一种基于社交网络的多维度综合推荐方法与流程

本发明涉及社交网络技术领域，尤其是涉及一种基于社交网络的多维度综合推荐方法。

背景技术：

在人类社会由原先的物理活动逐渐地向互联网虚拟空间进行活动的演变过程中，人与人之间的交往关系渐渐地构成了张相互交错的复杂网络，社交网络也成为了互联网的重大应用之一。近年来，随着人们对获取信息和传递信息的需求越来越大，而社交网络又是满足人们这些需求的良好媒介，从而使得社交网络得到了迅速的发展。随之而产生的各类的社交网站(如：QQ、Facebook、MySpace等)得以日益发展，如今也成为各个年龄阶段生活、工作、娱乐的主要平台。在这种环境下，基于社交网络的商品推荐在电子商务和在线知识共享等网站中得到极其广泛的应用，如：美团、淘宝等商务网站，同时也渐渐地引起了越来越多的相关研究人员的关注。

在传统的商品推荐中往往会根据一些热销单来进行商品推荐，忽略了商品的其它相关属性，且未能考虑到消费者之间也会构成庞大的社交网络来进行多维度推荐。这就会导致推荐率低下，推荐的效果不明显。首先，用户在检索某一商品时，定会根据所期望商品的相关属性达到与内心所期望之物基本吻合才会进行下单操作；其次，用户所构成的社交网络也可以加以利用，社交网络主要是由于工作、学习、血缘、娱乐等原因而构成，此社交网络中的共同社区用户很有可能拥有类似的喜好乐趣。因此，需要推荐系统将这些因素考虑进去，加以完善以达到较高的推荐率。

为了使得推荐效果变得更加完善，基于社交网络的商品推荐就应运而生。人们由于工作、娱乐、学习、血缘等关系构成一张相互交错的复杂的社会网络，显然，很有可能朋友之间存在一些相类似的喜好特征，当该社交网络中的某一个人购买了某一件商品，这时，基于社交网络的商品推荐会根据该商品的相关属性(如：类型、价位、质量、销量)生成一个商品候选集合，然后根据该消费者所构成的社交网络生成一个消费者候选集合，利用相关算法将商品候选集合里的某些满足一定条件的商品推荐给消费者候选集合中的某一消费者。显然，比较传统意义上的商品推荐系统，基于社交网络的商品推荐系统融合了社交网络，考虑的更加全面一些，定会达到更加好的推荐效果，在一定程度上也提高了推荐率。本发明主要针对以上问题提出了一种基于社交网络的多维度综合推荐方法。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于社交网络的多维度综合推荐方法，分别从用户关系维度、实体相似维度以及用户兴趣维度出发，对社交网商务网站影响进行评估，从而更好地进行相关实体的推荐，具有广阔的实际应用前景。

本发明的目的可以通过以下技术方案来实现：

一种基于社交网络的多维度综合推荐方法包括以下步骤：

S1：建立社交网络模型G＝(V,E)和社区模型C＝<CV,CE>，其中，V代表社交网络G中的用户集合，E代表用户间的关系的集合，CV代表社区C中拥有相同兴趣爱好的用户集合，CE代表拥有相同兴趣爱好的用户间的关系的集合，即拥有相同兴趣爱好的用户组成社区C；

S2：定义用户紧密度、用户实体兴趣度和实体相似度，所述用户紧密度反映两个用户之间关系的紧密程度，与评论稳定性指标、用户间互信度指标、用户间交互频率综合指标和共同邻居及相似社区指标有关，所述用户实体兴趣度反映用户对实体持有的兴趣程度，与用户兴趣证据行为有关，所述实体相似度反映两个实体所拥有属性的一致程度，与实体类型相似度指标、实体价位相似度指标、实体质量相似度指标和实体销量相似度指标有关；

