)Ui=Mpp∩Score4(UID，IntLab(i))//根据式(5)计算用户好友间兴趣加权值(9)Ui=T(ForeachiinUi)//对Ui序列表重新计算差额(10)输出sort(Ui)//排序后输出Ui结果值示例:给定一组好友数据候选集如表1所示，设定好友单向共同兴趣标签，以用户本身为搜索中心，向用户表内好友进行搜索。其中Tid为用户好友标签，InL为好友兴趣标签。给定用户
(1)基于评级合并的模型:该模型根据用户的历史行为对用户进行评级，将评级相似的用户合并为一个群组，以减少进行大规模好友推荐时的时间代价;(2)基于粉丝关系的模型:该模型为目标用户推荐的朋友均为与他拥有许多共同粉丝的用户;(3)模型TFPＲ:该模型同时使用评级合并和粉丝关系来预测新的好友。试验选取7种情况进行研究:推荐列表用户数分别为5、10、15、20、25、30、50等。针对相同组别的测试集和训练集，其准确率、召回率和F1-measure结果如图3～图5所示。图3算法的推荐准确率图4算法的推荐召回率图5算法的推荐F1-measure值通过实验结果可以发现:推荐好友的数量越多，则算法的准确率越低，而召回率则越高，综合准确率和召回率两个指标的F1-measure值也逐渐增大，这与实际情况是完全吻合的。与其他方法对比，本文提出的基于六度分割理论的社交好友推荐算法由于同时考虑了评级合并和好友关系的方法，具有最好的推荐准确度和召回率。从图5可以看出，当好友推荐人数达到15时，为本文算法最高的F1-measure值。总体看来，随着好友推荐数量的增多，本文算法与其他方法相比优势也就更加明显，在实际应用中可以取得更好的成果。274
本文编号：3246033
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3246033.html
