社会网络中基于内容语义的新闻推荐方法研究?

以网络为基础的网络社会包含海量新闻信息,基于内容语义的新闻推荐成为迫切需求。针对上述目的以及社会网络中新闻推荐方法的独特性,改进了基于社会网络的新闻推荐模型。利用历史新闻中人们的新闻相似性、浏览时间、浏览次数、外推行为以及评价等指标,发掘和构建了社会网络中人与人之间的朋友关系,并把它与个人历史浏览记录结合,计算当前新闻的综合推荐度,从而进行推荐。实验表明,该方法改进了社会网络中的新闻推荐,能更好地向用户推荐新闻。     

一种基于社会信任潜在因子模型的推荐方法

随着社交网络的快速发展、社交网络用户规模的不断扩大,如何为用户推荐感兴趣的信息变得越发困难。传统的推荐方法利用用户兴趣的历史数据来预测用户未来感兴趣的项目,忽视了社交网络中的信任关系,导致推荐方法的推荐质量不高。针对上述问题,提出了基于社会信任潜在因子模型的推荐方法。该方法引入社会信任来度量社交网络中朋友之间的隐含信任关系,根据社会信任程度来选择用户信任的朋友,对用户信任的朋友与目标用户的共同兴趣进行潜在因子分析,构建基于社会信任的潜在因子模型,实现目标用户的前k个项目推荐。真实数据集上的对比实验结果表明,基于社会信任潜在因子模型的推荐方法在推荐质量上优于现有的推荐方法。     

面向移动社会网络的好友推荐方法

针对移动社会网络（MSN）的好友推荐问题,提出了一种基于多维相似度的好友推荐方法。该方法隶属于基于内容的好友推荐,但与现有方法相比,不再局限于单一维度的匹配信息,而是从空间、时间和兴趣三个维度出发,判断用户在各个维度上的相似度,最终通过“差异距离”进行综合评判,向目标用户推荐与之在地理位置、在线时间和兴趣爱好上更具一致性的其他用户成为其好友。由实验结果表明,该方法应用于移动社会网络中的好友推荐服务时,其推荐结果查准率接近80%,查准效率接近60%,性能远高于只基于单一维度的好友推荐方法;同时,通过对三维权重值的调整,该方法可应用于多种特性的移动社会网络中。     

社会网络中交易节点的选取及其信任关系计算方法

社会网络环境中,由于缺乏有效的激励策略,导致节点缺乏服务交易的主动性和积极性;由于存在利益相关,一些节点会相互联合去共同推荐某个节点,形成协同作弊和信任推荐不可信的问题.为此,提出了社会网络中交易节点的选取及其信任关系计算方法.通过设计竞标服务策略来调动节点提供资源服务的积极性.针对不同服务中评价指标权重难以客观确定的问题,提出基于熵权的指标权重确定方法,并利用TOPSIS方法来选择合适的网络交易节点以避免交易节点选取的随意性.由于信任与风险并存,因此引入交易影响力函数来融合节点的直接信任和推荐信任以确定所选交易节点的可信性,并通过考虑推荐时间影响函数、交易内容相似度和推荐熟悉度等多维影响因子来保证推荐可信性.最后提出了基于多属性的节点推荐信任度更新方法.仿真结果表明文中方法对提高节点服务积极性、抑制节点协同作弊和恶意欺诈都有较好的效果.     

复杂网络环境下基于信任传递的推荐模型研究

针对推荐系统中普遍存在的数据稀疏和冷启动等问题,本文结合用户自身评分与用户的社会信任关系构建推荐模型,提出了一种基于信任关系传递的社会网络推荐算法（Trust transition recommendation model,TTRM）.该方法首先通过计算信任网络中节点的声望值与偏见值来发现信任网络中的不可信节点,并通过对其评分权重进行弱化来减轻其对信任网络产生的负面影响.其次,算法又利用朋友的信任矩阵对用户自身的特征向量进行修正,解决了用户特征向量的精准构建及信任传递问题.同时为了实现修正误差的最小化,算法利用推荐特性进行用户相似度计算并通过带有社会正则化约束的矩阵分解技术实现社会网络推荐.实验结果表明,TTRM算法较传统的社会网络推荐算法在性能上具有显著提高.     

