基于知識圖譜和重啟隨機游走的跨平臺用戶推薦方法

余敦輝，張蕗怡，張笑笑*，毛 亮

（1.湖北大學計算機與信息工程學院，武漢 430062；2.湖北省教育信息化工程技術研究中心（湖北大學），武漢 430062）

0 引言

隨著互聯(lián)網(wǎng)及大數(shù)據(jù)時代的發(fā)展，信息呈爆炸式增長，面對海量數(shù)據(jù)，用戶如何高效獲取自己需要的信息愈發(fā)困難，因此推薦系統(tǒng)成為各大社交平臺爭先關注和應用的焦點。現(xiàn)有的推薦系統(tǒng)大多建立在單一社交平臺的基礎上，僅僅利用單一平臺中用戶的興趣、發(fā)布的內(nèi)容和歷史記錄等進行用戶推薦，導致對用戶興趣和行為信息了解不夠全面，推薦結(jié)果單一，容易出現(xiàn)數(shù)據(jù)過度擬合現(xiàn)象［1］以及用戶冷啟動問題［2］。例如：用戶在平臺1 上喜歡關注體育類型的博主，在平臺2 上喜歡關注科技類型的用戶，并且對科技類型信息的關注活躍度高于對體育類型的關注，但是平臺1 一直推送關于體育類型的信息和博主給用戶，未能發(fā)掘用戶對科技類型信息和博主的興趣，缺乏對用戶興趣信息的全面了解。

但是，融合多個社交網(wǎng)絡中的數(shù)據(jù)，存在用戶信息獲取困難、關聯(lián)效率較低的問題，因此，如何在跨平臺社交網(wǎng)絡中進行用戶推薦已成為一個研究熱點。

目前眾多學者圍繞社交網(wǎng)絡中的用戶推薦展開研究，其中一部分是研究單一平臺中的用戶推薦：文獻［3］中的協(xié)同過濾（Collaborative Filtering，CF）是使用較廣泛的推薦技術，根據(jù)用戶對物品的評分信息來預測用戶的偏好；然而，協(xié)同過濾系統(tǒng)容易受到不公平評分和稀疏數(shù)據(jù)的影響。文獻［4］中通過基于用戶相似性的重啟隨機游走推薦社交網(wǎng)絡中的事件給用戶，但忽略了跨平臺用戶之間的關聯(lián)。文獻［5］中提出了基于用戶行為特征挖掘的個性化推薦算法，采用顯著數(shù)據(jù)分塊檢測方法進行社交網(wǎng)絡用戶特征的行為信息融合處理；但是僅融合單一平臺的用戶信息，推薦的多樣性仍受到限制。單一平臺用戶信息有限，推薦結(jié)果單一，因此也有很多研究是圍繞跨平臺和跨社區(qū)的用戶推薦展開的：文獻［6］中提出利用源平臺的數(shù)據(jù)豐富目標平臺的數(shù)據(jù)來進行推薦，以此解決目標平臺的數(shù)據(jù)稀疏問題和冷啟動問題；但是源平臺中的數(shù)據(jù)往往有限。文獻［7］中提出跨平臺用戶推薦方法，通過爬取用戶在不同平臺的關聯(lián)賬號匹配關系，根據(jù)平臺的應用程序編程接口（Application Programming Interface，API）獲取用戶數(shù)據(jù)；然而無法獲取沒有關聯(lián)賬號的用戶數(shù)據(jù)，且很多平臺沒有提供API，用戶匹配較為困難。文獻［8］中分析了用戶與用戶之間的互動，建立了跨社區(qū)的開發(fā)者網(wǎng)絡，利用重啟隨機游走實現(xiàn)對開發(fā)者的用戶推薦；但是該方法只考慮了用戶的文本和標簽相似性，僅在特定社區(qū)效果較好，擴展性較差。文獻［9］中提出了結(jié)合用戶社區(qū)和評分矩陣聯(lián)合社區(qū)的推薦模型，在面向聯(lián)合社區(qū)的矩陣中結(jié)合用戶社區(qū)進行矩陣分解；但該模型僅考慮了用戶靜態(tài)興趣偏好與社交關系，忽略了用戶的興趣和關系的動態(tài)變化。