S3：根据用户紧密度、用户实体兴趣度和实体相似度，向社交网络中的用户进行多维度的实体综合推荐。

所述步骤S3具体为：

301：当某一用户购买实体时，初始标记该用户为起始用户O，

302：根据实体相似度获取实体的实体候选推荐集合表示待推荐实体item′和实体之间的实体相似度，γ表示相似度阈值；

303：根据起始用户的社交网络好友关系获取起始用户的好友集合friend(O)；

再根据用户紧密度获取起始用户的用户候选推荐集合closeness(v_{R_user},O)表示待推荐用户v_{R_user}和起始用户O之间的用户紧密度，α为紧密度阈值；

304：判断待推荐用户v_{R_user}对待推荐实体item′的用户实体兴趣度EI(v_{R_user}|item′∈R_item)是否大于兴趣度阈值β，若是，则向待推荐用户v_{R_user}推荐待推荐实体item′，若否，则不做推荐；

305：将步骤304中所有被推荐过实体的待推荐用户更新为起始用户，跳转步骤303，直到社交网络中的所有用户都被遍历推荐后结束。

所述用户紧密度满足以下公式：

式中，closeness(v_su,v_tu)、cf_L(v_su,v_tu)、mf_L(v_su,v_tu)、if_L(v_su,v_tu)和ncf_L(v_su,v_tu)分别表示源用户v_su和目标用户v_tu之间的用户紧密度、评论稳定性指标、用户间互信度指标、用户间交互频率综合指标和共同邻居及相似社区指标。

所述评论稳定性指标满足以下公式：

式中，cf_L(v_su,v_tu)表示源用户v_su和目标用户v_tu之间的评论稳定性指标，COM(v_su,v_tu)表示源用户v_su对于目标用户v_tu所发表的评论集合，|COM(v_su,v_tu)|表示评论集合COM(v_su,v_tu)中评论的总数量，com(v_su,v_tu)_i表示源用户v_su对于目标用户v_tu的第i个评论的数值，表示在评论集合COM(v_su,v_tu)中的所有评论的平均值；

所述用户间互信度指标满足以下公式：

式中，mf_L(v_su,v_tu)表示源用户v_su和目标用户v_tu之间的用户间互信度指标，为三元数组，表示源用户v_su对目标用户v_tu所有评价值的平均值，表示源用户v_su在目标用户v_tu所有发布的信息中进行转发的信息比例，表示源用户v_su在目标用户v_tu所有发布的信息中进行点赞的信息比例，为三元数组，表示目标用户v_tu对源用户v_su所有评价值的平均值，表示目标用户v_tu在源用户v_su所有发布的信息中进行转发的信息比例，表示目标用户v_tu在源用户v_su所有发布的信息中进行点赞的信息比例；

所述用户间交互频率综合指标满足以下公式：

式中，if_L(v_su,v_tu)表示源用户v_su和目标用户v_tu之间的用户间交互频率综合指标，|Unit|表示单位时间片的总数，l_k表示第k个单位时间片u_k内两个用户之间交互频率指标值，分别表示第k个单位时间片u_k内源用户v_su对于目标用户v_tu的交互次数、平均交互时间长度、平均交互时间间隔，分别表示示第k个单位时间片u_k内源用户v_su对于自身所有邻居用户的最大交互次数、最长交互时间长度、最短交互时间间隔；

所述共同邻居及相似社区指标满足以下公式：

式中，ncf_L(v_su,v_tu)表示源用户v_su和目标用户v_tu之间的共同邻居及相似社区指标，表示源用户v_su所在的社区，表示目标用户v_tu所在的社区，在第i个共同社区中，源用户v_su和目标用户v_tu各自的邻居用户集合分别为CC_i(v_su)和CC_i(v_tu)，|CC_i|表示CC_i内的用户数量，|CC_i(v_su)∩CC_i(v_tu)|表示CC_i(v_su)与CC_i(v_tu)交集内的用户数量，|CC_i(v_su)∪CC_i(v_tu)|表示CC_i(v_su)与CC_i(v_tu)并集内的用户数量。

