1.一种社区角色感知的用户需求主动预测方法,其特征在于:包括下述步骤:S1:采用局部社区发现算法从社交网络中挖掘目标用户集Us中的每个用户i所在的局部社区Ci,所有用户所在的社区的并集记为S2:融合 对应的社交网络子图和多个用户评分数据,得到一个异质信息网络;
S3:通过度量社区Ci中的用户与目标用户i在局部结构上的差异,寻找与用户i有相似角色的用户,并计算这些用户与用户i的角色相似程度;
S4:利用与用户i有相似角色的用户的评分信息,对用户i从两个角度进行预测:1)用户i对项的需求程度,2)用户i对项的评分值,因为具有相似角色的用户一般有着相似的需求;
S5:利用S4中得到的用户i对各个项的需求程度和评分值,筛选出需求程度和评分值都高的项,并将这些项推荐给用户i,完成对用户需求的主动预测过程。
2.根据权利要求1所述的一种社区角色感知的用户需求主动预测方法,其特征在于:所述步骤S1中,对于每个用户,先寻找与用户在同一个社区的核心节点,然后以核心节点和该用户为起始节点进行局部社区发现。
3.根据权利要求2所述的一种社区角色感知的用户需求主动预测方法,其特征在于:所述步骤S1具体包括如下步骤:
S101:选取用户集Us中的用户i;
S102:在社交网络中寻找与i紧密相连的核心节点p作为局部社区发现算法的起始节点,方法如下:
①、计算i及其邻居节点的h‑index值,节点i的h‑index记为h‑indexi;
若节点i:有h个邻居节点;每个邻居节点的度都大于等于h,则:h‑indexi=h;
②、选择与i紧密相连的核心节点p,若节点i的邻居节点中不存在h‑index值大于h‑indexi的节点,则i作为核心节点p,否则,从节点i的邻居节点中筛选h‑index值大于h‑indexi的节点,再从中寻找与节点i共同邻居最多的节点作为核心节点p;
S103:初始化社区Ci为只包含起始节点p和节点i两个节点的社区,若节点i就是核心节点p,则将社区Ci初始化为只包含节点i的社区;
S104:将社区Ci的邻居节点加入Nb中,Nb是社区Ci的邻居节点的集合,社区Ci的邻居节点是指不属于社区Ci且和社区Ci内部节点有连边的节点;
S105:对于Nb中的每个节点u,通过公式(1)计算Ci∪{u}的局部模块度M,即节点u加入社区Ci后的M值,然后从邻居节点中选择能使社区Ci的模块度M增加最多的邻居节点vbest,其中,EC(Ci)是社区Ci内部节点之间边的数量,Eout(Ci)是社区Ci内部节点和社区Ci邻居节点之间的边的数量,模块度M是衡量社区质量的指标,模块度越大,社区质量越好;
S106:若Ci∪{vbest}的M值大于社区Ci的M值,则将节点vbest加入社区Ci,并更新社区Ci的邻居节点集合Nb;
S107:重复S105,S106过程,直至不存在节点能使得社区Ci的局部模块度M增加,得到社区Ci;
S108:对于每个用户,重复S101‑1S07,找到Us中所有用户的局部社区,将这些社区的并集记为
4.根据权利要求3所述的一种社区角色感知的用户需求主动预测方法,其特征在于:其中步骤S2中,异质信息网络中包含代表用户和项两类实体的节点,下文将代表用户和项的节点分别称为用户节点和项节点,具体步骤包括:S201:将评分数据中用户对项的评分映射到区间[0,n]中,n为评分最高分;
S202:求得 中的用户对应的社交网络的子图S;
S203:遍历一个评分数据集,构建异质信息网络,在评分数据中,用户u对项v有评分,若用户节点u在S中,则:1)为用户节点u和项节点v之间添加一条边,该边的权重代表用户u对项v评分的分值;2)若当前S中没有项节点v,则为项v创建一个项节点,并将该节点加入;
S204:对每个评分数据执行S203,得到包含“用户”和“项”两种类型节点、“用户‑项”和“用户‑用户”两种类型边的异质信息网络G,其中,“用户‑用户”是源于社交网络中用户与用户的边,是无权重的;“用户‑项”表示用户对项进行了评分,权重是用户对该项的评分分值。
5.根据权利要求4所述的一种社区角色感知的用户需求主动预测方法,其特征在于:其中步骤S3中,计算社区Ci内部节点与节点i的角色相似程度,寻找节点i的角色相似节点,在社区Ci中,从节点的局部结构和用户共同历史评价信息的角度寻找与目标用户有着相似角色的用户,具体步骤如下:
S301:对于社区中的每个用户节点,通过公式(2)计算用户节点的邻居度分布集P(i),以节点i为例:
其中,D(j)表示节点j在社区Ci中的邻居数目。N(i)是由节点i和节点i的用户邻居节点组成的节点列表;
