基于位置的社交网络研究综述

当今,对线上社交网络的研究和线下人们在物理世界中活动的研究都已经很成熟,将线上社交网络和线下物理世界结合起来的异构网络成为研究热点,基于位置的社交网络是通过位置信息理解用户行为和偏好的新型异构网络。本文从服务和应用的角度对基于位置的社交网络的研究情况进行分析总结,为未来对异构网络进行深入研究以及在基于位置的社交网络中提出新的应用奠定基础。最后,本文对基于位置的社交网络的研究情况进行总结与展望。     

在线社交网络中的位置服务研究进展与趋势

在基于位置的社交网络中, 用户通过发布嵌入了位置数据的媒体信息获得服务, 如位置或好友推荐、旅行路线推荐等。用户和位置都是网络的主体, 位置作为桥梁将用户的虚拟网络世界与现实世界联系起来。综述了基于位置的在线社交网络中的位置信息获取、用户识别、位置识别、信息的共享与传播及位置隐私的相关研究, 预测了基于位置的在线社交网络未来的研究趋势。     

社交网络服务系统核心功能的设计与实现

现如今,社交网站早已经走进了大家的生活,使用社交网络服务的人数与日俱增,不论是在信息传播还是在社会影响力方面,社交网络服务都对传统方式产生的很大的冲击。因此,本文介绍了社交网络发展的历史、现状,并着重分析了社交网络的核心功能更和实现方法。同时,介绍了当今社交网络使用的主要技术,以及它们的使用方法。另外,作为一个已经产生近10多年的网络事物,伴随着各种新技术的出现,对社交网络进行变革的要求变得越来越迫切。基于位置的服务、即时网络服务是其中的两大趋势。通过结合定位引擎技术,本文中介绍的系统实现了基于位置的社交网络服务;通过与手机客户端的整合,用户通过手机登陆社交网络的同时也实现了即时网络服务,在本文的最后对下一代社交网络的发展做出了展望。文章是对此次毕业设计的总结,其中详细介绍了社交网络服务系统核心功能的调研、设计与实现,还有定位服务端与Android手机客户端的通讯和整合。并通过展示服务器功能模块的核心代码的方式,展现了整个系统良好的结构和具体实现操作方法。     

基于社交网络服务位置的用户相似性计算方法

为了进一步改进基于位置的社交网络服务中用户的相似性计算,提出一种有效的使用位置语义计算用户相似性的新方法。该方法通过位置语义来准确地获取用户的意图以及兴趣爱好,并且能够根据层次位置类别计算出不同位置用户的相似性。通过实验验证,表明该方法优于传统的用户相似性计算方法。     

基于位置的社交网络商户数据语义分析

近年来,"移动"和"社交"成为了推动互联网发展的两项关键技术。在这两项技术的共同推动下,基于位置的社交网络LBSN得到了快速发展,在全球范围内吸引了海量的用户,不论是学术界还是工业界都在大力投入对LBSN的研究。LBSN网站都是以位置为中心的,也就是说任何用户原创内容,例如签到或评论,都必须与一个具体位置相关联。尽管位置信息在LBSN中扮演着重要的角色,但是目前国内外针对LBSN的研究基本上都是从用户角度出发的,缺少从位置角度的研究。同时,目前对LBSN中用户原创内容的分析缺少对文本信息的分析,在对目前中国最大的在线点评类社交网络——大众点评上的商家评论内容进行了大规模的数据采集,并针对获取的大量用户评论文本开展了语义分析。     

LBSN中融合线上关系和线下行为的好友推荐算法

好友推荐是基于位置的社交网络LBSN(Location-Based Social Networks)的重要服务之一。融合线上关系和线下行为,考虑位置偏好相似性、距离相似性和熟识度三个特征,构建新的好友推荐算法。通过考虑时间因素和排除时间因素两方面计算位置偏好的相似性;通过探究用户与其好友间签到地点在距离上的关系计算距离相似性;使用阶数与路数作为影响好友关系的重要因素计算熟识度;对以上三个特征进行加权并融合用户影响力计算最终推荐分数。利用Gowalla上的数据证明该算法可以有效提高好友推荐的有效性。     

LBS移动社交资源共享平台的设计与实现

结合移动互联网、社交网络和电子商务,构建了基于位置的服务(LBS)移动社交资源共享(SMSRL)平台,并对主要功能模块设计进行了详细的描述,探讨了实现该平台的关键技术。SMSRL平台的系统设计合理,便于在不同平台间移植和升级,适合商业化。     

