基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法
【專利摘要】基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法，通過用性格表征用戶特點，建立性格模型，完成性格建模、性格相似度計算與判定，進而實現(xiàn)社區(qū)用戶好友智能推薦的方法。本發(fā)明基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法，通過網絡社區(qū)用戶性格模型的建立，能較好地反映基于用戶性格的活動特征信息，可以更好地反映網絡社區(qū)用戶真實的興趣與應用趨向；以此為基礎，通過用戶性格相似性匹配計算，實現(xiàn)用戶好友智能推薦，能很好地應用于當前網絡社區(qū)用戶好友關系圈的建立中，解決當前社區(qū)網站在服務效果與用戶需求之間仍然存在著巨大差距的問題。
【專利說明】基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法
【技術領域】
[0001]本發(fā)明屬于WEB網絡社區(qū)個性化服務【技術領域】，具體涉及一種基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法。
【背景技術】
[0002]隨著互聯(lián)網社區(qū)網站的飛速發(fā)展，通過收集和分析用戶的信息來學習用戶的性格、興趣和行為，建立對用戶性格的描述，研究不同用戶的性格取向，實現(xiàn)網絡社區(qū)用戶好友智能推薦是目前互聯(lián)網社區(qū)發(fā)展的一個重要方面。
[0003]研究發(fā)現(xiàn)，目前社區(qū)網站在服務效果與用戶需求之間仍然存在著巨大差距。其根源在于社區(qū)網站僅僅通過衡量用戶的靜態(tài)信息一致性和共同好友數(shù)量實現(xiàn)推薦，進而實現(xiàn)信息分享。這種技術手段，首先，它沒有考慮到用戶的特征并不僅僅由用戶的靜態(tài)信息決定，更多的體現(xiàn)在用戶的行為及其行為變化上。其次，它缺乏服務的即時性，用戶的特征不是一成不變的，所以推薦的結果也應該有相應的變化。因此，研究用戶的性格特征，建立性格模型，完成性格相似度計算，是改進目前基于用戶靜態(tài)信息和共同好友數(shù)目的推薦方法的可行技術方案。

