结合物品相似性的社交信任推荐算法

随着互联网的快速发展,用户很难在大量的网络数据中找到自己感兴趣的内容,而推荐系统能帮助解决这一问题.传统的推荐系统仅依赖用户历史行为数据进行推荐,存在数据稀疏和冷启动的问题.将社交网络信息融入推荐系统中被证明能够有效地解决传统推荐系统的问题,提高了推荐质量.但是,大部分基于社交网络的推荐仅关注用户之间的单向信任关系,忽...     

跨社交网络用户识别综述

随着互联网的快速发展,社交网络不断影响着人们的生活方式,其使用率也在不断提高。随着社交网络的发展以及其多样性的特征,用户可能同时具有多个社交网络的账号。如果能够识别出同一用户在不同社交网络中的账号,就能够整合出该用户较为全面的信息,从而挖掘出一些隐藏的信息,对于好友推荐、广告推荐、信息扩散的研究也很有帮助。目前用户识别研究主要是基于用户属性的用户识别和基于社交关系的用户识别。随着用户越来越注重个人隐私保护,社交网络的数据获取限制越来越严格,用户识别也面临巨大挑战。近年来,跨社交网络用户识别也受到学术界的广泛关注。本文整理和归纳了跨社交网络用户识别研究现状,并对未来的研究方向做出展望。     

融合用户历史行为与社交关系的个性化社交事件推荐方法

为了提升基于事件的社交网络（EBSN）中社交事件的推荐效果,提出了融合用户历史行为和社交关系的个性化社交事件推荐方法。首先采用深度学习技术从用户的历史行为以及用户之间的潜在社交关系两个方面建立用户模型;然后在对用户偏好建模时,引入用户偏好的负向量表示,并使用注意力权重层根据不同的候选推荐事件为用户历史行为中不同的事件和用户社交关系中不同的好友分配不同的权重,同时考虑了事件以及群组的多种特征;最后在真实数据集上进行了大量实验。实验结果表明,该个性化社交事件推荐方法在命中率（HR）、归一化折损累计增益（NDCG）、平均倒数排名（MRR）评价指标上优于对比的深度用户社交事件推荐（DUMER）模型和融合注意力机制的深度兴趣网络（DIN）模型。     

融合社交关系与时间因素的主题模型推荐算法

用户的行为偏好往往会受到社交关系、时间变化等多种因素影响,只考虑单一因素会导致构建的用户兴趣模型比较片面,难以准确地产生推荐。为此,融合用户社交关系和时间因素,提出一种主题模型推荐算法。利用主题模型对用户标注行为进行主题建模,得到用户-物品概率矩阵。根据用户标注物品的时间计算用户标注行为的时间权重,将其与用户的标注行为权重相结合,计算基于时间的用户相似度。对用户的社交关系与基于时间的用户相似度进行加权处理得到用户的权重,在此基础上,考虑其他用户的影响,计算用户对物品最终的偏好权重,并根据排名产生推荐结果。在Last.fm数据集上的实验结果表明,该算法能更全面地考虑用户特征,有效提高推荐的质量。     

一种基于用户互动话题的微博推荐算法

随着社交网络的发展,微博逐渐成为人们获取信息的重要来源。然而随着用户的增多,微博中的信息过载问题也越来越严重,如何快速准确地为用户推荐感兴趣的微博已经成为研究的热点。与传统的推荐技术不同,微博中的用户具有天然的社交关系,这为推荐算法提供了额外的用户信息,因此,融合了用户社交关系的社会化推荐方法日益受到重视。但是,现有的方法大多只利用了固定的用户社交关系或简单的互动行为,事实上,用户互动行为的出发点必然是用户与好友的共同兴趣,具有明显的话题相关性。该文从话题层面来分析用户的互动关系,提出了度量互动关系在话题上强弱度的方法,通过有效地融合互动关系的话题特征,最终提出了改进的微博推荐模型IBCF。实验结果表明,与现有的社会化推荐方法相比,该文提出的新方法在MAP和NDCG等指标上取得了更好的推荐效果,而且为推荐结果提供了更明确的可解释性。     

