CN103995823A - 一种基于社交网络的信息推荐方法 - Google Patents

Abstract

本发明公开了一种基于社交网络的信息推荐方法，其步骤如下：步骤1：计算用户之间的信任度和相似性，使用加权值来构建用户关系矩阵；步骤2：使用社区发现算法对用户进行聚类，形成用户最近邻居集；步骤3：预测评分并生成推荐列表。本发明可达到以下的有益效果：（1）解决冷启动问题。本发明引入信任度，进行推荐时如果根据共同评分物品无法得到足够多的近邻，可信朋友可以作为预测的起点，这样可以减轻冷启动问题以及提高用户覆盖度；（2）提高实时性。本发明中采用社交网络分析中常用的社区发现算法对用户网络进行社区划分，即相同的用户兴趣聚类，使得在寻找用户邻居集时大大缩短时间，提高了信息推荐的响应实时性。

Description

一种基于社交网络的信息推荐方法

技术领域

本发明涉及网络信息技术领域，尤其涉及到一种能够基于社交网络的信息推荐方法。

背景技术

互联网的飞速发展和不断增长的信息资源使得信息指数激增，信息服务领域面临着“信息资源丰富，但获取有利用价值的信息困难”的问题，给人们带来很大的信息负担。一方面，网络上出现大量数据资源导致的“信息过载”现象（information overload）；另一方面，用户无法获取自己需要的信息资源。推荐系统（recommendation systems）作为一种以“信息推送”模式服务的重要方法，是解决信息过载问题的主要手段，它能够以用户为中心在分析预测用户需求的基础上主动给用户推送其可能需要但又难以获取的信息，通过根据用户的不同环境场合下的行为特征为用户推荐更具有利用价值的信息资源。

伴随着互联网发展的还有社交网络的飞速扩增。社交网络通过互联网把具有相同爱好甚至是互不相识的人们连接起来，从而形成具有某一特点的团体。社交网络是一个能够互相沟通和交流并且能够参与互动的平台，它从研究部门、学校、政府、商业应用平台扩展成一个人类社会交流的工具。因为互联网是虚拟的，人们千方百计地隐瞒自己在网络中的真实身份，这不仅带来了大量的虚假信息，而且使人们之间的信任程度越来越低，沟通变得更加困难。社交网络采用真实信息注册，增强了网络用户的身份真实性和行为可信性，极大地保障了系统中信息安全和用户交互的可靠性、地域性和实时性，使人们能更放心、更轻松的与其他人进行交流，同时也带来了全新的用户体验。通过社交网络，他们会主动公布自己的特点和偏好，积极提供并注释各种资源（比如图片、视频）或分享他们的知识。例如，用户可以通过豆瓣来分享图书，通过Facebook进行网络社交和分享照片，通过Twitter发送微博，通过Flickr发布照片，通过YouTube上传视频等。越来越流行的社交网络悄悄的改变着人们的生活方式和价值取向。

目前，经常使用的推荐方法包括以下几种：

1）基于关联规则的推荐方法，它根据用户交易数据，生成关联规则，并结合用户当前购买行为提出建议，购物车分析是关联规则最典型的应用。基于关联规则的推荐方法通用性比较强，可以应用于多种领域，但关联规则抽取难、消耗的时间多，随着关联规则数量不断增多，系统也变的难以管理。

2）基于内容的推荐方法，它主要侧重于信息资源项目的内容分析及其用户偏好模型的构建，推荐功能是通过比较资源与用户偏好的相似度来实现的。基于内容的推荐技术虽然有直观的结果，简单的计算，迅速的响应时间，良好的可解释性，能解决冷启动和数据稀疏的问题。但是，仍然具有一定的局限性：可以分析项目的内容是有限的，仅是可以通过一系列的特征集合表示的信息，并不能有效地处理诸如声音、图片、视频等多媒体信息；用户可以接收和过去喜好推荐类似的项目，但不能为用户发现新的感兴趣的商品，推荐内容单一；无法处理品质、风格或观点。

3）协同过滤推荐方法，它是目前推荐信息系统中最成功的技术，协同过滤的基本思想是利用用户或项目之间的相似度进行推荐或预测，该方法找出一群具有相同偏好的用户群，然后分析用户的共同偏好来对目标用户进行推荐。协同过滤算法的优点在于它并不关注项目本身的内容，主要是根据用户或项目相似度来推荐资源，系统只需要获得足够的项目评价就可以可靠的进行项目推荐。但是，协同过滤算法的缺点也非常明显，即“冷启动”问题、数据稀疏问题、可扩展性问题等。

