馬漢達(dá)，景 迪

(江蘇大學(xué)計(jì)算機(jī)科學(xué)與通信工程學(xué)院，江蘇 鎮(zhèn)江 212013)

1 引言

隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，越來(lái)越多的用戶愿意在社交平臺(tái)上進(jìn)行交友聊天[1]。數(shù)以萬(wàn)計(jì)的在線用戶每天都會(huì)產(chǎn)生海量的數(shù)據(jù)，而對(duì)用戶產(chǎn)生的數(shù)據(jù)信息進(jìn)行爬取、分析，也是各社交平臺(tái)常見(jiàn)的商業(yè)行為。但是，用戶產(chǎn)生的數(shù)據(jù)信息量大且復(fù)雜多變，因此，如何利用好用戶的有效信息進(jìn)行分析處理，優(yōu)化平臺(tái)的好友推薦策略是本文研究的主要問(wèn)題。

目前，通過(guò)對(duì)微博用戶群進(jìn)行研究發(fā)現(xiàn)，對(duì)微博用戶而言，能較大程度上決定用戶興趣走向的是用戶自身發(fā)表的微博信息，以及用戶相關(guān)的行為信息，因此基于微博內(nèi)容的好友推薦是微博好友推薦的主要研究方向。其中，在表現(xiàn)用戶的興趣特點(diǎn)上，圖像有時(shí)比書面語(yǔ)更占優(yōu)勢(shì)，并且用戶的興趣愛(ài)好會(huì)受到時(shí)間等其他因素影響或發(fā)生改變，因此，在依據(jù)用戶興趣愛(ài)好進(jìn)行好友推薦時(shí)，難免需要對(duì)時(shí)間因素進(jìn)行考量。

本文在考慮到用戶個(gè)人信息的同時(shí)，將用戶發(fā)表的圖像信息作為主要處理對(duì)象。通過(guò)對(duì)圖像識(shí)別分類，形成用戶興趣信息，并利用興趣濃度隨時(shí)間消逝而逐漸下降的特點(diǎn)，對(duì)用戶興趣愛(ài)好進(jìn)一步處理，提出了基于用戶信息并結(jié)合多目標(biāo)檢測(cè)SSD(Single Shot MultiBox Detector)和時(shí)序模型的推薦BSBT-FR(Based SSD and Based Timing model Friends Recommendation)算法以計(jì)算用戶間的相似度，最后在保證一定精準(zhǔn)度的前提下，達(dá)到較好的好友推薦效果。

2 相關(guān)研究

目前，社交平臺(tái)上有很多相關(guān)的個(gè)性化推薦方法，主要分為2種推薦模式：一是從社交關(guān)系角度出發(fā)，尋找好友；二是從微博用戶相關(guān)內(nèi)容入手，間接尋找好友。

基于社交關(guān)系[2 - 4]推薦好友主要根據(jù)相似的社交偏好進(jìn)行用戶推薦，結(jié)合用戶間的聯(lián)系得到社交拓?fù)鋱D[5]，通過(guò)分析用戶間的來(lái)往關(guān)系，從而獲得推薦結(jié)果，這極大提高了用戶的接受率。如利用帕累托最優(yōu)遺傳(Pareto-optimal)算法[6]來(lái)分析預(yù)測(cè)好友，進(jìn)而提高推薦效果。文獻(xiàn)[7]利用二級(jí)好友的思想，即將目標(biāo)用戶的好友的好友作為推薦結(jié)果進(jìn)行推薦。文獻(xiàn)[8]發(fā)現(xiàn)用戶之間存在隱性關(guān)系，通過(guò)利用關(guān)聯(lián)規(guī)則算法查找用戶與其他用戶間的隱性共同點(diǎn)，提出一種基于用戶社交網(wǎng)絡(luò)的好友推薦算法。

