高良誠(chéng)

（銅陵職業(yè)技術(shù)學(xué)院信息工程系，安徽 銅陵 244061）

隨著互聯(lián)網(wǎng)和移動(dòng)網(wǎng)絡(luò)技術(shù)的快速發(fā)展，社交網(wǎng)絡(luò)作為真實(shí)社會(huì)社交關(guān)系的有益補(bǔ)充，構(gòu)建了虛擬世界的朋友圈，極大地豐富了人們的工作方式和生活方式。社交網(wǎng)絡(luò)用戶(hù)數(shù)量飛速增長(zhǎng)，信息過(guò)載問(wèn)題突出，在海量用戶(hù)中找到真正需要的朋友越來(lái)越困難，好友推薦系統(tǒng)可以有效改善用戶(hù)體驗(yàn)，已成為社交網(wǎng)絡(luò)領(lǐng)域的研究熱點(diǎn)[1-4]。

基于社交關(guān)系的推薦，其推薦的多為認(rèn)識(shí)的好友或好友的好友，推薦范圍具有很大的局限性，對(duì)于好友數(shù)比較少的用戶(hù)難以產(chǎn)生好的推薦結(jié)果，不利于拓展朋友圈?；诰W(wǎng)絡(luò)內(nèi)容的推薦，可以讓用戶(hù)快速找到感興趣的人，但所推薦用戶(hù)的信任度不高，影響推薦效果。綜合考慮社交關(guān)系和網(wǎng)絡(luò)內(nèi)容及其它用戶(hù)信息，找到合適的融合參數(shù)，可以有效平衡推薦的新穎度和信任度，大量文獻(xiàn)做了這方面的研究。本文提出一種社交網(wǎng)絡(luò)中融合用戶(hù)關(guān)系、興趣愛(ài)好、地理位置的好友推薦算法（A Friend recommendation algorithm Based on Relations-Interests-Lacations，RIL-FR），綜合考慮用戶(hù)社交關(guān)系、興趣愛(ài)好、地理位置等用戶(hù)信息，提升算法的精準(zhǔn)度。

1 相關(guān)工作

好友推薦是網(wǎng)絡(luò)社交平臺(tái)的重要功能，高效的好友推薦算法能提升用戶(hù)交友體驗(yàn)，快速擴(kuò)大用戶(hù)社交圈，好友推薦已成為社交網(wǎng)絡(luò)領(lǐng)域的研究熱點(diǎn)。胡文江等[5]在社交關(guān)系的基礎(chǔ)上加入愛(ài)好標(biāo)簽的相似度進(jìn)行推薦，但用戶(hù)往往不愿意主動(dòng)加入標(biāo)簽特征，導(dǎo)致推薦算法性能不佳。xu J等[6]提出了一種好友推薦算法，采用基于用戶(hù)－項(xiàng)目評(píng)分矩陣的概率矩陣分解法，通過(guò)加權(quán)平均來(lái)度量受信任用戶(hù)與目標(biāo)用戶(hù)的興趣相似性，加入用戶(hù)興趣信息后，能有效提高好友推薦算法的精度，但推薦用戶(hù)存在信任問(wèn)題。龍?jiān)銎G等[7]提出一種基于用戶(hù)交互的相似度計(jì)算算法KIFLink，根據(jù)用戶(hù)屬性、網(wǎng)絡(luò)拓?fù)浜徒换リP(guān)系進(jìn)行鏈路預(yù)測(cè)，并對(duì)用戶(hù)屬性與交互行為進(jìn)行計(jì)算，以此來(lái)推薦好友。

隨著定位技術(shù)的發(fā)展，用戶(hù)地理位置信息在社交網(wǎng)絡(luò)中發(fā)揮著越來(lái)越重要的作用。地理位置信息與用戶(hù)在真實(shí)社會(huì)中的活動(dòng)相關(guān)聯(lián)，一定程度上體現(xiàn)了用戶(hù)的行為模式、個(gè)人偏好。用戶(hù)行為在現(xiàn)實(shí)社會(huì)中受時(shí)空因素制約，距離的遠(yuǎn)近直接影響其社交范圍和社交能力，將地理位置信息融入到好友推薦算法中，使社交網(wǎng)絡(luò)與現(xiàn)實(shí)社會(huì)網(wǎng)絡(luò)有機(jī)結(jié)合，且用戶(hù)之間更容易產(chǎn)生信任，有助于提高算法的有效性。

