房 旋，陳升波，宮 婧,，孫知信

(1.南京郵電大學 計算機學院、軟件學院，江蘇 南京 210003；2.南京郵電大學 理學院，江蘇 南京 210023；3.南京郵電大學 寬帶無線通信與傳感網(wǎng)技術(shù)教育部重點實驗室，江蘇 南京 210003)

基于社交影響力的推薦算法

房 旋1，陳升波2，宮 婧2,3，孫知信3

(1.南京郵電大學 計算機學院、軟件學院，江蘇 南京 210003；2.南京郵電大學 理學院，江蘇 南京 210023；3.南京郵電大學 寬帶無線通信與傳感網(wǎng)技術(shù)教育部重點實驗室，江蘇 南京 210003)

社交網(wǎng)站的興起促使社交推薦成為了推薦系統(tǒng)領(lǐng)域的熱門研究方向。微博是一類具有代表性的社交網(wǎng)站，其用戶之間以一對多的不對等關(guān)系為主，如何為微博用戶推薦潛在的關(guān)注對象是社交推薦中的一個重要研究點。文中針對微博類社交網(wǎng)站中用戶間關(guān)系不對等的特點，結(jié)合用戶間的交互行為信息，提出了一種社交影響力的計算方法，并在此基礎(chǔ)上提出基于社交影響力的推薦算法(SIB)。該算法通過計算用戶社交影響力矩陣，然后使用K個最近鄰(K-NearestNeighbor，KNN)算法找出目標用戶的鄰居集合，借助鄰居集合幫助推薦。該算法綜合考慮了微博社交網(wǎng)站中的兩種社交關(guān)系，能有效地對微博類社交網(wǎng)站進行個性化推薦。通過在真實數(shù)據(jù)集上進行實驗，證明該算法在微博類社交網(wǎng)站中的推薦效果比單純的基于用戶協(xié)同過濾(User-basedCollaborativeFiltering，UCF)算法有一定程度的提升。

社交網(wǎng)絡(luò)；微博；社交影響力；協(xié)同過濾；推薦算法

1 概 述

隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，為用戶提供個性化推薦成為了目前互聯(lián)網(wǎng)服務(wù)的一個重要內(nèi)容。推薦系統(tǒng)[1]的概念最早是在1997年提出的，一開始主要被用在電商網(wǎng)站中，向用戶推薦感興趣的商品[2]。

推薦系統(tǒng)的核心是推薦算法。早期的推薦算法主要分為基于內(nèi)容的推薦算法和協(xié)同過濾算法。

基于內(nèi)容的推薦算法的核心就是提取物品的特征，然后用TF-IDF方法計算各個特征的權(quán)重[3]，并根據(jù)這些特征與用戶的喜好進行匹配，從而向用戶進行推薦。相比于多媒體信息(視頻、音頻、圖片等)，文本類項目(新聞、網(wǎng)頁、博客)的特征相對容易提取，因而基于內(nèi)容的推薦方法在文本類推薦領(lǐng)域得到了廣泛應用。

協(xié)同過濾算法主要分為兩大類：基于記憶(memory-based)和基于模型(model-based)[4]?；谟洃浀姆椒ㄓ挚梢苑譃榛谟脩?user-based)[5]和基于項目(item-based)[6]的方法?；谟脩舻膮f(xié)同過濾算法思想是找到和目標用戶相似的鄰居用戶，利用鄰居用戶的評分來估計目標用戶的評分?；陧椖康膮f(xié)同過濾算法認為，不同項目之間存在相似性，當需要估計目標用戶對某個項目的評分時，可以根據(jù)該目標用戶對相似項目的評分進行估計。

基于模型的推薦算法主要是利用數(shù)據(jù)挖掘、機器學習和概率統(tǒng)計等方法，對用戶的歷史行為數(shù)據(jù)進行分析，建立用戶模型，從而進行推薦[7]。