在微博社交平臺(tái)上，用戶擁有龐大的社交關(guān)系，還會(huì)發(fā)表很多的博文信息?；谖⒉﹥?nèi)容[9]可以通過(guò)對(duì)大量的文本信息進(jìn)行深入分析，發(fā)現(xiàn)用戶潛在的興趣愛(ài)好走勢(shì)，對(duì)相應(yīng)的用戶輸送較為合適的好友列表，從而提高用戶滿意度。例如使用詞頻-反文檔頻率TF-IDF(Term Frequency-Inverse Document Frequency)算法[10,11]提取權(quán)重較高的關(guān)鍵字表示用戶的特征向量，并將其作為各個(gè)用戶的興趣標(biāo)簽，以此計(jì)算用戶間的相似度，實(shí)現(xiàn)好友推薦。文獻(xiàn)[12]則是利用簽到時(shí)產(chǎn)生的位置信息，以地理位置信息為依據(jù)，向目標(biāo)用戶推薦好友。文獻(xiàn)[13]則是通過(guò)分析用戶之間的聊天內(nèi)容、提問(wèn)內(nèi)容等，進(jìn)而發(fā)現(xiàn)用戶間的內(nèi)在聯(lián)系，以此發(fā)掘潛在好友關(guān)系，并應(yīng)用于Facebook社交網(wǎng)絡(luò)中。文獻(xiàn)[14]在現(xiàn)有好友推薦算法的基礎(chǔ)上，從六度分隔理論著手，對(duì)好友進(jìn)行分級(jí)，將評(píng)級(jí)相似的用戶合并為一個(gè)群組，進(jìn)而提高推薦的精準(zhǔn)度。文獻(xiàn)[15]根據(jù)博文的轉(zhuǎn)發(fā)關(guān)系網(wǎng)絡(luò)對(duì)用戶進(jìn)行聚類，發(fā)現(xiàn)同一社區(qū)的用戶有相似的興趣，表明在社交網(wǎng)絡(luò)中，用戶的交際圈更多的是建立在共同興趣上。

微博好友推薦算法對(duì)好友推薦的關(guān)鍵在于是否擁有共同的興趣愛(ài)好，對(duì)用戶在微博平臺(tái)中產(chǎn)生的文本信息進(jìn)行處理的手段不斷豐富，技術(shù)不斷成熟，但很容易忽略用戶博文中的圖像數(shù)據(jù)，而圖像往往也富含用戶興趣信息。因此，本文試圖通過(guò)對(duì)微博中的圖像信息進(jìn)行處理，得出用戶興趣愛(ài)好，進(jìn)而計(jì)算用戶間相似度，實(shí)現(xiàn)好友推薦。

3 基于SSD和時(shí)序模型的好友推薦算法

目前在社交平臺(tái)中的很多好友推薦算法都是依賴于用戶之間已存在的好友關(guān)系和用戶產(chǎn)生的行為信息以及微博信息提出的。隨著活躍用戶群的不斷更新與增多，用戶發(fā)表的微博內(nèi)容不斷豐富，越來(lái)越多的圖像信息無(wú)法得到合理的利用，以至于造成了圖像數(shù)據(jù)的冗余和資源浪費(fèi)的現(xiàn)象。圖像中往往有很多信息，其中就包括用戶的興趣愛(ài)好信息。多目標(biāo)檢測(cè)SSD算法[16,17]可以對(duì)圖像中的多個(gè)目標(biāo)物體進(jìn)行有效的識(shí)別和分類，進(jìn)而通過(guò)識(shí)別出來(lái)的結(jié)果進(jìn)行興趣歸類，達(dá)到識(shí)別出用戶興趣愛(ài)好的效果。同時(shí)，考慮到用戶的興趣愛(ài)好本就是一個(gè)時(shí)間序列型數(shù)據(jù)[18]，容易因時(shí)間的不同而發(fā)生變化。例如，一些用戶在一個(gè)月前喜歡健身運(yùn)動(dòng)，但一個(gè)月后，由于難以抗拒美食的誘惑，放棄了健身項(xiàng)目。因此，對(duì)于用戶相隔較久遠(yuǎn)的興趣愛(ài)好，其影響因子參數(shù)應(yīng)該較低，而近期的興趣愛(ài)好的影響因子參數(shù)應(yīng)該較高，以此體現(xiàn)出時(shí)間因素的影響。

