专利名称：一种基于信息安全专业社交网络平台的推荐算法的制作方法
技术领域：
本发明涉及信息安全技术领域的专业社交网络平台实现面向人才、交友、厂商、漏洞信息等推荐实现方法，尤其涉及一种基于信息安全专业社交网络平台的推荐算法。
背景技术：
社交网络是在互联网上与其他人相联系的ー个平台，社交网络站点通常围绕用户的基本信息而运作，用户基本信息是指有关用户喜欢的事、不喜欢的事、兴趣、爱好、学校、职业或任何其它共同点的集合，通常，这些站点提供不同级别的隐私控制。本专利的考虑，主要是采用改良的混合协同过滤和基于内容过滤算法实现方法的创新。推荐系统或推荐引擎是根据用户的兴趣特点和行为，向用户推荐用户感兴趣的信息和商品。随着信息以及商品数量和种类快速增长，用户需要花费大量的时间才能找到自己想要的信息或商品，这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的用户不断流失，为了解决这些问题，推荐系统应运而生，推荐系统是建立在海量数据挖掘基础上的ー种高级商务智能平台，以帮助电子商务网站或社交网站为用户提供完全个性化的决策支持和信息服务。推荐系统的算法一般有以下两种方法:(I)集体智慧和协同过滤:集体智慧是指在大量的人群的行为和数据中收集答案，帮助你对整个人群得到统计意义上的结论，这些结论是我们在单个个体上无法得到的，它往往是某种趋势或者人群中共性的部分；协同过滤是基于协同过滤方法收集和分析大量的信息，对用户的行为，活动或喜好，并预测哪些用户会喜欢的基础上其他用户的相似性，协同过滤方法的ー个主要优点是它不依赖于机器分析的内容，因此，它能够准确地推荐复杂的项目，如电影，而不需要“理解”的项目本身。协同过滤方法常常会出现三个问题:①冷启动:这些系统通常需要大量的用户数据，以得到准确的推荐性能:这些系统往往都有数以亿计的用户和产品，因此，往往需要大量的计算和高性能服务器支撑；③稀疏:在各大电子商务网站上销售的物品的数量是非常大的，最活跃的用户将只评价了数据库的整体的一小部分。协同过滤算法常常采用矩阵分解，低秩矩阵近似技木。(2)基于内容的过滤:推荐系统设计时，另ー个常用的方法是基于内容的过滤，基于内容的过滤方法是基于将要推荐项目的有关内容的信息和特征，換言之，这些算法尝试建议是相似的那些用户喜欢在过去(或在本研究)的项目；特别是各种候选与先前评估项目是由用户和推荐的最佳匹配的资料的资料进行比较，基本上，这些方法使用表征资料系统内的一个项目的配置文件(即，一组离散的属性和特征)；系统将创建一个基于内容的用户档案，根据项目特点的加权矢量的权重表示给用户的每个特征的重要性，可以计算从单独评估的内容使用的各种技术的载体。用户的直接反馈，通常通过类似喜欢/不喜欢“按钮的形式，可以使用较高或较低的权重分配某些属性(使用Rocchio反馈分类技术或其他类似的技木)的重要性。基于内容过滤的关键问题是系统是否能够挖掘用户对某ー种内容的喜好和行为，扩展到其他类型的内容上做出正确的预测。信息安全领域的专业社交网络由于推荐的信息有以下特点:
(I)推荐内容之间错综复杂的关系，最重要的内容是海量的信息安全内容，而内容本身又是具有较结构化的数据，各类数据之间本身就存在固有的错综复杂的关联关系；(2)用户的活跃程度低:在传统的推荐系统中，用户登录ー个推荐系统，就是为了选择ー些他想要的资源，而在社交网络推荐中，许多用户上SNS，更多的时间处干“看信息”，因此很难直接获得他们的显式反馈信息，也难以对他们的兴趣进行学习和预测；(3)数据的稀疏性和不对称性:在传统的推荐问题中，用户和资源一般是同ー个数量级的，但是在本推荐问题中，由于数据海量的特点，信息的数量和增长速度远远大于用户的数量和增长速度。(4)用户兴趣的动态变化:用户关注的漏洞或话题一直紧随信息安全的发展，因此SNS上关注点不断变化，用户的兴趣也随之变化，在传统推荐问题中，往往是用户根据兴趣选择资源，在推荐中，则是不断出现的关注漏洞改变着用户的兴趣，再由用户选择关注的漏洞，因此，用户的兴趣一直在动态变化，很难找到一个用户长时间感兴趣的话题。综上所述，在信息安全的专业社交网络中不能仅仅采用协同过滤的方法，而忽视推送内容本身具有的固有的复杂关联关系；也不能仅仅基于海量信息的内容本身的推荐。因而，针对以上方面，本发明提出改良的这两种算法结合的综合算法。
发明内容
