本发明涉及互联网技术领域，具体是一种基于关注关系和用户行为的图推荐方法。
背景技术：
互联网又称网际网络，或音译因特网、英特网，始于1969年美国的阿帕网，是网络与网络之间所串连成的庞大网络，这些网络以一组通用的协议相连，形成逻辑上的单一巨大国际网络。后来人们又研究出了智能手机，移动互联网络的高速发展及智能手机的普及极大方便了用户的网络应用，越来越多的用户开始习惯于在上下班的公交车、地铁或排队办理公共业务等零碎时间中，通过移动互联网络打发时间，网络数据日益增大的今天，如何从海量数据中提取有效信息提供给用户是当前互联网应用亟待解决的问题，个性化信息推荐是解决这一问题的有效方法，它通过跟踪用户的历史信息，计算用户的兴趣特征，从而给用户推荐可能感兴趣的资源。
随着越来越多的网络平台支持用户之间建立关注关系，例如微博粉丝功能、视频分享站点的用户关注功能、电子商城中用户对商家的关注功能等，互联网领域需要将这种关系考虑进去然后重新推荐，目前尚未有好的方法。图推荐算法是一种更为灵活的利用用户行为数据的推荐算法，其基本思路是将用户对物品的行为转化为图模型表示，通过计算任意两个节点间的相似度，从而为用户节点推荐与其相似度最高的其他节点，这种算法的应用潜力很大。
技术实现要素：
本发明的目的在于提供一种基于关注关系和用户行为的图推荐方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于关注关系和用户行为的图推荐方法，具体步骤如下：
步骤一，构建用户行为图：采集用户在网站的浏览数据，浏览数据包括对物品的浏览时间、访问次数、访问路径数、每条访问路径的访问次数和访问路径深度，将异常数据和不符合用户浏览习惯的数据进行清除，根据用户和物品之间的关系以及用户与用户之间的关系构建边，即用户与用户浏览的物品之间建立一条边，相似用户之间构建一条边，相似用户是两用户浏览相同物品的数量超过设定的数值，统计用户对某种物品的浏览次数，记为(b1,b2,…,bn)，设定用户浏览数据的比重，记为(pb1,pb2,…,pbn)，pb1+pb2+…+pbn＝1，根据用户对物品的浏览记录以及系统设定的参数计算用户与物品边之间的权值，根据系统设定的参数和用户与用户之间的相似度计算出用户与用户之间的权值，得到用户行为图；
步骤二，构建用户关注图：a用户关注了b用户，构建一条从a指向b的边，构建所有用户关注关系的图，得到用户关注图；
步骤三，计算初始关注概率：根据用户关注图计算用户对某物品的关注概率，根据用户行为图计算对某物品的关注概率；
步骤四，计算综合关注概率：将基于用户关注图得到的对某物品的关注概率和用户行为图对同一物品的关注概率进行综合计算，得到用户对某物品的关注概率；
步骤五，生成用户列表：根据每个用户对某物品的关注概率，生成每个用户的用户推荐列表和物品推荐列表。
作为本发明进一步的方案：系统将用户浏览的所有物品构建成用户物品集合，并根据用户对物品的浏览频率，计算出用户对每个物品的关注程度。
作为本发明进一步的方案：生成物品推荐表的方法如下：首先排除用户已关注的物品，然后将物品按照用户对物品的关注概率按照降序排列，选择关注概率超过0.5的物品生成推荐列表。
作为本发明进一步的方案：生成用户推荐表的方法如下：首先排除用户已关注的用户，然后将物品按照用户对用户的关注概率按照降序排列，选择关注概率超过0.6的用户生成推荐列表。
作为本发明进一步的方案：用户的浏览数据来自于pc端、wap端、app端以及线下数据。
与现有技术相比，本发明的有益效果是：本发明的方法将图推荐算法、用户关注关系和用户浏览行为综合考虑，能够一次同时为用户推荐物品和感兴趣的用户，满足用户的个性化推荐，推荐更加精准，符合用户的需求。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
实施例1
一种基于关注关系和用户行为的图推荐方法，具体步骤如下：
步骤一，构建用户行为图：采集用户在网站的浏览数据，浏览数据包括对物品的浏览时间、访问次数、访问路径数、每条访问路径的访问次数和访问路径深度，将异常数据和不符合用户浏览习惯的数据进行清除，根据用户和物品之间的关系以及用户与用户之间的关系构建边，即用户与用户浏览的物品之间建立一条边，相似用户之间构建一条边，相似用户是两用户浏览相同物品的数量超过设定的数值，统计用户对某种物品的浏览次数，记为(b1,b2,…,bn)，设定用户浏览数据的比重，记为(pb1,pb2,…,pbn)，pb1+pb2+…+pbn＝1，根据用户对物品的浏览记录以及系统设定的参数计算用户与物品边之间的权值，根据系统设定的参数和用户与用户之间的相似度计算出用户与用户之间的权值，得到用户行为图；