本文不僅對(duì)用戶個(gè)人信息進(jìn)行了研究，而且通過(guò)對(duì)多目標(biāo)檢測(cè)算法SSD進(jìn)行對(duì)應(yīng)的模型訓(xùn)練，以此獲得由圖像間接反映出的用戶之間的相似度。最后再將基于用戶個(gè)人信息的相似度和基于圖像信息的相似度進(jìn)行融合，進(jìn)而得出最終的好友推薦列表。

本文算法的主要步驟包括：首先根據(jù)用戶的資料信息構(gòu)建特征向量，計(jì)算基于用戶個(gè)人信息的相似度；其次通過(guò)已訓(xùn)練好的模型對(duì)用戶圖像進(jìn)行識(shí)別和分類，得出用戶的興趣愛(ài)好信息，再結(jié)合時(shí)序模型構(gòu)建用戶興趣評(píng)分矩陣，計(jì)算得出基于用戶圖像信息的相似度；最后基于并行式混合推薦模型，將兩者加權(quán)結(jié)合，得到最終的好友推薦結(jié)果集。

3.1 基于用戶個(gè)人信息的推薦模塊

基于用戶個(gè)人信息的好友推薦模塊是從用戶自身的基本信息這一角度進(jìn)行推薦，其中包括用戶的性別、地區(qū)和婚姻狀態(tài)等。通過(guò)用戶個(gè)人信息構(gòu)建能夠表達(dá)用戶個(gè)人屬性的特征向量，使用歐氏距離來(lái)計(jì)算用戶間的相似性。

如圖1所示，示例采用了用戶的性別、地區(qū)和婚姻狀態(tài)這3個(gè)屬性來(lái)構(gòu)建用戶特征向量，并且用戶A與用戶C的3個(gè)屬性完全一致，而用戶B的信息與用戶C沒(méi)有絲毫聯(lián)系，經(jīng)過(guò)相似度計(jì)算后，A和C之間的相似度值必定遠(yuǎn)高于B和C之間的相似度值。因此，在該好友推薦策略中，顯然用戶A比用戶B更適合于用戶C。本文中則使用的是用戶的認(rèn)證信息、性別、婚姻狀況、地區(qū)、生日(年齡)和標(biāo)簽等屬性，以此構(gòu)建用戶的特征向量來(lái)計(jì)算用戶間的相似度值。其中相似度計(jì)算使用常用的歐氏距離，如式(1)所示：

(1)

其中，A和B代表用戶特征向量，Ai代表該用戶特征向量A第i維的特征值，Bi代表該用戶特征向量B第i維的特征值，sim(A,B)則是這2個(gè)用戶的相似度值。

Figure 1 Example of friend recommendation based on user’s personal information圖1 基于用戶個(gè)人信息的好友推薦示例

3.2 基于用戶圖像信息的推薦模塊

基于用戶圖像信息的好友推薦模塊主要依賴于用戶發(fā)表的一些圖像信息，對(duì)圖像中所展示的信息元素進(jìn)行分析處理，轉(zhuǎn)化為用戶的興趣愛(ài)好；而用戶的興趣愛(ài)好并不是靜態(tài)信息，它是一種“實(shí)時(shí)數(shù)據(jù)”，可以理解為一種時(shí)間序列數(shù)據(jù)，時(shí)序數(shù)據(jù)的數(shù)值會(huì)因?yàn)闀r(shí)間不同而有所差異，所以本文算法利用時(shí)序模型改善用戶的特征分析，增強(qiáng)其有效性和準(zhǔn)確性。

