技術(shù)特征：

1.一種基于用戶行為的數(shù)據(jù)關(guān)聯(lián)方法，其特征在于，該方法包括：

獲取網(wǎng)站上的用戶基本信息、用戶歷史行為數(shù)據(jù)集合和待關(guān)聯(lián)數(shù)據(jù)集合；

根據(jù)所述用戶基本信息和所述用戶歷史行為數(shù)據(jù)集合構(gòu)建用戶間關(guān)系結(jié)構(gòu)圖；

根據(jù)所述用戶間關(guān)系結(jié)構(gòu)圖度量用戶在不同主題下的權(quán)威度；以及

將所述權(quán)威度與所述待關(guān)聯(lián)數(shù)據(jù)集合進行融合處理獲得數(shù)據(jù)關(guān)聯(lián)結(jié)果。

2.如權(quán)利要求1所述的基于用戶行為的數(shù)據(jù)關(guān)聯(lián)方法，其特征在于，根據(jù)所述用戶基本信息和所述用戶歷史行為數(shù)據(jù)集合構(gòu)建用戶間關(guān)系結(jié)構(gòu)圖的步驟之前，該方法還包括：

根據(jù)所述用戶基本信息和所述用戶歷史行為數(shù)據(jù)集合進行用戶興趣畫像。

3.如權(quán)利要求2所述的基于用戶行為的數(shù)據(jù)關(guān)聯(lián)方法，其特征在于，根據(jù)所述用戶基本信息和所述用戶歷史行為數(shù)據(jù)集合進行用戶興趣畫像的步驟，具體包括：

根據(jù)所述用戶基本信息中的具體用戶u_k確定該具體用戶u_k對應(yīng)的歷史行為數(shù)據(jù)集合V；

計算所述待關(guān)聯(lián)數(shù)據(jù)集合中的待關(guān)聯(lián)數(shù)據(jù)項v_h與歷史行為數(shù)據(jù)集合V之間的相似度；

根據(jù)所述相似度獲得具體用戶u_k對待關(guān)聯(lián)數(shù)據(jù)項v_h的興趣度I(v_h,u_k)；以及

根據(jù)所述興趣度I(v_h,u_k)進行用戶興趣畫像。

4.如權(quán)利要求3所述的基于用戶行為的數(shù)據(jù)關(guān)聯(lián)方法，其特征在于，所述興趣度I(v_h,u_k)的具體計算公式為：

$I(v_h,u_k)=\underset{t=1}{\overset{T}{\Σ}}{w}_t\underset{o=1}{\overset{H}{\Σ}}{\mathrm{\μ}}_t(v_o,u_k)S_t(v_h,v_o)$

其中，t為相似度計算維度；T為相似度計算維度總數(shù)；w_t為維度權(quán)重因子；v_o為用戶歷史行為數(shù)據(jù)項；μ_t(v_o,u_k)為具體用戶u_k對其歷史行為數(shù)據(jù)項v_o的興趣偏好；S_t(v_h,v_o)為待關(guān)聯(lián)數(shù)據(jù)項v_h與用戶歷史行為數(shù)據(jù)項v_o在相似度計算維度t下的相似性。

5.如權(quán)利要求1所述的基于用戶行為的數(shù)據(jù)關(guān)聯(lián)方法，其特征在于，根據(jù)所述用戶基本信息和所述用戶歷史行為數(shù)據(jù)集合構(gòu)建用戶間關(guān)系結(jié)構(gòu)圖的步驟，具體包括：

根據(jù)所述用戶基本信息獲取具體用戶u_i和具體用戶u_j之間的基本信息相似度S^(ij)；

根據(jù)所述基本信息相似度S^(ij)獲取具體用戶u_i和具體用戶u_j在特定主題維度A_l下的關(guān)聯(lián)度T_l^(ij)；

獲取具體用戶u_i的歷史行為數(shù)據(jù)集合和具體用戶u_j的歷史行為數(shù)據(jù)集合在特定主題維度A_l下的關(guān)聯(lián)緊密程度以及

根據(jù)所述關(guān)聯(lián)度T_l^(ij)和所述關(guān)聯(lián)緊密程度構(gòu)建用戶間關(guān)系結(jié)構(gòu)圖。

6.如權(quán)利要求5所述的基于用戶行為的數(shù)據(jù)關(guān)聯(lián)方法，其特征在于，基本信息相似度S^(ij)的表達式為：

$S^{\left(ij\right)}=(s_1^{\left(ij\right)},s_2^{\left(ij\right)},\mathrm{...},s_P^{\left(ij\right)})$

