融合用戶關系-興趣-位置的好友推薦算法

高良誠

（銅陵職業技術學院信息工程系，安徽 銅陵 244061）

隨著互聯網和移動網絡技術的快速發展，社交網絡作為真實社會社交關系的有益補充，構建了虛擬世界的朋友圈，極大地豐富了人們的工作方式和生活方式。社交網絡用戶數量飛速增長，信息過載問題突出，在海量用戶中找到真正需要的朋友越來越困難，好友推薦系統可以有效改善用戶體驗，已成為社交網絡領域的研究熱點[1-4]。

基于社交關系的推薦，其推薦的多為認識的好友或好友的好友，推薦范圍具有很大的局限性，對于好友數比較少的用戶難以產生好的推薦結果，不利于拓展朋友圈?；诰W絡內容的推薦，可以讓用戶快速找到感興趣的人，但所推薦用戶的信任度不高，影響推薦效果。綜合考慮社交關系和網絡內容及其它用戶信息，找到合適的融合參數，可以有效平衡推薦的新穎度和信任度，大量文獻做了這方面的研究。本文提出一種社交網絡中融合用戶關系、興趣愛好、地理位置的好友推薦算法（A Friend recommendation algorithm Based on Relations-Interests-Lacations，RIL-FR），綜合考慮用戶社交關系、興趣愛好、地理位置等用戶信息，提升算法的精準度。

1 相關工作

好友推薦是網絡社交平臺的重要功能，高效的好友推薦算法能提升用戶交友體驗，快速擴大用戶社交圈，好友推薦已成為社交網絡領域的研究熱點。胡文江等[5]在社交關系的基礎上加入愛好標簽的相似度進行推薦，但用戶往往不愿意主動加入標簽特征，導致推薦算法性能不佳。xu J等[6]提出了一種好友推薦算法，采用基于用戶－項目評分矩陣的概率矩陣分解法，通過加權平均來度量受信任用戶與目標用戶的興趣相似性，加入用戶興趣信息后，能有效提高好友推薦算法的精度，但推薦用戶存在信任問題。龍增艷等[7]提出一種基于用戶交互的相似度計算算法KIFLink，根據用戶屬性、網絡拓撲和交互關系進行鏈路預測，并對用戶屬性與交互行為進行計算，以此來推薦好友。

隨著定位技術的發展，用戶地理位置信息在社交網絡中發揮著越來越重要的作用。地理位置信息與用戶在真實社會中的活動相關聯，一定程度上體現了用戶的行為模式、個人偏好。用戶行為在現實社會中受時空因素制約，距離的遠近直接影響其社交范圍和社交能力，將地理位置信息融入到好友推薦算法中，使社交網絡與現實社會網絡有機結合，且用戶之間更容易產生信任，有助于提高算法的有效性。

孫建偉等[8]等使用評分矩陣對用戶位置進行預估計，綜合考慮用戶興趣相似度和信任度，提出了針對位置預估計的組合算法，提高了位置預估計的精確度。曾雪琳等[9]提出一種基于位置和好友關系的協同過濾LFBCF算法，綜合考慮用戶行為、用戶社交關系、位置關系進行協同過濾，有效提升了算法的準確率，但對用戶興趣考慮不夠。XING X等[10]提出一種多維相似度的好友推薦算法，計算興趣、時間等相似度并通過用戶之間位置距離差值進行評價，但算法對位置距離的處理較為簡單。

本文提出一種社交網絡中融合用戶關系、興趣愛好、地理位置的好友推薦算法，綜合考慮用戶社交關系、興趣愛好、地理位置等用戶信息，計算相應的相似度，在此基礎上，將三種相似度加權融合計算用戶之間最終相似度，測試最佳融合參數，將其作為好友推薦算法的依據，增加好友推薦新穎度和信任度，從而提升算法的精準度。

2 融合用戶關系-興趣-位置的好友推薦算法

2.1 信任相似度計算

根據六度分割原理，用戶能夠通過好友的好友來認識社交網絡中任何用戶，因此，兩個用戶的共同好友數量，直接影響他們成為好友的概率。用戶為校友關系或歷史上有共同居住地，將增加彼此信任度，他們之間成為好友的概率也會增加。