雖然協(xié)同過濾算法的商業(yè)應用非常成功，但是其存在的問題也不容忽視。冷啟動和數(shù)據(jù)稀疏性是協(xié)同過濾算法最突出的兩個問題。

近年來，隨著Facebook、騰訊微博等社交網(wǎng)站的興起，如何利用用戶與用戶之間的社交關(guān)系進行個性化推薦成為了研究的熱點。社交關(guān)系中包含了大量信息，如果能充分挖掘并利用好這些信息，可以在一定程度上緩解傳統(tǒng)協(xié)同過濾算法存在的問題，對后者是一個有效的補充，可以改善推薦的效果。文獻[8]利用Social Networks Analysis (SNA)理論分析微博內(nèi)容，從中提取出關(guān)鍵詞作為特征圖譜，并以此來構(gòu)建用戶與用戶以及用戶與商品之間的關(guān)系，從而進行商品推薦。文獻[9]認為在社會語境中存在兩個有效的語境因素—個體偏好和人際影響，可以將用戶-項目矩陣分解成用戶-項目偏好矩陣和用戶-項目影響力矩陣，并據(jù)此提出了一種基于社會語境的推薦框架。文獻[10]重新定義了社交網(wǎng)絡(luò)中的相似度屬性、相似度構(gòu)成及其計算方法，提出了一種改進的協(xié)同過濾推薦算法。文獻[11]則從待推薦對象間的關(guān)系出發(fā)，提出了一種結(jié)合推薦對象間關(guān)聯(lián)關(guān)系的社會化推薦算法。Nirmal Jonnalagedda等在文獻[12]中提出了利用Twitter來提取用戶的興趣愛好和新聞的流行程度，進而向用戶提供個性化的新聞推薦。文獻[13]提出利用目標用戶的歷史數(shù)據(jù)構(gòu)建一個個性化的候選項排序模型，同時提出一種具備多種推薦策略的推薦系統(tǒng)，可以向Twitter用戶推薦一些值得關(guān)注的對象。

上述研究表明，大多數(shù)算法把重心放在對用戶歷史評分信息或者文本內(nèi)容的挖掘上，對于社交關(guān)系中包含的互動信息仍未能進行充分挖掘，推薦的準確度仍有提高的空間。針對這一問題，文中引入社交影響力的概念，在基于用戶的協(xié)同過濾算法的基礎(chǔ)上，提出一種基于社交影響力的SIB(Social Influence-Based)推薦算法，并對其推薦效果進行驗證。

2 SIB推薦算法

傳統(tǒng)的基于用戶的協(xié)同過濾算法通過計算用戶相似度矩陣，來尋找用戶的最近鄰居。這里的相似度矩陣是一個對稱矩陣，即認為用戶與用戶之間的關(guān)系是對等的。

然而在社交關(guān)系中，用戶與用戶之間不一定是對等關(guān)系?，F(xiàn)實生活中也是這樣，兩人即使是好友，對方在自己心目中的地位和自己在對方心目中的地位也不一定完全對等，只能說好友之間的關(guān)系的對等程度普遍要大于陌生人。因此，文中采用社交影響力來描述用戶與用戶之間的社交關(guān)系。社交影響力表示的是單向的社會關(guān)系，這比傳統(tǒng)的相似度更加適用于社交場景。

2.1 算法介紹

SIB推薦算法通過挖掘用戶之間的社交關(guān)系數(shù)據(jù)，建立用戶之間的社交影響力矩陣，從而為用戶提供推薦。該算法流程見圖1。

圖1 融合社交網(wǎng)絡(luò)信息的協(xié)同過濾算法流程

首先根據(jù)用戶評分信息計算出用戶之間的相似度，然后根據(jù)用戶的社交信息計算出用戶的基礎(chǔ)影響力，通過線性融合的方式將二者結(jié)合起來，形成影響力矩陣。接著對用戶的影響力進行排序，找到對目標用戶影響力最大的K個鄰居用戶，利用這些鄰居用戶對待預測項目的評分估計目標用戶對待預測項目的評分，挑選出預測評分最高的L個項目作為推薦列表。

2.2 相關(guān)定義

在微博系統(tǒng)中，用戶的社交關(guān)系主要有兩種(如圖2所示)：一種是關(guān)注/被關(guān)注的靜態(tài)關(guān)系；另一種是提及(mention)/轉(zhuǎn)發(fā)(re-post)/評論(comment)的動態(tài)的互動關(guān)系。同一個用戶的關(guān)注用戶集合和互動用戶集合并不一定完全重合。關(guān)注/被關(guān)注的關(guān)系用關(guān)注影響力來衡量，用follow表示；互動關(guān)系用互動影響力來衡量，用interact表示。文中利用關(guān)注影響力和互動影響力來計算用戶之間的社交影響力。

圖2 微博系統(tǒng)中的兩種社交關(guān)系

定義1：關(guān)注影響力follow(u,v)。

(1)