基于用户偏好特征挖掘的个性化推荐算法

为了提升社交网络个性化推荐能力,结合用户行为分布进行个性化推荐设计,文中提出基于用户行为特征挖掘的个性化推荐算法,构建社交网络的用户行为信息特征挖掘模型,采用显著数据分块检测方法对社交网络用户特征的行为信息进行融合处理,提取反映用户偏好的语义信息特征量。从情感、关键词和结构等方面根据用户行为特征组,结合模糊信息感知方法进行社交网络个性化推荐过程中的信息融合处理,在关联规则约束控制下,构建社交网络用户偏好特征的混合推荐模型,实现用户偏好特征挖掘,根据语义分布和用户的行为偏好实现社交网络的个性化信息推荐。仿真结果表明,采用所提方法进行社交网络个性化推荐的特征分辨能力较好,对用户行为特征的准确识别能力较强,提高了社交网络推荐输出的准确性。     

一种面向获取空间信息的潜在好友推荐算法

随着社交网络的不断发展,朋友推荐已成为各大社交网络的青睐对象,在能够帮助用户拓宽社交圈的同时可以通过新朋友获取大量信息.由此朋友推荐应该着眼于拓宽社交圈和获取信息,然而传统的朋友推荐算法几乎没有考虑从获取信息的角度为用户推荐潜在好友,大多是依赖于用户在线的个人资料和共同的物理空间中的签到信息.而由于人们活动具有空间局部性,被推荐的好友分布在用户了解的地理空间,并不能够满足用户通过推荐的朋友获取更多地理信息的需求.本文采用用户在物理世界中的签到行为代替虚拟社交网络中的用户资料,挖掘真实世界中用户之间的签到行为的相似性,为用户推荐具有相似的签到行为且地理位置分布更广泛的陌生人,能够增加用户接受被推荐的陌生人成为朋友的可能性和在保证一定的推荐精度的基础上增加用户的信息获取量.本文采用核密度估计估算用户签到行为概率分布,用时间熵度量签到行为在时间上的集中程度,选择可以为用户带来更多新的地理信息的陌生人作为推荐的对象,通过大规模Foursquare的用户签到数据集验证本文的算法在精度上保证了与目前已有LBSN上陌生人推荐算法的相似性,在信息扩大程度上高于上述已有算法.     

一种基于社区分类的社交网络用户推荐方法

社交网络上的用户推荐是目前计算机领域研究的热门问题。已有的社交网络推荐算法对于多主题的社交网络下的相关用户的推荐效果不佳。针对此问题,对社交网络的主题分类方法进行了研究与讨论,在此基础上提出了基于主题的用户社区分类方法,并根据分类信息给出一种新的社交网络用户推荐方法。经实验验证,该方法能有效地提高推荐的准确性并降低时间复杂度。     

融合地点影响力的兴趣点推荐算法

为解决兴趣点（POI）推荐不准确和效率低的问题,深入分析社交因素和地理位置因素的影响,提出了一种融合地点影响力的POI推荐算法。首先,为了解决签到数据稀疏的问题,将2-度好友引入协同过滤算法中构建了社交影响模型,通过计算经历和好友相似度获取2-度好友对用户的社交影响;其次,深入考虑地理位置因素对POI推荐影响,在对社交网络分析的基础上构造了地点影响力模型,通过PageRank算法发现用户影响力,结合POI被签到次数计算地点影响力,获取准确的整体位置偏好,并使用核密度估计方法对用户签到行为建模和获取个性化地理位置特征;最后,融合社交模型和地理位置模型提高推荐准确性,并通过构造POI推荐候选集来提高推荐效率。在Gowalla和Yelp签到数据集上实验,结果表明所提算法能够快速完成POI推荐,在准确率和召回率指标上明显优于融合时间因素的位置推荐（LRT）和融合地理社交因素的个性化位置推荐（iGSLR）算法。     

基于社交关系和用户偏好的多样性图推荐方法

以协同过滤为代表的传统推荐算法能够为用户提供准确率较高的推荐列表,但忽略了推荐系统中另外一个重要的衡量标准:多样性。随着社交网络的日益发展,大量冗余和重复的信息充斥其间,信息过载使得快速、有效地发现用户的兴趣爱好变得更加困难。针对某个用户推荐最能满足其兴趣爱好的物品,需要具备显著的相关度且能覆盖用户广泛的兴趣爱好。因此,基于社交关系和用户偏好提出一种面向多样性和相关度的图排序框架。首先,引入社交关系图模型,综合考虑用户及物品之间的关系,以更好地建模它们的相关度;然后,利用线性模型融合多样性和相关性两个重要指标;最后,利用Spark GraphX并行图计算框架实现该算法,并在真实的数据集上通过实验验证所提方法的有效性和扩展性。     