所述用户实体兴趣度满足以下公式：

式中，EI(v|item)表示用户v对实体item的用户实体兴趣度，n表示用户面对实体item时出现的兴趣证据行为总次数，δ_i表示用户面对实体item时出现的第i个兴趣证据行为，对用户历史出现的所有兴趣证据行为进行分类，D_j表示第j类兴趣证据类别，为直接兴趣证据，right(D_j)表示第j类兴趣证据类别D_j的权重，P_v(D_j|item)表示对于用户v，当实体item出现时，兴趣证据类别D_j出现的概率。

不同兴趣证据类别的权重之间存在以下关系：

式中，right(D_q)表示第q类兴趣证据类别D_q的权重，ID表示用户历史出现的所有兴趣证据类别的集合，D_q,D_j∈ID，|ID|表示兴趣证据类别的总数量，p(D_q)表示兴趣证据类别D_q在用户过去兴趣证据行为中发生的概率，L(D_q)表示与第q类兴趣证据类别D_q相链接的兴趣证据类别的数量，Link(D_j)表示与第j类兴趣证据类别D_j相链接的兴趣证据类别集合，D_q→D_j表示D_j是由D_q而引起的，即D_q与D_j相链接。

所述实体相似度满足以下公式：

式中，用item_a和item_b来表示两个不同的实体，sim(item_a,item_b)、sim_type(item_a,item_b)、sim_price(item_a,item_b)、sim_sale(item_a,item_b)分别表示实体item_a与实体item_b的实体相似度、实体类型相似度指标、实体价位相似度指标、实体销量相似度指标，sim_quality(item_a)表示实体item_a的实体质量相似度指标。

所述实体类型相似度指标基于实体目录分类树进行计算，满足以下公式：

式中，sim_type(item_a,item_b)表示实体item_a与实体item_b的实体类型相似度指标，c_a表示实体item_a在实体目录分类树内的层次，c_b表示实体item_b在实体目录分类树内的层次，distance(item_a,item_b)表示在实体目录分类树内实体item_a与实体item_b之间的路径长度；

所述实体价位相似度指标满足以下公式：

式中，sim_price(item_a,item_b)表示实体item_a与实体item_b的实体价位相似度指标，price_a表示实体item_a的价格，price_b表示实体item_b的价格；

所述实体质量相似度指标满足以下公式：

式中，sim_quality(item_a)表示实体item_a的实体质量相似度指标，score_a表示实体item_a的实体质量评分，score_max表示所有实体质量评分中的最高分值；

所述实体销量相似度指标满足以下公式：

式中，sim_sale(item_a,item_b)表示实体item_a与实体item_b的实体销量相似度指标，sale_a表示实体item_a的总销量，sale_b表示实体item_b的总销量。

与现有技术相比，本发明具有以下优点：

1.区别于传统的基于单一标准进行推荐的技术，本发明基于多维度开展社交网络中的实体推荐：从用户关系维度出发，依据用户紧密度为标准，选择关系紧密的用户之间进行推荐；从实体相似维度出发，依据实体相似度为标准，选择相似度高的实体进行推荐；从用户兴趣维度出发，依据用户实体兴趣度为标准，选择用户感兴趣度高的实体进行推荐，将实体推荐与社交网络内部信息紧密融合，考虑地更加全面，可以达到更佳的推荐效果，具有广阔的实际应用前景；

2.本发明的推荐过程以购买实体的起始用户为起始，建立推荐判断条件，逐步向起始用户的邻近用户推荐实体，从而达到所有用户的推荐实体的目的，推荐范围广，不会出现遗漏，达到实时推荐的目的，且推荐对象和推荐实体的选择准确。

3.本发明所提出的用户紧密度指标计算过程中，利用用户互评稳定、用户互信程度、用户交互频率、用户共同邻居和社区等四个方面进行计算，使用户关系的紧密度得到更为综合的评估；