其中，outDegree(u)指用戶u關(guān)注的人數(shù)，在社交圖中用頂點的出度表示。

關(guān)注影響力的含義如下：

(1)如果用戶u和用戶v互相關(guān)注了對方，那么u和v很可能互相認識，甚至是現(xiàn)實中的朋友。在這種情況下，他們之間有相似愛好的可能性很大，同時他們推薦給對方的東西更容易被接受，即他們對對方都有較大的影響力。

(2)如果用戶u關(guān)注了v，而v未關(guān)注u。這種情況可能是因為v的某些方面是u所喜歡的，u是v的“粉絲”。那么可以認為v對于u是有一定影響力的，而u對于v則沒有什么影響力。在這種情況下，考慮到有些用戶傾向于關(guān)注很多對象，其關(guān)注行為的價值就會變低，而有些用戶傾向于關(guān)注少量對象，其關(guān)注行為的價值就會比較高，因此將用戶u關(guān)注的人數(shù)納入計算。用戶u關(guān)注的人越多，其中某個被關(guān)注對象v對他的影響力就會降低。

(3)如果用戶u和用戶v都沒有關(guān)注對方，那么他們之間的關(guān)注影響力為0。

定義2：社交行為action(u,v)。

社交行為指提及(mention)、轉(zhuǎn)發(fā)(re-post)和評論(comment)。action(u,v)表示用戶u對用戶v發(fā)起的社交行為的次數(shù)，具體來說就是u提及v的次數(shù)(at(u,v))、u轉(zhuǎn)發(fā)v的微博次數(shù)(re(u,v))以及u評論v的微博次數(shù)(com(u,v))三者之和。

定義3：互動影響力interact(u,v)。

interact(u,v)=

(2)

其中，action(u,v)表示用戶u對用戶v發(fā)起的社交行為次數(shù)；actionSum(u,v)表示u，v之間的互動總次數(shù)；MIN_ACTION_SUM是一個閾值，當u，v之間的互動總次數(shù)小于這個閾值時，互動影響力設(shè)為0，以減少噪音。

互動總次數(shù)的公式如下：

actionSum(u,v)=action(u,v)+action(v,u)

(3)

f1是一個系數(shù)，其計算公式為：

(4)

函數(shù)f(x)定義如下：

(5)

(6)

其中，R表示的是用戶u對用戶v發(fā)起的社交行為次數(shù)占u，v之間互動總次數(shù)的比重，該值越大說明u越關(guān)注v。

當R=0時，說明u根本不關(guān)注v，則v對u的影響力為0；

當R大于0小于0.5時，說明u不是很關(guān)注v，但v對u的影響力會隨著R的增大而增大；

當R=0.5時，說明u，v之間的互動關(guān)系是比較平衡的，基本上是“有來有往”，那么u和v是好友的可能性很大，可以認為此時v對u的影響力最大；

當R大于0.5小于1時，說明u很關(guān)注v，但v不是很關(guān)注u，可以認為u是v的“粉絲”，此時v對u的影響力比較大，但會隨著R的增大而減??；

當R=1時，說明v根本不關(guān)注u，u單方面關(guān)注v，此時v對u還是有一定影響力的，但不如好友對其的影響力大，將影響力的值定義為最大值的0.8倍。

定義4：基礎(chǔ)影響力BaseInfluence(u,v)。

BaseInfluence(u,v)表示用戶v對用戶u的基礎(chǔ)影響力?；A(chǔ)影響力越大，用戶v推薦給用戶u的東西被接受的可能性越大。

BaseInfluence(u,v)=

(7)

定義5：用戶相似度[14]similarity(u,v)。

用戶相似度是根據(jù)用戶的歷史評分信息計算出來的用戶之間的相似程度。在基于用戶的協(xié)同過濾算法中，常用的計算用戶相似度的方法有余弦相似度、皮爾森相關(guān)系數(shù)、杰卡德相關(guān)系數(shù)等。

杰卡德相關(guān)系數(shù)衡量的是兩個集合之間的相似程度，它更加適合于描述離散值集合的相似度。微博系統(tǒng)中的評分正好是離散的：接受推薦用1標注，拒絕推薦用-1標注，未表態(tài)用0標注。因此文中采用杰卡德相關(guān)系數(shù)來計算用戶之間的相似度是合適的。

用戶u和用戶v之間的相似度用杰卡德相關(guān)系數(shù)表示如下：

其中，l{x}是一個指示函數(shù)，如果x值為真，則l{x}值為1；如果x值為假，則l{x}值為0。rui和rvi分別表示用戶u和用戶v對項目i的評分。I(u)和I(v)分別表示用戶u和用戶v有評分的項目集合。

