本发明涉及在线社交网络链接推荐，利用贝叶斯预测模型来预测社交网络推荐成功的可能性，属于计算机技术、信息网络、数据挖掘交叉技术应用领域。
背景技术：
：在线社交网络，如Facebook、Twitter和QQ,在短时间内获得了前所未有的用户数量，吸引了大量的关注。在线社交网络的推荐是很普遍的，链接推荐已经成为在线社交网络的一个标准特征，存在着巨大的经济和社会效益。一个在线社交网络的主要利益相关者包括用户、和运营商，因此，链接推荐的收益应该是双向的，链接推荐能够通过用户与新朋友建立联系来迎合用户社交和沟通在在线社交网络中，链接推荐能够使新用户在短时间内扩大自己的社交圈，另外，链接推荐的另一个受益者是在线社交网络的运营商，链接推荐可以使更多用户建立链接，从而使广告可以到达更多的用户，并最终带来更多的收益。现有的链接推荐方法很好的迎合了用户的需求，忽略了运营商的利益，本发明关键的部分在于考虑了运营商的利益。由于不同的潜在链接占据着一个在线社交网络的不同构造部分，它们每个带给运营商的价值是不同的。贝叶斯网络预测模型是运用贝叶斯网络模型依赖关系的一种预测模型。选择贝叶斯网路考虑是一方面是因为贝叶斯网络是一种自然选择的预测概率的方法另一方面是因为贝叶斯网络是一种在捕捉变量之间的依赖关系方面功能强大且易于理解的模型。技术实现要素：技术问题：本发明的目的是提供一种基于效用的在线社交网络链接推荐方法，解决在线社交网络的推荐问题，建立一种基于贝叶斯的推荐方法，通过现有的数据分析，对在线社交网络进行链接推荐。技术方案：本发明所述的基于效用的在线社交网络链接推荐包含如下过程：首先测量用户对在线社交网络贡献的价值，然后利用贝叶斯网络潜在因素学习算法计算出价值、成本、结构相似度、节点相似度的分布向量，并求出是在线社交网络贡献的价值最大的K个之一的概率，最后采用top-K算法得到要推荐的K个潜在链接。本发明基于效用的在线社交推荐网络包括以下步骤：步骤1)测量用户对在线社交网络贡献的价值，具体步骤如下：步骤1.1)对用户j定义用户的价值用户的价值包含内在价值和网络价值所述v是价值；所述内在价值是用户在在线社交网络自主付出的价值，I表示用户在在线社交网络自主付出；所述网络价值依赖在线社交网络的链接结构，两个用户建立链接所经过的用户越多，用户的网络价值越小，F表示用户所在的在线社交网络，m表示用户一个单位的价值贡献，α是衰减因子，α∈(0,1)，x是与用户j建立链接的用户个数，X是两个用户建立链接所经过的用户数的最大值，|Fj,x|表示在线社交网络上有x个用户与用户j建立链接的集合中节点个数；步骤1.2)定义在线社交网络的总价值TV，所述n为在线社交网络用户数；步骤1.3)定义用户j和用户h间潜在链接建立成功后增加的价值所述是潜在链接建立后的总价值，所述TVE是潜在链接建立前的总价值，所述E是潜在链接建立前的集合，ejh为用户j和用户h间潜在的链接的集合；步骤1.4)定义用户j和用户h间推荐失败的损失Cjh，所述j为第j个用户，h为第h个用户；步骤1.5)定义用户j和h之间的链接对在线社交网络贡献的价值Ujh＝Bjh·Vjh-(1-Bjh)·Cjh；所述Bjh＝1表示用户j和用户h间建立链接，Bjh＝0表示用户j和用户h间没有建立链接。所述Vjh是用户j和用户h间建立链接对在线社交网络贡献的价值，所述Cjh是用户j和用户h间推荐失败的损失；步骤2)定义节点相似度所述是相似性函数，rj和rh分别表示与用户j和h连接的用户集合，所述|rj∩rh|表示用户j和h都连接的用户集合的元素个数，所述|rj∪rh|表示表示用户j和h中最少有1个连接的到的用户集合的元素个数；步骤3)定义结构相似度所述是第j个用户和第h个用户建立链接经过的用户数为y的集合中元素个数；步骤4)利用贝叶斯网络潜在因素学习算法计算出价值、成本、结构相似度、节点相似度的分布向量具体步骤如下：步骤4.1)随机初始化θ0，初始化d＝0，开始迭代求的过程。