Hadoop实例：二度人脉与好友推荐

最新推荐文章于 2020-01-02 14:58:52 发布

前进的菜鸟

最新推荐文章于 2020-01-02 14:58:52 发布

阅读量2.7k

点赞数

分类专栏： python hadoop 文章标签： MapReducer python hadoop 社交网络二度推荐

本文链接：https://blog.csdn.net/haoni123321/article/details/14168415

版权

本文介绍了如何利用Hadoop的MapReduce框架，通过二度人脉理论实现社交网络的好友推荐功能。首先，通过分析用户关注关系构成的图，筛选出可能的二度好友。接着，通过两轮MapReduce操作，确定最终的推荐好友，其中第二轮MapReduce确认二度好友关系，并计算支持数。

摘要由CSDN通过智能技术生成

在新浪微博、人人网等社交网站上，为了使用户在网络上认识更多的朋友，社交网站往往提供类似“你可能感兴趣的人”、“间接关注推荐”等好友推荐的功能。一直很好奇这个功能是怎么实现的。其实，社交网站上的各个用户以及用户之间的相互关注可以抽象为一个图。以下图为例：

顶点A、B、C到I分别是社交网站的用户，两顶点之间的边表示两顶点代表的用户之间相互关注。那么如何根据用户之间相互关注所构成的图，来向每个用户推荐好友呢？可能大家都听说过六度人脉的说法，所谓六度人脉是指：地球上所有的人都可以通过五层以内的熟人链和任何其他人联系起来。通俗地讲：“你和任何一个陌生人之间所间隔的人不会超过六个，也就是说，最多通过六个人你就能够认识任何一个陌生人。”其实这个理论在社交网络中同样成立。
现在我们以上图为例，介绍下如何利用用户之间相互关注所构成的图，来向每个用户推荐好友。首先我们不得不假设的是如果两用户之间相互关注，那么我们认为他们认识或者说是现实中的好友，至少应该认识。假设我们现在需要向用户I推荐好友，我们发现用户I的好友有H、G、C。其中H的好友还有A，G的好友还有F，C的好友还有B、F。那么用户I、H、G、C、A、B、F极有可能是同一个圈子里的人。我们应该把用户A、B、F推荐给用户I认识。进一