社交网络的发展为个性化推荐提供了良好的渠道，本发明将用户间的信任度量、社交网络方式和个性化推荐技术有机结合，提出了一种基于社交网络的信息推荐方法来构造一个高效率、高精确度的推荐系统。

发明内容

为解决上述技术问题，本发明提供一种基于社交网络的信息推荐方法，其采用的技术方案如下：

一种基于社交网络的信息推荐方法，其步骤如下：

步骤1：计算用户之间的信任度和相似性，使用加权值来构建用户关系矩阵；

步骤2：使用社区发现算法对用户进行聚类，形成用户最近邻居集；

步骤3：预测评分并生成推荐列表。

构建用户-评分矩阵R_m×n：

m代表用户的个数，n代表项目的个数，r_ij代表用户i对项目j的评分。

在填充的用户-评分矩阵R_m×n的基础上，用Pearson相关性来计算用户之间的相似度，构建用户-用户相似性矩阵S：

s_uv代表用户u和用户v之间的相似程度，且s_uv∈[0,1]。

计算信任度，再计算结合相似度和信任的加权值：

h(i,j)＝θ×trust(i,j)+(1-θ)×sim(i,j)；

θ代表加权参数，trust(i,j)代表用户i和j的直接信任度，sim(i,j)代表相似度，h(i,j)代表两者的加权值。

利用加权值构建用户关系矩阵H：

直接信任度为交互信任度、用户之间的共同好友所占比例、用户的评价能力三者的结合，其计算公式为：

$\mathrm{trust}(i,j)=\frac{1}{2}(\mathrm{fri}(i,j)+\mathrm{fre})\×\mathrm{comm}(i,j);$

trust(i,j)代表用户i和j的直接信任度，fri(i,j)代表用户之间的共同好友所占比例，fre代表用户的评价能力，comm(i,j)代表用户之间的交互信任度。

交互信任度的计算公式如下：

$\mathrm{comm}(i,j)=\frac{w_{i,j}}{\mathrm{\Σ}{w}_{i\left(\mathrm{out}\right)}};$

其中，w_i,j代表用户i向用户j发送的消息数量，Σw_i(out)代表用户i向周围用户发送的消息总数；

用户之间的共同好友所占比例、用户的评价能力的计算公式如下：

$\mathrm{fri}(i,j)=\frac{n_i\∩n_j}{n_i};$

$\mathrm{fre}=\frac{k_i}{\mathrm{\Σ}{k}_i};$

其中，fri(i,j)代表用户之间的共同好友所占比例，fre代表用户的评价能力，n_i和n_j分别代表用户i和j的好友数，n_i∩n_j代表他们的共同好友数；k_i代表推荐用户对i类商品的评价次数，Σk_i代表用户对所有商品种类的评价次数。

社区发现法的过程如下：

Step1：计算网络中各个用户的度（和该顶点相关联的边数），并从中选择度最大的用户i作为初始社区C_i，并初始化模块度Q＝0；

Step2：找出所有与社区C_i相连接的用户，并把它们放入邻近用户集N中；

Step3：计算用户集N中的每个用户j对社区C_i的贡献度q，并将对社区具有最大贡献度的用户加入到社区C_i中；

Step4：计算社区C_i的模块度Q'。若Q'＞Q，则将用户j加入社区C_i成功，并将用户j做上标记，同时更新模块度Q＝Q'，返回Step2继续执行；否则，转Step5；

Step5：模块度Q已经达到最大值，即当前社区C_i达到划分的最优结果；

Step6：如果不存在未作标记的用户，网络中的所有社区已检测到，则过程结束；否则，从没有标记的用户中选择度最大的用户，作为新的初始社区C_i，返回step2继续执行。

