基于用户行为挖掘的融合社交网络推荐模型

张创基

(广州华立科技职业学院，广东 广州 511325)

0 引 言

随着社交网络出现并不断成熟，社交网络成为人们进行信息传输和资源信息共享的重要平台。社交网络将具有一些共同特征的用户聚集到同一个网络平台中，满足用户对网络信息检索的偏好。为了提高社交网络的运行效率，提高社交网络的服务水平，需要研究一种有效的社交网络推荐模型，促进社交网络的服务质量水平的升级。融合社交网络是将各类型的社交网络融合到一起的网络结构，对融合社交网络的推荐模型设计是建立在对用户行为特征分析的基础上，研究融合社交网络的用户行为特征挖掘技术，在提高社交网络的资源自适应调度和信息评估能力方面具有重要意义[1]。

传统方法中，对融合社交网络的用户行为特征挖掘方法主要有多源信息资源服务(Multi-source Information Resource As A Service， MIRaaS)方法、关联特征提取方法、粒子群定位推荐算法等[2-4]，文献[3]提出了基于语义相关性特征检测的社交网络推荐算法，采用模糊决策和语义本体建模方法构建推荐模型，提高推荐的实体性和自适应性，但该方法进行融合社交网络推荐中存在计算开销过大的问题；文献[5]提出了一种基于群智能的社交网络中用户潜在特征混合推荐算法，构建社交网络用户特征提取模型，采用群智能寻优技术对社交网络用户的潜在特征和关联信息进行特征划分，实现社交网络的智能推荐，但该方法在社交网络推荐中的自适应寻优能力不好。针对上述问题，本文提出一种基于用户行为挖掘的融合社交网络推荐模型。采用关联规则分布模型进行融合社交网络的用户行为特征检测，提取融合社交网络的用户行为的本体信息和关联规则项，构建社交网络的联合推荐的模糊决策模型，计算融合社交网络用户行为的联合信息熵特征值，采用模糊C均值聚类方法对提取的特征量进行分类识别，结合大数据挖掘结果，实现社交网络的智能推荐，最后进行仿真实验分析，展示本文方法在提高融合社交网络推荐准确性方面的优越性能。

1 社交网络的用户行为特征的分布结构模型与特征分析

1.1 融合社交网络的用户行为特征分布模型

为了实现基于大数据分析和用户行为特征挖掘的融合社交网络推荐设计，需要首先构建融合社交网络的用户行为特征挖掘的模糊决策模型，结合分布结构模型优化分析，进行融合社交网络用户行为特征的分布式的结构调度和自适应特征提取。在大数据处理环境下，融合社交网络用户行为特征表现为浏览记录、网页访问记录、多源信息资源分布记录等[6]，用户行为特征挖掘的资源信息包括了计算资源、物理资源、网络本体资源等[7]。融合社交网络的用户行为特征的分布结构描述如图1所示。

图1 融合社交网络的用户行为特征的分布结构

在图1所示的融合社交网络的用户行为分布结构模型中，采用多源信息资源服务方法进行集成调度和在线查询，在MIRaaS平台中将资源多源性简化为单一资源，进行融合社交网络的用户行为特征的资源云分析，计算融合社交网络的用户行为特征的联合参数分布，经过参数估计后，便可以利用融合社交网络的用户行为特征的联合分布特征进行信息查询[8]，构建融合社交网络的用户行为特征挖掘的模糊决策模型。若sk∈S是融合社交网络的用户行为特征挖掘的一个输入关键词，得到资源分布的量化特征解为：

(1)

θ:S→β.S×[-0.5,0.5]

(2)

θ(si)=K.{v1,…,vm}(si,0),si∈S

(3)

其中，S为特征映射集，si为用户行为特征采样序列，设实数β∈[0,T]为相似度，{v1,…,vM}表示融合社交网络的用户行为特征信息集合，K为融合社交网络的用户行为特征查询的语言评价集，R=[Ru,v]N×M表示推荐模型中对融合社交网络的用户行为特征挖掘的结果满意度[9]。采用关联融合方法进行大数据融合调度，得到社交网络推荐的自适应信息转发映射描述如式(4)：