定義6：社交影響力SocialInfluence(u,v)。

SocialInfluence(u,v)=(1-δ)?similarity(u,v)+ δ?BaseInfluence(u,v)

(9)

其中，similarity(u,v)是用戶u和用戶v的相似度；BaseInfluence(u,v)是用戶v對用戶u的基礎(chǔ)影響力；δ是系數(shù)。

通過上述公式得到任意用戶v對任意用戶u的社交影響力，N個用戶的社交影響力就構(gòu)成一個N×N維的社交影響力矩陣。

有了社交影響力矩陣以后，就可以采用KNN算法[15]尋找目標用戶影響力最大的K個用戶，因為社交數(shù)據(jù)的稀疏性，為了避免鄰居用戶和目標用戶之間影響力過小造成計算不準確，因此采用基于閾值的KNN算法。首先設(shè)定一個影響力閾值MIN_INFLUENCE，只有影響力大于這個閾值的用戶才會被加入鄰居集合，雖然這樣得到的鄰居數(shù)可能少于K個，但可以提高推薦準確度。

2.3 算法設(shè)計

算法1：尋找用戶u的最大影響力鄰居集合。

輸入：社交影響力矩陣I，目標用戶u，鄰居數(shù)K，影響力閾值MIN_INFLUENCE；

輸出：鄰居集合N(u)。

S1：找出所有對u的影響力不為0的用戶，加入鄰居集合，并按照影響力倒序排列；

S2：取鄰居集合最后一個用戶，判斷影響力是否大于閾值，如果是，轉(zhuǎn)S3，否則轉(zhuǎn)S4；

S3：判斷當前鄰居數(shù)是否大于K，如果是，轉(zhuǎn)S4，否則轉(zhuǎn)S5；

S4：將該用戶從鄰居集合中刪除，轉(zhuǎn)S2；

S5：返回鄰居集合。

有了最大影響力鄰居集合以后就可以根據(jù)鄰居用戶的評分信息來預測目標用戶對未知項目的評分。預測用戶u對未知項目i的評分采用如下公式：

(10)

有了目標用戶對未知項目的評分，就可以從未知項目中找出預測評分最高的L個項目，組成推薦集合推薦給目標用戶。

算法2：SIB推薦算法。

輸入：用戶列表，用戶評分數(shù)據(jù)，用戶社交數(shù)據(jù)，目標用戶u，鄰居數(shù)K，推薦列表長度N，閾值MIN_ACTION_SUM、MIN_INFLUENCE；

輸出：為目標用戶u生成的推薦結(jié)果列表R。

S1：根據(jù)用戶評分數(shù)據(jù)計算用戶之間的相似度，得到用戶相似度矩陣S；

S2：根據(jù)用戶社交數(shù)據(jù)和閾值MIN_ACTION_SUM計算用戶之間基礎(chǔ)影響力，得到基礎(chǔ)影響力矩陣B；

S3：根據(jù)社交影響力生成公式計算社交影響力，得到社交影響力矩陣I；

S4：根據(jù)算法1計算得到目標用戶u的最大影響力鄰居集合N(u)；

S5：根據(jù)評分預測公式預測目標用戶u對所有未知項目的評分，并將評分按照從高到低排序，取預測評分最高的前L個項目組成推薦列表R，推薦給目標用戶u；

S6：算法結(jié)束。

3 實驗設(shè)計及分析

3.1 實驗數(shù)據(jù)及評價標準

為了驗證文中提出算法的有效性，用KDD CUP 2012 Track1數(shù)據(jù)集進行實驗。下面簡要介紹一下所采用的數(shù)據(jù)集的基本情況。

KDD CUP 2012 Track1數(shù)據(jù)集中的數(shù)據(jù)來源于騰訊微博的真實數(shù)據(jù)，其中包含了1 000萬用戶和5萬個項目，以及3億條推薦記錄和大約300萬個社會網(wǎng)絡(luò)的“關(guān)注(following)”行為。其中，用戶對項目關(guān)注情況采用-1、0、1三個數(shù)值表示：接受關(guān)注用1表示，拒絕關(guān)注用-1表示，未表態(tài)用0表示。除此之外，該數(shù)據(jù)集中還包含用戶屬性、用戶社交關(guān)系等信息。

由于原數(shù)據(jù)集比較龐大，為了提高實驗效率，從原數(shù)據(jù)集中隨機抽取一部分作為實驗數(shù)據(jù)。在該實驗中，隨機抽取了3 000個用戶對2 740個項目的關(guān)注信息，以及這3 000個用戶的社交關(guān)系數(shù)據(jù)作為訓練集。同時還隨機抽取了500個用戶作為測試集。