基于数据挖掘的移动广告个性化推荐研究

移动互联网目前已经成为当今最具潜力的市场之一,与此同时,移动广告作为一种新兴的网络营销模式也得以迅速发展起来。诸多企业已经把目标投放在移动广告市场这一领域。当前,移动广告主要利用传统的广告定位策略,通过应用程序展示触发客户需求并以此来进行传播,从而导致移动用户被动地接受一些并不感兴趣的广告内容,严重干扰了用户的正常使用,甚至会泄露用户的个人隐私。文中从分析用户个人的行为和如何定位用户的实时位置出发,研究基于移动互联网下广告个性化推荐策略,提出研究模型,开发基于用户位置和兴趣的实时广告推荐服务系统。     

用于社交推荐的增强影响扩散模型

随着网络上创建连接、协作、共享的全新变革方式的出现,互联网上丰富的社交行为现象引起了研究者和实践者的关注.近年来,随着社交网络平台的普及与推广,基于社交网络的推荐系统也成为了个性化推荐领域的研究热点之一,社交推荐系统可以利用社交网络来缓解传统的推荐算法中数据稀疏性问题.在社交网络中,社交关系影响起着重要作用,而用户信任是社交关系形成的基础,每一个用户会受到其信任的用户影响,这些被信任的用户也会被自己的社交关系所影响,这就表明了联系在一起的用户会相互影响,导致社交联系之间的用户偏好具有相似性.用户的信任关系影响着用户偏好的推断,同时用户受到其信任用户的社交关系影响,而这些社交关系影响在社交网络中递归传播和扩散.因此,基于社交推荐算法研究的关键就在于信任信息的挖掘和利用.在基于社交网络的推荐领域中,比较有代表性的模型为Diff Net,该模型未充分考虑到信任问题,同时,在递归计算长距离的社交关系时,有额外的噪声,影响推荐预测的质量.本文提出了基于Diff Net改进的社交推荐模型-EIDNet.首先,该模型在模拟社交关系影响扩散过程时,通过用户对物品的历史交互记录建立用户间的信任关系,并融...     

基于LSH的隐私保护POI推荐算法

基于位置的社交网络利用用户的签到数据进行兴趣点(POI)推荐,但是出于对数据隐私的考虑,各种社交平台之间不愿意直接共享数据。为综合各个社交平台的数据从而提供更好的POI推荐服务,提出一种基于局部敏感哈希(LSH)的隐私保护POI推荐算法。通过LSH选取相似用户集合,极大地减少计算量,满足用户的快速响应需求。利用LSH和Paillier同态加密技术,在计算过程中保护数据隐私不被泄露。真实数据集上的实验结果表明,在响应时间和预测准确度上,该算法优于传统基于用户的协同过滤推荐算法。     

基于矩阵分解的社交网络正则化推荐模型

社交网站的快速发展和普及使得实现高效的好友推荐成为了一个热点问题,而矩阵分解算法是被业界广泛采用的方法.虽然传统的矩阵分解算法能够带来良好的效果,但是仍然存在一些问题.首先,算法没有充分利用用户之间的社交网络结构化关系;其次,算法依赖的用户-物品评分矩阵只有二级评分不能充分表达用户的喜好.提出了一种基于矩阵分解的社交网络正则化推荐模型,利用社交网络中用户的近邻关系进行建模,并将其作为一种辅助信息融合到矩阵分解模型当中,该模型能够解决传统矩阵分解面临的问题.通过在腾讯微博数据集上进行实验对比,验证了本文提出的方法与传统的推荐方法相比能取得更高的推荐平均准确度.     