基于位置社交网络的个性化兴趣点推荐

兴趣点(point-of-interest,POI)推荐是基于位置的社交网络(location-based social networks,LBSN)中一项重要的服务。针对目前推荐算法存在的噪声数据影响推荐质量,用户个性化程度低的问题,提出了一种个性化联合推荐算法。提出了引入POI的位置因素去除不可能或可能性较小的POI,形成初步候选集;综合考虑POI的类别、流行度及用户的社会行为,增加用户个性化的程度,提高推荐结果的质量。在Foursquare真实签到数据集上的实验,证明了提出的联合推荐算法与目前先进的算法相比,准确率提高11%,召回率提高8%。     

基于位置的社交网络链接预测特征研究

基于位置的社交网络(Location-Based Social Network,LBSN)提供了用户在线网络关系和签到行为双重信息,连接了虚拟网络和现实生活.本文结合传统的基于网络结构和空间位置相似性的LBSN链接预测方法,从签到时间和频率2方面提出新的链接预测特征,通过Brightkite网络数据统计分析证明其预测有效性.综合多种指标建立LBSN链接预测框架,实验结果表明加入这2类指标后预测准确率有明显提高.     

基于位置的社交网络用户签到及相关行为研究

Web2.0时代,空间定位技术不断成熟,使得基于位置的社交网络(LBSN)快速发展.LBSN用户的典型行为是签到以及针对签到地进行评论等.探索用户签到及相关行为的规律及背后动机,可以更好地了解用户的需求,发现系统设计与用户需求的不匹配之处,这对LBSN类应用的设计和开发具有一定的指导意义.利用在线数据抓取工具GooSeeker抽样国内典型的LBSN嘀咕网的用户数据.通过对获取的数据进行处理、分析,获知用户签到行为特点.同时关注用户发布的签到地评论的内容,并且使用分类工具SVMCLS将用户对麦当劳的评论划分为不同的倾向级别,从而得到用户对麦当劳的主观情感倾向性.结果发现嘀咕网用户签到的时间和地点存在规律性特征.用户趋向于在签到地做出正面的评论,并且评论的内容比较简短.这些发现有助于LBSN类系统设计和开发人员更好地了解用户,获知用户的需求,最终完善自己的设计,为用户提供更好的应用服务.     

基于位置的稀疏群体查询

在基于位置的社交网络中,找到一个特殊的群体/社区是非常重要的.现在的研究都集中于寻找群体之间关系紧密的密集子图.相对于紧密的群体/子图,对于稀疏群的研究少之又少.虽然现有工作开始研究稀疏群体查询问题,但是还没有研究基于位置的稀疏群体查询问题,而基于位置的服务在现实生活中有很多需求.因此,研究基于位置的稀疏群查询的问题变得有研究价值.基于位置的稀疏群体查询是为了找到一群用户,不仅用户之间满足一定的稀疏性(即用户之间的社交距离大于k),且最小化用户到查询位置的距离和.针对这个问题,首先提出基于c-邻居的基本处理算法(简称baseline),其主要利用存储的c-邻居信息以及距离剪枝来帮助快速获得查询结果.但是baseline算法的空间消耗太大,且在稀疏阈值参数k>c时查询效率不高.为了解决这些问题,进一步提出基于c-邻居和反向c-邻居的查询优化算法(简称ICN),不仅利用存储的c-邻居且利用反向c-邻居信息来处理参数k>c的情况,从而快速获得查询结果.实验结果和理论表明,提出的两种查询处理方法是有效的和正确的.     

基于签到数据的群体局部分散式旅游路线搜索

基于位置的社交网络产生了大量反映用户喜好及路线流行规律的数据,为旅游路线搜索提供了新的模式。现有的群体旅游路线搜索通过将多个用户的偏好进行聚合,之后利用个体推荐算法进行搜索。现实生活中存在群体整体上浏览一条线路时,个体用户可以根据需要选择局部不同景点进行访问的需求。基于此需求,提出了群体用户局部分散式旅游路线搜索问题。该问题结合群体用户的个人偏好,发现一条带有局部分散POI(point of interest)的且群体收益最大的访问路线。采用签到数据,通过用户在POI间的转移情况生成POI转移关系图,在关系图上进行路线搜索。为了提高搜索效率,根据POI的流行度与转移关系设计了双层转移关系图,对POI进行了概化,实现了分级查询。设计了基于分支限界搜索策略的优化算法,利用结点间的控制关系进行剪枝,进一步提高了算法的搜索效率。利用Gowalla和Foursquare社交网站真实的签到数据集进行了充分实验,对搜索出的路线收益及算法的运行效率进行了对比,验证了所提出方法的有效性。     