CΦ(u)=Φ(Φ-1(u1),…,Φ-1(un)),u∈In

(4)

其中，u为特征分布矢量，In为实例集，ui是一个任意的评价指标权重，Φ(·)是社交网络的用户行为的正态分布函数，Φ-1(·)是Φ(·)的反函数，通过对融合社交网络的用户行为特征挖掘的综合相对贴近度计算，得到Φ(·)的社交网络的用户行为挖掘的相关性融合特征量描述如式(5)：

(5)

其中，t表示多源分布矢量，μ为语义本体分布矢量，∑为求和算式。采用关联规则分布模型进行融合社交网络的用户行为特征检测[7]。

1.2 融合社交网络的用户行为特征分析

构建融合社交网络的用户行为特征的分布结构模型，提取融合社交网络的用户行为的本体信息和关联规则项[10]，得到关联规则项特征集为：

(6)

(7)

(8)

其中，SINR为检测阈值，D表示统计特征序列的长度，xd为高斯加权系数。采用高斯Copula函数进行模糊贴近度计算[15]，采用泛化学习算法，进行融合社交网络个性化推荐过程的自适应学习[16]，以C为融合社交网络个性化推荐的代价因子，得到融合社交网络个性化推荐的差别函数为：

(9)

2 推荐模型优化

2.1 社交网络的联合推荐的决策模型

在采用关联规则分布模型进行融合社交网络的用户行为特征检测和大数据挖掘的基础上，进行融合社交网络推荐模型的优化设计[18-20]，本文提出一种基于用户行为挖掘的融合社交网络推荐模型。构建非线性映射Φ:x∈Rn→F表示融合社交网络用户的个性化疏导空间，结合模糊决策和智能群算法将融合社交网络的推荐信息映射到高维的特征空间F。假设融合社交网络的推荐训练样本集为{(x1,y1),(x2,y2),…,(xn,yn)},其中个性化演化特征量xi∈Rn表示推荐模型的输入矢量。结合用户行为的偏好挖掘算法，得到融合社交网络的个性化推荐的目标函数为：

subject toyi-(w′Φ(xi)+b)≤ε-ξi

(10)

Kmin=βKpoly+(1-β)Krbf,β∈(0,1)

(11)

其中，β表示联合推荐概率密度，Krbf表示融合社交网络个性化特征采样的相似度，Kpoly=[(x·xi)+1]2表示个性化偏好核函数。提取融合社交网络的用户行为的本体信息和关联规则项，构建社交网络的联合推荐的模糊决策模型，得到模糊决策函数为：

flg -M(z)=(flg(z),flg -x(z),flg -y(z))

=(flg(z),hx×flg(z),hy×flg(z))

(12)

其中，flg(z)表示融合社交网络推荐的用户项目评分值，hx和hy分别表示在X向和Y向的特征分辨率。

2.2 融合社交网络推荐优化输出

在构建社交网络的联合推荐的模糊决策模型的基础上，计算融合社交网络用户行为的联合信息熵特征值[21]，得到特征分布的时间序列为x(t)，t=0,1,…,n-1，在关联规则约束规则下，得到融合社交网络个性化偏好信息结构的区域分布函数为：

Ecv(c1,c2)=μ·Length(C)+ν·Area(inside(C))+

(13)

其中，c1和c2分别表示融合社交网络个性化偏好信息推荐的自适应特征匹配特征系数，Length(C)表示待推荐的融合社交网络个性化偏好信息的长度系数，Area(inside(C))表示区域特征分布。设当前的融合社交网络的用户行为特征数据流在标识概念中的第i个类的隶属度记为CF=〈F,Q,n,RT1,RT2,RW〉，其中元数据兼容映射关系为{X1,X2,…,Xn}，(F,Q)为关联约束系数，计算融合社交网络的用户行为的联合信息熵特征，表示为：

(14)