綜上，在推薦系統(tǒng)的研究中，面臨推薦單一、跨平臺用戶匹配效率低的問題，因此，本文提出基于知識圖譜和重啟隨機游走的跨平臺用戶推薦方法（User Recommendation method of Cross-Platform based on Knowledge graph and Restart random walk，URCP-KR），該方法包括基于知識圖譜的跨平臺用戶關系補全算法（Cross-Platform user Relationship Completion algorithm based on Knowledge Graph，RCCP-KG）和基于重啟隨機游走的用戶推薦算法（User Recommendation algorithm based on Restart Random Walk，UR-RRW）。首先，將目標平臺圖譜和輔助平臺圖譜分割匹配得到相似子圖，利用多層循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）得到候選用戶實體，通過用戶篩選匹配兩個不同平臺中可能相同的用戶；然后，通過關系補全將輔助平臺中的用戶信息補全到目標平臺圖譜，完善用戶之間的關系；最后，利用重啟隨機游走算法，獲得具有相似興趣的用戶推薦列表，從而解決跨平臺用戶匹配、推薦單一的問題，提高用戶推薦的準確率及多樣性。

本文的主要工作如下：

1）提出了一種新的跨平臺數(shù)據(jù)融合算法，基于知識圖譜的跨平臺用戶關系補全算法RCCP-KG，把輔助平臺中的相同用戶信息補全到目標平臺圖譜中，實現(xiàn)跨平臺數(shù)據(jù)融合，從而更加全面地刻畫用戶行為，同時發(fā)掘不同平臺間的潛在用戶關系，更加準確地進行相似用戶推薦。

2）提出了一種基于重啟隨機游走的用戶推薦算法URRRW，在傳統(tǒng)隨機游走的基礎上融入用戶興趣信息，提升了推薦的多樣性。

1 整體方案

1.1 相關定義

定義1 社交網(wǎng)絡知識圖譜（Social Network Knowledge Graph，SN-KG）。本文通過社交網(wǎng)絡有向圖構建SN-KG，將用戶作為知識圖譜中的實體，用戶間的關注關系作為關系，用戶屬性作為實體屬性，用戶屬性值作為實體屬性值。

定義2 目標平臺圖譜G=(V，E)，其 中：V={v1，v2，…，vi}是目標平臺圖譜中用戶節(jié)點的集合，vi表示用戶節(jié)點向量；E={e1，2，e2，3，…，ei，j}是目標平臺圖譜中用戶節(jié)點之間邊的集合，ei，j表示用戶節(jié)點vi和vj之間的邊。

定義4 實體關系三元組表示為（頭實體，關系，尾實體）(h，r，t)，邊r的類型統(tǒng)一為“關注”關系，即用戶h關注用戶t。若干三元組的集合H={(h，r，t)|h?V，r?E，t?V}構成一個知識圖譜，如圖1 所示，社交網(wǎng)絡知識圖譜可以表示用戶之間的關注關系。實體屬性三元組表示為（實體，屬性，屬性值）(vi，ai，Va)，其中用戶屬性集合為Ai={a1，a2，…，ai}。

圖1 社交網(wǎng)絡知識圖譜示意圖Fig.1 Schematic diagram of social network knowledge graph

定義5 目標平臺圖譜子圖集合SG={g1，g2，…，gi}，是通過對目標平臺圖譜進行分割得到的子圖集合，其中gi表示目標平臺圖譜的子圖。

定義7 用戶活躍時間關鍵詞序列(vi，Kn)，其中用戶vi在活躍時間t內(nèi)的發(fā)表的博文內(nèi)容關鍵詞kn按照時間先后順序構成Kn={k1，k2，…，kn}。