4.本发明所提出的用户实体兴趣度计算过程中，采用用户直接行为证据的相关数据开展计算，且在用户兴趣证据之间建立基于关联的权重计算方法，保证使用户兴趣度计算准确性；

5.本发明所提出的实体相似度的计算中，兼顾四个方面：实体类型相似度、实体价位相似度、实体质量相似度及实体销量相似度，使实体相似度得到更为综合的计算。

6.本发明基于权重越高的兴趣证据类别其关联的兴趣证据类的权重也越高的原理，给出不同兴趣证据类别的权重之间存在的关系，在权重值的初值随机给定后，可依据关系公式迭代运算后可计算得到最终的权重值，相比直接设置初值，本发明使用的兴趣证据类别的权重可以更加准确的反应兴趣证据行为所占用的分量，使得用户实体兴趣度的数值更加精准。

附图说明

图1为本发明方法的架构示意图；

图2为本发明方法的推荐简易流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明对社交网络给出以下定义：

定义1社交网络模型：社交网络G可以形式化为一个图，G＝(V,E)，V代表社交网络中的用户集合，并用v_i表示用户个体，v_i中下标i表示用户的编号，E用来描述用户间的关系的集合；

定义2社区模型：社区C是由拥有相同兴趣爱好的用户组成，为社交网络的一个子图，C＝<CV,CE>，当用户属于社区表示为：CV代表社区C中拥有相同兴趣爱好的用户集合，社区用户间的关系表示为：CE代表拥有相同兴趣爱好的用户间的关系的集合；

定义3用户紧密度：反映了两个用户之间关系的紧密程度。在计算用户间的紧密度(记为：closeness(v_su,v_tu)，其中v_su表示源用户，而v_tu表示目标用户)时，本发明主要考虑四个方面：评论的稳定性、用户间互信度、用户间交互频率、用户间共同邻居及相似社区；

定义4用户实体兴趣度：用户对实体持有的实体兴趣度EI(v_i|item_k)反映用户对于某一实体item_k的兴趣程度，item_k中下标k表示实体的编号，本发明中，实体兴趣通过用户的直接行为或其他直接目击证据所表达，例如：评价、浏览时间、点赞、转发等行为。

定义5实体相似度：实体相似度表示两个实体所拥有属性的一致程度。两个实体的相似度记为sim(item_a,item_b)，其中item_a、item_b表示两个不同的实体。实体相似度主要基于属性集合中所表示的四个属性开展，实体属性表示为{type,price,quality,sale}，也即包括实体的所属类型type、价位price、质量quality、销量sale。

一种基于社交网络的多维度综合推荐方法包括以下步骤：

S1：建立社交网络模型G＝(V,E)和社区模型C＝<CV,CE>，并定义用户紧密度、用户实体兴趣度和实体相似度的概念；

S2：根据用户紧密度、用户实体兴趣度和实体相似度的定义求值；

其中，用户紧密度反映两个用户之间关系的紧密程度，与评论稳定性指标、用户间互信度指标、用户间交互频率综合指标和共同邻居及相似社区指标有关，用户实体兴趣度反映用户对实体持有的兴趣程度，与用户兴趣证据行为有关，实体相似度反映两个实体所拥有属性的一致程度，与实体类型相似度指标、实体价位相似度指标、实体质量相似度指标和实体销量相似度指标有关；

S3：根据用户紧密度、用户实体兴趣度和实体相似度，向社交网络中的用户进行多维度的实体综合推荐。

步骤S2中，(1)计算用户紧密度

1)评论稳定性指标

评论稳定性指标反映出源用户对目标用户在过往历次评论中所给出的评论数值波动状态。本发明中，评论稳定性值越高的话，反映源用户对目标用户的评论越保持一致；反之，评论稳定性值越低，则源用户对目标用户给出的评论数值越不稳定，即差异较大。本发明中，集合COM(v_su,v_tu)来表示源用户v_su对于目标用户v_tu所发表的评论集合。假定在集合COM(v_su,v_tu)中的所有评论的平均值为那么，源用户对目标用户的评论稳定性指标cf_L(v_su,v_tu)的数值可以用以下公式计算：

式中，|COM(v_su,v_tu)|表示评论集合COM(v_su,v_tu)中评论的总数量，com(v_su,v_tu)_i表示源用户v_su对于目标用户v_tu的第i个评论的数值。