3.2 實驗評估指標

實驗采用的評價指標是MAE。MAE指標衡量的是推薦算法的準確率，值越小越好。

MAE計算的是預測評分和實際評分之間的平均誤差，其定義為：

(11)

3.3 實驗結(jié)果及分析

設(shè)定推薦列表長度L=5，BaseInfluence所占比重δ={0.2,0.4,0.6}。對于每個δ，都考察不同鄰居數(shù)K情況下的實驗結(jié)果，K={2,4,6,8,10,12,14,16,18,20}，并且和傳統(tǒng)UCF算法進行比較，見圖3～5。

圖3 δ取0.2時算法MAE指標隨著鄰居數(shù)K的變化曲線

從實驗結(jié)果可以看出，文中提出的基于用戶社交影響力的SIB推薦算法較傳統(tǒng)UCF算法在推薦準確率上有所提升。因為社交數(shù)據(jù)相對于用戶評分數(shù)據(jù)更為稀疏，隨著δ值的變大，或多或少會引入噪聲，影響SIB算法的推薦效果。但總體上可以看出，挖掘用戶的社交數(shù)據(jù)對于提升推薦算法的推薦效果有著積極意義，尤其是針對微博類社交網(wǎng)站中用戶關(guān)系不對等的特點，SIB算法中建立的影響力模型能夠較好地描述這一特點。

圖4 δ取0.4時算法MAE指標隨著鄰居數(shù)K的變化曲線

圖5 δ取0.6時算法MAE指標隨著鄰居數(shù)K的變化曲線

4 結(jié)束語

在社交網(wǎng)站中，豐富的社交關(guān)系數(shù)據(jù)具有非常大的利用價值。利用用戶的社交關(guān)系數(shù)據(jù)輔助推薦是目前社交類推薦系統(tǒng)研究的熱點。微博系統(tǒng)作為目前非常流行的社交系統(tǒng)，有其自身的特點。好友關(guān)系在微博系統(tǒng)中并不是主要的社交關(guān)系，更多的是關(guān)注與被關(guān)注的關(guān)系。如何能更好地描述用戶與用戶之間這種不對等的社交關(guān)系，對于提升微博類社交網(wǎng)站的推薦效果有很大的意義。基于這方面的考慮，文中提出的SIB推薦算法充分利用了用戶關(guān)注數(shù)據(jù)和互動數(shù)據(jù)，不僅在一定程度上可以緩解冷啟動問題，而且對于傳統(tǒng)UCF算法是一個很好的補充，提高了推薦算法的準確率。

后續(xù)研究需要繼續(xù)考慮微博系統(tǒng)的特點，繼續(xù)對其中的社交數(shù)據(jù)或者文本數(shù)據(jù)進行分析挖掘。例如，可以考慮微博內(nèi)容的“話題性”、微博名人的領(lǐng)域權(quán)威性、被推薦對象之間的關(guān)聯(lián)關(guān)系以及被推薦對象對普通用戶的影響力等等。社交系統(tǒng)中的信息非常豐富，數(shù)據(jù)量非常大，也可以考慮對數(shù)據(jù)進行分布式處理，這樣可以對更多的數(shù)據(jù)進行挖掘，提高處理的效率。

[1]ResinickP,VarianHR.Recommendersystems[J].CommunicationsoftheACM,1997,40(3):56-58.

[2]LindenG,SmithB,YorkJ.Amazon.comrecommendationsitem-to-itemcollaborativefiltering[J].IEEEInternetComputing,2003,7(1):76-80.

[3] 王嫣然,陳 梅,王翰虎,等.一種基于內(nèi)容過濾的科技文獻推薦算法[J].計算機技術(shù)與發(fā)展,2011,21(2):66-69.

[4]BreeseJS,HeckermanD,KadieC.Empiricalanalysisofpredictivealgorithmsforcollaborativefiltering[C]//Proceedingsofthe14thconferenceonuncertaintyinartificialintelligence.[s.l.]:[s.n.],1998:43-52.

[5]ResnickP,IakovouN,SushakM,etal.GroupLens:anopenarchitectureforcollaborativefilteringofnetnews[C]//Proceedingsofthe1994computersupportedcooperativeworkconference.[s.l.]:[s.n.],1994:175-186.