所述d为迭代次数，所述所述p0＝P(Ri＝0)，所述P(Ri＝0)为Ri＝0的概率，所述Ri＝0为第i个潜在链接不是对在线社交网络贡献价值最大的K个之一，K为要推荐的链接个数，所述i为第i个潜在链接，所述p0＝P(Ri＝1)是第i个潜在链接是对在线社交网络贡献的价值最大的K个之一的概率，所述V是价值集合，所述C是成本的集合，所述S是结构相似度集合，所述N是节点相似度，所述L是链接建立的概率的集合；所述θ0中符号定义如下：λS0=λS′0=Σi=1M(1-Ri)Σi=1M(1-Ri)Si,λS1=λS′1=Σi=1MRiΣi=1MRiSi,λN0=λN′0=Σi=1M(1-Ri)Σi=1M(1-Ri)Ni,]]>λN1=λN′1=Σi=1MRiΣi=1MRiNi,λL0=λL′0=2·Σi=1M(1-Ri)Σi=1M(1-Ri)(Si+Li),λL1=λL′1=2·Σi=1MRiΣi=1MRi(Si+Li)]]>步骤4.2)定义Q(θ|θd)=Σi=1MIn[P(Ri|θ)]+Σi=1MIn[P(Vi|Ri,θ)]+Σi=1MIn[P(Ci|Ri,θ)]+Σi=1M∫{In[P(Si,Li|Ri,θ)]+In[P(Ni,Li|Ri,θ)]-In[P(Li|Ri,θ)]}P(Li|Oi,θk)fLi]]>所述M为潜在链接个数，所述表示在集合Li中，所述在Ri＝0和Ri＝1时P(Ri),P(Vi|Ri),P(Ci|Ri),P(Si,Li|Ri),P(Ni,Li|Ri),P(Li|Ri)的公式为：P(Ri)p0Ri=0p1Ri=1,P(Vi|Ri)=λV0e-λV0×ViRi=0λV1e-λV1×ViRi=1,P(Ci|Ri)=λC0e-λC0×ViRi=0λC1e-λC1×ViRi=1]]>P(Si,Li|Ri)λSRiλL′Rie-λL′Ri·Li-(λSRi+λLRi-λL′Ri)·Si0<Si<LiλL′RiλS′Rie-λS′Ri·Si-(λSRi+λLRi-λS′Ri)·Li0<Li<Si,]]>P(Ni,Li|Ri)λNRiλL′Rie-λL′Ri·Li-(λNRi+λLRi-λL′Ri)·Ni0<Ni<LiλL′RiλN′Rie-λN′Ri·Ni-(λNRi+λLRi-λN′Ri)·Li0<Li<Ni,]]>所述min(Si,Ni)表示Si,Ni中的较小值步骤4.3)根据求出θd+1；步骤4.4)根据最大似然公式式中Oi＝＜Vi,Ci,Si,Ni,Ri＞，令θ为θd+1和θd，分别计算H(O|θd+1)和H(O|θd)的值；步骤4.5)定义H(O|θd+1)和H(O|θd)的差值绝对值μ，如果μ＞ε，则d＝d+1,返回步骤4.2)继续迭代，否则，所述所述的ε为控制精度的常数；步骤5)根据计算用户i是在线社交网络贡献的价值最大的K个之一的概率所述的H1(Ri)到H4(Ri)表示如下：所述Yi是Si和Ni中的较大的值，yi是Si和Ni中的较小的值；步骤6)计算每个潜在链接是在线社交网络贡献的价值最大的K个之一的概率，采用top-K算法，获得要推荐的链接的解空间Solution；步骤6.1)对每个链接，根据步骤5)计算出每个潜在链接是在线社交网络贡献的价值最大的K个之一的概率；步骤6.2)采用top-K算法，得到潜在链接是对在线社交网络贡献价值最大的集合A，A集合内有K个元素，所述top-K算法是采用数据结构中的最大堆来确定最大的K个元素；步骤6.3)将得到的集合A添加到最终解空间Solution，所述集合A是潜在链接是对在线社交网络贡献的价值最大的集合。有益效果：本发明提出一种基于效用的在线社交网络链接推荐方法，具体有益效果如下：1)本发明通过分析已有数据，能够预测出潜在链接建立连接的可能性。2)本发明提供了一个贝叶斯推荐模型，能够将实际数据转化为数学化的模型形式。3)本发明推荐的链接对用户和运营商的综合利益是最大的。附图说明图1是基于效用的在线社交网络推荐方法流程。具体实施方式下面对本发明使用贝叶斯来预测移动自组网路由节点行为的方法的具体实施作更详细的描述。根据附图1，首先测量用户对在线社交网络贡献的价值，具体实施步骤如下：(1)计算在线社交网络的总价值TV，(2)计算用户j和用户h间潜在链接建立成功后增加的价值(3)计算用户j和h之间的链接对在线社交网络贡献的价值Ujh＝Bjh·Vjh-(1-Bjh)·Cjh。在具体实施中，n为在线社交网络用户数。所述v是价值，所述vj是用户j用户的价值所述用户的价值包含内在价值和网络价值所述内在价值是用户在在线社交网络自主付出的价值，I表示用户在在线社交网络自主付出；所述网络价值依赖在线社交网络的链接结构，两个用户建立链接所经过的用户越多，用户的网络价值越小，F表示用户所在的在线社交网络，m表示用户一个单位的价值贡献，α是衰减因子，取值在0.5左右，α∈(0,1)，x是与用户j建立链接的用户个数，X是两个用户建立链接所经过的用户数的最大值，|Fj,x|表示在线社交网络上有x个用户与用户j建立链接的集合中节点个数。