用户对社区的贡献度q

$q=\frac{L_{\mathrm{in}}}{l_{\mathrm{in}}+L_{\mathrm{out}}};$

L_in：在无权网络中代表社区内部的连边数；在有权网络中代表社区内部所有边上的权值总和。

L_out：在无权网络中代表与社区相连的外部连边数；在有权网络中代表与社区相连的外部所有边上的权值总和。

用户对社区的贡献度q越大，则用户和社区间的联系越紧密。

定义2：模块度Q

模块度Q是在社区划分中衡量当前社区是否达到最佳程度的重要指标，模块度Q越大，社区的划分效果越好，表示社区和社区之间的联系性越少，从而实现模块内部“高内聚”，模块外部“低耦合”。

如果是无权网络，模块度Q的表达式如下：

$Q=\frac{1}{2m}\underset{\mathrm{ij}}{\mathrm{\Σ}}(A_{\mathrm{ij}}-\frac{k_i{k}_j}{2m})\mathrm{\δ}(C_i,C_j);$

其中，m为网络的总边数；k_i和k_j分别代表与用户i和用户j的连接边数；A_ij代表网络邻接矩阵，当随机网络连接的用户i和用户j相连时，A_ij＝1，当用户i和用户j不相连时，A_ij＝0；δ(Cⁱ,C_j)为kronecker函数，如果用户i和用户j属于同一社区，则δ(C_i,C_j)＝1，如果不在同一社区，则δ(C_i,C_j)＝0。

在有权网络中，可定义模块度Q如下：

$Q=\frac{1}{2W}\underset{\mathrm{ij}}{\mathrm{\Σ}}(A_{\mathrm{ij}}-\frac{w_i{w}_j}{2W})\mathrm{\δ}(C_i,C_j);$

其中，W代表网络中所有边的权值的总和，w_i和w_j分别代表与用户i和用户j相连的边的权值总和。

根据目标用户的n个最近邻居对候选项目的评分信息，预测目标用户对候选项目的评分，并选择预测分数最高的前几个项目，作为推荐结果主动推送给目标用户，即产生top-N信息资源推荐。

$P_{u,j}=\stackrel{\‾}{R_u}+\frac{\underset{v\∈N}{\mathrm{\Σ}}\mathrm{trust}(u,v)\×(R_{v,i}-\stackrel{\‾}{R_v})}{\underset{v\∈N}{\mathrm{\Σ}}\mathrm{trust}(u,v)};$

其中，P_u,i代表用户u对项目i的预测评分，和分别代表用户u和邻居用户v对项目的平均评分；R_v,i代表用户v对项目i的评分，trust(u,v)代表用户u对邻居用户v的信任程度，N表示用户u的邻居用户候选集。

直接信任度trust(u,v)也可为传递信任度trust_L(A,B)代替，其计算方式如下：

trust_L(A,B)＝trust(A,X₁)×trust(X₁,X₂)×…×trust(X_n,B)；

其中，X_i表示路径L上用户A和B之间的用户，L(A,B)表示用户A和用户B之间的存在的信任路径，如果信任网络中用户A和用户B之间存在多个的信任路径L(L₁,L₂,…,L_n),(n≥2)，则选取路径L中的最短路径，假如存在k条最短路径，计算公式如下：

${\mathrm{trust}}_{L(A,B)}=\frac{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{trust}}_{L_i}}{k}{L}_i\∈\left\{\min (L_1,L_2,\·\·\·,L_n)\right\};$

然后按照路径L先短后长的顺序继续计算，若某路径j的计算结果则将路径j算作最短路径之一，并重新计算trust_L(A,B)，当所有路径都计算结束后得到最终的间接信任结果。

本发明提出的基于社交网络的信息推荐方法，可达到以下的有益效果：

（1）解决冷启动问题。冷启动问题是指新用户加入推荐系统时，由于对新用户的历史行为或评分没有记录，所以无法对新用户进行有效的信息推荐。本方法引入信任度，进行推荐时如果根据共同评分物品无法得到足够多的近邻，可信朋友可以作为预测的起点，这样可以减轻冷启动问题以及提高用户覆盖度。

（2）提高实时性。本方法中采用社交网络分析中常用的社区发现算法对用户网络进行社区划分，即相同的用户兴趣聚类，使得在寻找用户邻居集时大大缩短时间，提高了信息推荐的响应实时性。

附图说明

图1基于社交网络的推荐方法流程图。

图2用户之间交互图。

图3多路径的传递信任计算图。

图4社区发现的流程图。

具体实施方式

本发明提出一种基于社交网络的信息推荐方法。首先，计算用户之间的信任度和相似性，使用加权值来构建用户关系矩阵；其次，使用社区发现算法对用户进行聚类，形成用户最近邻居集；最后，预测评分并生成推荐列表。

