欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019102187481
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于用户细粒度摄影偏好的摄影社区个性化好友推荐方法,其特征在于,包括如下方法:步骤一、获取用户信息和摄影作品细粒度标签,所述细粒度标签为用户上传摄影作品时给出与图片内容相关的标签;

步骤二、用户数据预处理:剔除不符合要求的用户信息;

步骤三、细粒度标签的清洗,剔除不符合要求的细粒度标签;

步骤四、通过细粒度标签的清洗后得到候选标签集,将候选标签聚类,包括如下步骤:

4.1)将候选标签中重复的细粒度标签剔除;

4.2)使用skip-gram模型将单词向量化表示,通过计算词向量间的余弦距离,获得词向量间的相似度;已有工作利用skip-gram模型训练维基百科语料库,将在线商品评论词进行词向量表示,将每个候选标签映射成N维实数词向量;从而提取评论词属性;

4.3)计算词向量之间的余弦距离来获取候选标签间的语义相似度;余弦距离的计算公式如下:其中, 表示候选细粒度标签Wi的词向量的第k维,N表示向量的维度; 表示候选细粒度标签Wj的词向量的第k维;cos(Wi,Wj)表示Wi和Wj的余弦距离;

4.3)词向量相似度聚类:采用近邻传播聚类方法对候选标签进行聚类,AP聚类方法的输入数据为词向量之间的余弦相似度,不断迭代更新每个相似度数据的吸引信息与归属信息,直到产生稳定的聚类中心,并将非中心的相似度数据分配到对应的类簇;得到若干个类簇;

更新吸引信息公式:

更新归属信息公式:

其中r表示吸引信息,a表示归属信息,S为相似度矩阵,S(m,n)取m和n的欧式距离负值;

当m=n时,S(m,n)取整个矩阵的最小值或中位数;S(m,n)值越大,最终产生的聚类数量越多;m和n分别表示在同一类簇中的两个数据对象,t表示迭代的次数,rt+1(m,n)表示第t+1次迭代的吸引信息,at+1(m,n)表示第t+1次迭代的归属信息;

对于聚类中心:设m=max{a(m,n)+r(m,n)},若此时m=n,则m是聚类中心;若此时m≠n,则n是m的聚类中心;

4.4)利用近邻传播聚类方法中的净相似度进行聚类结果的评估,净相似度值越大表示聚类效果越好,计算公式如下:其中,K表示聚类后的类簇数量,Mp为类簇p中除聚类中心之外的其它聚类成员数量;

Preference[p]表示为类簇p的聚类中心的参考值,Sim(Term[p,q],Exemplar[p])为类簇p中聚类中心与各类簇成员之间的相似度;

步骤五、细粒度标签降噪

5.1)非属性类簇过滤:利用属性-情感词典来过滤非属性类簇,定义CAi=TFi/TFsi,将CAi按照升序排列,求出CA的中值,当CAi低于中值时,则该类簇为非属性类簇,将该类簇过滤掉;

其中,TFi为聚类中心词i单独出现的次数,TFsi为聚类中心词i与情感词s共同出现的次数;

5.2)非属性标签过滤:首先计算聚类中心与各类簇成员的相似度Sim(Term[p,q],Exemplar[p]),得到一个相似度矩阵,然后对相似度按照大小进行降序排序,排名第v个之后的标签定义为非属性标签,并将非属性标签剔除掉;

步骤六、细粒度摄影偏好特征提取:

细粒度标签频率的计算:每个用户标签的标签频率为该标签在用户作品中出现的次数;

高频率标签的抽取:将细粒度标签频率大于所有标签频率的平均值的标签定义为高频率标签,组成高频率标签集合;

选取用户细粒度摄影偏好特征标签,通过以下方法:

6.1)选取top-h个距离每个聚类中心近的标签,即与聚类中心的词间相似度较大的细粒度标签;

6.2)选取每个类簇中的高频率标签;

最后,得出可以准确地代表每个用户的细粒度摄影偏好特征标签子集;

步骤七、基于细粒度偏好特征和用户活跃度的好友推荐:

对目标用户进行好友推荐,通过以下方法:

7.1)计算特征代表性评价指标Frank

特征代表性评价指标Frank:用于评价用户偏好特征的细粒度标签的重要性,主要由细粒度标签频率和同一类簇中的细粒度标签与聚类中心的相似度组成;标签频率和相似度越大,Frank也就越大;

利用PageRank算法,结合标签频率和相似度,计算出每个用户的所有细粒度标签的Frank值;假设用户u具有G个细粒度标签,记用户u的每个细粒度标签Frank值为 则用户u的所有Frank值满足

7.2)计算目标用户与其他用户间的偏好特征相似度

统计所有用户偏好特征的细粒度标签最大个数W,将所有用户的Frank值转化为W维偏好特征向量,其中空值设为0;利用广义Jaccard相似度,计算目标用户与其他每个用户之间的相似度EJ(A,B),具体计算公式如下:EJ(A,B)=(A*B)/(||A||2+||B||2-A*B)   (5)其中A、B分别表示目标用户Frank值的W维向量和其他每个用户的Frank值的W维向量,向量的每个维度取值为[0,1]之间的实数值,A*B表示向量乘积,||B||2表示向量B的模,EJ(A,B)是一个实数;

7.3)利用用户活度加权生成最终好友推荐列表

统计所有用户的作品数量、粉丝量和被浏览量最大值,对每个用户的作品数量、粉丝量和被浏览量进行归一化处理,具体方法如下:用户活跃度=λ1*作品数量/最大用户作品数+λ2*粉丝量/最大用户粉丝量+λ3*被浏览量/最大被浏览量,其中λ1+λ2+λ3=1,λ1、λ2和λ3均为系数;

将其他每个用户与目标用户间的偏好特征相似度EJ(A,B)与用户活跃度相乘,将乘积结果按照大小进行降序排列,选取前s个用户作为最终的好友推荐列表。

2.如权利要求1所述的基于用户细粒度摄影偏好的摄影社区个性化好友推荐方法,其特征在于,所述细粒度标签的清洗的步骤如下:(1)剔除用户所有标签中频率小于2的细粒度标签;

(2)剔除具有拼写错误的细粒度标签;

(3)剔除非标记属性的细粒度标签;

(4)将大写字母全部转换为小写字母;

(5)将繁体字全部转换为简体中文。

3.如权利要求1所述的基于用户细粒度摄影偏好的摄影社区个性化好友推荐方法,其特征在于,所述用户信息包括账号ID、性别、所在城市、作品数量、粉丝量、被浏览量、成就、个性签名、技能和关注量。

4.如权利要求1所述的基于用户细粒度摄影偏好的摄影社区个性化好友推荐方法,其特征在于,用户数据预处理:去除不合要求的用户信息步骤如下:将摄影作品数量少于5和所有标签数量少于10的用户进行剔除。

5.如权利要求1所述的基于用户细粒度摄影偏好的摄影社区个性化好友推荐方法,其特征在于,使用PageRank算法,计算每个偏好特征细粒度标签的特征代表性评价指标Frank。