1.2 整體框架

本文設計和實現(xiàn)了基于知識圖譜和重啟隨機游走的跨平臺用戶推薦方法，其中包括RCCP-KG算法和UR-RRW 兩個算法。具體實現(xiàn)過程如下：

1）利用社區(qū)檢測實現(xiàn)目標平臺圖譜和輔助平臺圖譜的圖分割和子圖匹配，得到相似子圖；

2）通過輸入用戶活躍時間關鍵詞序列訓練RNN 模型得到候選用戶實體集合；

3）通過網(wǎng)絡拓撲結(jié)構特征相似度和用戶畫像相似度對用戶實體進行篩選，得到跨平臺相同用戶，實現(xiàn)實體鏈接；

4）將相同用戶在輔助平臺圖譜的關系補全到目標平臺圖譜；

5）通過重啟隨機游走在目標平臺圖譜的社區(qū)中找到興趣相似程度高的用戶，形成用戶推薦列表，實現(xiàn)跨平臺用戶推薦。

方法整體框架如圖2所示。

圖2 本文方法整體框架Fig.2 Overall framework of the proposed method

2 基于知識圖譜的跨平臺用戶關系補全算法

用戶在不同平臺所關注的內(nèi)容和興趣點可能不同，但同一用戶的個人信息、好友以及影響力等具有極大的相似性。因此，識別兩個平臺中的相同用戶問題，轉(zhuǎn)換為匹配兩個知識圖譜中相同用戶節(jié)點的問題。本章提出RCCP-KG 算法。首先，利用社區(qū)檢測算法將目標平臺圖譜和輔助平臺圖譜分割為不同的子圖，匹配跨平臺中相似的子圖；然后在相似子圖中利用多層循環(huán)神經(jīng)網(wǎng)絡預測候選實體，再通過圖譜的拓撲結(jié)構、用戶畫像相似度篩選出相似度最高的用戶節(jié)點對；最后將相同用戶在輔助平臺圖譜中的關系補全到目標平臺圖譜，實現(xiàn)跨平臺間的用戶關系補全。

2.1 基于社區(qū)檢測的圖譜分割及子圖匹配

由于社交網(wǎng)絡圖譜用戶數(shù)量龐大，直接匹配跨平臺間的相似用戶工作量較大，且誤差較高，因此，本文首先將圖譜分割為相似子圖，然后在子圖中匹配相似用戶。

Louvain 是一種基于模塊度的社區(qū)發(fā)現(xiàn)算法［10］，通過模塊度來衡量一個社區(qū)的緊密程度。關聯(lián)關注緊密的用戶可以分割在同一子圖中，能夠更好地體現(xiàn)用戶群體的特性，便于子圖相似性匹配。

首先使用Louvain 算法將目標平臺圖譜和輔助平臺圖譜分割為不同的子圖集合SG={g1，g2，…，gi}和SG′=；然后，利用Pearson 矩陣相似度計算方法［11］匹配目標平臺圖譜子圖集合和輔助平臺圖譜子圖集合中相似子圖對；接下來在相似子圖對中匹配相同節(jié)點對。

2.2 基于多層循環(huán)神經(jīng)網(wǎng)絡的用戶實體預測

首先，利用目標平臺圖譜中的用戶實體和博文關鍵詞序列訓練多層循環(huán)神經(jīng)網(wǎng)絡；然后，將輔助平臺圖譜中的實體輸入多層循環(huán)神經(jīng)網(wǎng)絡，經(jīng)過用戶相似度計算，得到在輔助平臺圖譜中與輸入實體匹配的多個候選用戶實體；最后，利用網(wǎng)絡拓撲結(jié)構特征相似度和用戶畫像相似度對候選用戶實體進行篩選，選出相似度最高的一個用戶實體，與輸入實體vi組成相似用戶節(jié)點對vi=。

2.2.1 基于多層循環(huán)神經(jīng)網(wǎng)絡的候選用戶實體預測

用戶活躍在不同平臺的時間可能相同也可能是錯開的，但是發(fā)布的內(nèi)容可能是相同的。目前很多社交網(wǎng)絡平臺允許用戶分享相同的內(nèi)容到其他的社交平臺中，如知乎允許用戶將發(fā)布的內(nèi)容同時分享到微博。例如，18：00，A 用戶在知乎上發(fā)布了一條動態(tài)，同時將此動態(tài)分享到微博。因此，用戶在不同平臺發(fā)布內(nèi)容和時間是判斷是否為同一用戶的重要內(nèi)容。并且，用戶活躍時間關鍵詞序列可以近似地看作是一個由詞組成的句子。