步骤二，构建用户关注图：a用户关注了b用户，构建一条从a指向b的边，构建所有用户关注关系的图，得到用户关注图；
步骤三，计算初始关注概率：根据用户关注图计算用户对某物品的关注概率，根据用户行为图计算对某物品的关注概率；
步骤四，计算综合关注概率：将基于用户关注图得到的对某物品的关注概率和用户行为图对同一物品的关注概率进行综合计算，得到用户对某物品的关注概率；
步骤五，生成用户列表：根据每个用户对某物品的关注概率，生成每个用户的用户推荐列表和物品推荐列表，生成物品推荐表的方法如下：首先排除用户已关注的物品，然后将物品按照用户对物品的关注概率按照降序排列，选择关注概率超过0.5的物品生成推荐列表，生成用户推荐表的方法如下：首先排除用户已关注的用户，然后将物品按照用户对用户的关注概率按照降序排列，选择关注概率超过0.6的用户生成推荐列表。
实施例2
一种基于关注关系和用户行为的图推荐方法，具体步骤如下：
步骤一，构建用户行为图：采集用户在网站的浏览数据，浏览数据包括对物品的浏览时间、访问次数、访问路径数、每条访问路径的访问次数和访问路径深度，将异常数据和不符合用户浏览习惯的数据进行清除，系统将用户浏览的所有物品构建成用户物品集合，并根据用户对物品的浏览频率，计算出用户对每个物品的关注程度，根据用户和物品之间的关系以及用户与用户之间的关系构建边，即用户与用户浏览的物品之间建立一条边，相似用户之间构建一条边，相似用户是两用户浏览相同物品的数量超过设定的数值，统计用户对某种物品的浏览次数，记为(b1,b2,…,bn)，设定用户浏览数据的比重，记为(pb1,pb2,…,pbn)，pb1+pb2+…+pbn＝1，根据用户对物品的浏览记录以及系统设定的参数计算用户与物品边之间的权值，根据系统设定的参数和用户与用户之间的相似度计算出用户与用户之间的权值，得到用户行为图；
步骤二，构建用户关注图：a用户关注了b用户，构建一条从a指向b的边，构建所有用户关注关系的图，得到用户关注图；
步骤三，计算初始关注概率：根据用户关注图计算用户对某物品的关注概率，根据用户行为图计算对某物品的关注概率；
步骤四，计算综合关注概率：将基于用户关注图得到的对某物品的关注概率和用户行为图对同一物品的关注概率进行综合计算，得到用户对某物品的关注概率；
步骤五，生成用户列表：根据每个用户对某物品的关注概率，生成每个用户的用户推荐列表和物品推荐列表。
实施例3
一种基于关注关系和用户行为的图推荐方法，具体步骤如下：
步骤一，构建用户行为图：从pc端、wap端、app端以及线下数据采集用户在网站的浏览数据，浏览数据包括对物品的浏览时间、访问次数、访问路径数、每条访问路径的访问次数和访问路径深度，将异常数据和不符合用户浏览习惯的数据进行清除，系统将用户浏览的所有物品构建成用户物品集合，并根据用户对物品的浏览频率，计算出用户对每个物品的关注程度，根据用户和物品之间的关系以及用户与用户之间的关系构建边，即用户与用户浏览的物品之间建立一条边，相似用户之间构建一条边，相似用户是两用户浏览相同物品的数量超过设定的数值，统计用户对某种物品的浏览次数，记为(b1,b2,…,bn)，设定用户浏览数据的比重，记为(pb1,pb2,…,pbn)，pb1+pb2+…+pbn＝1，根据用户对物品的浏览记录以及系统设定的参数计算用户与物品边之间的权值，根据系统设定的参数和用户与用户之间的相似度计算出用户与用户之间的权值，得到用户行为图；
步骤二，构建用户关注图：a用户关注了b用户，构建一条从a指向b的边，构建所有用户关注关系的图，得到用户关注图；
步骤三，计算初始关注概率：根据用户关注图计算用户对某物品的关注概率，根据用户行为图计算对某物品的关注概率；
步骤四，计算综合关注概率：将基于用户关注图得到的对某物品的关注概率和用户行为图对同一物品的关注概率进行综合计算，得到用户对某物品的关注概率；
步骤五，生成用户列表：根据每个用户对某物品的关注概率，生成每个用户的用户推荐列表和物品推荐列表，生成物品推荐表的方法如下：首先排除用户已关注的物品，然后将物品按照用户对物品的关注概率按照降序排列，选择关注概率超过0.5的物品生成推荐列表，生成用户推荐表的方法如下：首先排除用户已关注的用户，然后将物品按照用户对用户的关注概率按照降序排列，选择关注概率超过0.6的用户生成推荐列表。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。