張維作

摘 要：隨著社交網(wǎng)絡(luò)的不斷發(fā)展及普及，人們也逐漸活躍在一個(gè)或者多個(gè)社交網(wǎng)絡(luò)中，這對(duì)研究用戶的興趣，為用戶提供精準(zhǔn)的網(wǎng)絡(luò)推送提供了基礎(chǔ)。目前，我國對(duì)此的研究有很多，但是社交網(wǎng)絡(luò)整合信息的研究卻較少，在如今大數(shù)據(jù)的環(huán)境下，社交網(wǎng)絡(luò)的用戶需求、興趣也有了可能。基于此，基于大數(shù)據(jù)時(shí)代背景，提出了社交網(wǎng)絡(luò)用戶興趣層次化模型的構(gòu)建。

關(guān)鍵詞：社交網(wǎng)絡(luò)；大數(shù)據(jù)時(shí)代；用戶興趣；層次化建模

web2.0時(shí)代已經(jīng)逐漸到來，網(wǎng)絡(luò)用戶也不斷追尋全新的應(yīng)用體驗(yàn)，在此背景下，社交網(wǎng)絡(luò)油然而生。社交網(wǎng)絡(luò)指的就是以互動(dòng)作為基礎(chǔ)，以網(wǎng)絡(luò)中用戶的共同興趣、活動(dòng)及愛好為前提，以實(shí)名制或者非實(shí)名制的方式在網(wǎng)絡(luò)中構(gòu)建的社會(huì)關(guān)系網(wǎng)絡(luò)服務(wù)，其是社會(huì)化媒體的一種主流形式，其中包括婚戀交友網(wǎng)絡(luò)。在如今大數(shù)據(jù)時(shí)代的今天，運(yùn)用數(shù)據(jù)及挖掘數(shù)據(jù)決定著社交網(wǎng)絡(luò)的未來，所以用戶的興趣數(shù)據(jù)對(duì)社交網(wǎng)絡(luò)具有重要的價(jià)值意義。

1 用戶興趣模型的表示

興趣模型指的是在一定數(shù)據(jù)結(jié)構(gòu)中，通過算法表示的一種形式，興趣模型的表現(xiàn)形式影響著模型對(duì)用戶興趣的描述能力及計(jì)算能力。用戶興趣模型包括兩方面，分別為以向量空間模型為基礎(chǔ)及以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)：其一，以向量模型為基礎(chǔ)。以向量模型為基礎(chǔ)主要是將用戶的興趣模型當(dāng)成一個(gè)n維的特征向量（（t1，w2），（t2，w2），...，（tn，wn）），以此表示用戶感興趣的事物及對(duì)其的感興趣程度。ti（1≤i≤n）為興趣特征；wi（1≤i≤n）表示興趣特征的興趣模型權(quán)重。其二，以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)。神經(jīng)網(wǎng)絡(luò)就是多種簡單處理單元通過互聯(lián)形式，以此構(gòu)成的網(wǎng)絡(luò)結(jié)構(gòu)，其組織、學(xué)習(xí)及適應(yīng)能力超強(qiáng)。以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的用戶興趣模型能夠通過網(wǎng)絡(luò)連接的權(quán)重網(wǎng)絡(luò)進(jìn)行表示。[2]

2 基于大數(shù)據(jù)的社交網(wǎng)絡(luò)用戶興趣層次化模型的構(gòu)建

2.1 構(gòu)建興趣層次化模型的思路

為了能夠構(gòu)建基于大數(shù)據(jù)時(shí)代的社交網(wǎng)絡(luò)用戶興趣層次化模型，本文提出了如圖1的研究思路：其一，在現(xiàn)實(shí)社交網(wǎng)絡(luò)中，有多種數(shù)據(jù)來源方式，總的來說可以分為標(biāo)簽及無標(biāo)簽兩種。用戶在注冊(cè)社交網(wǎng)站的時(shí)候要填寫基本信息，有的社交網(wǎng)站還會(huì)要求用戶填寫個(gè)人標(biāo)簽。個(gè)人標(biāo)簽是能夠直接反映用戶感興趣領(lǐng)域的方式，但是沒有標(biāo)簽屬性的信息提取只能夠通過內(nèi)部的結(jié)構(gòu)信息實(shí)現(xiàn)。通過上述就可以看出，標(biāo)簽數(shù)據(jù)具有預(yù)測用戶評(píng)論、瀏覽等行為的作用，非標(biāo)簽行為也能夠論證用戶的興趣領(lǐng)域。其二，創(chuàng)建用戶興趣模型的主要目的就是能夠?yàn)橛脩敉扑透信d趣的信息，并且為用戶推薦具有相同信息的好友，以此描述社交網(wǎng)絡(luò)中不同用戶的不同偏好，從而創(chuàng)建個(gè)人偏好的名片，從而標(biāo)記用戶對(duì)象，滿足用戶的需求，提高用戶推薦的成功率，從而提高商家的利益。[3]