基于用戶圖像信息的推薦模塊主要分以下幾個(gè)步驟：

步驟1搭建多目標(biāo)檢測(cè)SSD算法模型并訓(xùn)練。

步驟2使用已訓(xùn)練好的SSD模型進(jìn)行分類檢測(cè)。

步驟3將得到的分類結(jié)果作為用戶對(duì)相關(guān)興趣愛(ài)好的評(píng)分依據(jù)，并結(jié)合時(shí)序模型，對(duì)各時(shí)間段的興趣向量進(jìn)行時(shí)序計(jì)算。

步驟4使用散度計(jì)算公式，計(jì)算用戶之間的相似度。

3.2.1 模型訓(xùn)練

訓(xùn)練SSD模型的最終目的是使多目標(biāo)檢測(cè)SSD算法在進(jìn)行圖像識(shí)別之后得到的分類結(jié)果更加精確。在整個(gè)訓(xùn)練過(guò)程中，最重要的是先驗(yàn)框匹配和損失函數(shù)的計(jì)算。模型訓(xùn)練的具體步驟如下所示：

步驟1訓(xùn)練數(shù)據(jù)集的預(yù)處理，如把圖像處理成300×300像素的圖像。

步驟2搭建SSD算法模型，其中包含6個(gè)卷積層及其對(duì)應(yīng)的6個(gè)特征圖(Feature Map)。獲取到這些不同大小的特征圖后，進(jìn)行物體位置檢測(cè)和分類工作，通過(guò)非極大值抑制NMS(Non Maximum Suppression)對(duì)結(jié)果實(shí)現(xiàn)分揀，最終得到所需數(shù)據(jù)。以此實(shí)現(xiàn)不同尺度檢測(cè)的效果，提高對(duì)寬高比不一致的真實(shí)目標(biāo)框的識(shí)別精準(zhǔn)度。

步驟3設(shè)置先驗(yàn)框尺度和長(zhǎng)寬比，以計(jì)算出各先驗(yàn)框的寬wk和高h(yuǎn)k，如式(2)所示：

(2)

其中，winput和hinput分別為輸入圖像的寬和高；Sk為第k個(gè)先驗(yàn)框的尺度，先驗(yàn)框的長(zhǎng)寬比αr∈{1,2,3,1/2,1/3,1′}，雖然1′也代表長(zhǎng)寬比為1，但先驗(yàn)框尺度不同，其計(jì)算公式需要用第k個(gè)先驗(yàn)框的尺度與第k+1個(gè)先驗(yàn)框的尺度相乘并開(kāi)根號(hào)。

步驟4計(jì)算并交比IOU值，如式(3)所示：

(3)

其中，Sp∩Sg代表先驗(yàn)框與真實(shí)目標(biāo)框的交集，Sp∪Sg代表先驗(yàn)框與真實(shí)目標(biāo)框的并集。

步驟5匹配先驗(yàn)框。先驗(yàn)框匹配方法如下所示：對(duì)于目標(biāo)對(duì)象中的每個(gè)真實(shí)目標(biāo)框，將其IOU值最大的先驗(yàn)框作為匹配成功的對(duì)象，對(duì)于未匹配成功的先驗(yàn)框，將其IOU值與閾值比較，若并交比的數(shù)值大于閾值，則設(shè)置為匹配成功。

步驟6計(jì)算SSD檢測(cè)值，包括預(yù)測(cè)位置和分類信息。其中分類信息計(jì)算方法是若某先驗(yàn)框與真實(shí)目標(biāo)框匹配成功，則認(rèn)為該真實(shí)目標(biāo)框與該先驗(yàn)框類別信息一致；而預(yù)測(cè)位置記為l=(lcx,lcy,lw,lh)，計(jì)算方法如式(4)所示：