RNN 是一種神經(jīng)序列模型，已經(jīng)在語言建模和機器翻譯等許多自然語言處理任務上取得了優(yōu)良的表現(xiàn)。知識圖譜中的三元組（實體，關系，實體）由句子提取，本質(zhì)上是具有序列性的。Guo等［12］在RNN的基礎上提出了一種用于知識圖譜補全的深度序列模型（Deep Sequential model for Knowledge Graph completion，DSKG），此模型具有序列特性，給定三元組中的頭實體和關系，能夠預測尾實體。DSKG 使用不同的RNN 單元處理實體v和關系r。根據(jù)模型DSKG，本文選取用戶的博文關鍵詞取代關系進行訓練。

因此，本文設計了一種基于多層RNN 的實體預測模型（Entity Prediction model based on Multilayer RNN，EPMRNN），如圖3 所示，輸入層為用戶vi活躍時間關鍵詞序列(vi，Kn)，然后通過多層RNN 訓練得到用戶vi隱藏狀態(tài)hi，中間層輸入是輔助平臺圖譜用戶，輸出層是目標平臺用戶與輔助平臺用戶的相似度概率。

圖3 基于多層RNN的實體預測模型Fig.3 Entity prediction model based on multi-layer RNN

如圖4 所示，給出了兩層RNN，其中c1、c2、c3、c4全都是各不相同的RNN 單元。使用c1、c2處理實體vi，使用c3、c4處理關鍵詞ki。

圖4 兩層RNN示意圖Fig.4 Schematic diagram of two-layer RNN

c表示一個RNN 單元，它將之前的隱藏狀態(tài)和當前元素作為輸入，預測下一個隱藏狀態(tài)，計算如下：

得到隱藏狀態(tài)之后，預測用戶實體的隱藏狀態(tài)hv與輔助平臺用戶實體概率：

最后，通過最小化真實值和預測值間的交叉熵損失來訓練模型。

其中：qi為預測概率分布，pi為真實的概率分布。

與用戶vi相似度概率值大于等于閾值δ的輔助平臺用戶構成候選用戶實體集Cv=，進入下一步篩選。

2.2.2 基于網(wǎng)絡拓撲結(jié)構特征相似度的用戶實體篩選

根據(jù)網(wǎng)絡拓撲結(jié)構特征相似度將用戶vi與其候選用戶實體集合Cv=中的用戶進行篩選。目標平臺圖譜節(jié)點vi的網(wǎng)絡拓撲結(jié)構特征集合為由度中心性［13］DC(i)和聚類系數(shù)［14］CLi構成，計算如下：

使用余弦相似度計算目標平臺圖譜網(wǎng)絡子圖節(jié)點vi和輔助平臺圖譜中的候選節(jié)點的拓撲結(jié)構特征相似度：

在Cv=中，篩選出拓撲結(jié)構特征相似度大于等于拓撲結(jié)構特征相似度閾值λ的用戶，組成新的候選用戶集合，進入下一步基于用戶畫像相似度的用戶實體篩選。

2.2.3 基于用戶畫像相似度的用戶實體篩選

用戶在社交網(wǎng)絡中的公開信息可以用于描述一個人的特征。使用用戶畫像可以快速、有效地描述社交網(wǎng)絡中用戶的個人信息及特征，如性別、年齡、職業(yè)、所在地、畢業(yè)院校等客觀信息。聯(lián)系電話和電子郵箱可以標識唯一的用戶，因此，如果不同平臺用戶節(jié)點的聯(lián)系電話或者電子郵箱相同，則認為是同一用戶［15］。

