基于微博交互信息的社交網(wǎng)絡推薦算法

周磊　覃俊　劉晶

摘要摘要：微博作為近年來的熱門社交網(wǎng)絡平臺，其用戶行為、興趣模型及個性化推薦深受國內外學者關注。針對微博社交網(wǎng)絡的弱關系特點，結合用戶實時交互信息與用戶基本信息，提出一種綜合考慮用戶基本信息與用戶交互信息的用戶相似度計算方法；進而在UserCF算法的基礎上，提出一種基于微博交互信息的推薦算法。該算法考慮了微博平臺的弱連接關系特點，能有效針對微博類社交網(wǎng)絡進行用戶推薦。通過實際社交數(shù)據(jù)集實驗證明，該算法具有良好的執(zhí)行效率與推薦效果。

關鍵詞關鍵詞：社交網(wǎng)絡；微博；弱關系；交互信息；推薦算法

DOIDOI：10.11907/rjdk.1431068

中圖分類號：TP312

文獻標識碼：A文章編號文章編號：16727800（2015）004006304

0引言

近年來，隨著網(wǎng)絡技術的飛速發(fā)展，各種新媒體，尤其是社交媒體技術猶如雨后春筍般涌現(xiàn)，社交網(wǎng)絡服務（Social Networks Services，SNS）逐漸走進人們的視線并為大家所熟知。以Twitter、新浪微博為代表的社交網(wǎng)絡微博服務（Microblog）以其及時便捷、受眾面廣等傳播優(yōu)勢而成為主要的社交網(wǎng)絡形態(tài)。

微博，即微型博客的簡稱，是一個基于用戶關系的信息分享、傳播及獲取的平臺。用戶可以利用無線網(wǎng)絡、有線網(wǎng)絡實現(xiàn)全方位通信，實現(xiàn)Web頁面、手機、IM接受和信息發(fā)送[1]。信息分享的即時性作為微博的獨特之處，在服務用戶的同時也為用戶帶來了一定的影響。從實際角度來看，即時性是為了讓人們盡可能快地展示生活中的點點滴滴。但隨著微博的發(fā)展，微博用戶和信息的爆炸式增長，導致信息泛濫成災，在這些重復以及過載的信息中，微博用戶很難找到自己感興趣的用戶，并定位感興趣的信息。

面對海量信息，解決信息過載問題的推薦系統(tǒng)應運而生，因其顯著的推薦效果被廣泛應用于電子商務等領域，作為推薦系統(tǒng)核心組成部分的推薦算法，受到學者們的關注，各種推薦算法層出不窮。雖然通過互粉、聯(lián)系人、手機通訊錄等真實社交信息進行推薦的方法能達到很好的效果[2]，但其為用戶推薦的多為強關系鏈接的用戶。經(jīng)濟社會學家馬克·格蘭諾維特提出：相對于強關系而言，弱關系有助于傳遞新信息。針對微博這種弱關系型社交網(wǎng)絡，弱關系的推薦比強關系更有價值。

因此，研究基于微博平臺的弱關系用戶推薦算法尤為重要。從用戶角度看，它可以幫助用戶構建起新的社會關系，使用戶擴大交際圈；從微博平臺角度看，它增強了用戶之間的交互性，提高了用戶對平臺的信任度與依賴度。

本文旨在解決微博社交網(wǎng)絡平臺用戶進行用戶推薦時能顧及到弱連接用戶。對此，本文綜合使用用戶實時交互信息與用戶基本信息來計算用戶相似度，在UserCF算法基礎上，提出一種基于用戶交互的BOI（BaseonInteraction）算法。通過采集實際社交網(wǎng)絡中的數(shù)據(jù)對其進行驗證，同時分析各參數(shù)對推薦效果的影響。

1研究綜述

目前，對于用戶推薦的研究很多，研究方向主要有：基于內容的推薦方法、協(xié)同過濾推薦方法、聚類技術、關聯(lián)技術、混合推薦等。

協(xié)同過濾算法是目前應用最廣泛也是最受歡迎的推薦算法，它利用用戶愛好之間的相似性來進行推薦[3]，不依賴物品的內容，利用用戶對物品的偏好信息，一般以打分的形式進行評價[4]。不過其并不能直接應用類似于微博這種弱關系社交網(wǎng)絡的好友推薦，因為在微博類社交網(wǎng)絡中，沒有物品與評分的概念。此外，由于微博類社交網(wǎng)絡的數(shù)據(jù)稀疏性，現(xiàn)有協(xié)同過濾算法的推薦效果并不理想。

