本發(fā)明涉及信息推薦的技術(shù)領(lǐng)域，具體涉及一種基于協(xié)同過(guò)濾的社交網(wǎng)絡(luò)推薦裝置及方法。

背景技術(shù)：

概述互聯(lián)網(wǎng)信息的迅速增長(zhǎng)產(chǎn)生了海量的數(shù)據(jù),用戶(hù)往往要耗費(fèi)大量的時(shí)間和精力,才能找到自己感興趣的信息。低效率的互聯(lián)網(wǎng)信息檢索技術(shù)已經(jīng)成為阻礙用戶(hù)有效利用信息的瓶頸,推薦技術(shù)就是在這樣的背景下產(chǎn)生的。推薦技術(shù)可以有效解決信息過(guò)載的問(wèn)題,從海量數(shù)據(jù)中檢索到對(duì)用戶(hù)有所幫助的內(nèi)容。目前的推薦技術(shù)在同一時(shí)刻一般都是為單個(gè)用戶(hù)進(jìn)行推薦,但現(xiàn)實(shí)應(yīng)用中可能經(jīng)常需要為某一群體進(jìn)行推薦,比如一個(gè)旅游團(tuán)要旅游的目的地、一次聚會(huì)的用餐地點(diǎn)以及一個(gè)家庭的觀影計(jì)劃等。群體成員間的興趣愛(ài)好具有很大的差異性,所以傳統(tǒng)的推薦技術(shù)已經(jīng)難以適用于群體推薦的要求,研究基于社交網(wǎng)絡(luò)的群體推薦技術(shù)就具有重要的現(xiàn)實(shí)意義。

推薦裝置及社交網(wǎng)絡(luò)群體推薦裝置的研究涉及到個(gè)人推薦裝置、社交網(wǎng)絡(luò)以及群體決策等技術(shù)領(lǐng)域?，F(xiàn)存的推薦裝置多數(shù)為個(gè)人推薦裝置,即推薦行為旨在為單個(gè)用戶(hù)提供服務(wù),其最常用的推薦算法為協(xié)同過(guò)濾推薦算法和基于內(nèi)容的推薦算法；協(xié)同過(guò)濾算法借鑒與被推薦用戶(hù)具有相似興趣的用戶(hù)的行為進(jìn)行推薦,基于內(nèi)容的推薦算法分析被推薦用戶(hù)訪問(wèn)的歷史內(nèi)容,并利用不同內(nèi)容的相似程度來(lái)進(jìn)行推薦。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的第一個(gè)目的是為了解決現(xiàn)有技術(shù)中的上述缺陷，提供一種基于協(xié)同過(guò)濾的社交網(wǎng)絡(luò)推薦裝置。

本發(fā)明的另一個(gè)目的是為了解決現(xiàn)有技術(shù)中的上述缺陷，提供一種基于協(xié)同過(guò)濾的社交網(wǎng)絡(luò)推薦方法。

本發(fā)明的第一個(gè)目的可以通過(guò)采取如下技術(shù)方案達(dá)到：

一種基于協(xié)同過(guò)濾的社交網(wǎng)絡(luò)推薦裝置，所述推薦裝置包括依次連接的啟動(dòng)模塊、過(guò)濾模塊、推薦模塊和排序模塊，

其中，所述啟動(dòng)模塊用于對(duì)推薦社交網(wǎng)絡(luò)用戶(hù)的行為數(shù)據(jù)和個(gè)人屬性進(jìn)行初始化定義，將用戶(hù)的行為分類(lèi)并設(shè)置初始搜索引擎的條件，向推薦引擎發(fā)起推薦請(qǐng)求，并將初始化的數(shù)據(jù)集發(fā)送給推薦引擎；

所述過(guò)濾模塊通過(guò)社交網(wǎng)絡(luò)中設(shè)置的基礎(chǔ)搜索條件，由基礎(chǔ)搜索引擎過(guò)濾掉不符合要求的用戶(hù)，形成可推薦候選集A；

所述推薦模塊將可推薦候選集A根據(jù)用戶(hù)歷史行為和數(shù)據(jù)進(jìn)行篩選，得出基本的用戶(hù)感興趣集，并基于用戶(hù)的協(xié)同過(guò)濾思想，得到各個(gè)用戶(hù)的可推薦結(jié)果集B；