例如，若源用户v_su对目标用户v_tu进行的评价集合为COM(v_su,v_tu)＝{com(v_su,v_tu)₁＝0.9,com(v_su,v_tu)₂＝1.0,com(v_su,v_tu)₃＝0.8}；则

2)用户间互信度指标

用户间互信度表示两个用户对于彼此间信任度的匹配程度，即用户之间互信程度越一致，则相互关系紧密度越高。本发明中，用户间互信度指标由三个方面来体现：评论互信度(reliabilities of comment)、相互转发情况(forwarding)以及相互点赞情况(approving)。本发明中，对于源用户v_su和目标用户v_tu来说，将直接关联的两用户之间用上述三个方面的值表示为三元数组和

同理，可得中三个元素的含义。

则源用户v_su和目标用户v_tu之间的用户间互信度指标mf_L(v_su,v_tu)的计算公式如下：

式中，表示中的第i个元素，表示中的第i个元素。

例如，若源用户v_su和目标用户v_tu存在下列三方面的互信值：

则：

3)用户间交互频率指标

本发明中交互频率指标使用三个方面进行计算：单位时间内交互的次数、交互的平均时间长度和平均交互时间间隔。

对于源用户v_su，假定第k个单位时间片u_k内同其所有邻居用户的交互次数的最大值为在其过去的所有交互记录中，最长持续交互时间长度为最短交互时间间隔为在第k个单位时间片u_k内，源用户v_su对于目标用户v_tu交互次数为源用户v_su在其过去的对于目标用户v_tu的所有交互中平均时间长度是平均交互时间间隔为

则源用户v_su和目标用户v_tu之间的用户间交互频率综合指标if_L(v_su,v_tu)满足以下公式：

式中，|Unit|表示过去单位时间片的总数，l_k表示第k个单位时间片u_k内两个用户之间交互频率指标值。

4)共同邻居及相似社区指标。

本发明中，考虑随着社区规模的增长，用户亲密度也会随之降低。社区规模越小，用户交互越频繁，亲密度越高；反之，社区规模越大，用户交互越少，亲密度越低。同样地，共同邻居的数量也反映了两个用户间的亲密关系，也就是说，存在越多的共同邻居，用户间的亲密度越高。

假设和分别表示源用户v_su及目标用户v_tu所在的社区。在每一个共同社区中(CC_i中下标i表示共同社区的编号)，源用户v_su和目标用户v_tu有他们的邻居集合，分别为CC_i(v_su)和CC_i(v_tu)。本发明中，|CC_i|表示在社区CC_i中的成员数目，|CC_i(v_su)∩CC_i(v_tu)|表示在集合CC_i(v_su)∩CC_i(v_tu)中的邻居数目，|CC_i(v_su)∪CC_i(v_tu)|表示在集合CC_i(v_su)∪CC_i(v_tu)中的邻居数目。源用户v_su和目标用户v_tu之间的共同邻居及相似社区指标ncf_L(v_su,v_tu)的计算表达式如下所示：

最后，根据以上的四个指标可得出计算源用户v_su和目标用户v_tu之间的用户紧密度closeness(v_su,v_tu)，表达式如下所示：

(2)计算用户对于实体的用户实体兴趣度

用户实体兴趣度通过用户直接行为或其他的直接目击证据来估算。本发明利用直接兴趣证据(行为)计算实体兴趣度。用户直接兴趣证据包括：转发(forwarding)、点赞(approving)、关注(following)和评论(comments)等。本发明中用户实体兴趣度计算原理如下：

对于一个实体item，δ_i表示用户面对实体item时出现的第i个兴趣证据行为，假设对于一个实体item，用户过去重复出现兴趣证据行为n次，则兴趣证据行为集合表示为Φ＝{δ₁,δ₂,...,δ_i,...}：同时，对用户v的之前的各种不同的兴趣证据行为进行分类，记为：D₁,D₂,...,D_j,...,D_m，m为兴趣证据类别的总数量，D_j表示第j类兴趣证据类别，为直接兴趣证据的类型，而P(D_j)表示兴趣证据类别D_j在所有的兴趣证据行为中出现的频率。而P_v(D_j|item)表示对于用户v，当实体item出现时，兴趣证据类别D_j出现的概率。每一类兴趣证据类别D_j的权重是right(D_j)，right(D_j)∈[0,1]。那么，用户v对于实体item的用户实体兴趣度EI(v|item)的计算表达式如下所示：

