基于性格相似度匹配计算的网络社区用户好友推荐方法
【专利摘要】基于性格相似度匹配计算的网络社区用户好友推荐方法，通过用性格表征用户特点，建立性格模型，完成性格建模、性格相似度计算与判定，进而实现社区用户好友智能推荐的方法。本发明基于性格相似度匹配计算的网络社区用户好友推荐方法，通过网络社区用户性格模型的建立，能较好地反映基于用户性格的活动特征信息，可以更好地反映网络社区用户真实的兴趣与应用趋向；以此为基础，通过用户性格相似性匹配计算，实现用户好友智能推荐，能很好地应用于当前网络社区用户好友关系圈的建立中，解决当前社区网站在服务效果与用户需求之间仍然存在着巨大差距的问题。
【专利说明】基于性格相似度匹配计算的网络社区用户好友推荐方法
【技术领域】
[0001]本发明属于WEB网络社区个性化服务【技术领域】，具体涉及一种基于性格相似度匹配计算的网络社区用户好友推荐方法。
【背景技术】
[0002]随着互联网社区网站的飞速发展，通过收集和分析用户的信息来学习用户的性格、兴趣和行为，建立对用户性格的描述，研究不同用户的性格取向，实现网络社区用户好友智能推荐是目前互联网社区发展的一个重要方面。
[0003]研究发现，目前社区网站在服务效果与用户需求之间仍然存在着巨大差距。其根源在于社区网站仅仅通过衡量用户的静态信息一致性和共同好友数量实现推荐，进而实现信息分享。这种技术手段，首先，它没有考虑到用户的特征并不仅仅由用户的静态信息决定，更多的体现在用户的行为及其行为变化上。其次，它缺乏服务的即时性，用户的特征不是一成不变的，所以推荐的结果也应该有相应的变化。因此，研究用户的性格特征，建立性格模型，完成性格相似度计算，是改进目前基于用户静态信息和共同好友数目的推荐方法的可行技术方案。
【发明内容】
[0004]本发明的目的是提供一种基于性格相似度匹配计算的网络社区用户好友推荐方法，解决当前社区网站在服务效果与用户需求之间仍然存在着巨大差距的问题。
[0005]本发明所采用的技术方案是，基于性格相似度匹配计算的网络社区用户好友推荐方法，具体步骤如下:·[0006]步骤I，建立用户性格模型
[0007]根据性格相关理论，结合社区用户相关信息获取的可能性，抽象出用户的性格模型，建立可量化的用户性格特征项集合；
[0008]步骤2，用户性格信息的获取
[0009]从用户的注册信息和交互过程中获取用户的静态特征项和动态特征项，用特征项元素所组成的集合来表示用户的性格特征；
[0010]步骤3,性格特征项相似度计算
[0011]通过性格的各个特征项相似度计算，建立基于用户特征的性格相似度计算模型；
[0012]步骤4，用户性格相似度计算
[0013]对用户特征的性格相似度计算模型进行子树相似度计算，然后对子树的相似度加权求和，得到目标用户与社区用户数据库中其他用户的性格相似度；
[0014]步骤5，基于性格相似度匹配的好友推荐
[0015]判断步骤4中计算的性格相似度sim与阈值σ的大小关系，来判断当前的两个用户是否满足好友的条件，当Sim > σ，说明两个用户满足好友对的条件，从而将他们记为一个好友对；否则，则说明两个用户性格不相似或者是相似度不高，将他们舍弃；将满足推荐条件的用户按照相似度由大到小的顺序依次推荐给当前的用户。
[0016]本发明的特点在于，
[0017]步骤2中静态特征项的获取是从用户的注册信息中，得到体液类型、血型、星座、颜色喜好信息；动态特征项的获取是以用户发表和分享的日志作为数据来源，通过中文分词、同义词近义词处理等预处理过程得到兴趣度及其对应的频数二元组；基于该二元组，获取出兴趣集、兴趣度持续时间、兴趣集序列。
[0018]步骤3中性格特征相相似度计算包括静态特征项相似度计算和动态特征项相似度计算；静态特征项相似度计算包括体液类型相似度、血型相似度、星座相似度和颜色喜好相似度计算；动态特征项相似度计算包括兴趣集、兴趣度持续时间和兴趣集序列计算。
[0019]静态特征项相似度具体计算方法如下:
[0020]a.体液类型相似度SimA(P，Q)