所述排序模塊根據(jù)可推薦結(jié)果集B，對(duì)社交網(wǎng)絡(luò)用戶(hù)的行為數(shù)據(jù)和個(gè)人屬性進(jìn)行劃分，將社交網(wǎng)絡(luò)用戶(hù)感興趣集進(jìn)行排序，得到初步推薦列表C。

進(jìn)一步地，用戶(hù)的初始個(gè)人屬性由用戶(hù)在注冊(cè)時(shí)填寫(xiě)，推薦引擎可以根據(jù)用戶(hù)填寫(xiě)的個(gè)人屬性值，為初始用戶(hù)進(jìn)行特征劃分。

進(jìn)一步地，當(dāng)過(guò)濾篩選后的可推薦候選集A中人數(shù)不足最低計(jì)算人數(shù)時(shí)，所述啟動(dòng)模塊中推薦引擎將發(fā)送指令，由社交網(wǎng)絡(luò)擴(kuò)大篩選范圍或者增加篩選人數(shù)。

本發(fā)明的另一個(gè)目的可以通過(guò)采取如下技術(shù)方案達(dá)到：

一種基于協(xié)同過(guò)濾的社交網(wǎng)絡(luò)推薦方法，所述推薦方法包括下列步驟：

S1、啟動(dòng)模塊通過(guò)業(yè)務(wù)方對(duì)推薦社交網(wǎng)絡(luò)用戶(hù)的行為數(shù)據(jù)和個(gè)人屬性進(jìn)行初始化定義，將用戶(hù)的行為數(shù)據(jù)分類(lèi)并設(shè)置初始搜索引擎的條件，完成初始化設(shè)定和推薦引擎接入后，向推薦引擎發(fā)起推薦請(qǐng)求，并將初始化的數(shù)據(jù)集發(fā)送給推薦引擎；

S2、過(guò)濾模塊通過(guò)推薦引擎根據(jù)業(yè)務(wù)方的初始搜索引擎的條件，將滿(mǎn)足搜索條件的數(shù)據(jù)，匯總形成初步可推薦候選集，對(duì)初步可推薦候選集通過(guò)相似度判定得到相似用戶(hù)集，并基于用戶(hù)的協(xié)同過(guò)濾思想，進(jìn)行數(shù)據(jù)篩選得到可推薦候選集A；

S3、推薦模塊將可推薦候選集A根據(jù)推薦社交網(wǎng)絡(luò)用戶(hù)歷史行為和數(shù)據(jù)進(jìn)行篩選，得出基本的用戶(hù)感興趣集，并基于用戶(hù)的協(xié)同過(guò)濾思想，得到各個(gè)推薦社交網(wǎng)絡(luò)用戶(hù)的可推薦結(jié)果集B；

S4、排序模塊根據(jù)推薦社交網(wǎng)絡(luò)用戶(hù)的個(gè)人屬性，對(duì)個(gè)人屬性的特征值進(jìn)行劃分，根據(jù)用戶(hù)的感興趣集中各個(gè)特征值所占的比例，得到可推薦結(jié)果集B的用戶(hù)中每個(gè)屬性特征值所占的權(quán)重，并根據(jù)各個(gè)最顯著的特征集去得到用戶(hù)感知最敏感的屬性，根據(jù)感知最敏感的屬性的不同參考權(quán)重，將用戶(hù)的感興趣集進(jìn)行排序，得到初步推薦列表C。

進(jìn)一步地，所述步驟S2具體過(guò)程如下：

S201、社交網(wǎng)絡(luò)給用戶(hù)設(shè)定一個(gè)初始篩選條件，由用戶(hù)進(jìn)行選擇或直接根據(jù)用戶(hù)的歷史行為進(jìn)行設(shè)定。

S202、社交網(wǎng)絡(luò)將初始篩選條件和初始化數(shù)據(jù)集發(fā)送給推薦引擎，推薦引擎根據(jù)這些條件進(jìn)行篩選，形成可推薦候選集A。

進(jìn)一步地，所述步驟S3具體過(guò)程如下：

S301、將用戶(hù)的行為分為T(mén)₁～T_K共K類(lèi)，并對(duì)這K類(lèi)行為分別進(jìn)行權(quán)重賦值w₁～w_k，根據(jù)不同的用戶(hù)行為區(qū)分為正面、負(fù)面以及高、中、低六個(gè)維度，賦值向量w的取值為w＝【-2,-1,0,1,2,3】；