敏捷开发方法下的基于LBS的篮球类体育SNS社区的设计

SNS社交型网站正在中国风靡并成为了互联网的重要应用之一。在未来的几年内,SNS将会成熟并得到推广,走进生活。LBS即基于位置的服务。随着近两年移动互联网和GPS终端的发展,为国内LBS网站的发展提供了极大的空间。采用敏捷方法结合SNS与LBS是一项很有价值的研究项目。     

基于位置信息服务的社交网络平台分析与设计

计算机网络技术的迅速发展与普及应用,使得人与人之间的距离不断被拉近,给人们之间的沟通和联系提供了极大的便利。近年来,随着智能手机等移动终端设备的普及,移动终端地理位置信息也开始在社交网络中得到应用,社交网络具备了类似真实世界的位置信息,给人们的社交带来了全新的体验。基于自身所在地理位置的社交平台的开发具有十分重要的现实意义,分析与设计了基于位置信息服务的社交网络平台,从而解决了通过地理位置以及具有共同兴趣爱好来寻找好友的问题。     

基于网络拓扑和地理特征融合的朋友关系预测模型

朋友关系预测已成为基于位置的社交网络(LBSN)的主要研究方向之一。提出一种基于网络拓扑特征和地理融合的面向LBSN的朋友关系预测方法。首先,利用信息增益评估不同特征对朋友关系的影响,最终选取3种重要特征:用户社交拓扑、用户签到地点类型和用户签到地点。然后,提出基于这3种特征融合的朋友关系预测方法,分别采用随机森林、支持向量机和朴素贝叶斯3种分类算法建模实现朋友关系推理。最后通过Foursquare和街旁的实际签到数据验证了特征选取的有效性和朋友关系预测的准确性。     

融合隐语义和邻域算法的兴趣点推荐模型*

近年来,随着众多具有传感功能的智能手机和可穿戴设备的普及,基于位置的服务得到了快速发展,其中基于位置的社交网络（location-based social networks,LBSN）逐渐被大多数人所接受,基于位置社交网络可以为人们提供兴趣点推荐服务,为了提供更加精准的兴趣点推荐服务本文提出了一种融合的算法模型。本文通过隐语义分析算法来充分挖掘用户的历史行为,使用基于邻域的方法结合好友和地理位置等因素,然后在统一的框架中融合这两种推荐方式的结果,实现了对用户行为更好的预测。实验结果表明,本文提出的兴趣点推荐方法拥有较好的准确率和召回率。     

LBSN中基于活动区域划分的元路径兴趣点推荐

基于位置的社交网络(Location Based Social Networks,LBSN)的相关服务推荐越来越多,而兴趣点(Point Of Interest,POI)推荐作为LBSN相关服务中的一项个性化推荐也备受关注,越来越多的学者投入研究。目前,各种基于位置的推荐算法层出不穷,但由于LBSN中的数据极度稀疏的原因,导致许多算法推荐精度不高,本文提出了一种基于用户活动区域划分的元路径推荐算法。首先,根据用户签到以及点评的地点呈现区域性,将用户活动区域分为频繁活动区域和不经常活动区域,根据LBSN结构特征构建用户-活动区域和活动区域-兴趣点之间的二分图模型,其次引入元路径,计算从用户到兴趣点的实例路径的关联度,最后根据关联度大小生成推荐列表。结果表明,该算法较传统的LBSN推荐算法有更好的推荐效果。     

LBSN中融合多维关系的社区发现方法

如何发现高质量的社区结构对于深刻研究和分析基于位置的社交网络（LBSN）这种新型复杂网络具有重要意义,然而,现有面向社交网络的社区发现方法都无法适用于具有多维异构关系的LBSN.为此,提出了一种基于联合聚类的用户社区发现方法Multi-BVD,该方法先给出了融合用户社交网络与地理位置标签网络中多模实体及其异构关系的社区划分目标函数,然后使用拉格朗日乘子法得到目标函数极小值的迭代更新规则,并运用块值矩阵分解技术来确定最优的社区划分结果.仿真实验结果表明,Multi-BVD方法能有效地发现LBSN中具有地理特征的用户社区结构,该社区结构在社交关系和地理兴趣标签上都有更优的内聚性,并能更紧密地体现用户社区与地理标签簇间的兴趣关联性.