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: 2021107561187
申请人: 云南大学
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:

1.一种多特征融合的社交网络好友推荐方法,其特征在于,包括:获取目标用户,并确定目标社区,所述目标社区为所述目标用户所在的任一社区;

根据所述目标社区,获取第一特征、第二特征和第三特征,所述第一特征为其他用户的节点重要性,所述第二特征为所述目标用户与所述其他用户之间的共同好友数,所述第三特征为所述目标用户与所述其他用户之间的最短路径;所述其他用户是指所述目标社区内除所述目标用户外的用户;

根据所述第一特征、所述第二特征和所述第三特征,确定第一特征向量、第二特征向量和第三特征向量;

根据所述第一特征向量和预设的第一初始权重确定第一均方误差,以及根据所述第二特征向量和预设的第二初始权重确定第二均方误差,以及根据所述第三特征向量和预设的第三初始权重确定第三均方误差;所述第一初始权重为所述第一特征的初始权重,所述第二初始权重为所述第二特征的初始权重,所述第三初始权重为所述第三特征的初始权重,所述第一初始权重、所述第二初始权重和所述第三初始权重的和为1;

确定第一偏导数、第二偏导数和第三偏导数;所述第一偏导数是指所述第一均方误差关于所述第一初始权重的偏导数,所述第二偏导数是指所述第二均方误差关于所述第二初始权重的偏导数,所述第三偏导数是指所述第三均方误差关于所述第三初始权重的偏导数;

根据所述第一偏导数和预设的学习率,对所述第一初始权重进行迭代处理,确定所述第一特征的最优权重;

根据所述第二偏导数和所述学习率,对所述第二初始权重进行迭代处理,确定所述第二特征的最优权重;

根据所述第三偏导数和所述学习率,对所述第三初始权重进行迭代处理,确定所述第三特征的最优权重;

根据所述第一特征的最优权重、所述第一特征向量、所述第二特征的最优权重、所述第二特征向量、所述第三特征的最优权重以及所述第三特征向量,确定所述目标用户与所述其他用户成为好友的可能性;

根据所述目标用户与所述其他用户成为好友的可能性,确定好友推荐列表。

2.根据权利要求1所述的一种多特征融合的社交网络好友推荐方法,其特征在于,获取目标用户,并确定目标社区,包括:获取所述目标用户所在的社交网络;

对所述目标用户所在社交网络进行社区划分,确定社区划分信息;

根据所述社区划分信息,确定所述目标社区。

3.根据权利要求1所述的一种多特征融合的社交网络好友推荐方法,其特征在于,所述根据所述第一偏导数和预设的学习率,对所述第一初始权重进行迭代处理,确定所述第一特征的最优权重,包括:通过如下公式迭代获取所述第一特征的最优权重:

...

1 2

其中,θa表示所述第一初始权重,θa 表示所述第一特征经过一次迭代后的权重,θa 表示n n所述第一特征经过两次迭代后的权重,θa 表示所述第一特征经过n次迭代后的权重,θa 表示所述第一特征的最优权重,α表示所述学习率, 表示所述第一偏导数。

4.根据权利要求1所述的一种多特征融合的社交网络好友推荐方法,其特征在于,所述根据所述第二偏导数和所述学习率对所述第二初始权重进行迭代处理,确定所述第二特征的最优权重,包括:通过如下公式迭代获取所述第二特征的最优权重:

...

1 2

其中,θb表示所述第二初始权重,θb 表示所述第二特征经过一次迭代后的权重,θb 表示n n所述第二特征经过两次迭代后的权重,θb 表示所述第二特征经过n次迭代后的权重,θb 表示所述第二特征的最优权重,α表示所述学习率, 表示所述第二偏导数。

5.根据权利要求1所述的一种多特征融合的社交网络好友推荐方法,其特征在于,所述根据所述第三偏导数和所述学习率对所述第三初始权重进行迭代处理,确定所述第三特征的最优权重,包括:通过如下公式迭代获取所述第三特征的最优权重:

...