S302、獲取用戶(hù)對(duì)社交網(wǎng)絡(luò)用戶(hù)的行為操作累加值得到用戶(hù)對(duì)社交網(wǎng)絡(luò)用戶(hù)的喜好度H＝∑w；

S303、通過(guò)不同用戶(hù)對(duì)各個(gè)社交網(wǎng)絡(luò)用戶(hù)的喜好度H，利用歐幾里得距離

計(jì)算得到用戶(hù)之間的相似度：

當(dāng)兩個(gè)用戶(hù)之間的相似度sim(x,y)>k時(shí)，其中k由業(yè)務(wù)方?jīng)Q定，即認(rèn)為兩者相似從而得到相似用戶(hù)集，并基于用戶(hù)的協(xié)同過(guò)濾思想，得到各個(gè)用戶(hù)的可推薦結(jié)果集B。

進(jìn)一步地，所述步驟S4具體過(guò)程如下：

S401、根據(jù)可推薦結(jié)果集B，對(duì)推薦社交網(wǎng)絡(luò)用戶(hù)的個(gè)人屬性和特征值進(jìn)行劃分，設(shè)推薦社交網(wǎng)絡(luò)用戶(hù)的個(gè)人屬性向量為：

屬性S_i的特征值向量為：

S402、通過(guò)各個(gè)個(gè)人屬性的區(qū)分度向量和候選推薦集構(gòu)造屬性特征矩陣；

對(duì)用戶(hù)A而言，候選推薦集Q_T中某一社交網(wǎng)絡(luò)用戶(hù)的個(gè)人屬性S_i的特征值v_k在所占的比例為則在候選推薦集Q_T中，設(shè)該社交網(wǎng)絡(luò)用戶(hù)的個(gè)人屬性的特征值v_k所占的權(quán)重：

另，當(dāng)(i，k取任意可取值)

則認(rèn)為個(gè)人屬性S_x的區(qū)分度最強(qiáng)；各個(gè)屬性的區(qū)分度?。?/p>

所以，當(dāng)給出Q_A后，可得索性區(qū)分度向量：

得到Q_T后，可得社交網(wǎng)絡(luò)用戶(hù)的屬性特征矩陣：

S403、根據(jù)屬性特征矩陣和屬性區(qū)分度向量，可以得到候選推薦集Q_T的各社交網(wǎng)絡(luò)用戶(hù)的推薦分?jǐn)?shù)向量：

S404、根據(jù)得到的推薦分?jǐn)?shù)向量對(duì)可推薦結(jié)果集B的排序，確定初步推薦列表C。

進(jìn)一步地，所述推薦社交網(wǎng)絡(luò)用戶(hù)的個(gè)人屬性及特征值的定義的方式為【屬性-值】鍵值對(duì)。

進(jìn)一步地，當(dāng)用戶(hù)對(duì)社交網(wǎng)絡(luò)用戶(hù)的喜好度H>3時(shí)，則認(rèn)為用戶(hù)對(duì)該物品感興趣。

本發(fā)明相對(duì)于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果：

本發(fā)明公開(kāi)了一種基于協(xié)同過(guò)濾的社交網(wǎng)絡(luò)推薦裝置及方法，相較于傳統(tǒng)的基于人口統(tǒng)計(jì)學(xué)和基于內(nèi)容的推薦裝置相比，該社交網(wǎng)絡(luò)推薦裝置強(qiáng)調(diào)了用戶(hù)之間的差異性，可針對(duì)用戶(hù)的歷史數(shù)據(jù)不斷學(xué)習(xí)并革新推薦引擎，具有更強(qiáng)的魯棒性。并且，利用協(xié)同過(guò)濾思想，更符合用戶(hù)在真實(shí)社交場(chǎng)景中的交友情景，推薦的結(jié)果也會(huì)趨向于精確化。

附圖說(shuō)明

圖1是本發(fā)明公開(kāi)的基于協(xié)同過(guò)濾的社交網(wǎng)絡(luò)推薦裝置的組成框圖；

圖2是本發(fā)明公開(kāi)的基于協(xié)同過(guò)濾的社交網(wǎng)絡(luò)推薦方法的流程圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

