买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：基于复杂网络图嵌入的好友关注度度量排序方法，包括：步骤S1，获取并清理数据集；S2，构建用户间的社交网络；S3，基于随机游走等算法采样模型所需的超边；S4，基于图嵌入生成特征向量，再通过改进后的OLA‑srec模型生成用户间关注度；S5，按关注度对用户朋友进行排序，并计算用户最优好友数；本发明还包括基于复杂网络图嵌入的好友关注度度量排序系统，包括：预处理模块、网络构建模块、图嵌入模块、关注度计算模块、最优好友数量计算及关注度排序模块；本发明可以从数据集中提取用户的有效朋友和用户对相应朋友的关注度，可结合多种社会化推荐模型并提升相应的推荐效果，同时提升了模型整体的鲁棒性和不同数据集的适应性。

主权项：1.基于复杂网络图嵌入的好友关注度度量排序方法，其特征在于：包括以下步骤：S1：获取一种带有评分机制的数据集并清洗该数据集；S2：通过用户间的社交关系以及用户自身的历史记录，以用户及其评价行为作为节点、用户间的好友关系作为连边，构建出超图网络；S3：基于LBSN2vec算法生成用户特征向量与物品特征向量；具体包括：S3.1：基于一种即走即停的随机游走采样算法，采样相应数量的超边，在用户的好友边上执行经典随机游走算法，与此同时从对应的用户行为超边上采样行为历史节点，其中，用户的好友边是指当前用户与其存在交互的用户节点所构成的连边，用户行为边是指当前用户与其相应的行为节点所构成的连边，此外，使用可调参数α控制每种类型边的比例，由此得到超边样本训练集，Es＝2W1Efr＝2Wα2Efi＝2W1-α3其中Es是所有边的数量，Efr为朋友边的数量，Efi为用户行为边的数量，W为滑动窗口的长度；S3.2：在步骤S3.1得到的超边训练集上使用LBSN图嵌入和梯度下降算法得到用户特征向量和行为特征向量，在余弦坐标系下，通过最小化超图节点与最佳拟合向量之间的误差来保持n个节点的接近性，4式为优化目标函数， 其中是当前的用户节点向量，为最佳拟合向量，Θ为当前的优化目标；此外，使用了负采样技术，即加入负样本节点和拟合直线之间的最大余弦值，因此在采集到的n个节点的优化函数更正如下： 其中γ表示负样本数，为的期望，为负采样得到的节点向量，之后，再对式6的目标函数使用随机梯度下降算法进行优化求解， 式7和式8为随机梯度下降算法中对应的向量梯度；S4：通过改进后的OLA-srec模型计算出对每个好友的关注度；具体计算步骤为：βiu＝LC·dUu,Ui9 其中βiu为中间变量，L为利普斯顿常数，Uu，Ui为用户u和i的特征向量，C为经验参数，k为用户的好友总数，αiu为用户i对朋友u的关注度，dUu,Ui为用户i和用户u之间的欧式距离，λk也为中间变量，此外，LC的比值可定义为LC率；首先根据步骤S3.2所得的用户的特征向量来计算用户与其朋友之间的欧式距离，再根据9式计算中间参数βiu，并且以80-120作为LC的可选范围，再初始化λk和αiu为1|Fi|，其中|Fi|为用户实际的好友数，再依据10式和11式依此迭代来更新λk和αiu，其中，循环条件为λkβi,k+1和k≤|Fi|；最终，当循环结束后，可得到的αiu为用户之间的相关系数矩阵；S5：根据用户对每个好友的关注度大小，对用户好友进行排序，同时由关注度的正负来计算相应用户的最优好友数量。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于复杂网络图嵌入的好友关注度度量排序方法及系统