1.一种基于三元闭包的好友推荐方法,基于三元闭包的好友推荐系统,该系统包括数据收集模块、数据处理模块、权值计算模块、状态匹配模块、好友推荐模块,所述数据收集模块根据用户的地理位置和时间来判断是否进行数据的更新,所述数据处理模块对用户的活动数据进行预处理把用户的活动数据进行聚类,所述权值计算模块计算待推荐用户与其他用户可能形成边的权值,把计算过后的权值加入待推荐队列,引入开放系数,更新权值,然后加入待推荐队列,所述状态匹配模块在推荐之前引入了一个状态感知机制,把用户的状态与其他用户的状态进行匹配,所述好友推荐模块,为用户选取m个用户进行推荐,对于每一个用户,其他用户与该用户经过状态匹配后的权值按照大小顺序进行排序,从中选取前m个用户,进行推荐,m是根据用户情况选取的一个动态数值;其特征在于,具体包括以下步骤:步骤一、使用数据收集模块根据用户的地理位置和时间来判断是否进行数据的更新,如果用户的地理位置变化且距离上次数据的获取时间相差一周,就对用户的信息进行更新,否则结束这个推荐的过程,避免重复推荐;
步骤二、数据处理模块对用户的数据集进行预处理,提取的用户的活动具有一定的重复性,通过对活动的聚类,降低了数据的冗余,使数据更具有代表性;
步骤三、权值计算模块计算待推荐用户与其他用户可能形成边的权值,把计算过后的权值加入待推荐队列,引入开放系数,更新权值;
步骤四、状态匹配模块引入状态感知机制,分析用户此时的状态,根据用户的心情,精神状态,忙闲状态分析,来进行用户状态的匹配;
步骤五、使用好友推荐模块把经过状态匹配的用户按权值的大小进行排序,然后选取用户进行推荐;
在所述步骤一中通过获取用户的地理位置和时间来进行判断是否进行数据的获取,判定本次进行推荐时获得的地理位置与最近一次进行推荐的地理位置是否一致,判定本次进行推荐的时间与最近一次进行推荐的时间是否相差一周,设定这次地理位置与上次不同且时间相差一周就进行数据的更新,否则就会结束整个推荐过程,获取的数据包括在此地理位置上所有用户一年之中所做的活动和朋友关系,不满足这两个条件,则不进行数据的更新,减少重复推荐;
在所述步骤二中,选取一组特性,设定指向这条边的权值为1,否则就为0,对于活动a和活动b的相关性,用表示,选取余弦相似度:进行活动的聚类,降低数据的冗余;
所述活动a和活动b的特性来表示:
,
对于活动a和活动b的相关性,用表示,选取余弦相似度:
来计算不同活动之间的相似性,对于阈值的选取利用控制变量法,设置几种阈值,选取其中分类效果最好的阈值,最后更新活动数据,i取[1,n];
所述步骤三从两个方面进行考虑,包括用户-用户-用户和用户-活动-用户两个方面对权值进行计算:计算的权值加入待推荐队列,考虑到用户可能不会加陌生用户,引入了一个开放系数,取0、1,当取0时代表用户不加陌生用户,取1时表示用户有加陌生用户的经历,更新待推荐队列的权值,这时候计算公式为:,
其中,表示的该用户与其他用户形成边的权值,是开放系数,表示的是综合两种三元闭包模式下求得的初始权值,把计算的权值按从大到小的顺序进行排序,然后加入待推荐队列。
2.根据权利要求1所述的基于三元闭包的好友推荐方法,其特征在于,对于用户-用户-用户的模式,定义一个熟悉度:,
其中,u1、u2表示用户,friend(ui)表示用户ui的好友数量,i取1,2表示的是两个不同用户u1、u2,表示u1和u2的共同好友数量,表示的是u1和u2好友数量的并集;
对于用户-活动-用户的模式,定义一个相似度:
,
其中,u1、u2表示用户,activity(ui)表示的是用户ui参与的活动的数量,表示的u1和u2共同参与的活动数量,表示的是u1和u2参与活动的并集;
综合用户-用户-用户和用户-活动-用户两种三角闭合的模式,得到最终的权值计算公式:,
其中,是熟悉度影响因子,是相似度影响因子,取(0,1),根据每个用户的具体情况,动态的调整值,保证,如果用户热衷于参与活动,则保持值大于值,如果用户热衷于交友,则保持值大于值。