(4)

lcy=(bcy-dcy)/dh

(5)

lw=log(bw/dw)

(6)

lh=log(bh/dh)

(7)

其中，d=(dcx,dcy,dw,dh)代表先驗(yàn)框位置，b=(bcx,bcy,bw,bh)代表對(duì)應(yīng)的真實(shí)目標(biāo)框位置。

步驟7計(jì)算置信度誤差Lconf(x,c)和位置誤差Lloc(x,l,g)。其中，c是分類結(jié)果的預(yù)測(cè)值；l是對(duì)應(yīng)的邊界框位置的坐標(biāo)值，而g是真實(shí)目標(biāo)框的位置參數(shù)。

為了確定檢測(cè)算法對(duì)目標(biāo)物體評(píng)分情況和目標(biāo)框定位的準(zhǔn)確性，通過(guò)計(jì)算這2個(gè)誤差進(jìn)行反向傳播并調(diào)整模型的參數(shù)，以實(shí)現(xiàn)優(yōu)化算法的目的，提升其識(shí)別的精準(zhǔn)度。其中置信度誤差是預(yù)測(cè)分類的誤差，位置誤差是預(yù)測(cè)位置與真實(shí)位置之間的誤差。

位置誤差Lloc(x,l,g)計(jì)算方法如式(8)所示：

Lloc(x,l,g)=

(8)

(9)

(10)

(11)

(12)

(13)

置信度誤差Lconf(x,c)是計(jì)算當(dāng)前所求先驗(yàn)框的分類結(jié)果x與預(yù)測(cè)分類結(jié)果c的誤差，計(jì)算方法如式(14)所示：

(14)

步驟8計(jì)算損失函數(shù)L(x,c,l,g)：

(15)

其中，N為先驗(yàn)框的正樣本數(shù)量，α為權(quán)重。

3.2.2 構(gòu)建用戶興趣向量

主要通過(guò)使用目標(biāo)檢測(cè)SSD算法進(jìn)行圖像檢測(cè)，得出圖像中所涉及的物體類別的分類信息，為用戶設(shè)置相對(duì)應(yīng)的興趣標(biāo)簽。構(gòu)建用戶興趣標(biāo)簽向量主要可以分為獲取用戶的圖像信息、圖像檢測(cè)、記錄檢測(cè)結(jié)果信息等內(nèi)容。

圖像在一定程度上能反映出用戶的興趣愛(ài)好。比如，2個(gè)用戶分別發(fā)送了貓和狗的照片，雖然他們喜愛(ài)的動(dòng)物對(duì)象并不一樣，但他們有一個(gè)共同點(diǎn)就是喜歡寵物，那么便可以認(rèn)為他們的興趣愛(ài)好是萌寵，因此他們都將被貼上萌寵這一興趣愛(ài)好標(biāo)簽。所以，可以通過(guò)對(duì)用戶圖像進(jìn)行識(shí)別的方式間接得到用戶的興趣愛(ài)好標(biāo)簽。

本文主要使用的數(shù)據(jù)集是ImageNet，該數(shù)據(jù)集包含了幾百個(gè)物種，1 000個(gè)分類的圖像，信息標(biāo)注清晰。因此，對(duì)爬取的微博用戶圖像進(jìn)行檢索，根據(jù)大部分圖像中常見(jiàn)的元素，從訓(xùn)練數(shù)據(jù)集中選取與之相似的類別進(jìn)行訓(xùn)練，并考慮到它們與用戶興趣之間的關(guān)系，共定義了10種興趣標(biāo)簽，包括旅游、美食、果蔬、電子設(shè)備、運(yùn)動(dòng)、音樂(lè)、車、萌寵、人物和家具。上述定義的關(guān)系詳細(xì)說(shuō)明如表1所示。

Table 1 Corresponding relationship between interest label and image classification