實(shí)施例

如附圖1所示，本實(shí)施例公開(kāi)了一種基于協(xié)調(diào)過(guò)濾的社交網(wǎng)絡(luò)推薦裝置，該社交網(wǎng)絡(luò)推薦裝置借鑒協(xié)同過(guò)濾思想和基于內(nèi)容的推薦思想，設(shè)計(jì)一套社交網(wǎng)絡(luò)交友的推薦引擎。

該社交網(wǎng)絡(luò)推薦裝置具體包括依次連接的啟動(dòng)模塊、過(guò)濾模塊、推薦模塊和排序模塊，

其中，所述啟動(dòng)模塊用于對(duì)推薦社交網(wǎng)絡(luò)用戶(hù)的行為數(shù)據(jù)和個(gè)人屬性進(jìn)行初始化定義，將用戶(hù)的行為分類(lèi)并設(shè)置初始搜索引擎的條件，向推薦引擎發(fā)起推薦請(qǐng)求，并將初始化的數(shù)據(jù)集發(fā)送給推薦引擎；

具體實(shí)施方式中，所述啟動(dòng)模塊的工作過(guò)程如下：

業(yè)務(wù)方對(duì)推薦社交網(wǎng)絡(luò)用戶(hù)的行為數(shù)據(jù)和個(gè)人屬性進(jìn)行初始化定義，將用戶(hù)的行為分類(lèi)并設(shè)置初始搜索引擎的條件，完成初始化設(shè)定和推薦引擎接入后，向推薦引擎發(fā)起推薦請(qǐng)求，并將初始化的數(shù)據(jù)集發(fā)送給推薦引擎。

具體應(yīng)用中，用戶(hù)的初始個(gè)人屬性由用戶(hù)在注冊(cè)時(shí)填寫(xiě)，推薦引擎可以根據(jù)用戶(hù)填寫(xiě)的個(gè)人屬性值，為初始用戶(hù)進(jìn)行特征劃分。

其中，所述過(guò)濾模塊通過(guò)社交網(wǎng)絡(luò)中設(shè)置的基礎(chǔ)搜索條件，由基礎(chǔ)搜索引擎過(guò)濾掉不符合要求的用戶(hù)，形成可推薦候選集A，實(shí)現(xiàn)精簡(jiǎn)推薦裝置計(jì)算量的目的。

主要工作原理如下：

1)社交網(wǎng)絡(luò)給用戶(hù)設(shè)定一個(gè)初始篩選條件，由用戶(hù)進(jìn)行選擇或直接根據(jù)用戶(hù)的歷史行為進(jìn)行設(shè)定。

2)社交網(wǎng)絡(luò)將初始篩選條件和初始化數(shù)據(jù)集發(fā)送給推薦引擎，推薦引擎根據(jù)這些條件進(jìn)行篩選，形成可推薦候選集A。

3)當(dāng)篩選后的人數(shù)不足最低計(jì)算人數(shù)時(shí)，推薦引擎將發(fā)送指令，由社交網(wǎng)絡(luò)擴(kuò)大篩選范圍或者增加篩選人數(shù)。

其中，所述推薦模塊將可推薦候選集A根據(jù)用戶(hù)歷史行為和數(shù)據(jù)進(jìn)行篩選，得出基本的用戶(hù)感興趣集，并基于用戶(hù)的協(xié)同過(guò)濾思想，得到各個(gè)用戶(hù)的可推薦結(jié)果集B。

該模塊為推薦裝置的核心模塊，主要目的是將篩選后的用戶(hù)根據(jù)用戶(hù)歷史行為和數(shù)據(jù)進(jìn)一步進(jìn)行篩選，得出基本的用戶(hù)感興趣集。

主要工作原理如下：

1)將用戶(hù)的行為進(jìn)行分類(lèi)，并對(duì)分類(lèi)后的行為分別進(jìn)行權(quán)重賦值。

2)推薦模塊獲取用戶(hù)對(duì)交友的行為操作累加值得到用戶(hù)對(duì)社交網(wǎng)絡(luò)用戶(hù)的喜好度大于一定值時(shí)，則認(rèn)為用戶(hù)對(duì)該社交網(wǎng)絡(luò)用戶(hù)感興趣；