關于利用用戶的內容進行推薦方面，趙巖露[5]等結合微博數(shù)據(jù)集分析用戶的個人特征，以此提高個性化推薦系統(tǒng)的質量。袁園等通過微博關注數(shù)據(jù)，挖掘用戶關注對象的分布及對象間的關聯(lián)性[6]。Shen D[7]和Zheng Y等[8]分析用戶關注的blog或曾瀏覽的信息得出用戶的興趣模型，由模型計算得出用戶興趣相似度進而發(fā)現(xiàn)潛在好友。Wu Z等[9]提出了一種根據(jù)用戶的長相來進行推薦的算法。于海群等[10]通過分析社交網(wǎng)絡中用戶的話題偏好提出了基于用戶話題偏好的推薦算法。關于基于用戶的交互推薦方面，Lo S等[11]提出了按照好友之間的互動次數(shù)衡量兩者的親密度，互動次數(shù)越多說明兩者之間關系越好，如果兩個用戶對第三個用戶親密度都高則說明他們與第三個用戶有很好的關系，這樣他們就可能建立起新的好友關系。Chin A[12]根據(jù)任意兩個用戶之間的手機交互次數(shù)來進行推薦。

當前，社交網(wǎng)絡有一個功能是“你可能認識的人”，它是基于“friend of friend”算法進行的推薦。該算法的思想是：如果A的很多好友是B的好友，那么A也可能會是B的好友。這種算法推薦效果很顯著，但是只能幫用戶尋找沒有添加的強關系。

2BOI推薦算法

BOI算法旨在根據(jù)弱關系社交網(wǎng)絡中的用戶交互信息，為用戶推薦其可能感興趣的關注對象。通過綜合分析用戶交互信息與用戶基本信息，提高弱關系社交網(wǎng)絡平臺的推薦效果。

定義1：用戶數(shù)據(jù)集User={u1，u2，u3…uN} ，ux為用戶x的用戶ID值。User表示原爬蟲算法獲取的新浪微博用戶數(shù)據(jù)集（后簡稱原始數(shù)據(jù)集）中根據(jù)uid統(tǒng)計出的用戶ID集。

（1）根據(jù)用戶數(shù)據(jù)集User與用戶微博集Tweet計算用戶之間的興趣度，得到用戶興趣度矩陣R。

（2）對于任意待推薦的用戶u，根據(jù)用戶興趣度矩陣R計算其中非零元素對應的用戶與帶推薦用戶u的相似度，得到用戶交互相似度矩陣S。

（3）根據(jù)用戶興趣度矩陣R與用戶交互相似度矩陣S計算推薦度，并對結果從高到低排序，去前N個數(shù)據(jù)，得到排序結果C。

（4）按照排序結果C產(chǎn)生最終的推薦結果列表L。（5）算法結束。

3實驗及分析

3.1實驗對象和實驗數(shù)據(jù)

為驗證本文算法的有效性，將真實的社交網(wǎng)絡平臺用戶數(shù)據(jù)作為實驗對象。該數(shù)據(jù)根據(jù)新浪微博平臺的開放API接口，由微博爬蟲以一組微博用戶作為種子節(jié)點，根據(jù)雪球采集策略采集的微博用戶個人數(shù)據(jù)，通過清理、整合、變化3個步驟對數(shù)據(jù)集進行處理，將處理后的30萬條用戶關注數(shù)據(jù)集以及近50萬條微博內容，然后將其分為多組進行實驗，最終實驗結果為多組實驗數(shù)據(jù)的平均值。每組約包含500個用戶與近2萬條微博內容。代碼由Python和Java實現(xiàn)。實驗代碼運行于Lenovo Y460上，Python版本為Python 3.4.1，jdk版本1.7。

實驗參照的算法有：①傳統(tǒng)的Top-N相似的協(xié)同過濾算法（CF）；②“Friend-of-Friend”算法；③Content-plus-Link （ CplusL ）算法。其中，CF算法為基于用戶的協(xié)同過濾（UserCF），用戶相似度采用Jaccard公式進行計算，最終推薦結果采用Top-N推薦。

3.2實驗評估指標

本文使用的評估指標為當前常用的3個評價推薦算法的指標：準確率（precision）、召回率（recall）和Fmeasure[13]，及其算法運行效率。準確率和召回率是用來反映查詢結果的兩個重要指標。其中：準確率指檢索的相關信息量占檢索出的總信息量的百分比，用來衡量檢索系統(tǒng)的信噪比；召回率指檢索出的相關信息量占相關信息量的百分比，衡量檢索系統(tǒng)的成功度；Fmeasure為準確率（precision）與召回率（recall）的調和平均值，該值越高說明其推薦的綜合效果越好。

3.3實驗結果與分析

3.3.1算法效率測試

設置Top-N中N值為20，數(shù)據(jù)集分別用1 000、2 000、3 000、4 000、5 000、6 000、7 000、8 000、9 000和10 000條數(shù)據(jù)記錄進行測試。比較傳統(tǒng)的Top-N相似的協(xié)同過濾算法與本文的基于用戶交互的BOI算法在不同數(shù)據(jù)集下運行的效率。算法運行效率如圖1所示。當數(shù)據(jù)集選取6 000條記錄，Top-N中N值為5、10、15、20、25和30時，其算法運行效率如圖2所示。