孫建偉等[8]等使用評(píng)分矩陣對(duì)用戶(hù)位置進(jìn)行預(yù)估計(jì)，綜合考慮用戶(hù)興趣相似度和信任度，提出了針對(duì)位置預(yù)估計(jì)的組合算法，提高了位置預(yù)估計(jì)的精確度。曾雪琳等[9]提出一種基于位置和好友關(guān)系的協(xié)同過(guò)濾LFBCF算法，綜合考慮用戶(hù)行為、用戶(hù)社交關(guān)系、位置關(guān)系進(jìn)行協(xié)同過(guò)濾，有效提升了算法的準(zhǔn)確率，但對(duì)用戶(hù)興趣考慮不夠。XING X等[10]提出一種多維相似度的好友推薦算法，計(jì)算興趣、時(shí)間等相似度并通過(guò)用戶(hù)之間位置距離差值進(jìn)行評(píng)價(jià)，但算法對(duì)位置距離的處理較為簡(jiǎn)單。

本文提出一種社交網(wǎng)絡(luò)中融合用戶(hù)關(guān)系、興趣愛(ài)好、地理位置的好友推薦算法，綜合考慮用戶(hù)社交關(guān)系、興趣愛(ài)好、地理位置等用戶(hù)信息，計(jì)算相應(yīng)的相似度，在此基礎(chǔ)上，將三種相似度加權(quán)融合計(jì)算用戶(hù)之間最終相似度，測(cè)試最佳融合參數(shù)，將其作為好友推薦算法的依據(jù)，增加好友推薦新穎度和信任度，從而提升算法的精準(zhǔn)度。

2 融合用戶(hù)關(guān)系-興趣-位置的好友推薦算法

2.1 信任相似度計(jì)算

根據(jù)六度分割原理，用戶(hù)能夠通過(guò)好友的好友來(lái)認(rèn)識(shí)社交網(wǎng)絡(luò)中任何用戶(hù)，因此，兩個(gè)用戶(hù)的共同好友數(shù)量，直接影響他們成為好友的概率。用戶(hù)為校友關(guān)系或歷史上有共同居住地，將增加彼此信任度，他們之間成為好友的概率也會(huì)增加。

基于共同好友數(shù)、共同居住地?cái)?shù)、是否校友關(guān)系的信任相似度計(jì)算公式為：

其中：GF用戶(hù)u和v的好友相似度；PR為用戶(hù)u和v共同居住地?cái)?shù)；AS為是否校友關(guān)系，取值0或1；w1、w2和w3為比例系數(shù)。

好友相似度Gf由式（2）計(jì)算：

其中：Fu為用戶(hù)u的好友集合；Fv為用戶(hù)v的好友集合；|Fu∩Fv|為用戶(hù)u和v的共同好友數(shù)；|Fu∪Fv|為用戶(hù)u和v所有好友數(shù)。

2.2 興趣相似度計(jì)算

具有相同興趣愛(ài)好的用戶(hù)在情感上容易產(chǎn)生共鳴，更容易成為好友。本文根據(jù)評(píng)論信息計(jì)算各個(gè)用戶(hù)與目標(biāo)用戶(hù)之間的興趣相似度值，基于皮爾遜相關(guān)系數(shù)(Pearson correlation coefficient,PCC)的相似性計(jì)算公式為：

其中：ri（u)為用戶(hù)u在項(xiàng)目i上的評(píng)分值；rˉi（u)為用戶(hù)u在整個(gè)項(xiàng)目上的平均評(píng)分值。

2.3 位置相似度計(jì)算

社交網(wǎng)絡(luò)和現(xiàn)實(shí)社會(huì)并非完全獨(dú)立的，某些場(chǎng)景下，現(xiàn)實(shí)社會(huì)關(guān)系會(huì)在社交網(wǎng)絡(luò)中體現(xiàn)?，F(xiàn)實(shí)社會(huì)中，兩個(gè)用戶(hù)之間距離的遠(yuǎn)近直接影響用戶(hù)的社交意愿，因而，用戶(hù)之間位置關(guān)系是社交網(wǎng)絡(luò)好友推薦的關(guān)鍵因素[11]。用戶(hù)u、v基于位置的相似度計(jì)算公式為：