式中，P_v(item|D_j)为对于用户v，当兴趣证据类别D_j出现时，对应为实体item的概率，即用户v在过去所有兴趣证据中，兴趣证据类别D_j表现在某一个实体item中的比例，P(D_j)、P_v(item|D_j)可以直接通过数值统计得到，是观测值。

对于权重right(D_j)的计算方法如下：假设兴趣证据y是由其它的兴趣证据x而引起的，则可记为：x→y。本发明用ID表示用户历史出现的所有兴趣证据类别的集合，ID＝{D₁,D₂,...,D_j,...,D_m}，与第j个兴趣证据类别D_j相联系的兴趣证据集合Link(D_j)可以表示为：

式中，D_q表示第q类兴趣证据类别，D_q,D_j∈ID，D_q也为与D_j相链接(联系)的兴趣证据类别(可以是直接证据，也可以是非直接证据)，即D_j是由D_q而引起的(用D_q→D_j表示)。

那么，计算权重right(D_j)的等式如下：

其中，right(D_q)表示第q类兴趣证据类别D_q的权重，|ID|表示兴趣证据类别的总数量，|ID|＝m，p(D_q)表示兴趣证据类别D_q在用户过去兴趣证据行为中发生的概率，L(D_q)表示与第q类兴趣证据类别D_q相链接的兴趣证据类别的数量。

该right(D_j)的计算公式表示相关兴趣类证据之间的权重关系，其运行原理为权重越高的兴趣证据类别其关联的兴趣证据类的权重也越高。权重值的初值可以随机给定，但依据上述公式迭代运算后可计算得到最终的权重值，从而减小权重值直接设定带来的误差。

(3)计算实体间的实体相似度

1)实体类型相似度指标

本发明基于实体目录分类树进行类型相似度指标计算。将不同实体按目录进行分类，形成树状结构的实体目录分类树，即实体目录被表示为一棵树模型；同时，本发明引入目录树层次，令c_i表示实体目录分类树中第i层目录，如实体目录分类树的第一层目录即表示为c₁。

假设存在两个不同的实体，分别表示为item_a和item_b。本发明用distance(item_a,item_b)来表示实体item_a所处的目录层次与实体item_b所处目录层次之间的路径距离。本发明对于类型相似度指标计算如下：

1、若两个实体所在目录层次属于相同层数时，则实体item_a与实体item_b的实体类型相似度指标sim_type(item_a,item_b)的计算公式如下所示：

式中，c_a表示实体item_a在实体目录分类树内的层次，c_b表示实体item_b在实体目录分类树内的层次；

2、若两个实体所处目录不在同层次时，则两实体的类型相似度为：

2)实体价位相似度指标

本发明中，实体价位相似度指标计算为：

式中，sim_price(item_a,item_b)表示实体item_a与实体item_b的实体价位相似度指标，price_a表示实体item_a的价格，price_b表示实体item_b的价格；

3)实体质量相似度指标

本发明中，实体质量相似度指标用于计算某一实体与当前候选推荐集合之间的质量相似程度，以判定该实体是否满足可被推荐的要求。假设实体质量所有评价的最高分值记为score_max，当前候选推荐集中所有实体质量评分的平均值记为score_ave，则实体item_a与当前所有可被推荐实体的整体质量相似度指标sim_quality(item_a)的计算公式如下所示：