1 2

其中,θc表示所述第三初始权重,θc 表示所述第三特征经过一次迭代后的权重,θc 表示n n所述第三特征经过两次迭代后的权重,θc 表示所述第三特征经过n次迭代后的权重,θc 表示所述第三特征的最优权重,α表示所述学习率, 表示所述第三偏导数。

6.根据权利要求1所述的一种多特征融合的社交网络好友推荐方法,其特征在于,根据所述第一特征的最优权重、所述第一特征向量、所述第二特征的最优权重、所述第二特征向量、所述第三特征的最优权重以及所述第三特征向量,确定所述目标用户与所述其他用户成为好友的可能性,包括:通过如下公式确定所述目标用户与所述其他用户成为好友的可能性:n

其中,表示所述目标用户与所述其他用户成为好友的可能性,所述θa 表示所述第一(a) n (b)特征的最优权重,X 表示所述第一特征向量,θb表示所述第二特征的最优权重,X 所述第n (c)二特征向量,θc表示所述第三特征的最优权重,X 所述第三特征向量。

7.根据权利要求1所述的一种多特征融合的社交网络好友推荐方法,其特征在于,根据所述目标用户与所述其他用户成为好友的可能性,确定好友推荐列表,包括:将所述目标用户与所述其他用户成为好友的可能性按照从大到小的方式进行排序,确定目标列表;

根据所述目标列表,确定为所述好友推荐列表。

8.一种多特征融合的社交网络好友推荐装置,其特征在于,所述多特征融合的社交网络好友推荐装置应用于权利要求1‑7任一项所述的多特征融合的社交网络好友推荐方法,所述多特征融合的社交网络好友推荐装置包括:目标用户获取模块,用于获取目标用户,并确定目标社区,所述目标社区为所述目标用户所在的任一社区;

特征获取模块,用于根据所述目标社区,获取第一特征、第二特征和第三特征,所述第一特征为其他用户的节点重要性,所述第二特征为所述目标用户与所述其他用户之间的共同好友数,所述第三特征为所述目标用户与所述其他用户之间的最短路径;所述其他用户是指所述目标社区内除所述目标用户外的用户;

特征向量获取模块,用于根据所述第一特征、所述第二特征和所述第三特征,确定第一特征向量、第二特征向量和第三特征向量;

均方误差计算模块,用于根据所述第一特征向量和预设的第一初始权重确定第一均方误差,以及根据所述第二特征向量和预设的第二初始权重确定第二均方误差,以及根据所述第三特征向量和预设的第三初始权重确定第三均方误差;所述第一初始权重为所述第一特征的初始权重,所述第二初始权重为所述第二特征的初始权重,所述第三初始权重为所述第三特征的初始权重,所述第一初始权重、所述第二初始权重和所述第三初始权重的和为1;

偏导数计算模块,用于确定第一偏导数、第二偏导数和第三偏导数;所述第一偏导数是指所述第一均方误差关于所述第一初始权重的偏导数,所述第二偏导数是指所述第二均方误差关于所述第二初始权重的偏导数,所述第三偏导数是指所述第三均方误差关于所述第三初始权重的偏导数;

第一最优权重计算模块,用于根据所述第一偏导数和预设的学习率,对所述第一初始权重进行迭代处理,确定所述第一特征的最优权重;

第二最优权重计算模块,用于根据所述第二偏导数和所述学习率,对所述第二初始权重进行迭代处理,确定所述第二特征的最优权重;

第三最优权重计算模块,用于根据所述第三偏导数和所述学习率,对所述第三初始权重进行迭代处理,确定所述第三特征的最优权重;

可能性获取模块,用于根据所述第一特征的最优权重、所述第一特征向量、所述第二特征的最优权重、所述第二特征向量、所述第三特征的最优权重以及所述第三特征向量,确定所述目标用户与所述其他用户成为好友的可能性;

好友推荐列表获取模块,用于根据所述目标用户与所述其他用户成为好友的可能性,确定好友推荐列表。

9.根据权利要求8所述的一种多特征融合的社交网络好友推荐装置,其特征在于,所述目标用户获取模块包括:社交网络获取单元,用于获取所述目标用户所在的社交网络;

社区划分单元,用于对所述目标用户所在社交网络进行社区划分,确定社区划分信息;

目标社区获取单元,用于根据所述社区划分信息,确定所述目标社区。

10.根据权利要求8所述的一种多特征融合的社交网络好友推荐装置,其特征在于,所述第一最优权重计算模块用于通过如下公式迭代获取所述第一特征的最优权重:...

1 2

其中,θa表示所述第一初始权重,θa 表示所述第一特征经过一次迭代后的权重,θa 表示n n所述第一特征经过两次迭代后的权重,θa 表示所述第一特征经过n次迭代后的权重,θa 表示所述第一特征的最优权重,α表示所述学习率, 表示所述第一偏导数。