3)計(jì)算不同用戶(hù)對(duì)各個(gè)其他社交網(wǎng)絡(luò)用戶(hù)感的喜好度，并通過(guò)不同用戶(hù)的喜好度，利用歐幾里得距離計(jì)算得到用戶(hù)之間的相似度，當(dāng)兩個(gè)用戶(hù)之間的相似度大于一定值時(shí)，既認(rèn)為兩者相似從而得到相似用戶(hù)集，并基于用戶(hù)的協(xié)同過(guò)濾思想，得到各個(gè)用戶(hù)的可推薦結(jié)果集B。

其中，所述排序模塊根據(jù)可推薦結(jié)果集B，對(duì)社交網(wǎng)絡(luò)用戶(hù)的行為數(shù)據(jù)和個(gè)人屬性進(jìn)行劃分，將社交網(wǎng)絡(luò)用戶(hù)感興趣集進(jìn)行排序，得到初步推薦列表C。

主要工作原理如下：

1)根據(jù)社交網(wǎng)絡(luò)用戶(hù)的個(gè)人屬性，對(duì)個(gè)人屬性的特征值進(jìn)行劃分，根據(jù)社交網(wǎng)絡(luò)用戶(hù)感興趣集中各個(gè)特征值所占的比例，得到可推薦候選集A中用戶(hù)的每個(gè)屬性特征值所占的權(quán)重，并根據(jù)各個(gè)最顯著的特征集去得到用戶(hù)感知最敏感的屬性，以此得出各個(gè)屬性的不同參考權(quán)重。

2)通過(guò)各個(gè)屬性的區(qū)分度向量和候選推薦集的屬性特征矩陣，得到候選推薦集的得分向量，根據(jù)得分向量對(duì)可推薦結(jié)果集B的排序，得到初步推薦列表C，即為最終的推薦結(jié)果。

實(shí)施例二

如附圖2所示，本實(shí)施例公開(kāi)了一種基于協(xié)調(diào)過(guò)濾的社交網(wǎng)絡(luò)推薦方法，該社交網(wǎng)絡(luò)推薦方法借鑒協(xié)同過(guò)濾思想和基于內(nèi)容的推薦思想，設(shè)計(jì)一套社交網(wǎng)絡(luò)交友的推薦引擎。

該社交網(wǎng)絡(luò)推薦方法具體包括下列步驟：

S1、啟動(dòng)模塊通過(guò)業(yè)務(wù)方對(duì)推薦社交網(wǎng)絡(luò)用戶(hù)的行為數(shù)據(jù)和個(gè)人屬性進(jìn)行初始化定義，定義的方式為【屬性-值】鍵值對(duì)，例如【身高-170CM】；將用戶(hù)的行為數(shù)據(jù)分類(lèi)并設(shè)置初始搜索引擎的條件，完成初始化設(shè)定和推薦引擎接入后，向推薦引擎發(fā)起推薦請(qǐng)求，并將初始化的數(shù)據(jù)集發(fā)送給推薦引擎。

具體應(yīng)用中，用戶(hù)的初始屬性由用戶(hù)在注冊(cè)時(shí)填寫(xiě)，推薦引擎可以根據(jù)用戶(hù)填寫(xiě)的屬性值，為初始用戶(hù)進(jìn)行特征劃分。

S2、過(guò)濾模塊通過(guò)推薦引擎根據(jù)業(yè)務(wù)方的初始搜索引擎的條件，將滿(mǎn)足搜索條件的數(shù)據(jù)，匯總形成初步可推薦候選集，對(duì)初步可推薦候選集通過(guò)相似度判定得到相似用戶(hù)集，并基于用戶(hù)的協(xié)同過(guò)濾思想，進(jìn)行數(shù)據(jù)篩選得到可推薦候選集A；如果可推薦候選集A的人數(shù)不滿(mǎn)足最低推薦人數(shù)要求，則向業(yè)務(wù)方請(qǐng)求擴(kuò)大搜索條件。

該步驟具體過(guò)程如下：

S201、社交網(wǎng)絡(luò)給用戶(hù)設(shè)定一個(gè)初始篩選條件，由用戶(hù)進(jìn)行選擇或直接根據(jù)用戶(hù)的歷史行為進(jìn)行設(shè)定。

S202、社交網(wǎng)絡(luò)將初始篩選條件和初始化數(shù)據(jù)集發(fā)送給推薦引擎，推薦引擎根據(jù)這些條件進(jìn)行篩選，形成可推薦候選集A。