[6]SarwarB,KarypisG,KonstanJ.Item-basedcollaborativefilteringrecommendationalgorithms[C]//Proceedingsofthe10thinternationalconferenceonworldwideweb.[s.l.]:[s.n.],2001:285-295.

[7] 陳克寒，韓盼盼，吳 健.基于用戶聚類的異構(gòu)社交網(wǎng)絡(luò)推薦算法[J].計算機學報,2013,36(2):349-359.

[8]ChangPei-Shan,TingI-Hsien,WangShyue-Liang.Towardssocialrecommendationsystembasedonthedatafrommicroblogs[C]//Procofinternationalconferenceonadvancesinsocialnetworksanalysisandmining.[s.l.]:IEEE,2011:672-677.

[9]JiangMeng,CuiPeng,WangFei,etal.Scalablerecommendationwithsocialcontextualinformation[J].IEEETransactionsonKnowledgeandDataEngineering,2014,26(11):2789-2802.

[10] 榮輝桂,火生旭,胡春華,等.基于用戶相似度的協(xié)同過濾推薦算法[J].通信學報,2014,35(2):16-24.

[11] 郭 磊，馬 軍，陳竹敏，等.一種結(jié)合推薦對象間關(guān)聯(lián)關(guān)系的社會化推薦算法[J].計算機學報,2014,37(1):219-228.

[12]JonnalageddaN,GauchS.Personalizednewsrecommendationusingtwitter[C]//ProcofIEEE/WIC/ACMInternationalconferencesonwebintelligenceandintelligentagenttechnology.[s.l.]:IEEE,2013:21-25.

[13]IslamM,DingChen,ChiChi-Hung.Personalizedrecommendersystemonwhomtofollowintwitter[C]//ProceedingsofIEEEfourthinternationalconferenceonbigdataandcloudcomputing.[s.l.]:IEEE,2014:326-333.

[14]DengYingying,LuTun,XiaHuanhuan,etal.AOPUT:arecommendationframeworkbasedonsocialactivitiesandcontentinterests[C]//ProceedingsofIEEE17thinternationalconferenceoncomputersupportedcooperativeworkindesign.[s.l.]:IEEE,2013:545-550.

[15] 黃創(chuàng)光，印 鑒，汪 靜，等.不確定近鄰的協(xié)同過濾推薦算法[J].計算機學報,2010,33(8):1369-1377.

A Recommendation Algorithm Based on Social Influence

FANG Xuan1,CHEN Sheng-bo2,GONG Jing2,3,SUN Zhi-xin3

(1.School of Computer Science,School of Software,Nanjing University of Posts and Telecommunications,class="content_center">Nanjing 210003,China;2.College of Mathematics & Physics,Nanjing University of Posts and Telecommunications,Nanjing 210023,China;3.Key Laboratory of Broadband Wireless Communication and Sensor Network Technology,Nanjing University of Posts and Telecommunications,Nanjing 210003,China)

The rise of social networking sites promotes social recommendation becoming the research hotspot in the field of recommender systems.As a representative social network,Weibo has unequal one-to-many relationship between users.How to recommend potential Weibo users concerned is an important research direction in the social recommendation.Aiming at the characteristics of unequal relationship between users in social network of Weibo,combined with the mutual behavior information between users,a computing method of social influence is proposed and on the basis,a SIB algorithm is also presented.By calculating the social influence matrix of user,this algorithm uses the KNN algorithm to find the target user set of neighbors,and helps to recommend with the aid of neighbors set.The algorithm considers the two kinds of social relations for social network in Weibo,which can effectively conduct personalized recommendation for social networking sites in Weibo.The experiment shows that the SIB algorithm can effectively improve the accuracy of recommendation system in social networks compared with UCF algorithm.

social network;Weibo;social influence;collaborative filtering;recommendation algorithm

2015-09-12

2015-12-16

時間：2016-05-25

國家自然科學基金資助項目(60973140，61170276，61373135)；江蘇省產(chǎn)學研項目(BY2013011)；江蘇省科技型企業(yè)創(chuàng)新基金(BC2013027)；江蘇省高校自然科學研究重大項目(12KJA520003)；江蘇省大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目(201410293023Z)

房 旋(1990-)，男，碩士生，研究方向為移動開發(fā)、推薦系統(tǒng)；宮 婧，副教授，研究方向為計算機應用技術(shù)；孫知信，教授，研究方向為計算機應用技術(shù)。

http://www.cnki.net/kcms/detail/61.1450.TP.20160525.1706.036.html

TP

A

1673-629X(2016)06-0031-06

10.3969/j.issn.1673-629X.2016.06.007