社交网络更偏向于用户工具

判断一个互联网应用是否能持久发展,最根本的就是有用没有,能否给用户带来价值？对亏社交网络产品而言,这一点变得更加重要。根本上讲,社交网络更偏向才用户工具。     

位置社交网络中基于评论文本的兴趣点推荐

随着位置社交网络(Location-Based Social Networks,LBSN)的快速发展,兴趣点(Point-Of-Interest,POI)推荐对于用户和商家愈发重要。目前基于社交网络的兴趣点推荐算法主要利用用户的历史签到数据和社交网络数据来提升推荐质量,但忽略了利用兴趣点的评论文本数据;并且LBSN中的数据经常会存在部分信息缺失的情况, 对兴趣点推荐算法而言如何保证鲁棒性是一个巨大的挑战。为此,提出了一种新的用户兴趣点推荐模型,称其为SoGeoCom模型。该模型融合了用户社交网络数据、地理位置数据以及兴趣点的评论文本数据这3个因素来进行兴趣点推荐。基于来自Yelp的真实数据集的实验结果表明,与其他主流的兴趣点推荐算法相比,SoGeoCom模型能够提高准确率和召回率,并且具有良好的鲁棒性,获得了更好的推荐效果。     

基于用户行为挖掘的融合社交网络推荐模型

采用大数据处理技术和并行计算方法进行融合社交网络的用户行为特征的挖掘,实现社交网络智能推荐,提出一种基于用户行为挖掘的融合社交网络推荐模型。采用关联规则分布模型进行融合社交网络的用户行为特征检测,提取融合社交网络的用户行为的本体信息和关联规则项,构建社交网络的联合推荐的模糊决策模型,计算融合社交网络用户行为的联合信息熵特征值,采用模糊C均值聚类方法对提取的特征量进行分类识别,根据分类识别结果实现用户行为挖掘和融合社交网络的自适应推荐。仿真结果表明,采用该方法进行融合社交网络的用户行为特征挖掘的查准率较高,推荐的置信度水平较高。     

融合社交行为和标签行为的推荐算法研究

针对传统推荐算法忽略用户社交影响、研究角度不全面和缺乏物理解释等问题,提出一个融合社交行为和标签行为的推荐算法。首先用引力模型计算社交网络中用户节点之间的吸引力来度量用户社交行为的相似性;其次通过标签信息构建用户喜好物体模型,并使用引力公式计算喜好物体之间的引力来度量标签行为的相似性。最后,引入变量融合两方面信息,获取近邻用户,产生推荐。采用Last.fm数据集进行实验研究,结果说明推荐算法的准确率和召回率更高。     

动态融合社交信息的社会化推荐

针对推荐算法中的数据稀疏问题,通常引入社交数据作为辅助信息进行社会化推荐。传统的社会化推荐算法忽略用户的兴趣迁移,导致模型无法描述用户兴趣的动态变化特征,也忽略了社交影响的动态特性,导致模型将很久以前的社交行为与近期社交行为同等对待。针对这两点提出一种社交信息动态融合的社会化推荐模型SLSRec。首先,利用自注意力机制构建用户交互物品的序列模型,以实现对用户兴趣的动态描述;然后,设计具有时间遗忘的注意力机制对社交短期兴趣进行建模,并设计具有协同特性的注意力机制对社交长期兴趣进行建模;最后,融合社交的长短期兴趣与用户的短期兴趣来获得用户的最终兴趣并产生下一项推荐。利用归一化折损累计增益（NDCG）和命中率（HR）指标在稀疏数据集brightkite和稠密数据集Last.FM上把所提模型与序列推荐模型（自注意力序列推荐（SASRec）模型）和社会化推荐模型（社会推荐的神经影响扩散（DiffNet）模型）进行对比验证。实验结果显示,SLSRec模型与DiffNet模型相比,在稀疏数据集上的HR指标提升了8.5%;与SASRec模型相比,在稠密数据集上的NDCG指标提升了2.1%,表明考虑社交信息的动态特性使推荐结果更加准确。     

社交网Twitter平台的人物关系网社区发现

社交网络服务（social networking service,SNS）已融入到大众生活中。人们将自己的信息上传到网络中,并通过社交网站管理自己的社交圈子,由此造成大量的个人信息在社交网络上被公开。文章基于Twitter平台,设计实现了Twitter用户关系网的社区发现。通过实时采集Twitter用户信息,重建人物关系网,改进Newman快速算法划分社区发现人物关系网。文章通过可视化的界面呈现用户的社区关系,提供用户网络行为,为决策者的舆情监控或个性推荐提供了参考凭据。