從圖1、圖2可以看出，在不同大小的數(shù)據(jù)集以及在為用戶推薦不同人數(shù)方面，本文基于用戶交互的BOI算法所用時間均小于傳統(tǒng)的Top-N相似的協(xié)同過濾算法，由此可見本算法具有著較好的時間性能。

3.3.2算法準確性測試

分別選取多個N值對傳統(tǒng)的Top-N相似的協(xié)同過濾算法、 “Friend-of-Friend”算法以及本文基于用戶交互的BOI算法進行對比實驗?！癋riend-of-Friend”算法的閾值設置為20，設置Top-N中N={2，4，6，8，10，12， 14， 16， 18， 20，22，24}，測試結果如圖3-圖5所示。其中，圖3為3個算法的準確率曲線，圖4為3個算法的召回率曲線，圖5為3個算法的Fmeasure指標曲線。

可以看出，本文基于用戶交互的BOI算法在推薦準確性方面介于傳統(tǒng)Top-N相似的協(xié)同過濾算法與“Friend-of-Friend”算法之間。如圖5所示，本文算法與“Friend-of-Friend”算法的Fmeasure曲線走勢十分接近且在數(shù)值上相差也較小，都具有著較好的準確度，但本文算法在為用戶推薦潛在的弱關系好友方面較強。從人類現(xiàn)實社會學角度來看，為用戶推薦出潛在的“志同道合”的好友，也有重大意義與價值。4結語

基于微博平臺的弱關系用戶推薦算法研究具有重要意義。從用戶角度看，它可以幫助用戶構建起新的社會關系，使用戶擴大自己的交際圈；從微博平臺角度看，它擴大、增強了用戶之間的交互性，提高了用戶對平臺的信任度與依賴度。本文綜合考慮用戶實時交互信息與用戶的基本信息來計算用戶相似度。在UserCF算法的基礎上，

提出一種基于用戶交互的BOI（BaseonInteraction）算法。

通過真實的實驗數(shù)據(jù)集，驗證了其具有較高的準確度與效率，通過調整各項參數(shù)分析了其對推薦結果的影響。

后續(xù)研究需引入更具智能與有效的反饋機制，通過用戶的反饋對推薦結果進行動態(tài)優(yōu)化。同時，希望能引進更多的用戶信息，并且能做到分布式并行化處理，以減少單一系統(tǒng)的負載，同時提高其算法執(zhí)行效率。

參考文獻參考文獻：

[1]文瑞.微博之識[J]. 軟件工程師，2009（12）：1020.

[2]CHEN J， GEYER W， DUGAN C，et al.Proceedings of the 27th International Conference on Human Foctors in Computing Sysrems[C]. New York， NK. USA， 2009： 201210.

[3]SARWAR BM， KARYPIS G， KONSTAN J A.Analysis of recommendation algorithms for Proceedings of the 2nd ACM Conference on Electronic Commerce （ EC00）[C]. Minneapolis， MN， USA， 2000：158167.

[4]LINDEN GREG， SMITH BRENT， YORK JEREMY.AMAZON.com recommendations：item to item collaborative filtering[J]. IEEE Internet Computing， 2003， 7（1）： 7680.

[5]趙巖露，王晶，沈奇威. 基于特征分析的微博用戶興趣發(fā)現(xiàn)算法[J].電信工程技術與標準化，2012，25（11）： 7983.

[6]袁園，孫霄凌，朱慶華. 微博用戶關注興趣的社會網(wǎng)絡分析[J]. 現(xiàn)代圖書情報技術，2012（2）： 6875.

[7]SHEN D， SUN J T， YANG Q， et al.Latent friend mining from blog data[C].Data Mining， 2006.ICDM'06. Sixth International Conference on. IEEE， 2006： 552561.

[8]ZHENG Y， CHEN Y， XIE X，et al.GeoLife2.0：a locationbased social networking service[C].Mobile Data Management： Systems， Services and Middleware， 2009. MDMf09. Tenth International Conference on. IEEE， 2009： 357358.

[9]WU Z， JIANG S， HUANG Q. Friend recommendation according to appearances on photos[C].Proceedings of the 17th ACM international conference on Multimedia. ACM， 2009：987988.

[10]于海群，劉萬軍，邱云飛.基于用戶話題偏好的社會網(wǎng)絡二級人脈推薦[J].計算機應用，2012，32（5）： 13661370.

[11]LO S，LIN C. WmrA graphbased algorithm for friend recommendation[C].Proceedings of the 2006 IEEEAVIC/ACM International Conference on Web Intelligence. IEEE Computer Society， 2006：121128.

[12]CHIN A.Finding cohesive subgroups and relevant members in the nokia friend view mobile social network[C].Computational Science and Engineering，2009.CSEf09. International Conference on. IEEE， 2009（4）：278283.

[13]陳克韓，韓盼盼，吳健.基于用戶聚類的易購社交網(wǎng)絡推薦算法[J].計算機學報，2013，36（2）： 349359.

責任編輯（責任編輯：陳福時）