如图1所示，采集用户、项目、评分、社交网络等相关信息，根据这些信息计算用户之间的信任度和相似性，并使用加权值来构建用户关系矩阵；其次，使用社区发现算法对用户进行划分，形成用户最近邻居集；最后，预测评分并生成推荐列表。

1.直接信任度

直接信任度是一个用户对另一用户的信任程度的量化。将信任引入到个性化推荐系统当中，首先要解决的就是信任关系的量化问题，使之成为可计算或进行相关操作的数据。结合信任的多个性质及实际的社交网络的相关特点，本文从以下方面考虑直接信任度的计算问题。

1）交互信任度

交互度是指在社交网络关系中，用户之间的交互程度，比如用户的通话、发短信、邮件、微博关注、SNS留言等周期时间内的交互次数。用户之间的交互图如图2所示，图中的各节点代表社交网络中的用户，用户间的边用有向箭头代表交互发送方指向接收方，边上的权重值代表各种交互类型的信息总和。通过用户之间的交互图，我们可以的定义用户间的交互信任度为：

$\mathrm{comm}(i,j)=\frac{w_{i,j}}{\mathrm{\Σ}{w}_{i\left(\mathrm{out}\right)}};$

其中，w_i,j代表用户i向用户j发送的消息数量，Σw_i(out)代表用户i向周围用户发送的消息总数。

2）推荐信任度

推荐信任度包括了用户之间的共同好友所占比例、用户的评价能力。用户总是更加信任那些曾经购买或使用过该商品的用户，如果其自身的专业、兴趣等背景信息与该商品有一定的关系，其自身的这些背景使其具备对于该类商品的一定的评价能力，该能力也可成为其对该商品推荐可信赖程度的参考因素。同时，用户之间的共同好友数目也能体现两者之间的关系。fri(i,j)代表用户之间的共同好友所占比例，fre代表用户的评价能力的计算公示如下：

$\mathrm{fri}(i,j)=\frac{n_i\∩n_j}{n_i};$

$\mathrm{fre}=\frac{k_i}{\mathrm{\Σ}{k}_i};$

其中，n_i和n_j分别代表用户i和j的好友数，n_i∩n_j代表他们的共同好友数；k_i代表推荐用户对i类商品的评价次数，Σk_i代表用户对所有商品种类的评价次数。

将上述两点信任度结合即可得到直接信任度trust(i,j)：

$\mathrm{trust}(i,j)=\frac{1}{2}(\mathrm{fri}(i,j)+\mathrm{fre})\×\mathrm{comm}(i,j);$

2.传递信任度计算

在信任度的传递计算中应遵循直接信任优先于间接信任的原则，用L(A,B)表示用户A和用户B之间的存在的信任路径。如果信任网络中用户A和用户B之间存在唯一的信任路径L(A,X₁,X₂,…,X_n,B)，则用户A和B之间的传递信任度为信任路径L上的所有直接信任度的乘积，表达式为：

trust_L(A,B)＝trust(A,X₁)×trust(X₁,X₂)×…×trust(X_n,B)；

其中，X_i表示路径L上用户A和B之间的用户。

如果信任网络中用户A和用户B之间存在多个的信任路径L(L₁,L₂,…,L_n),(n≥2)，则选取路径L中的最短路径，假如存在k条最短路径，计算公式如下：

${\mathrm{trust}}_{L(A,B)}=\frac{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{trust}}_{L_i}}{k}{L}_i\∈\left\{\min (L_1,L_2,\·\·\·,L_n)\right\};$

然后按照路径L先短后长的顺序继续计算，若某路径j的计算结果则将路径j算作最短路径之一，并重新计算trust_L(A,B)，当所有路径（如果链路过长可忽略计算）都计算结束后得到最终的间接信任结果。这种计算方法有效的避免了最短信任路径的信任度过低而导致的误判断。

如图3所示，用户A到用户B存在多个信任路径，首先应该计算出最短路径L(A,X₃,B)和L(A,X₄,B)的trust_L(A,B)值，但另一条路径L(A,X₁,X₂,B)的传递信任度 ${\mathrm{trust}}_{L(A,X_1,X_2,B)}=0.8\×0.8\×0.9=0.576>{\mathrm{trust}}_{L\left(\text{A,B}\right)}=0.48,$ 所以路径L(A,X₁,X₂,B)也应加入到最短路径集合中，得到最终的传递信任度为