其中，為對應(yīng)基本信息項的相似度；P為個人基本信息的條目數(shù)；如果個人基本信息條目中的第p條屬性是離散型變量，當且僅當具體用戶u_i和具體用戶u_j具有相同的屬性值時，將設(shè)定為1，否則將設(shè)置成為0；如果個人基本信息條目中的第p條屬性是連續(xù)型變量，的取值如下：

$s_p^{\left(ij\right)}=1-\frac{|f_p^i-f_p^j|}{\underset{1\≤k_1,k_2\≤K}{max}|f_p^{k_1}-f_p^{k_2}|}$

其中，和分別是具體用戶u_i和具體用戶u_j在屬性上的取值；K為用戶總數(shù)。

7.如權(quán)利要求1所述的基于用戶行為的數(shù)據(jù)關(guān)聯(lián)方法，其特征在于，根據(jù)所述用戶間關(guān)系結(jié)構(gòu)圖度量用戶在不同主題下的權(quán)威度的步驟，具體包括：

根據(jù)所述用戶間關(guān)系結(jié)構(gòu)圖建立面向主題維度的加權(quán)網(wǎng)絡(luò)模型；以及

對每個主題維度下的加權(quán)網(wǎng)絡(luò)模型運行URank算法，計算該主題維度下用戶的權(quán)威度。

8.如權(quán)利要求7所述的基于用戶行為的數(shù)據(jù)關(guān)聯(lián)方法，其特征在于，所述權(quán)威度UR_l的具體迭代求解公式具體為：

UR_l＝(1-β)·E_l+β·P_l^N×UR_l

其中，P_l^N為規(guī)范化的轉(zhuǎn)移概率矩陣；β為阻尼因數(shù)，用于保證傳播概率的穩(wěn)定性；E_l為均勻隱形傳態(tài)矢量。

9.如權(quán)利要求7所述的基于用戶行為的數(shù)據(jù)關(guān)聯(lián)方法，其特征在于，所述轉(zhuǎn)移概率矩陣的具體計算公式為：

$p_l^{N(i,j)}=\frac{p_l^{(i,j)}}{{\mathrm{\Σp}}_l^{(i,k)}}$

其中，為從具體用戶u_i隨機沖浪到具體用戶u_j的轉(zhuǎn)移概率；為從具體用戶u_i隨機沖浪到其它具體用戶的轉(zhuǎn)移概率之和，其值為1；k為用戶總數(shù)。

10.如權(quán)利要求9所述的基于用戶行為的數(shù)據(jù)關(guān)聯(lián)方法，其特征在于，所述轉(zhuǎn)移概率的具體計算公式為：

$p_l^{(i,j)}=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{ud}}_{ij}}{{\mathrm{\Σ\Σ}}_{i=1}^N{\mathrm{ud}}_{ik}}\×T_l^{\left(ij\right)}$

其中，ud_ij用于標識數(shù)據(jù)項d_j是否是具體用戶u_i的歷史行為數(shù)據(jù)，當且僅當數(shù)據(jù)項d_j為具體用戶u_i的歷史行為數(shù)據(jù)時，ud_ij＝1，否則ud_ij＝0；T_l^(ij)為具體用戶u_i和具體用戶u_j在特定主題維度A_l下的關(guān)聯(lián)度。

11.如權(quán)利要求1所述的基于用戶行為的數(shù)據(jù)關(guān)聯(lián)方法，其特征在于，所述數(shù)據(jù)關(guān)聯(lián)結(jié)果R(v_h,u_k)的具體計算公式為：

其中，μ(v_h,A_l)為指示變量，用以表明待關(guān)聯(lián)數(shù)據(jù)項v_h是否屬于特定主題維度A_l；UR_tl為具體用戶u_t(t≠k)在待關(guān)聯(lián)數(shù)據(jù)項v_h所屬主題維度A_l下的權(quán)威度；ξ為權(quán)重因子；I(v_h,u_t)為具體用戶u_t(t≠k)對待關(guān)聯(lián)數(shù)據(jù)項v_h的喜好程度；T_l^(tk)為目標用戶u_k與具體用戶u_t(t≠k)在待關(guān)聯(lián)數(shù)據(jù)項v_h所屬主題維度A_l下的關(guān)聯(lián)度。