基于共同好友數、共同居住地數、是否校友關系的信任相似度計算公式為：

其中：GF用戶u和v的好友相似度；PR為用戶u和v共同居住地數；AS為是否校友關系，取值0或1；w1、w2和w3為比例系數。

好友相似度Gf由式（2）計算：

其中：Fu為用戶u的好友集合；Fv為用戶v的好友集合；|Fu∩Fv|為用戶u和v的共同好友數；|Fu∪Fv|為用戶u和v所有好友數。

2.2 興趣相似度計算

具有相同興趣愛好的用戶在情感上容易產生共鳴，更容易成為好友。本文根據評論信息計算各個用戶與目標用戶之間的興趣相似度值，基于皮爾遜相關系數(Pearson correlation coefficient,PCC)的相似性計算公式為：

其中：ri（u)為用戶u在項目i上的評分值；rˉi（u)為用戶u在整個項目上的平均評分值。

2.3 位置相似度計算

社交網絡和現實社會并非完全獨立的，某些場景下，現實社會關系會在社交網絡中體現?，F實社會中，兩個用戶之間距離的遠近直接影響用戶的社交意愿，因而，用戶之間位置關系是社交網絡好友推薦的關鍵因素[11]。用戶u、v基于位置的相似度計算公式為：

其中：用戶u為目標用戶，（v1，v2，…，vM）為待推薦用戶集，du,vi按公式（5）計算：

其中：AS為是否校友；d(lu,lvi)為地點lu與地點lvi之間的距離，采用經緯度距離公式（6）計算：

3.4 融合用戶關系-興趣-位置的好友推薦算法

社交網絡中，用戶交友的偏好不盡相同，對信任相似度、興趣相似度、位置相似度也有所側重，本文對上述三個要素進行融合，進行加權處理，將融合計算出的最終相似度值作為推薦好友依據，計算公式如下：

其中：Tru,v為信任相似度值；Hsimu,v為興趣相似度值；Distu,v為位置相似度值；α、β、γ為融合參數。

根據公式（7）計算出目標用戶與待推薦用戶的最終相似度值，采用Top-n策略，將相似度值大的前n個用戶推薦給目標用戶。

算法步驟如下：

1）對每個待推薦用戶集（v1，v2，…，vM）中用戶，分別按照公式（1）、（3）、（4）計算與目標用戶之間的相似性。

2）對每個待推薦用戶集（v1，v2，…，vM）中用戶，按公式（7）融合計算與目標用戶的相似度值

3）將步驟2）計算出的相似度值排序，根據Top-n策略，前n個用戶推薦給目標用戶。

3 實驗與結果分析

本文采用新浪微博數據集，對數據進行預處理，刪除了簽到次數小于10和好友數小于6的用戶，從剩余的數據中隨機選取2048個用戶進行實驗，其中包含57339對好友關系數。設置參數w1=0.3，w2=0.05，w3=0.06，α=0.3，β=0.3，γ=0.6。

本文對RIL-FR算法、基于用戶的協同過濾算法(User-CF)[12]以及文獻[10]，在準確率、召回率以及F1-measure指標方面進行比較與分析。

準確率的計算公式如下：

召回率的計算公式如下：

F1-measure的計算公式如下：

圖1為三種算法的準確率對比。由圖1可見，隨著推薦好友數量增加，三種算法的準確率均下降，但本文算法的準確率性能更佳。

圖1 三種算法的準確率對比

圖2為三種算法的召回率對比。由圖2可見，隨著推薦好友數量增加，三種算法召回率均上升，本文算法的召回率上升更明顯。

圖2 三種算法的召回率對比

圖3為三種算法的F1-measure對比。由圖3可見，本文算法的F1-measure值指標較好。

圖3 三種算法的F1-measure值對比

4 結語

提出了一種融合用戶關系-興趣-位置的社交網絡好友推薦算法，綜合考慮用戶社交關系、興趣愛好、地理位置等用戶信息，計算用戶間的信任相似度、興趣相似度和位置相似度，在此基礎上，對上述三個相似度值進行加權處理，將最終融合計算結果作為好友推薦算法的依據，相似性值高的用戶被推薦的可能性增大。仿真實驗表明，該算法準確率和召回率性能較好。