3.社区发现

在现实网络中经常有一些用户与其他用户的联系非常紧密（即网络中用户度很大的点，我们称之为“中心用户”）。我们将中心用户视为初始社区的起点，然后不断向社区中加入对社区贡献度最大的相邻用户（若存在多个用户对社区贡献度都较大时，则将这些用户都加入到该社区中），当全局贡献度达到最大时形成一个稳定的社区。

为了更清楚了解聚类过程，对社区贡献度和模块度定义如下：

定义1：用户对社区的贡献度q

$q=\frac{L_{\mathrm{in}}}{l_{\mathrm{in}}+L_{\mathrm{out}}};$

L_in：在无权网络中代表社区内部的连边数；在有权网络中代表社区内部所有边上的权值总和。

L_out：在无权网络中代表与社区相连的外部连边数；在有权网络中代表与社区相连的外部所有边上的权值总和。

无权网络是指边上没有权重值，有权网络是指边上有权重值。

用户对社区的贡献度q越大，则用户和社区间的联系越紧密。

定义2：模块度Q

模块度Q是在社区划分中衡量当前社区是否达到最佳程度的重要指标，模块度Q越大，社区的划分效果越好，表示社区和社区之间的联系性越少，从而实现模块内部“高内聚”，模块外部“低耦合”。

如果是无权网络，模块度Q的表达式如下：

$Q=\frac{1}{2m}\underset{\mathrm{ij}}{\mathrm{\Σ}}(A_{\mathrm{ij}}-\frac{k_i{k}_j}{2m})\mathrm{\δ}(C_i,C_j);$

其中，m为网络的总边数；k_i和k_j分别代表与用户i和用户j的连接边数；A_ij代表网络邻接矩阵，当随机网络连接的用户i和用户j相连时，A_ij＝1，当用户i和用户j不相连时，A_ij＝0；δ(C_i,C_j)为kronecker函数，如果用户i和用户j属于同一社区，则δ(C_i,C_j)＝1，如果不在同一社区，则δ(C_i,C_j)＝0。

在有权网络中，可定义模块度Q如下：

$Q=\frac{1}{2W}\underset{\mathrm{ij}}{\mathrm{\Σ}}(A_{\mathrm{ij}}-\frac{w_i{w}_j}{2W})\mathrm{\δ}(C_i,C_j);$

其中，W代表网络中所有边的权值的总和，w_i和w_j分别代表与用户i和用户j相连的边的权值总和。

社区发现算法如图4所示：

Step1：计算网络中各个用户的度（和该顶点相关联的边数），并从中选择度最大的用户i作为初始社区C_i，并初始化模块度Q＝0；

Step2：找出所有与社区C_i相连接的用户，并把它们放入邻近用户集N中；

Step3：计算用户集N中的每个用户j对社区C_i的贡献度q，并将对社区具有最大贡献度的用户加入到社区C_i中；

Step4：计算社区C_i的模块度Q'。若Q'＞Q，则将用户j加入社区C_i成功，并将用户j做上标记，同时更新模块度Q＝Q'，返回Step2继续执行；否则，转Step5；

Step5：模块度Q已经达到最大值，即当前社区C_i达到划分的最优结果；

Step6：如果不存在未作标记的用户，网络中的所有社区已检测到，则过程结束；否则，从没有标记的用户中选择度最大的用户，作为新的初始社区C_i，返回step2继续执行。

4.推荐方法实现

1）构建用户关系矩阵

首先，获取的用户信息、项目信息、评分信息，并用矩阵的方式表示用户和项目之间的关系，形成用户-评分矩阵R_m×n，这里的项目信息是指商品、电影等向用户推荐的东西。其中m代表用户的个数，n代表项目的个数，r_ij代表用户i对项目j的评分。为了减少用户-评分矩阵的稀疏性，可以将未评分的r_ij设置为0或用户i所有已评分的均值或项目j已受到评分的均值。

其次，在填充的用户-评分矩阵R_m×n的基础上，用Pearson相关性来计算相似度，Pearson相关性是计算相似度的一种方法，如果用户i和用户j共同评分的项目集合设定为I_ij，则由Pearson相关性度量的相似性sim(i,j)为：