【發(fā)明內容】

[0004]本發(fā)明的目的是提供一種基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法，解決當前社區(qū)網站在服務效果與用戶需求之間仍然存在著巨大差距的問題。
[0005]本發(fā)明所采用的技術方案是，基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法，具體步驟如下:·[0006]步驟I，建立用戶性格模型
[0007]根據(jù)性格相關理論，結合社區(qū)用戶相關信息獲取的可能性，抽象出用戶的性格模型，建立可量化的用戶性格特征項集合；
[0008]步驟2，用戶性格信息的獲取
[0009]從用戶的注冊信息和交互過程中獲取用戶的靜態(tài)特征項和動態(tài)特征項，用特征項元素所組成的集合來表示用戶的性格特征；
[0010]步驟3,性格特征項相似度計算
[0011]通過性格的各個特征項相似度計算，建立基于用戶特征的性格相似度計算模型；
[0012]步驟4，用戶性格相似度計算
[0013]對用戶特征的性格相似度計算模型進行子樹相似度計算，然后對子樹的相似度加權求和，得到目標用戶與社區(qū)用戶數(shù)據(jù)庫中其他用戶的性格相似度；
[0014]步驟5，基于性格相似度匹配的好友推薦
[0015]判斷步驟4中計算的性格相似度sim與閾值σ的大小關系，來判斷當前的兩個用戶是否滿足好友的條件，當Sim > σ，說明兩個用戶滿足好友對的條件，從而將他們記為一個好友對；否則，則說明兩個用戶性格不相似或者是相似度不高，將他們舍棄；將滿足推薦條件的用戶按照相似度由大到小的順序依次推薦給當前的用戶。
[0016]本發(fā)明的特點在于，
[0017]步驟2中靜態(tài)特征項的獲取是從用戶的注冊信息中，得到體液類型、血型、星座、顏色喜好信息；動態(tài)特征項的獲取是以用戶發(fā)表和分享的日志作為數(shù)據(jù)來源，通過中文分詞、同義詞近義詞處理等預處理過程得到興趣度及其對應的頻數(shù)二元組；基于該二元組，獲取出興趣集、興趣度持續(xù)時間、興趣集序列。
[0018]步驟3中性格特征相相似度計算包括靜態(tài)特征項相似度計算和動態(tài)特征項相似度計算；靜態(tài)特征項相似度計算包括體液類型相似度、血型相似度、星座相似度和顏色喜好相似度計算；動態(tài)特征項相似度計算包括興趣集、興趣度持續(xù)時間和興趣集序列計算。
[0019]靜態(tài)特征項相似度具體計算方法如下:
[0020]a.體液類型相似度SimA(P，Q)
[0021]體液類型集合A= U1, A2,...，A丄I≤η≤4 ;A (P)，A (Q)表示用戶P，Q的體液類型，A(P) e A1A(Q) e A.，其相似度為:
[0022]
【權利要求】
1.基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法，其特征在于，該方法按照以下步驟實施: 步驟1，建立用戶性格模型 根據(jù)性格相關理論，結合社區(qū)用戶相關信息獲取的可能性，抽象出用戶的性格模型，建立可量化的用戶性格特征項集合； 步驟2，用戶性格信息的獲取 從用戶的注冊信息和交互過程中獲取用戶的靜態(tài)特征項和動態(tài)特征項，用特征項元素所組成的結合來表示用戶的性格特征； 步驟3，性格特征相相似度計算 通過性格的各個特征項相似度計算，建立基于用戶特征的性格相似度計算模型； 步驟4，用戶性格相似度計算 對用戶特征的性格相似度計算模型進行子樹相似度計算，然后對子樹的相似度加權求和，得到目標用戶與社區(qū)用戶數(shù)據(jù)庫中其他用戶的性格相似度； 步驟5，基于性格相似度匹配的好友推薦 通過判斷步驟4中計算的性格相似度Sim與閾值σ的大小關系，來判斷當前的兩個用戶是否滿足好友的條件σ，說明兩個用戶滿足好友對的條件，從而將他們記為一個好友對；否則，則說明兩個用戶性格不相似或者是相似度不高，將他們舍棄；將滿足推薦條件的用戶按照相似 度由大到小的順序依次推薦給當前的用戶。
2.根據(jù)權利要求1所述的基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法，其特征在于，步驟2中靜態(tài)特征項的獲取是從用戶的注冊信息中，得到體液類型、血型、星座、顏色喜好信息；動態(tài)特征項的獲取是以用戶發(fā)表和分享的日志作為數(shù)據(jù)來源，通過中文分詞和同義詞近義詞處理等預處理過程得到興趣度及其對應的頻數(shù)二元組，基于該二元組，獲取出興趣集、興趣度持續(xù)時間、興趣集序列。
3.根據(jù)權利要求1所述的基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法，其特征在于，步驟3中性格特征相相似度計算包括靜態(tài)特征項相似度計算和動態(tài)特征項相似度計算，靜態(tài)特征項相似度計算包括體液類型相似度、血型相似度、星座相似度和顏色喜好相似度計算；動態(tài)特征項相似度計算包括興趣集、興趣度持續(xù)時間和興趣集序列計算。
4.根據(jù)權利要求3所述的基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法，其特征在于，所述靜態(tài)特征項相似度具體計算方法如下: a.體液類型相似度SimA(P，Q) 體液類型集合A = (A1, A2,...，A丄I≤η≤4汸⑵，A(Q)表示用戶P，Q的體液類型，A(P) e A1A(Q) e A.，其相似度為:
5.根據(jù)權利要求3所述的基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法，其特征在于，所述動態(tài)特征項相似度計算是基于興趣集的時間序列的，用興趣度曲線的斜率比較函數(shù)和時間間隔函數(shù)的乘積作為序列相似度的判斷依據(jù)，具體計算方法如下: a.興趣集相似度SimE(P，Q) 興趣元素集合記為H= {h1； h2, h3；..., hj,頻數(shù)集合記為F= {fv f2, f3,..., fj ;某一時亥1J，對應的興趣元素與對應的頻數(shù)組成的二元組構成為這一時刻的興趣集E,則E= { < θ!=(K, fi), e2 = (h2, f2),…en = (hn, fn) > },用戶 P 和 Q 的興趣度交集記為 Hcom, Hcom =H(P) H H(Q) = {hcoml，hcom2，…，hcomn}，其對應的興趣集二元組為:度交集頻數(shù)的相似程度來表示興趣集的相似度；當H?！凡粸榭諘r，二者有共同的興趣度，對于不同用戶，其共同興趣度的頻數(shù)存在差異；此時，通過各元素的頻數(shù)相似度與該元素在興趣集交集中所占比例求和得出，否則，則說明二者沒有相同的興趣度，此時的相似度為O ;公式表達如下:
6.根據(jù)權利要求1所述的基于性格相似度匹配計算的網絡社區(qū)用戶好友推薦方法，其特征在于，步驟4中性格相似度..(AC?)通過對相似度計算模型的子樹相似度的加權求和得出，表達式為:

【文檔編號】G06F17/30GK103577592SQ201310565879
【公開日】2014年2月12日 申請日期:2013年11月13日 優(yōu)先權日:2013年11月13日
【發(fā)明者】張曉濱 申請人:西安工程大學