针对以上缺陷，本发明提供一种基于信息安全专业社交网络平台的推荐算法，主要是采用改良的混合协同过滤和基于内容过滤算法实现方法的创新，在电子商务网站或社交网站平台上，用户和用户之间，实现了建立更好的推荐模式，让用户体验到他所关注的人才圈子内推荐的内容更加个性化。为实现上述目的，本发明采用以下技术方案:一种基于信息安全专业社交网络平台的推荐算法，主要由以下步骤组成:(I)收集用户偏好:从用户的行为和偏好中发现规律，并基于此给予推荐，收集用户的偏好信息是系统推荐效果基础的决定因素，用户采用各种方式向系统提供自己的偏好信息；(2)分析内容特性:当已经对用户行为进行分析得到用户喜好后，根据用户喜好计算相似用户和物品，然后基于相似用户或者物品进行推荐，这两种方法都要计算相似度；生成推荐的过程主要由设置的三个部件组成:内容分析器:从漏洞信息中提取影响用户关注度的重要信息用一种适当的权重来表示，例如漏洞严重级别、攻击复杂度、关联产品、所属厂商、关联补丁、利用代码、恶意代码；文件学习器:该模块收集、泛化代表用户偏好的数据，生成用户概要信息，通常采用机器学习方法从用户之前关注的漏洞信息中推出ー个表示用户关注的模型；过滤部件:通过学习用户概要信息，匹配用户概要信息和商品信息，推荐相关的商品，结果是ー个二元的连续型的相关判断，后者将生成一个用户可能感兴趣的潜在商品评分列表；(3)相似度的计算:在推荐的场景中，在用户与物品偏好的ニ维矩阵中，将ー个用户对所有物品的偏好作为ー个向量来计算用户之间的相似度，或者将所有用户对某个物品的偏好作为ー个向量来计算物品之间的相似度。本发明所述的基于信息安全专业社交网络平台的推荐算法的有益效果为:实现了建立更好的推荐模式，让用户体验到他所关注的人才圈子内推荐的内容更加个性化；本算法混合单纯的协同过滤和基于内容的方法，提升了性能，可以提供更准确的推荐，也可以克服ー些推荐系统中，如冷启动和稀疏性问题的常见问题。
下面根据附图对本发明作进ー步详细说明。图1是本发明实施例所述基于信息安全专业社交网络平台的推荐算法部分流程示意图。
具体实施例方式如图1所示，本发明实施例所述的基于信息安全专业社交网络平台的推荐算法，主要由以下步骤组成:(I)收集用户偏好:从用户的行为和偏好中发现规律，并基于此给予推荐，如何收集用户的偏好信息成为系统推荐效果最基础的决定因素，用户有很多方式向系统提供自己的偏好信息，如下表所示:
权利要求
1.一种基于信息安全专业社交网络平台的推荐算法，其特征在于，主要由以下步骤组成: (1)收集用户偏好:从用户的行为和偏好中发现规律，并基于此给予推荐，收集用户的偏好信息是系统推荐效果基础的决定因素，用户采用各种方式向系统提供自己的偏好信息； (2)分析内容特性:当已经对用户行为进行分析得到用户喜好后，根据用户喜好计算相似用户和物品，然后基于相似用户或者物品进行推荐，这两种方法都要计算相似度； 生成推荐的过程主要由设置的三个部件组成: 内容分析器:从漏洞信息中提取影响用户关注度的重要信息用一种适当的权重来表示，例如漏洞严重级别、攻击复杂度、关联产品、所属厂商、关联补丁、利用代码、恶意代码；文件学习器:该模块收集、泛化代表用户偏好的数据，生成用户概要信息，通常采用机器学习方法从用户之前关注的漏洞信息中推出ー个表示用户关注的模型； 过滤部件:通过学习用户概要信息，匹配用户概要信息和商品信息，推荐相关的商品，结果是ー个二元的连续型的相关判断，后者将生成一个用户可能感兴趣的潜在商品评分列表; (3)相似度的计算:在推荐的场景中，在用户与物品偏好的ニ维矩阵中，将ー个用户对所有物品的偏好作为ー个向量来计算用户之间的相似度，或者将所有用户对某个物品的偏好作为ー个向量来计算物品之间的相似度。
全文摘要
本发明涉及一种基于信息安全专业社交网络平台的推荐算法，主要由以下步骤组成(1)收集用户偏好从用户的行为和偏好中发现规律，并基于此给予推荐，收集用户的偏好信息是系统推荐效果基础的决定因素，用户采用各种方式向系统提供自己的偏好信息；(2)分析内容特性当已经对用户行为进行分析得到用户喜好后，根据用户喜好计算相似用户和物品，然后基于相似用户或者物品进行推荐；(3)相似度的计算。本发明有益效果为实现了建立更好的推荐模式，让用户体验到他所关注的人才圈子内推荐的内容更加个性化；本算法混合单纯的协同过滤和基于内容的方法，提升了性能，可以提供更准确的推荐，也可以克服一些推荐系统中，如冷启动和稀疏性问题的常见问题。
文档编号G06F17/30GK103106285SQ20131006810
公开日2013年5月15日 申请日期2013年3月4日 优先权日2013年3月4日
发明者刘晖, 赵向辉, 易锦, 刘彦钊, 田雯, 叶林, 曾昭沛, 罗宁 申请人:中国信息安全测评中心, 上海三零卫士信息安全有限公司