一种社交网络名人信息推荐装置的制作方法

本发明涉及网络数据处理技术领域，特别是一种社交网络名人信息推荐装置。

背景技术：

随着互联网的进一步普及，目前的社交网络系统发展迅速，社交网络系统的一大特色就在于集中了大量的网络名人，普通用户可以很方便的和网络名人进行互动。随着网络名人队伍的扩大，需要一种更有效的方法将用户感兴趣的网络名人推送给用户。

现有的在社交网络系统中向用户推荐名人信息的方法是：通过人工编辑的方式向用户推荐网络名人。但是，现有的这种方法不但需要耗费大量人力成本，效率低下；而且主观因素太强，无法实现针对指定用户进行客观地有针对性地推荐，推荐结果距离用户的客观偏好太远。

技术实现要素：

针对上述问题，本发明旨在提供一种社交网络名人信息推荐装置。

本发明的目的采用以下技术方案来实现：

一种社交网络名人信息推荐装置，包括：偏好信息收集模块，用于收集用户对社交网络上的信息的评价作为用户的偏好信息；分析模块，用于根据用户和网络名人的偏好信息分析用户和网络名人之间的偏好相似度；推荐模块，用于将偏好相似度符合要求的网络名人的信息推荐给用户。

优选地，还包括存储模块，用于存储所述用户信息、名人信息、用户偏好信息、名人偏好信息和社交网络信息。

优选地，所述社交网络上的信息为文字、图片或多媒体信息；所述用户对社交网络上的信息的评价为标签评价。

本发明的有益效果为：本发明提供的装置通过分别获取用户和网络名人的偏好信息，分析其偏好相似度，将相似度符合要求的网络名人推荐给用户，这种根据偏好信息匹配的推荐方式，能够有效地根据用户在社交网络上做出的行为分析出其偏好信息，匹配偏好相近的网络名人推荐给用户，客观性强，准确度高；另外，通过收集用户的标签评价作为分析用户偏好信息的依据，能够准确地获取用户的偏好信息，适应性强且准确度高。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为本发明的框架结构图。

附图标记：

偏好信息收集模块1、分析模块2、推荐模块3和存储模块4

具体实施方式

结合以下应用场景对本发明作进一步描述。

参见图1，一种社交网络名人信息推荐装置，包括：

偏好信息收集模块1，用于收集用户对社交网络上的信息的评价作为用户的偏好信息；

分析模块2，用于根据用户和网络名人的偏好信息分析用户和网络名人之间的偏好相似度；

推荐模块3，用于将偏好相似度符合要求的网络名人的信息推荐给用户。

优选地，还包括存储模块4，用于存储所述用户信息、名人信息、用户偏好信息、名人偏好信息和社交网络信息。

优选地，所述社交网络上的信息为文字、图片或多媒体信息；所述用户对社交网络上的信息的评价为标签评价。

本发明上述实施例，通过分别获取用户和网络名人的偏好信息，分析其偏好相似度，将相似度符合要求的网络名人推荐给用户，这种根据偏好信息匹配的推荐方式，能够有效地根据用户在社交网络上做出的行为分析出其偏好信息，匹配偏好相近的网络名人推荐给用户，客观性强，准确度高；另外，通过收集用户的标签评价作为分析用户偏好信息的依据，能够准确地获取用户的偏好信息，适应性强且准确度高。

优选地，所述分析模块2分析用户和网络名人之间的偏好相似度，具体包括：获取社交网络上的网络名人集合其中为网络名人的总数；根据用户和网络名人的偏好信息分析用户和每个网络名人之间的偏好相似度，其中采用的偏好相似度函数为：

式中，s(n,m)表示用户n和网络名人m的偏好相似度，m∈m，其中s(n,m)的值越大代表用户之间的偏好越相似，h(n)和h(m)分别表示用户n和网络名人m的标签评价项目集合，gnx表示用户n对社交网络上的信息hx的标签评价，p(gnx,gmx)表示用户n对社交网络上的信息hx的标签评价和网络名人m对社交网络上的信息hx的标签评价的相似度，表示用户n对社交网络上的信息使用次数最多的标签评价。