$\mathrm{sim}(i,j)=\frac{\underset{{c\∈I}_{\mathrm{ij}}}{\mathrm{\Σ}}(R_{\mathrm{ic}}-\stackrel{\‾}{R_c})(R_{\mathrm{jc}}-\stackrel{\‾}{R_j})}{\sqrt{\underset{{c\∈I}_{\mathrm{ij}}}{\mathrm{\Σ}}{(R_{\mathrm{ic}}-\stackrel{\‾}{R_i})}^2\×\underset{{c\∈I}_{\mathrm{ij}}}{\mathrm{\Σ}}{(R_{\mathrm{jc}}-\stackrel{\‾}{R_j})}^2}};$

其中，R_ic和R_jc代表两个用户对项目c的评分；和分别代表用户i和用户j在I_ij上的平均评分。

在上述基础上，构建用户-用户相似性矩阵S。其中，s_uv代表用户u和用户v之间的相似程度，且s_uv∈[0,1]。

用户-用户相似性关系矩阵S：

计算信任度，再计算结合相似度和信任的加权值：

h(i,j)＝θ×trust(i,j)+(1-θ)×sim(i,j)；

θ代表加权参数，trust(i,j)代表用户i和j的信任度，sim(i,j)代表相似度，h(i,j)代表两者的加权值。

构建用户关系矩阵H：

2）相同兴趣用户聚类，形成邻居集

根据用户关系矩阵，并利用前面描述的社区发现算法对用户进行聚类，将用户划分为若干社区{C₁,C₂,…,C_n}，每个社区中的用户都具有相同的兴趣爱好，形成邻居集。如果有新用户的加入，也可以通过更新网络，实现用户的重新分类。

3）预测评分，产生推荐

根据目标用户的n个最近邻居对候选项目的评分信息，预测目标用户对候选项目的评分，并选择预测分数最高的前几个项目，作为推荐结果主动推送给目标用户，即产生top-N信息资源推荐。

$P_{u,j}=\stackrel{\‾}{R_u}+\frac{\underset{v\∈N}{\mathrm{\Σ}}\mathrm{trust}(u,v)\×(R_{v,i}-\stackrel{\‾}{R_v})}{\underset{v\∈N}{\mathrm{\Σ}}\mathrm{trust}(u,v)};$

其中，和分别代表用户u和邻居用户v对项目的平均评分；trust(u,v)代表用户u对邻居用户v的信任程度。

直接信任度trust(u,v)也可为传递信任度trust_L(A,B)代替，其计算方法如上所示。

Claims (8)

1.一种基于社交网络的信息推荐方法，其步骤如下： 

步骤1：计算用户之间的信任度和相似性，使用加权值来构建用户关系矩阵； 

步骤2：使用社区发现算法对用户进行聚类，形成用户最近邻居集； 

步骤3：预测评分并生成推荐列表。 

2.根据权利要求1所述的一种基于社交网络的信息推荐方法，其特征在于步骤1中的构建用户关系矩阵其方法如下： 

构建用户-评分矩阵R_m×n： 

m代表用户的个数，n代表项目的个数，r_ij代表用户i对项目j的评分； 

在填充的用户-评分矩阵R_m×n的基础上，用Pearson相关性来计算用户之间的相似度，构建用户-用户相似性矩阵S： 

s_uv代表用户u和用户v之间的相似程度，且s_uv∈[0,1]； 

计算信任度，再计算结合相似度和信任的加权值： 

h(i,j)＝θ×trust(i,j)+(1-θ)×sim(i,j)； 

θ代表加权参数，trust(i,j)代表用户i和j的直接信任度，sim(i,j)代表相似度，h(i,j)代表两者的加权值； 

利用加权值构建用户关系矩阵H： 

3.根据权利要求2所述的一种基于社交网络的信息推荐方法，其特征在于直接信任度为交互信任度、用户之间的共同好友所占比例、用户的评价能力三者的结合，其计算公式为： 

trust(i,j)代表用户i和j的直接信任度，fri(i,j)代表用户之间的共同好友所占比例，fre代表用户的评价能力，comm(i,j)代表用户之间的交互信任度； 