S3、推薦模塊將可推薦候選集A根據(jù)推薦社交網(wǎng)絡(luò)用戶(hù)歷史行為和數(shù)據(jù)進(jìn)行篩選，得出基本的用戶(hù)感興趣集，并基于用戶(hù)的協(xié)同過(guò)濾思想，得到各個(gè)用戶(hù)的可推薦結(jié)果集B。

該步驟S3的具體過(guò)程如下：

S301、將用戶(hù)的行為分為T(mén)₁～T_K共K類(lèi)，并對(duì)這K類(lèi)行為分別進(jìn)行權(quán)重賦值w₁～w_k，根據(jù)不同的用戶(hù)行為區(qū)分為正面、負(fù)面以及高、中、低六個(gè)維度，賦值向量w的取值為w＝【-2,-1,0,1,2,3】；

具體應(yīng)用中，根據(jù)用戶(hù)在線上的行為數(shù)據(jù)，定義不同行為的特征。

S302、獲取用戶(hù)對(duì)社交網(wǎng)絡(luò)用戶(hù)的行為操作累加值得到用戶(hù)對(duì)社交網(wǎng)絡(luò)用戶(hù)的喜好度H＝∑w，當(dāng)H>3時(shí)，則認(rèn)為用戶(hù)對(duì)該社交網(wǎng)絡(luò)用戶(hù)感興趣；

S303、通過(guò)不同用戶(hù)對(duì)各個(gè)社交網(wǎng)絡(luò)用戶(hù)的喜好度H，利用歐幾里得距離

計(jì)算得到用戶(hù)之間的相似度：

當(dāng)兩個(gè)用戶(hù)之間的相似度sim(x,y)>k時(shí)，其中k由業(yè)務(wù)方?jīng)Q定，即認(rèn)為兩者相似從而得到相似用戶(hù)集，并基于用戶(hù)的協(xié)同過(guò)濾思想，得到各個(gè)用戶(hù)的可推薦結(jié)果集B。

S4、排序模塊根據(jù)推薦社交網(wǎng)絡(luò)用戶(hù)的個(gè)人屬性，對(duì)個(gè)人屬性的特征值進(jìn)行劃分，根據(jù)用戶(hù)的感興趣集中各個(gè)特征值所占的比例，得到可推薦結(jié)果集B的用戶(hù)中每個(gè)屬性特征值所占的權(quán)重，并根據(jù)各個(gè)最顯著的特征集去得到用戶(hù)感知最敏感的屬性，根據(jù)感知最敏感的屬性的不同參考權(quán)重，將用戶(hù)的感興趣集進(jìn)行排序，得到初步推薦列表C。

該步驟具體過(guò)程如下：

S401、根據(jù)可推薦結(jié)果集B，對(duì)推薦社交網(wǎng)絡(luò)用戶(hù)的個(gè)人屬性和特征值進(jìn)行劃分，設(shè)推薦社交網(wǎng)絡(luò)用戶(hù)的個(gè)人屬性向量為：

屬性S_i的特征值向量為：

S402、通過(guò)各個(gè)個(gè)人屬性的區(qū)分度向量和候選推薦集構(gòu)造屬性特征矩陣；

對(duì)用戶(hù)A而言，候選推薦集Q_T中某一社交網(wǎng)絡(luò)用戶(hù)的個(gè)人屬性S_i的特征值v_k在所占的比例為則在候選推薦集Q_T中，設(shè)該社交網(wǎng)絡(luò)用戶(hù)的個(gè)人屬性的特征值v_k所占的權(quán)重：

另，當(dāng)(i，k取任意可取值)

則認(rèn)為個(gè)人屬性S_x的區(qū)分度最強(qiáng)；各個(gè)屬性的區(qū)分度?。?/p>

所以，當(dāng)給出Q_A后，可得索性區(qū)分度向量：

得到Q_T后，可得社交網(wǎng)絡(luò)用戶(hù)的屬性特征矩陣：

S403、根據(jù)屬性特征矩陣和屬性區(qū)分度向量，可以得到候選推薦集Q_T的各社交網(wǎng)絡(luò)用戶(hù)的推薦分?jǐn)?shù)向量：

S404、根據(jù)得到的推薦分?jǐn)?shù)向量對(duì)可推薦結(jié)果集B的排序，確定初步推薦列表C。

上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡(jiǎn)化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。