此外，是潜在链接建立后的总价值，所述TVE是潜在链接建立前的总价值，所述E是潜在链接建立前的集合，ejh为用户j和用户h间潜在的链接的集合。在具体实施中，Bjh＝1表示用户j和用户h间建立链接，Bjh＝0表示用户j和用户h间没有建立链接。所述Vjh是用户j和用户h间建立链接对在线社交网络贡献的价值，所述Cjh是用户j和用户h间推荐失败的损失，取值为用户j和用户h的价值的平均值。在完成测量用户对在线社交网络贡献的价值后，首先计算节点相似度节点相似度高推荐成功的概率大。所述是相似性函数，rj和rh分别表示与用户j和h连接的用户集合；然后，计算结构相似度结构相似度高的推荐成功的概率大。所述是第j个用户和第h个用户建立链接经过的用户数为y的集合中元素个数；最后，运行贝叶斯网络潜在因素学习算法计算出价值、成本、结构相似度、节点相似度的分布向量具体实施步骤如下：(1)随机初始化θ0，初始化d＝0，开始迭代求的过程。所述d为迭代次数。所述的随机初始化值均∈[0,1]，所述p0＝P(Ri＝0)，所述P(Ri＝0)为Ri＝0的概率，所述Ri＝0为第i个潜在链接不是对在线社交网络贡献价值最大的K个之一，K为要推荐的链接个数，所述i为第i个潜在链接，所述p0＝P(Ri＝1)是第i个潜在链接是对在线社交网络贡献的价值最大的K个之一的概率，所述V是价值集合，所述C是成本的集合，所述S是结构相似度集合，所述N是节点相似度，所述L是链接建立的概率的集合。(2)计算Q(θ|θd)=Σi=1MIn[P(Ri|θ)]+Σi=1MIn[P(Vi|Ri,θ)]+Σi=1MIn[P(Ci|Ri,θ)]+Σi=1M∫{In[P(Si,Li|Ri,θ)]+In[P(Ni,Li|Ri,θ)]-In[P(Li|Ri,θ)]}P(Li|Oi,θk)fLi]]>所述M为潜在链接个数，所述表示在集合Li中，所述在Ri＝0和Ri＝1时P(Ri),P(Vi|Ri),P(Ci|Ri),P(Si,Li|Ri),P(Ni,Li|Ri),P(Li|Ri)的公式为：P(Ri)p0Ri=0p1Ri=1,P(Vi|Ri)=λV0e-λV0×ViRi=0λV1e-λV1×ViRi=1,P(Ci|Ri)=λC0e-λC0×ViRi=0λC1e-λC1×ViRi=1]]>P(Si,Li|Ri)λSRiλL′Rie-λL′Ri·Li-(λSRi+λLRi-λL′Ri)·Si0<Si<LiλL′RiλS′Rie-λS′Ri·Si-(λSRi+λLRi-λS′Ri)·Li0<Li<Si,]]>P(Ni,Li|Ri)λNRiλL′Rie-λL′Ri·Li-(λNRi+λLRi-λL′Ri)·Ni0<Ni<LiλL′RiλN′Rie-λN′Ri·Ni-(λNRi+λLRi-λN′Ri)·Li0<Li<Ni,]]>所述min(Si,Ni)表示Si,Ni中的较小值(3)根据算出θd+1；(4)分别计算最大似然H(O|θd+1)和H(O|θd)的值，所述所述公式中Oi＝＜Vi,Ci,Si,Ni,Ri＞，令θ为θd+1和θd；(5)计算H(O|θd+1)和H(O|θd)的差值绝对值μ，如果μ＞ε，则d＝d+1,返回步骤42)继续迭代，否则，所述所述的ε为控制精度的常数。在具体实施中，为了降低数据波动的影响，将训练数据分成3份，重复上述步骤分别获得并分别计算似然值的值，取有最大似然值的作为的值。在完成上面实施之后，本发明要根据计算用户i是在线社交网络贡献的价值最大的K个之一的概率计算H1(Ri)到H4(Ri)过程如下：所述Yi是Si和Ni中的较大的值，yi是Si和Ni中的较小的值。具体实施最终计算每个潜在链接是在线社交网络贡献的价值最大的K个之一的概率，采用top-K算法，获得要推荐的链接的解空间Solution。在实施中，首先对每个链接，根据前面步骤计算出每个潜在链接是在线社交网络贡献的价值最大的K个之一的概率；然后采用top-K算法，得到潜在链接是对在线社交网络贡献价值最大的集合A，A集合内有K个元素；最后，将得到的集合A添加到最终解空间Solution。当前第1页1 2 3