S302:将S301中的度分布集P(i)中的元素按照值大小进行降序排序,并扩展为元素个数为m的邻居度分布列表P′(i),其中,m=Dmax+1, 当N(i)中节点数不足m时,后面补0,如下所示:
P′(i)=[pi(1),pi(2),pi(3),...,pi(|N(i)|),0,...,0] (3)其中,|N(i)|是N(i)中的节点个数;
S303:通过公式(4)计算节点i和节点j的局部结构差异程度:rij=DKL(P′(i)||P′(j))+DKL(P′(j)||P′(i)) (4)公式(4)中,DKL(P′(i)||P′(j))是通过公式(5)计算的P′(i)和P′(j)的相对熵,范围在0~1之间:
公式(5)中,m′=min(D(i),D(j))+1;
S304:由S303的计算结果得到节点i的相关性集合LR:LR={ria,rib,ric,...|a,b,c...∈Ci} (6)S305:由公式(7)计算节点i和社区Ci中的节点j的局部结构相似度Fij:其中,
S306:对于社区Ci中的每个节点j,根据节点i和节点j共同评价过的项的数目对Fij进行调整得到角色相似度Sij:
其中,Nitem(i)是用户节点i的项邻居节点集合,|x|是x中的元素个数。Sij值越大,i和j的角色越相似;
S307:按照用户的Sij值对将社区Ci中的用户节点进行降序排序,取前一半用户作为用户i的角色相似用户,记为相似用户集U。
6.根据权利要求5所述的一种社区角色感知的用户需求主动预测方法,其特征在于:步骤S4中,利用i的相似 用户集U中用户节点与项节点的连边信息 ,对于中的项节点zx,从两个角度展开主动预测:1)用户i和该项有连边的可能性;2)用户i和该项连边的权重,从第一个角度分析用户i对该项的需求程度,从第二个角度分析用户i对该项的可能的评分。
7.根据权利要求6所述的一种社区角色感知的用户需求主动预测方法,其特征在于:以项zx为例进行计算,步骤S4具体包括:S401:通过公式(9)计算用户i对zx的需求率Dr(i,zx):其中,|U|为U中的元素个数,用户j对zx有评分时 的值为1,否则, 的值为0;
S402:通过公式(10)计算用户i和项节点zx之间可能的连边权重,即预测评分rating(i,zx):
其中,Um是U中与项节点zx有连边的用户节点组成的集合,|Um|是Um中元素的个数,是用户j和项节点zx之间的边的权重。
8.根据权利要求7所述的一种社区角色感知的用户需求主动预测方法,其特征在于:步骤S5中,对步骤S4中得到的结果进行筛选得到帕累托最优解对应的项,并将这些项推荐给用户i。
9.根据权利要求8所述的一种社区角色感知的用户需求主动预测方法,其特征在于:定义:帕累托最优解是多目标优化中的概念,本项目以S4中得到的需求率Dr和预测评分rating为目标;支配关系与被支配关系:对于项节点zx和zy,i对zx和zy的需求率的预测评分通过S4被计算出,若Dr(i,zx)>Dr(i,zy),rating(i,zx)≥rating(i,zy)或者Dr(i,zx)≥Dr(i,zy),rating(i,zx)>rating(i,zy),那么zx支配zy,zy被zx支配;
步骤S5具体包括:
S301:根据项节点之间的支配关系进行筛选,将步骤S4中的所有非支配解抽取出来,得到一组帕累托最优解;
S302:计算步骤S4中所有的解的 值, 值由公式(11)计算得到:S503:假设要给用户i推荐K个项,当帕累托最优解数量大于等于K时,推荐 值较大的K个帕累托最优解对应的项;当帕累托最优解数量小于K时,在支配解中按照 值由大到小来选择不足的个数填补,并将这些支配解对应的项连同帕累托最优解对应的项一并推荐给用户i从而完成对用户i需求的主动预测,其中,K是给用户i推荐的项的个数,它的取值由个人需求来决定。
10.一种社区角色感知的用户需求主动预测系统,其特征在于:包括下述模块:社区挖掘模块:用来采用局部社区发现算法从社交网络中挖掘目标用户集Us中的每个用户i所在的局部社区Ci,所有用户所在的社区的并集记为异质信息网络建设模块:用来融合 对应的社交网络子图和多个用户评分数据,得到一个异质信息网络;
角色相似程度计算模块:用来通过度量社区Ci中的用户与目标用户i在局部结构上的差异,寻找与用户i有相似角色的用户,并计算这些用户与用户i的角色相似程度;
用户预测模块:用来利用与用户i有相似角色的用户的评分信息,对用户i从两个角度进行预测:1)用户i对项的需求程度,2)用户i对项的评分值,因为具有相似角色的用户一般有着相似的需求;
主动推荐模块:利用用户预测模块中得到的用户i对各个项的需求程度和评分值,筛选出需求程度和评分值都高的项,并将这些项推荐给用户i,完成对用户需求的主动预测过程。