首先，使用Word2vec［16］方法把用戶實體的畫像和屬性Ai信息轉(zhuǎn)化為畫像特征向量F，進而通過用戶畫像的相似性度量用戶節(jié)點的相似性。計算目標平臺圖譜用戶與候選用戶集合中用戶的用戶畫像相似度SimF(vi，)：

其中：F目標平臺圖譜節(jié)點的用戶畫像特征向量，F(xiàn)′為候選用戶集合中的用戶畫像特征向量。

2.3 基于輔助平臺圖譜的目標平臺圖譜關系補全

首先，通過廣度優(yōu)先遍歷［17］，獲取目標平臺圖譜用戶節(jié)點vi所有的關系集合Ri={ri1，ri2，…，rij}，其中關系為一階關系，即記錄可到達的下一個鄰接用戶節(jié)點的路徑，rij=vi→vj。同理，在輔助平臺圖譜中獲取相似子圖中用戶節(jié)點vi的所有路徑集合。然后，根據(jù)上一節(jié)識別出的所有相同用戶節(jié)點隊，將輔助平臺圖譜路徑中的相同用戶替換為目標平臺圖譜的用戶，去除相同的關系，即得到用戶vi需要補全的關系集合Ri。

目前各高校圖書館還不具備專業(yè)的布展設施，往往根據(jù)臨時的展覽活動需求及展覽規(guī)模，在館內(nèi)現(xiàn)有空間內(nèi)因地制宜尋找相應的展覽地點，并根據(jù)需要、展品珍貴程度、財力大小選擇租用陳列柜。但這在展覽的呈現(xiàn)效果及專業(yè)度上都顯得不足，展柜等配置不能與展品良好地匹配，無法營造較為專業(yè)化的觀展體驗。

同理，獲取子圖中所有節(jié)點需要補全的關系集合。

當目標平臺圖譜中缺少輔助平臺圖譜的相似用戶節(jié)點時，建立對應的虛擬節(jié)點與之替換，當新的節(jié)點出現(xiàn)在目標平臺圖譜時，可以與之比較，建立相應關系。

最后，按照關系集合中的關系，補全目標平臺圖譜中節(jié)點之間的關系。

2.4 算法執(zhí)行過程

算法1 RCCP-KG算法。

輸入 目標平臺圖譜G=(V，E)，輔助平臺圖譜G′=(V′，E′)，用戶博文的時間關鍵詞序列(vi，Kn)；

輸出 關系補全后的目標平臺圖譜G=(V，E)。

3 基于重啟隨機游走的用戶推薦算法

傳統(tǒng)的隨機游走算法利用網(wǎng)絡的拓撲結(jié)構，只考慮圖的出度和入度，忽略了節(jié)點本身的特性。因此本文提出了基于重啟隨機游走的用戶推薦算法UR-RRW，在補全后的目標平臺圖譜中，融合用戶興趣和用戶間關系，采用重啟隨機游走完成用戶推薦。社交網(wǎng)絡知識圖譜中的部分重啟隨機游走，如圖5所示。

圖5 重啟隨機游走示意圖Fig.5 Schematic diagram of restart random walk

在補全后的目標平臺圖譜中，首先，確保用戶節(jié)點間有較高的緊密連接，使用社區(qū)檢測Louvain算法再次將用戶實體進行社區(qū)劃分，得到社區(qū)集合S={s1，s2，…，si}，然后在每個社區(qū)中建立用戶興趣相似度矩陣，通過隨機游走來尋找相似用戶，計算用戶間游走的平穩(wěn)概率值，將其降序排列得到用戶推薦列表。

3.1 用戶興趣相似度矩陣建立

首先，通過社區(qū)檢測將用戶劃分成不同社區(qū)。在目標平臺圖譜，對于新添加的關系，給予與輔助平臺圖譜中相同的權重值。在原有社區(qū)的基礎上，再次利用社區(qū)檢測Louvain 算法，重新對社區(qū)內(nèi)的用戶節(jié)點進行模塊度計算［18］。根據(jù)模塊度變化值，增加或刪除社區(qū)內(nèi)的節(jié)點，最終確定目標平臺圖譜中的社區(qū)劃分，得到新的社區(qū)集合S={s1，s2，…，si}。