交互信任度的计算公式如下： 

其中，w_i,j代表用户i向用户j发送的消息数量，Σw_i(out)代表用户i向周围用户发送的消息总数； 

用户之间的共同好友所占比例、用户的评价能力的计算公式如下： 

其中，fri(i,j)代表用户之间的共同好友所占比例，fre代表用户的评价能力，n_i和n_j分别代表用户i和j的好友数，n_i∩n_j代表他们的共同好友数；k_i代表推荐用户对i类商品的评价次数，Σk_i代表用户对所有商品种类的评价次数。 

4.根据权利要求1所述的一种基于社交网络的信息推荐方法，其特征在于步骤2中社区发现法的过程如下： 

Step1：计算网络中各个用户的度(和该顶点相关联的边数)，并从中选择度最大的用户i作为初始社区C_i，并初始化模块度Q＝0； 

Step2：找出所有与社区C_i相连接的用户，并把它们放入邻近用户集N中； 

Step3：计算用户集N中的每个用户j对社区C_i的贡献度q，并将对社区具有最大贡献度的用户加入到社区C_i中； 

Step4：计算社区C_i的模块度Q'，若Q'＞Q，则将用户j加入社区C_i成功，并将用户j做上标记，同时更新模块度Q＝Q'，返回Step2继续执行；否则，转Step5； 

Step5：模块度Q已经达到最大值，即当前社区C_i达到划分的最优结果； 

Step6：如果不存在未作标记的用户，网络中的所有社区已检测到，则过程结束；否则，从没有标记的 用户中选择度最大的用户，作为新的初始社区C_i，返回step2继续执行。 

5.根据权利要求4所述的一种基于社交网络的信息推荐方法，其特征在于用户对社区的贡献度q计算方法如下： 

L_in：在无权网络中代表社区内部的连边数；在有权网络中代表社区内部所有边上的权值总和； 

L_out：在无权网络中代表与社区相连的外部连边数；在有权网络中代表与社区相连的外部所有边上的权值总和； 

用户对社区的贡献度q越大，则用户和社区间的联系越紧密。 

6.根据权利要求4所述的一种基于社交网络的信息推荐方法，其特征在于模块度Q的表达方式如下： 

如果是无权网络，模块度Q的表达式如下： 

其中，m为网络的总边数；k_i和k_j分别代表与用户i和用户j的连接边数；A_ij代表网络邻接矩阵，当随机网络连接的用户i和用户j相连时，A_ij＝1，当用户i和用户j不相连时，A_ij＝0；δ(C_i,C_j)为kronecker函数，如果用户i和用户j属于同一社区，则δ(C_i,C_j)＝1，如果不在同一社区，则δ(C_i,C_j)＝0； 

在有权网络中，可定义模块度Q如下： 

其中，W代表网络中所有边的权值的总和，w_i和w_j分别代表与用户i和用户j相连的边的权值总和。 

7.根据权利要求1所述的一种基于社交网络的信息推荐方法，其特征在于步骤3的评分推荐方法如下：根据目标用户的n个最近邻居对候选项目的评分信息，预测目标用户对候选项目的评分，并选择预测分数最高的前几个项目，作为推荐结果主动推送给目标用户，即产生top-N信息资源推荐： 

其中，P_u,i代表用户u对项目i的预测评分，和分别代表用户u和邻居用户v对项目的平均评 分；R_v,i代表用户v对项目i的评分，trust(u,v)代表用户u对邻居用户v的信任程度，N表示用户u的邻居用户候选集。 

8.根据权利要求7所述的一种基于社交网络的信息推荐方法，其特征在于直接信任度trust(u,v)也可为传递信任度trust_L(A,B)代替，其计算方式如下： 

trust_L(A,B)＝trust(A,X₁)×trust(X₁,X₂)×…×trust(X_n,B)； 

其中，X_i表示路径L上用户A和B之间的用户，L(A,B)表示用户A和用户B之间的存在的信任路径，如果信任网络中用户A和用户B之间存在多个的信任路径L(L₁,L₂,…,L_n),(n≥2)，则选取路径L中的最短路径，假如存在k条最短路径，计算公式如下： 

然后按照路径L先短后长的顺序继续计算，若某路径j的计算结果则将路径j算作最短路径之一，并重新计算trust_L(A,B)，当所有路径都计算结束后得到最终的间接信任结果。