2.2 用戶興趣層次化模型的構(gòu)建方式

通過以上算法，把所有用戶都聚集到同一個(gè)類中，使其興趣通過屬性值、類別及興趣度表示，這些都是用戶的共同興趣，算法步驟為：（1）創(chuàng)建一個(gè)用戶興趣池Mki，用戶興趣池表示為屬于第k類中第i個(gè)用戶的興趣集合，興趣池中的每個(gè)元素都是由三元組（）表示的，F(xiàn)表示屬性值詞匯，V表示興趣度，C表示類別。（2）將屬于第k類集中的用戶興趣相互聚集，以此生成一個(gè)興趣池Mi。（3）確定興趣池中屬性值的最終權(quán)值，將屬于第k類用戶的屬性值興趣度標(biāo)準(zhǔn)化，以此得到最終興趣度。（4）用戶共同興趣表示為闕值小于興趣度的數(shù)據(jù)。

從而能夠得出用戶的長期興趣向量IML=（，，...，vij，cj>），i表示屬性值的個(gè)數(shù)，j表示類別個(gè)數(shù)。

3 實(shí)驗(yàn)分析

從某個(gè)交友網(wǎng)站中選取實(shí)驗(yàn)數(shù)據(jù)，得出訓(xùn)練集為兩百名用戶的基本信息，實(shí)現(xiàn)用戶的聚類，隨機(jī)選擇一個(gè)類，獲取一百名此類別用戶在最近一周的瀏覽行為。

為了證明本文中的方式能夠得到準(zhǔn)確的興趣模型，通過評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。選擇的兩百名用戶的評(píng)價(jià)指標(biāo)為查全率及查準(zhǔn)率，通過本文中的方法對(duì)用戶創(chuàng)建興趣模型。查全率能夠呈現(xiàn)出上述方法的用戶興趣尋找能力，從而判斷用戶興趣模型的全面性，查準(zhǔn)率能夠呈現(xiàn)出上述方法的用戶興趣準(zhǔn)確度。

通過聚類分析法對(duì)數(shù)據(jù)集中的兩百個(gè)樣本訓(xùn)練，創(chuàng)建用戶興趣值，獲得用戶的長期興趣IML。計(jì)算出一百名交友網(wǎng)站用戶興趣模型的查全率及查準(zhǔn)率。

使用本文中的方法計(jì)算的查全率及查準(zhǔn)率分別為0.816及0.786，傳統(tǒng)模型的查全率及查準(zhǔn)率分別為0.524及0.562，以此證明本文中的方法能夠精準(zhǔn)的發(fā)現(xiàn)用戶的興趣分類，以此滿足社交網(wǎng)站及需求。

4 結(jié)束語

隨著社會(huì)的不斷進(jìn)步，互聯(lián)網(wǎng)技術(shù)也在不斷的發(fā)展，使用社交網(wǎng)絡(luò)的用戶越來越多，以此構(gòu)成了較大的用戶數(shù)據(jù)。本文通過標(biāo)簽傳播集成、創(chuàng)建用戶興趣模型，以此構(gòu)建了社交網(wǎng)絡(luò)用戶興趣層次化模型，社交網(wǎng)絡(luò)可以通過其為用戶推動(dòng)個(gè)性化廣告，并且為用戶推薦相同興趣的好友，以此滿足用戶的需求，提高商家及社交網(wǎng)絡(luò)的利益。

參考文獻(xiàn)

[1]張玨，楊振華，王世琪，等.社交網(wǎng)絡(luò)大數(shù)據(jù)環(huán)境下的用戶興趣層次化模型研究[J].教育觀察，2016，5（8）.

[2]吳良.社交網(wǎng)絡(luò)中社區(qū)與用戶興趣分析——模型設(shè)計(jì)與實(shí)現(xiàn)[D].北京大學(xué)，2014.