式中，score_a表示实体item_a的实体质量评分；若满足则该实体item_a与当前候选推荐集合在质量指标上相似。

4)实体销量相似度指标

实体item_a与实体item_b的实体销量相似度指标sim_sale(item_a,item_b)的计算公式如下所示：

式中，sale_a表示实体item_a的总销量，sale_b表示实体item_b的总销量。

最终，由上述四个指标可计算实体相似度值，计算公式如下所示：

若sim(item_a,item_b)≥α(α为紧密度阈值)时，则将该实体item_a纳入以实体item_b发出的实体候选推荐集合中。其中α也即实体相似度的临界值。

如图2所示，步骤S3具体推荐过程为：

1)当某一用户购买实体时，初始标记该用户为起始用户O，依据其社交网络好友关系得出其好友集合记为friend(O)，且该集合中的好友满足条件“v_i∈friend(O)∩closeness(v_i,O)≥α∩v_i未购买过实体”时进行以下步骤：

①对于所有社交网络中存在的每一个实体item_k(item_k下标k表示实体集合ITEM中的第k个实体)，若满足则将item_k放入集合R_item，集合R_item内元素用tiem′表示；所有符合上述条件的实体组成的集合称为实体候选推荐集合R_item(起始用户O所购买的)。

2)对于所有v_i∈friend(O)，进行以下工作：

①计算closeness(v_i,O)的值，并判断是否满足条件closeness(v_i,O)大于阈值α。如果满足，将v_i放入用户候选推荐集合R_user中，集合R_user内元素用v_{R_user}表示；不满足时，则直接忽略v_i。

②从R_item中随机选择一个待推荐实体tiem′，计算EI(v_{R_user}|tiem′∈R_item)的值，并判断EI(v_{R_user}|tiem′∈R_item)是否满足大于阈值β。若满足，则向用户v_{R_user}推荐实体tiem′，并从R_item中删除实体tiem′；否则不做推荐并直接删除tiem′。

③重复步骤2)中的①②，直到R_item中的实体为空；

④重复上述①②③步骤直到R_user所有用户均被推荐过。

3)将R_user中所有被推荐过实体的用户作为起始用户，分别针对R_user中的所有起始用户，将执行步骤1)中的①所产生的实体候选推荐集合R_item继续向新起始用户的朋友们进行推荐，并重复步骤2)中的①②③；直到该社交网络中的所有用户(结点)都被遍历推荐。

图1为本发明推荐算法的架构。图1中的箭头①表示基于用户候选推荐集合产生一个社交网络；箭头②基于所生成的社交网络产生一个新的用户候选推荐集合；箭头③表示多个用户候选推荐集合组成一个大型的新的社交网络；箭头④表示推荐算法与社交网络是建立在彼此的基础之上的；箭头⑤表示基于所生成的大型的社交网络产生最终的用户候选推荐集合；箭头⑥表示将推荐算法所生成的实体候选集合中的实体推荐给用户候选推荐集合中的用户；箭头⑦表示基于推荐算法得到实体候选集合。图1可以看出推荐算法是核心，其基于社交网络对实体进行三个维度的综合推荐，这三个维度分别是：实体相似度、用户紧密度、用户对于实体的兴趣度。推荐算法的思想：首先，计算实体item_k与实体的相似度，若该相似度的值大于阈值γ，则将实体item_k放入实体候选集合R_item中，反之则不予以放入；其次，计算用户v_i与用户O的紧密度，若该紧密度的值大于阈值α，则将该用户v_i放入用户候选集合R_user中；再则，计算用户候选集合R_user中的用户v_{R_user}对于实体候选集合R_item中实体tiem′的兴趣度，若该兴趣度的值大于阈值β，则将实体item_k推荐给用户v_{R_user}，反之，不予以推荐。

因此，本发明推荐方法可以在用户购买一件实体后，及时地沿着社交网络、围绕已购买的实体和已购买实体的用户发起综合推荐，综合推荐涉及三个维度：用户紧密度指标使用户关系的紧密度得到更为综合的评估，用户实体兴趣度保证使用户兴趣度计算准确性，实体相似度使实体相似程度得到更为综合的计算，实现对淘宝、美团等社交网商务网站影响的评估，更好地进行相关实体的推荐等，具有实际应用的前景。