根據(jù)表1所示的分類，可構(gòu)建興趣標(biāo)簽向量Cate={cate1,cate2,…,cate10}，其中catei表示第i個(gè)興趣標(biāo)簽出現(xiàn)的次數(shù)。例如，若是出現(xiàn)小提琴與鋼琴，那么便將它們認(rèn)為是屬于“音樂(lè)”這一興趣標(biāo)簽，歸為一類。因此，用戶興趣向量可表示為hobby(u)={hy1,hy2, …,hy10}，其中hyi表示第i個(gè)類型的興趣標(biāo)簽出現(xiàn)的次數(shù)占所有類型的興趣標(biāo)簽出現(xiàn)的總次數(shù)的比例，計(jì)算方法如式(16)所示：

(16)

3.2.3 時(shí)序處理

以時(shí)間間隔T作為一個(gè)時(shí)間節(jié)點(diǎn)，對(duì)用戶進(jìn)行時(shí)序處理，因此，在進(jìn)行圖像分類的同時(shí)，要考慮到時(shí)間因素，對(duì)每個(gè)時(shí)間節(jié)點(diǎn)作一次分類統(tǒng)計(jì)，以得到各時(shí)間節(jié)點(diǎn)上的分類總數(shù)Cate(u)Ti={Sum(cate1)Ti,Sum(cate2)Ti,…,Sum(cate10)Ti}，其中Sum(catej)Ti代表的是在時(shí)間間隔Ti中第j個(gè)興趣標(biāo)簽出現(xiàn)的總次數(shù)。因此，在時(shí)間間隔Ti內(nèi)，用戶興趣向量hobby(u)Ti={hy1Ti,hy2Ti,…,hy10Ti}的計(jì)算方法如式(17)所示：

(17)

(18)

其中，Ti代表第i個(gè)以時(shí)間間隔T劃分的時(shí)間點(diǎn)，f(t)為時(shí)序衰減函數(shù)公式；以時(shí)間間隔T內(nèi)的時(shí)間作為一個(gè)時(shí)間點(diǎn)，n代表時(shí)間點(diǎn)總數(shù),t代表第t個(gè)時(shí)間點(diǎn)，γ是一個(gè)非負(fù)核心參數(shù)。

經(jīng)過(guò)上述計(jì)算可以獲得n個(gè)用戶各自的興趣向量，將這n個(gè)向量對(duì)應(yīng)位置進(jìn)行相加，即得到經(jīng)過(guò)時(shí)序處理后的用戶興趣向量hobby(u)={hy1,hy2,…,hy10}。

3.2.4 構(gòu)建用戶-興趣評(píng)分矩陣

在計(jì)算獲得目標(biāo)用戶與備選推薦用戶的興趣向量后，構(gòu)建用戶-興趣評(píng)分矩陣U∈Rm×10，其中m代表涉及的用戶總數(shù)，矩陣的每一行代表用戶的興趣向量。因此，用戶P、Q對(duì)應(yīng)的用戶興趣向量分別可表示為p={p1,p2,…,p10}和q={q1,q2,…,q10}。通過(guò)JS(Jensen-Shannon)散度公式即可計(jì)算對(duì)應(yīng)的相似度值,如式(19)所示：

(19)

其中，p和q代表2個(gè)用戶的興趣向量。

最后，將上述2個(gè)推薦模塊進(jìn)行加權(quán)式融合，得出最終的綜合好友相似度，再根據(jù)相似度向目標(biāo)用戶進(jìn)行Top-K潛在好友推薦。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)數(shù)據(jù)及環(huán)境