然后，定義用戶的興趣相似度矩陣。用戶間興趣相似度需滿足以下條件：

1）同一社區(qū)的用戶間共同關注的用戶的類型種類數(shù)li越多，則相似度越高；

2）同一社區(qū)的用戶間對單一類型用戶的關注次數(shù)Ni越多，則相似度越高。

為滿足以上條件，定義矩陣M∈Rn×n，矩陣元素mij為vi∈V與vj∈V之間的相似度評分，如用戶間無共同關注則mij=0，其形式如式（11）所示：

其中：lij為用戶vi與用戶vj共同關注用戶的類型權重，li和lj分別是用戶vi與用戶vj關注的用戶類型種類數(shù)；zij為用戶vi與用戶vj共同關注用戶的次數(shù)權重。

對M進行歸一化處理得到用戶興趣相似度矩陣M′。

3.2 基于重啟隨機游走的用戶推薦

本文采用基于用戶興趣相似度的重啟隨機游走算法，將得到的用戶興趣相似度矩陣M作為概率轉(zhuǎn)移矩陣并輸入到重啟隨機游走模型中，通過歸一化的用戶興趣相似度矩陣計算得到平穩(wěn)概率值［4］。

其中：yLast為經(jīng)過n步游走后所得到的平穩(wěn)概率值；θ為下一步游走到其最近鄰節(jié)點的概率，θ為可調(diào)參數(shù)，通過實驗驗證θ取0.1；y0為用戶的列向量，是向量y的初始向量，向量y中的每一項值代表著從用戶vi經(jīng)過n步游走后到達各個節(jié)點的概率值。

最后將平穩(wěn)概率值yLast進行降序排序，形成用戶推薦列表RL={u1，u2，…，uj}，將 用戶列表中未關注的用戶進行推薦。

3.3 算法執(zhí)行過程

算法2 UR-RRW。

輸入 目標平臺圖譜G=(V，E)；

輸出 用戶推薦列表RL={u1，u2，…，uj}。

4 實驗與分析

本實驗選取經(jīng)典的協(xié)同過濾（CF）算法［3］、基于跨平臺的在線社交網(wǎng)絡用戶推薦算法（User Recommendation algorithm based on Cross-Platform online social network，URCP）［7］，以及使用重啟隨機游走的基于多開發(fā)者社區(qū)的用戶推薦算法（User Recommendation algorithm based on Multi-developer Community，UR-MC）［8］作為對比方法與本文提出的URCP-KR方法相比較。當改變用戶數(shù)量、用戶平均關聯(lián)關系數(shù)量以及用戶平均博文數(shù)量時，本文選取精確率pre（precision）、召回率rec（recall）、F1 值F1、覆蓋率cov（coverage）作為評價指標，具體指標介紹及公式如下：

精確率pre為正確推薦用戶數(shù)TP與推薦列表用戶總數(shù)|RL|的比值：

召回率rec為正確推薦用戶數(shù)TP與目標平臺中的好友總數(shù)FN的比值：

F1值均勻地反映了推薦效果：

覆蓋率cov為推薦用戶總量|RL|與總用戶數(shù)量|V|的比值，反映推薦的多樣性：

4.1 實驗環(huán)境

本實驗在具有2.8 GHz Inter Core i7 處理器和16 GB 內(nèi)存的機器上運行，操作系統(tǒng)為Windows 10，編程語言為Python。

4.2 實驗數(shù)據(jù)

本實驗選取微博作為目標平臺，選取知乎作為輔助平臺圖譜。從微博和知乎采集了用戶信息及其發(fā)布內(nèi)容，把從已知的實名認證的用戶作為起始節(jié)點爬取用戶相關信息。通過深度優(yōu)先搜索的方法采集節(jié)點的鄰居信息，根據(jù)小世界理論［19］，本文將深度優(yōu)先搜索的深度設置為4。數(shù)據(jù)集包含用戶的21 萬條微博數(shù)據(jù)，19 萬條知乎數(shù)據(jù)，共36 萬對用戶間關注關系數(shù)據(jù)。