[0021]体液类型集合A= U1, A2,...，A丄I≤η≤4 ;A (P)，A (Q)表示用户P，Q的体液类型，A(P) e A1A(Q) e A.，其相似度为:
[0022]
【权利要求】
1.基于性格相似度匹配计算的网络社区用户好友推荐方法，其特征在于，该方法按照以下步骤实施: 步骤1，建立用户性格模型 根据性格相关理论，结合社区用户相关信息获取的可能性，抽象出用户的性格模型，建立可量化的用户性格特征项集合； 步骤2，用户性格信息的获取 从用户的注册信息和交互过程中获取用户的静态特征项和动态特征项，用特征项元素所组成的结合来表示用户的性格特征； 步骤3，性格特征相相似度计算 通过性格的各个特征项相似度计算，建立基于用户特征的性格相似度计算模型； 步骤4，用户性格相似度计算 对用户特征的性格相似度计算模型进行子树相似度计算，然后对子树的相似度加权求和，得到目标用户与社区用户数据库中其他用户的性格相似度； 步骤5，基于性格相似度匹配的好友推荐 通过判断步骤4中计算的性格相似度Sim与阈值σ的大小关系，来判断当前的两个用户是否满足好友的条件σ，说明两个用户满足好友对的条件，从而将他们记为一个好友对；否则，则说明两个用户性格不相似或者是相似度不高，将他们舍弃；将满足推荐条件的用户按照相似 度由大到小的顺序依次推荐给当前的用户。
2.根据权利要求1所述的基于性格相似度匹配计算的网络社区用户好友推荐方法，其特征在于，步骤2中静态特征项的获取是从用户的注册信息中，得到体液类型、血型、星座、颜色喜好信息；动态特征项的获取是以用户发表和分享的日志作为数据来源，通过中文分词和同义词近义词处理等预处理过程得到兴趣度及其对应的频数二元组，基于该二元组，获取出兴趣集、兴趣度持续时间、兴趣集序列。
3.根据权利要求1所述的基于性格相似度匹配计算的网络社区用户好友推荐方法，其特征在于，步骤3中性格特征相相似度计算包括静态特征项相似度计算和动态特征项相似度计算，静态特征项相似度计算包括体液类型相似度、血型相似度、星座相似度和颜色喜好相似度计算；动态特征项相似度计算包括兴趣集、兴趣度持续时间和兴趣集序列计算。
4.根据权利要求3所述的基于性格相似度匹配计算的网络社区用户好友推荐方法，其特征在于，所述静态特征项相似度具体计算方法如下: a.体液类型相似度SimA(P，Q) 体液类型集合A = (A1, A2,...，A丄I≤η≤4汸⑵，A(Q)表示用户P，Q的体液类型，A(P) e A1A(Q) e A.，其相似度为:
5.根据权利要求3所述的基于性格相似度匹配计算的网络社区用户好友推荐方法，其特征在于，所述动态特征项相似度计算是基于兴趣集的时间序列的，用兴趣度曲线的斜率比较函数和时间间隔函数的乘积作为序列相似度的判断依据，具体计算方法如下: a.兴趣集相似度SimE(P，Q) 兴趣元素集合记为H= {h1； h2, h3；..., hj,频数集合记为F= {fv f2, f3,..., fj ;某一时亥1J，对应的兴趣元素与对应的频数组成的二元组构成为这一时刻的兴趣集E,则E= { < θ!=(K, fi), e2 = (h2, f2),…en = (hn, fn) > },用户 P 和 Q 的兴趣度交集记为 Hcom, Hcom =H(P) H H(Q) = {hcoml，hcom2，…，hcomn}，其对应的兴趣集二元组为:度交集频数的相似程度来表示兴趣集的相似度；当H。》不为空时，二者有共同的兴趣度，对于不同用户，其共同兴趣度的频数存在差异；此时，通过各元素的频数相似度与该元素在兴趣集交集中所占比例求和得出，否则，则说明二者没有相同的兴趣度，此时的相似度为O ;公式表达如下:
6.根据权利要求1所述的基于性格相似度匹配计算的网络社区用户好友推荐方法，其特征在于，步骤4中性格相似度..(AC?)通过对相似度计算模型的子树相似度的加权求和得出，表达式为:
【文档编号】G06F17/30GK103577592SQ201310565879
【公开日】2014年2月12日 申请日期:2013年11月13日 优先权日:2013年11月13日
【发明者】张晓滨 申请人:西安工程大学