為了驗(yàn)證本文提出的推薦算法的有效性，使用網(wǎng)絡(luò)爬蟲技術(shù)從新浪微博中獲取1 896名用戶近2個(gè)月的微博數(shù)據(jù)，其中包括用戶的個(gè)人信息、社交好友關(guān)系信息、微博圖像信息、圖像發(fā)表時(shí)間信息等,共計(jì)79 172條博文，217 409幅圖像數(shù)據(jù)。這些數(shù)據(jù)皆經(jīng)過(guò)以測(cè)試算法為主要目的的預(yù)處理。實(shí)驗(yàn)使用的開(kāi)發(fā)語(yǔ)言是Python，運(yùn)行環(huán)境如下：處理器為Intel(R)CoreTMi5-1035G1 CPU @ 1.00 GHz，內(nèi)存16 GB，操作系統(tǒng)為Windows 10。

4.2 評(píng)價(jià)指標(biāo)

通過(guò)對(duì)大量推薦系統(tǒng)論文的分析研究，決定采用Top-K推薦算法中常用的3個(gè)指標(biāo)作為實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)，分別為準(zhǔn)確率(Precision)、召回率(Recall)和F值(F-measure)。3個(gè)評(píng)價(jià)指標(biāo)的定義如式(20)～式(22)所示：

(20)

(21)

(22)

其中，M表示系統(tǒng)生成的推薦結(jié)果的數(shù)量,|f|是推薦結(jié)果與目標(biāo)用戶好友列表的交集大小，|freal|是目標(biāo)用戶的好友數(shù)。

準(zhǔn)確率和召回率指標(biāo)的結(jié)果越高表明推薦結(jié)果越好，但由于部分情況中會(huì)出現(xiàn)兩者自相矛盾，因此需要F值進(jìn)行衡量，F(xiàn)值越高，則說(shuō)明此方法越有效。

4.3 實(shí)驗(yàn)結(jié)果與分析

4.3.1 實(shí)驗(yàn)設(shè)計(jì)

本文選擇了3種算法進(jìn)行對(duì)比實(shí)驗(yàn)，分別為:(1)基于用戶信息的推薦算法BI-FR(Based Information Friends Recommendation)[19]，該算法根據(jù)用戶的個(gè)人身份信息進(jìn)行相似好友推薦，參考因素只有用戶個(gè)人信息；(2)基于用戶信息和圖像信息的推薦算法BIBP-FR(Based Information and Based Picture Friends Recommendation)[20]，該算法在基于用戶信息推薦算法的基礎(chǔ)上，提取用戶圖像信息興趣特征作為用戶間相似度計(jì)算的因素之一，參考因素為用戶個(gè)人信息和圖像信息；(3)基于用戶信息并結(jié)合SSD和時(shí)序模型的推薦算法BSBT-FR，此算法在綜合考慮用戶個(gè)人信息和圖像信息的基礎(chǔ)上，對(duì)圖像信息做進(jìn)一步的時(shí)間處理，以此預(yù)測(cè)用戶的好友，參考因素為用戶個(gè)人信息和經(jīng)處理過(guò)后的圖像信息。

4.3.2 權(quán)重對(duì)推薦結(jié)果的影響

為了說(shuō)明本文算法中用戶個(gè)人信息和圖像信息的不同權(quán)重對(duì)推薦結(jié)果的影響，首先進(jìn)行權(quán)重實(shí)驗(yàn)。根據(jù)有關(guān)文獻(xiàn)可知，在多因子的情況下，用戶信息權(quán)重一般選取在0.2～0.5。實(shí)驗(yàn)將分析在Top-10的前提下，用戶個(gè)人信息的權(quán)重取0.2,0.3,0.4,0.5，實(shí)驗(yàn)結(jié)果如表2和圖2所示。圖2中的橫坐標(biāo)為用戶個(gè)人信息的權(quán)重參數(shù)，可看出，在準(zhǔn)確率和召回率上，權(quán)重取0.3時(shí)的實(shí)驗(yàn)結(jié)果略比取0.4時(shí)優(yōu)良，而從F-measure上來(lái)看，權(quán)重取0.3時(shí)的實(shí)驗(yàn)結(jié)果表現(xiàn)得最好。由此可得出，多參數(shù)情況下，參數(shù)的權(quán)重對(duì)推薦結(jié)果存在一定程度的影響。