其中，Δf表示采样频率增量，TB表示用户B的信任度，TC表示用户C的信任度，N表示样本长度，φj表示用户行为特征的偏离程度，ci表示模糊特征分辨率，n表示用户分组长度。社交网络的用户行为特征的联合分布密度函数描述为：

fT1,T2,…,Tn(t1,t2,…,tn)

(15)

其中，FT(t)=(F1(t),F2(t),…,FN(t))，表示社交网络推荐输出矢量，t1,t2,…,tn表示样本序列的采样时间，ti表示初始化的关联规则特征分布集，fTi表示元数据的信任度，μ表示关联特征量，Fi(t)表示用户行为特征的频域分量，此时融合社交网络用户行为特征的元数据对应的紧密度，采用C均值聚类方法进行大数据融合处理，由此实现对融合社交网络推荐[22-23]，实现的流程图如图2所示。

图2 改进算法的实现流程图

3 仿真实验与结果分析

为了测试本文方法在实现融合社交网络推荐中的应用性能，本文进行仿真实验，实验采用Matlab 7设计，融合社交网络推荐系统的数据来自于云组合数据库Pearson Database，对社交网络用户行为特征元数据采样的样本集大小为2000，训练数据集规模为120，采用Credit Approval 200G数据作为训练集，数据采样长度为400，个性化演化特征维数为4，采样时间延迟为0.45，收敛性判断阈值为0.28，相异性度量值为0.24，测试数据分布集见表1。

表1 测试数据分布

数据集统计值回归分析值测试集训练集测试集训练集Zoo数据集243415331436445Anim数据集156514541608565K均值数据集35454454654454Face数据集45654567565357Dicr数据集55444876565565Book数据集6577765564256

根据上述统计分析结果，设定社交网络节点通信轮次为80轮次，网络中共设置120个通信节点和5个bug节点，根据上述仿真环境和参数设定，进行融合社交网络的自适应推荐仿真，得到原始的用户行为数据挖掘结果如图3所示。

图3 用户行为数据挖掘结果

分析图3得知，原始的用户行为数据规则性不强，特征点的散乱性较大，需要对用户行为特征数据进行聚类融合处理。采用本文方法进行用户行为挖掘后的特征提取，提取融合社交网络的用户行为的联合信息熵特征，采用模糊C均值聚类方法对提取的特征量进行分类识别，得到特征聚类分析结果如图4所示。

图4 用户行为特征聚类分析结果

分析图4得知，采用本文方法进行用户行为特征挖掘，能有效反映融合社交网络的用户偏好信息，以此指导社交网络推荐，得到推荐的准确性对比结果如图5所示。

图5 推荐准确性对比

分析图5得知，采用本文方法进行融合社交网络推荐的准确性较高，置信度水平较好，推荐满意度水平统计平均值为0.965，比传统方法提升了15.8%，展示了本文方法的优越性。测试不同方法进行社交网络推荐的时间开销，得到对比结果见表2，分析得知，本文方法进行社交网络推荐的实时性较好，时间开销较短。

表2 时间开销对比

数据规模/kbit本文方法/ms文献[4]方法/ms文献[5]方法/ms4001.254.355.426002.427.646.548003.108.548.4210004.3612.2311.24

4 结束语

为了研究一种有效的社交网络推荐模型，促进社交网络的服务质量水平的升级，提高用户满意度，本文提出了一种基于用户行为挖掘的融合社交网络推荐模型。采用关联规则分布模型进行融合社交网络的用户行为特征检测，提取融合社交网络的用户行为的本体信息和关联规则项，构建社交网络的联合推荐的模糊决策模型，计算融合社交网络用户行为的联合信息熵特征值，采用模糊C均值聚类方法对提取的特征量进行分类识别，根据分类识别结果实现用户行为挖掘和融合社交网络的自适应推荐。仿真实验表明，采用本文方法进行社交网络推荐模型设计，提高了对用户行文特征挖掘聚类的准确性，推荐的满意度和置信度水平较高。