社交网络项目推荐模型及应用研究

将社交网络中目标用户和朋友之间相同兴趣产生的原因解释为潜在因子空间中的潜在因子,对社交网络中目标用户和朋友用户共同兴趣进行潜在因子分析,构建基于用户朋友关系的社交网络项目推荐模型,预测社交网络目标用户喜欢的项目。将基于社交网络项目推荐模型应用于实际应用场景中,研究表明与基于协同过滤技术的推荐方法相比较,该模型能够显著提高推荐质量,并具有良好的可扩展性。     

一种高效的社交网络朋友推荐方案

当今社会,人们越来越多地通过社交网络来发言、聊天、交友。在互动过程中,除了用户主动关注感兴趣的人之外,社交网络也会为其推荐朋友。然而,所推荐的朋友大部分只是社交网络的推广,不一定符合用户的兴趣。针对社交网络推荐朋友的随机性和不可靠等问题,研究并提出了一种基于用户兴趣标签匹配的高效朋友推荐方案。首先,通过Word2Vec来训练语料库中的关键词,得到每个关键词的向量,产生一个词向量空间。其次,利用余弦相似度技术计算关键词之间的相似度并通过实验进行比较。实验中,综合选取合适的相似度值作为两个词向量是否相似的判断阈值。最后,将选取的相似度阈值应用到所提出的朋友兴趣匹配推荐算法中,并进行性能测试和各方案的仿真比较。结果表明,所提出的方案可靠且准确。     

基于事件本体的新闻个性化推荐

针对传统推荐系统中存在的冷启动、数据稀疏、语义缺乏、推荐精度较低等问题,提出一种基于事件本体的推荐算法。结合新闻的分类结构和新闻语料构建事件本体,对用户浏览的新闻进行要素抽取并构建用户兴趣模型。基于事件本体的分类结构计算新闻事件之间的相似度,通过用户兴趣模型计算用户兴趣相似度,根据事件本体非层次结构的语义半径寻找相关新闻事件。综合事件本体相似度、用户兴趣相似度和非层次结构相似度3个方面得出新闻个性化推荐结果。实验结果表明,该算法的推荐结果优于协同过滤推荐算法和基于内容的推荐算法。     

基于学术水平聚类的科研合作者推荐模型

针对现有科研合作者推荐模型一般不考虑目标学者与推荐学者间学术水平的差距,导致合作关系难以建立的问题,提出一种基于学术水平聚类的合作者推荐模型,为目标学者推荐最合适合作者（fitting collaborator recommendation,FCR）。该模型先使用K-means算法对合作网络中的学者按照学术水平特征进行聚类,在同一水平簇别中建立合作网络,利用链路预测算法中的Katz指标对网络中的节点进行相似度计算,对学者们的研究主题进行提取,在网络的可达性,学术水平是否相近以及研究主题相似度三个方面进行综合考虑并进行Top-N推荐。实验结果表明,相比于其他模型,提出的基于学术水平聚类的合作者推荐模型相比于其他推荐模型均有着较优的表现,在推荐的准确率、召回率以及F1指数上分别提高了5.3%、2.5%、4%。并且在推荐的合作学者与目标学者的学术水平匹配性方面平均提高了37%。     

基于用户信任和张量分解的社会网络推荐

社会化网络中的推荐系统可以在浩瀚的数据海洋中给用户推荐相关的信息。社会网络中用户之间的信任关系已经被用于推荐算法中,但是目前的基于信任的推荐算法都是单一的信任模型。提出了一种基于主题的张量分解的用户信任推荐算法,用来挖掘用户在不同的物品选取的时候对不同朋友的信任程度。由于社交网络更新速度快,鉴于目前的基于信任算法大都是静态算法,提出了一种增量更新的张量分解算法用于用户信任的推荐算法。实验结果表明：所提出的基于主题的用户信任推荐算法比现有算法具有更好的准确性,并且增量更新的推荐算法可以大幅度提高推荐算法在训练数据增加后的模型训练效率,适合更新速度快的社会化网络中的推荐任务。