4.3 參數(shù)設置

本文中用戶相似度概率閾值β、拓撲結(jié)構特征相似度閾值λ和重啟隨機游走可調(diào)參數(shù)θ通過在測試集數(shù)據(jù)上實驗，根據(jù)用戶推薦F1 值的變化確定。由圖6 可知，當β=0.4，λ=0.6，θ=0.1時，用戶推薦的F1值最優(yōu)。

圖6 F1值隨λ、β和θ的變化結(jié)果Fig.6 F1 changing with λ，β and θ

表1 實驗參數(shù)表Tab.1 Experimental parameter table

4.4 實驗結(jié)果分析

將數(shù)據(jù)分為訓練集和測試集，其中訓練集用于訓練模型，測試集用于衡量模型的性能。使用十折交叉驗證，訓練集采用總數(shù)據(jù)集的90%數(shù)據(jù)量，測試集使用10%。

由圖7 可知，在用戶數(shù) |V| 較小時，本文提出的URCP-KR方法在精確率、召回率、F1 值和覆蓋率都要優(yōu)于對比方法；隨著用戶數(shù)量的不斷增加，由于用戶數(shù)量增長幅度比用戶推薦數(shù)量增加幅度大，因此四種方法精確率、召回率和F1 值都有所下降，但是URCP-KR 方法下降趨勢緩慢；在覆蓋率方面，URCP-KR 方法先增后減，當用戶數(shù)量為60 000 時，覆蓋率最高為88.42%，推薦多樣性優(yōu)于對比方法。

圖7 用戶數(shù)|V|變化時各方法的度量指標對比Fig.7 Comparison of metrics of each method when changing user numbers|V|

由圖8 可知，隨著用戶平均關聯(lián)關系數(shù)rn不斷增加，URCP-KR 方法的精確率先增加后減小，當用戶平均關聯(lián)關系數(shù)量為40 時精確率達到最大，為95.31%；覆蓋率方面逐步增加。因為URCP-KR 方法將不同平臺的用戶關系進行融合，豐富了目標平臺的用戶關系。CF 算法和UR-MC 算法則隨用戶平均關聯(lián)關系數(shù)量增加到一定程度而受到用戶評分數(shù)量和用戶標簽數(shù)量的限制。

圖8 rn變化時各方法的度量指標對比Fig.8 Comparison of metrics of each method when changing average number of user relationships rn

由圖9 可知，隨著用戶平均博文數(shù)pb增加，URCP-KR 方法的精確率和覆蓋率逐步增加并趨于平穩(wěn)，因為用戶博文數(shù)據(jù)越多，實體鏈接效率越高。同樣，URCP 算法獲取到的用戶興趣愛好主題數(shù)量增加，推薦精確率和覆蓋率有較大的提高；但由于URCP算法通過API獲取相同用戶數(shù)量的有限性，因此推薦效果受限。

圖9 pb變化時各方法的度量指標對比Fig.9 Comparison of metrics of each method when changing average number of user’s blogs pb

5 結(jié)語

在跨平臺推薦系統(tǒng)環(huán)境下，本文提出了基于知識圖譜和重啟隨機游走的跨平臺用戶推薦方法。首先，提出了基于知識圖譜的跨平臺用戶關系補全算法RCCP-KG，利用改進的多層RNN 預測出候選用戶實體，篩選出不同平臺中可能相同的用戶；然后，通過關系補全將輔助平臺圖譜中的用戶信息補全到目標平臺，完善用戶之間的關系；最后，提出了基于重啟隨機游走的用戶推薦算法UR-RRW，利用重啟隨機游走算法計算同一社區(qū)中用戶的相似性，形成用戶推薦列表，從而解決跨平臺用戶推薦問題，提高用戶推薦的準確率及多樣性。未來將對實體及關系消歧進行研究，增強跨平臺間相同用戶的匹配，進一步提高跨平臺用戶間的推薦準確性和多樣性。