Table 2 Three experimental index values under each weight parameter

Figure 2 Trend chart of each experimental index圖2 各實(shí)驗(yàn)指標(biāo)走勢(shì)圖

4.3.3 各算法的準(zhǔn)確率、召回率和F值比較

經(jīng)過(guò)權(quán)重實(shí)驗(yàn)后，本節(jié)在參考因素中用戶個(gè)人信息權(quán)重為0.3的情況下，進(jìn)行推薦結(jié)果列表的用戶總數(shù)分別為2，5，10，20，30幾種情況的準(zhǔn)確率、召回率和F值實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如表3～表5、圖3～圖5所示。

Table 3 Precision of three algorithms

Table 4 Recall of three algorithms

Table 5 F-measure of three algorithms

Figure 3 Precision of three algorithms圖3 3種算法的準(zhǔn)確率

Figure 4 Recall of three algorithms圖4 3種算法的召回率

Figure 5 F-measure of three algorithms圖5 3種算法的F值

對(duì)以上實(shí)驗(yàn)結(jié)果數(shù)據(jù)進(jìn)行分析：BI-FR和BIBP-FR對(duì)比發(fā)現(xiàn)，對(duì)用戶發(fā)表的圖像信息進(jìn)行分析處理是有價(jià)值的；而B(niǎo)IBP-FR和BSBT-FR對(duì)比發(fā)現(xiàn)，在圖像處理的基礎(chǔ)上增加時(shí)間因素對(duì)整體算法推薦的精準(zhǔn)度具有顯著提升效果。從整體上看，隨著推薦列表中的好友數(shù)量的提升，雖然準(zhǔn)確率有所下降，但是召回率呈上升趨勢(shì)，F(xiàn)值也呈上升趨勢(shì)，這與實(shí)際情況是完全吻合的。與對(duì)比算法相比，本文提出的基于SSD和時(shí)序模型的好友推薦算法由于同時(shí)考慮了用戶的個(gè)人屬性和圖像信息，并對(duì)用戶興趣進(jìn)行了時(shí)序考慮，融合了時(shí)間因素，其算法的準(zhǔn)確率、召回率和F值更高，具有較好的推薦效果，并且隨著推薦好友數(shù)量的增加，本文算法比其他算法相比，其優(yōu)勢(shì)比較明顯。

在算法的時(shí)間效率上，由于本文算法在用戶信息的基礎(chǔ)上又對(duì)用戶圖像數(shù)據(jù)進(jìn)行處理，因此，BI-FR算法的時(shí)間效率要優(yōu)于本文算法,而B(niǎo)IBP-FR與BSBT-FR算法的時(shí)間效率是一樣的，兩者都是以犧牲時(shí)間來(lái)獲取更高的準(zhǔn)確率，也是值得的。

5 結(jié)束語(yǔ)

本文提出了基于SSD和時(shí)序模型的微博好友推薦算法，構(gòu)建了基于用戶個(gè)人信息和圖像信息的好友推薦方法，并在圖像信息處理上加入時(shí)間維度因素，使得通過(guò)圖像提取的興趣更具說(shuō)服力，以此計(jì)算得出用戶間的相似度進(jìn)行好友推薦。實(shí)驗(yàn)表明此推薦算法能提高推薦效果，基于SSD和時(shí)序模型的好友推薦算法比傳統(tǒng)推薦算法更加準(zhǔn)確，在一定程度上豐富了社交平臺(tái)上的推薦策略。但是，本文只從用戶發(fā)表動(dòng)態(tài)中的圖像信息進(jìn)行考慮，并未同時(shí)對(duì)文本信息加以分析，而在社交平臺(tái)中，用戶發(fā)表的文字信息也是同等重要的因素，故在之后的研究中，可以將用戶發(fā)表的所有信息進(jìn)行綜合考慮。