其中：用戶(hù)u為目標(biāo)用戶(hù)，（v1，v2，…，vM）為待推薦用戶(hù)集，du,vi按公式（5）計(jì)算：

其中：AS為是否校友；d(lu,lvi)為地點(diǎn)lu與地點(diǎn)lvi之間的距離，采用經(jīng)緯度距離公式（6）計(jì)算：

3.4 融合用戶(hù)關(guān)系-興趣-位置的好友推薦算法

社交網(wǎng)絡(luò)中，用戶(hù)交友的偏好不盡相同，對(duì)信任相似度、興趣相似度、位置相似度也有所側(cè)重，本文對(duì)上述三個(gè)要素進(jìn)行融合，進(jìn)行加權(quán)處理，將融合計(jì)算出的最終相似度值作為推薦好友依據(jù)，計(jì)算公式如下：

其中：Tru,v為信任相似度值；Hsimu,v為興趣相似度值；Distu,v為位置相似度值；α、β、γ為融合參數(shù)。

根據(jù)公式（7）計(jì)算出目標(biāo)用戶(hù)與待推薦用戶(hù)的最終相似度值，采用Top-n策略，將相似度值大的前n個(gè)用戶(hù)推薦給目標(biāo)用戶(hù)。

算法步驟如下：

1）對(duì)每個(gè)待推薦用戶(hù)集（v1，v2，…，vM）中用戶(hù)，分別按照公式（1）、（3）、（4）計(jì)算與目標(biāo)用戶(hù)之間的相似性。

2）對(duì)每個(gè)待推薦用戶(hù)集（v1，v2，…，vM）中用戶(hù)，按公式（7）融合計(jì)算與目標(biāo)用戶(hù)的相似度值

3）將步驟2）計(jì)算出的相似度值排序，根據(jù)Top-n策略，前n個(gè)用戶(hù)推薦給目標(biāo)用戶(hù)。

3 實(shí)驗(yàn)與結(jié)果分析

本文采用新浪微博數(shù)據(jù)集，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，刪除了簽到次數(shù)小于10和好友數(shù)小于6的用戶(hù)，從剩余的數(shù)據(jù)中隨機(jī)選取2048個(gè)用戶(hù)進(jìn)行實(shí)驗(yàn)，其中包含57339對(duì)好友關(guān)系數(shù)。設(shè)置參數(shù)w1=0.3，w2=0.05，w3=0.06，α=0.3，β=0.3，γ=0.6。

本文對(duì)RIL-FR算法、基于用戶(hù)的協(xié)同過(guò)濾算法(User-CF)[12]以及文獻(xiàn)[10]，在準(zhǔn)確率、召回率以及F1-measure指標(biāo)方面進(jìn)行比較與分析。

準(zhǔn)確率的計(jì)算公式如下：

召回率的計(jì)算公式如下：

F1-measure的計(jì)算公式如下：

圖1為三種算法的準(zhǔn)確率對(duì)比。由圖1可見(jiàn)，隨著推薦好友數(shù)量增加，三種算法的準(zhǔn)確率均下降，但本文算法的準(zhǔn)確率性能更佳。

圖1 三種算法的準(zhǔn)確率對(duì)比

圖2為三種算法的召回率對(duì)比。由圖2可見(jiàn)，隨著推薦好友數(shù)量增加，三種算法召回率均上升，本文算法的召回率上升更明顯。

圖2 三種算法的召回率對(duì)比

圖3為三種算法的F1-measure對(duì)比。由圖3可見(jiàn)，本文算法的F1-measure值指標(biāo)較好。

圖3 三種算法的F1-measure值對(duì)比

4 結(jié)語(yǔ)

提出了一種融合用戶(hù)關(guān)系-興趣-位置的社交網(wǎng)絡(luò)好友推薦算法，綜合考慮用戶(hù)社交關(guān)系、興趣愛(ài)好、地理位置等用戶(hù)信息，計(jì)算用戶(hù)間的信任相似度、興趣相似度和位置相似度，在此基礎(chǔ)上，對(duì)上述三個(gè)相似度值進(jìn)行加權(quán)處理，將最終融合計(jì)算結(jié)果作為好友推薦算法的依據(jù)，相似性值高的用戶(hù)被推薦的可能性增大。仿真實(shí)驗(yàn)表明，該算法準(zhǔn)確率和召回率性能較好。