本优选实施例，采用上述的偏好相似度函数分别获取用户和不同网络名人之间的偏好相似度，根据获取用户和网络名人对社交网络上同一信息的评价的差异，能够有效地反映出用户和网络名人的偏好相似度，客观性强，准确度高，为装置之后向用户推荐最贴近用户喜好的网络名人奠定了基础。

优选地，所述装置还包括标签体系模块，用于获取用户与网络名人对同一社交网络信息进行标签评价的相似度，具体包括：(1)判断用户和网络名人标注的标签评价是否属于同一维度特征；(2)对于同一维度特征的标签评价，采用的标签评价相似度函数为：

式中，zn和zm分别为用户和网络名人对社交网络信息hx采用的标签评价，p(zn,zm)表示标签zn与标签zm的相似度，hx表示社交网络信息集合h中的第x个社交网络信息，k(hx,zn)表示社交网络信息hx与标签zn的相关程度，其中k(hx,zn)＝r(hx,zn)×t(hx,zn)，r(hx,zn)表示社交网络信息hx中标签评价zn的次数占所有标签评价的比重，l(hx,zn)表示社交网络信息hx中标签评价zn的数目，z表示社交网络信息hx收到所有标签评价的集合，t(hx,zn)表示标签zn在所有社交网络信息的标注中出现的频率，h表示社交网络中信息的集合，但实际操作中不可能获取社交网络中所有信息的集合，因此采用时间作为分割点，选取最近一段时间的社交网络中信息的集合作为h，k(hx,zm)表示社交网络信息hx与标签zm的相关程度。

其中，所述判断标签评价是否属于同一维度特征，通过装置收集所有标签评价，建立标签体系，所述标签体系具有至少一个维度特征，并且将收集到的标签评价划分至不同的维度特征下。

本优选实施例，采用上述标签评价相似度函数获取用户与网络名人标注的标签评价的相似度，能够作为之后评价用户和网络名人偏好相似度的标准，适应性高，客观性强。

优选地，所述推荐模块3中，对于新用户的网络名人推荐，由于新用户可能存在还没有在社交网络上留下任何的信息，因此对于新用户的网络名人推荐方式具体包括：(1)建立社交网络模型，将系统中每个用户和网络名人表示为社交网络中的节点；(2)获取每个网络名人节点的受信度，其中采用的受信度迭代函数为：式中，u(m)表示网络名人节点m的受信度，bout(m)表示网络名人节点m相应的出度集合，cmn表示网络名人节点m对节点n的信任权重，bin(n)表示节点n相应的入度集合，wcn表示辅助参数，用于量化节点c的偏见值对节点n的每条出边权值的影响作用，其中，ccn(1-wcn)表示量化后的节点c对节点n的信任权重，k表示迭代的次数；(3)重复步骤(2)，直到迭代趋于稳定或者达到最大迭代次数，获取网络名人节点中受信度最高的e个网络名人信息，推荐给新用户。

本优选实施例，针对新用户还没有在社交网络上留下任何信息导致不能根据其给出的信息匹配偏好最相似的网络名人，本实施例提供了专门针对新用户的网络名人信息推荐方法，能够有效地将推荐装置覆盖到所有新用户，提高了网络名人推荐装置的推荐质量和适应性。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

网址：一种社交网络名人信息推荐装置的制作方法 https://m.mxgxt.com/news/view/1357861

相关内容

社交网络数据个性化推荐的可视化方法.pdf
基于人脸匹配的名人励志推荐和社交网络建立方法与系统与流程
网络舆情处置的4种有效方法
python绘制社交网络图
社交网络广告 数据
图解社交网络构建、信息扩散路径
python中如何绘制社交网络图 – PingCode
基于社交网络的信息扩散分析研究*
社交网络分析的方法与应用
社交活动的“超级传播者”：揭秘网络影响力最大化算法在推荐中的应用

随便看看