技術特征：

1.一種基于協(xié)同過濾的社交網絡推薦裝置，其特征在于，所述推薦裝置包括依次連接的啟動模塊、過濾模塊、推薦模塊和排序模塊，

其中，所述啟動模塊用于對推薦社交網絡用戶的行為數據和個人屬性進行初始化定義，將用戶的行為分類并設置初始搜索引擎的條件，向推薦引擎發(fā)起推薦請求，并將初始化的數據集發(fā)送給推薦引擎；

所述過濾模塊通過社交網絡中設置的基礎搜索條件，由基礎搜索引擎過濾掉不符合要求的用戶，形成可推薦候選集A；

所述推薦模塊將可推薦候選集A根據用戶歷史行為和數據進行篩選，得出基本的用戶感興趣集，并基于用戶的協(xié)同過濾思想，得到各個用戶的可推薦結果集B；

所述排序模塊根據可推薦結果集B，對社交網絡用戶的行為數據和個人屬性進行劃分，將社交網絡用戶感興趣集進行排序，得到初步推薦列表C。

2.根據權利要求1所述的基于協(xié)同過濾的社交網絡推薦裝置，其特征在于，用戶的初始個人屬性由用戶在注冊時填寫，推薦引擎可以根據用戶填寫的個人屬性值，為初始用戶進行特征劃分。

3.根據權利要求1所述的基于協(xié)同過濾的社交網絡推薦裝置，其特征在于，當過濾篩選后的可推薦候選集A中人數不足最低計算人數時，所述啟動模塊中推薦引擎將發(fā)送指令，由社交網絡擴大篩選范圍或者增加篩選人數。

4.一種基于協(xié)同過濾的社交網絡推薦方法，其特征在于，所述推薦方法包括下列步驟：

S1、啟動模塊通過業(yè)務方對推薦社交網絡用戶的行為數據和個人屬性進行初始化定義，將用戶的行為數據分類并設置初始搜索引擎的條件，完成初始化設定和推薦引擎接入后，向推薦引擎發(fā)起推薦請求，并將初始化的數據集發(fā)送給推薦引擎；

S2、過濾模塊通過推薦引擎根據業(yè)務方的初始搜索引擎的條件，將滿足搜索條件的數據，匯總形成初步可推薦候選集，對初步可推薦候選集通過相似度判定得到相似用戶集，并基于用戶的協(xié)同過濾思想，進行數據篩選得到可推薦候選集A；

S3、推薦模塊將可推薦候選集A根據推薦社交網絡用戶歷史行為和數據進行篩選，得出基本的用戶感興趣集，并基于用戶的協(xié)同過濾思想，得到各個推薦社交網絡用戶的可推薦結果集B；

S4、排序模塊根據推薦社交網絡用戶的個人屬性，對個人屬性的特征值進行劃分，根據用戶的感興趣集中各個特征值所占的比例，得到可推薦結果集B的用戶中每個屬性特征值所占的權重，并根據各個最顯著的特征集去得到用戶感知最敏感的屬性，根據感知最敏感的屬性的不同參考權重，將用戶的感興趣集進行排序，得到初步推薦列表C。

5.根據權利要求4所述的基于協(xié)同過濾的社交網絡推薦方法，其特征在于，所述步驟S2具體過程如下：

S201、社交網絡給用戶設定一個初始篩選條件，由用戶進行選擇或直接根據用戶的歷史行為進行設定。

S202、社交網絡將初始篩選條件和初始化數據集發(fā)送給推薦引擎，推薦引擎根據這些條件進行篩選，形成可推薦候選集A。

6.根據權利要求4所述的基于協(xié)同過濾的社交網絡推薦方法，其特征在于，所述步驟S3具體過程如下：

S301、將用戶的行為分為T₁～T_K共K類，并對這K類行為分別進行權重賦值w₁～w_k，根據不同的用戶行為區(qū)分為正面、負面以及高、中、低六個維度，賦值向量w的取值為w＝【-2,-1,0,1,2,3】；

S302、獲取用戶對社交網絡用戶的行為操作累加值得到用戶對社交網絡用戶的喜好度H＝∑w；

S303、通過不同用戶對各個社交網絡用戶的喜好度H，利用歐幾里得距離

計算得到用戶之間的相似度：

當兩個用戶之間的相似度sim(x,y)>k時，其中k由業(yè)務方決定，即認為兩者相似從而得到相似用戶集，并基于用戶的協(xié)同過濾思想，得到各個用戶的可推薦結果集B。

7.根據權利要求4所述的基于協(xié)同過濾的社交網絡推薦方法，其特征在于，所述步驟S4具體過程如下：

S401、根據可推薦結果集B，對推薦社交網絡用戶的個人屬性和特征值進行劃分，設推薦社交網絡用戶的個人屬性向量為：

$S=\[S_1,S_2\mathrm{......}{S}_w\],$

屬性S_i的特征值向量為：

$V_i=\[v_1,v_2\mathrm{......}{v}_i\];$

S402、通過各個個人屬性的區(qū)分度向量和候選推薦集構造屬性特征矩陣；

對用戶A而言，候選推薦集Q_T中某一社交網絡用戶的個人屬性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，設該社交網絡用戶的個人屬性的特征值v_k所占的權重：

$q=q_{v_k}^i$

另，當(i，k取任意可取值)

則認為個人屬性S_x的區(qū)分度最強；各個屬性的區(qū)分度取：

$P_w=\max q_v^w$

所以，當給出Q_A后，可得索性區(qū)分度向量：

得到Q_T后，可得社交網絡用戶的屬性特征矩陣：

$A_{Q_c}=\left[\begin{array}{c}{x}_1^1,x_1^2\mathrm{............}{x}_1^T\\ x_2^1,x_2^2\mathrm{............}{x}_2^T\\ \mathrm{..........................}\\ \mathrm{..........................}\\ x_w^1,x_w^2\mathrm{............}{x}_w^T\end{array}\right];$

S403、根據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的各社交網絡用戶的推薦分數向量：

S404、根據得到的推薦分數向量對可推薦結果集B的排序，確定初步推薦列表C。

8.根據權利要求4所述的基于協(xié)同過濾的社交網絡推薦方法，其特征在于，所述推薦社交網絡用戶的個人屬性及特征值的定義的方式為【屬性-值】鍵值對。

9.根據權利要求6所述的基于協(xié)同過濾的通用物品推薦方法，其特征在于，

當用戶對社交網絡用戶的喜好度H>3時，則認為用戶對該物品感興趣。