社交网络用户行为分析

社交网络随着互相网络的发展逐渐成为人与人之间互动交流、娱乐休闲的重要工具和平台.而用户作为社交网络的核心,其行为是我们深入认识社交网络运行机理的起点,关于用户行为分析的研究有很大价值.用户行为分析可以从社交网络的功能和结构两大方面展开,结构分析侧重于用户行为的产生过程,主要包括用户连接图分析和活跃图分析,功能分析侧重于用户行为的具体内容,主要包括用户功能活动分析和社交性分析.     

基于用户行为的协同过滤推荐算法在视频推荐上的应用研究

随着互联网的快速发展,人们在网上观看视频的频率也越来越高,对于视频网站来说,如何利用网站本身产生的海量的用户行为数据提升用户的黏性,成为网站经营者需要深刻考虑的问题.为了更好地吸引用户、留住用户,推荐算法也越来越多地在各种网站上得到了利用.该课题将对用户的行为数据进行分析,再利用协同过滤推荐算法来构建模型从而实现对目标...     

在线社交网络用户间影响量化的贝叶斯模型

传统的模型专注于合作网络等社交网络,并不完全适用于在线社交网络.而现有的针对在线社交网络的模型简单,片面,缺乏准确性.因此我们提出了基于贝叶斯观点的模型,通过集成在线社交网络提供的有用信息来量化用户间的影响.通过分析对比贝叶斯模型与现有模型找到的影响者,我们发现贝叶斯模型比现有的模型更准确和全面.     

融合用户社交网络数据的推荐研究

针对社交网络数据在改善推荐效果方面的问题,梳理了融合社交网络数据的推荐,在改善推荐效果方面的方法以及逻辑思路,首先,说明和分析了社交网络的框架以及社会化推荐的概念;然后,根据形成社交网络的主要作用因素不同,分别从基于用户信任的社交网络推荐、基于位置社交网络的兴趣点推荐两个角度出发,归纳,分析其如何融合用户的社交网络信息来提高推荐的准确性,多样性,改善模型运行效率,从而提高推荐质量。     

认知无线电网络中用户行为建模综述

综述了近年来在认知无线电网络中用户行为建模的相关研究成果,第1部分主要论述了认知无线电网络中授权用户行为建模的相关方法及其模型,第2部分论述了认知无线电网络中认知用户行为建模的相关方法及其模型。提出未来的主要研究方向是研究授权用户行为、频谱空隙模式、认知用户行为、用户流特性这四者之间的内在联系及其相互之间的约束关系,揭示它们之间的本质联系。     

基于社交网络的商品推荐相关专利数据分析

近年来,各国企业及科研机构对基于社交网络的商品推荐相关技术的重视程度越来越高,因此,对该领域相关的专利数据进行分析,有利于创新主体了解该领域的专利申请和保护现状,有利于围绕该领域专利申请做好专利布局,为产业运行决策提供依据.本文基于德温特数据库,提取出发明内容涉及基于社交网络的商品推荐相关技术的专利数据,以此分别进行专...     

一种基于用户动态兴趣和社交网络的微博推荐方法

针对为微博用户推荐符合其兴趣取向的个性化微博信息的问题,结合LDA主题模型,提出了一种基于用户动态兴趣和社交网络（DISN）的微博推荐方法.DISN方法首先引入时间函数,推断出用户的兴趣向量,通过对新发布的微博数据内容进行聚类分组,以用户兴趣向量筛选与用户最匹配的分组,随后以网格索引的形式对选定的分组中微博进行查询,计算微博发布者被目标用户关注的可能性并进行排序,最终形成推荐列表.实验验证了DISN方法较之传统方法更具有效性和高效性.     

基于社交网络的社交行为分析

近来,社交网络类应用得到了迅猛发展。其中,社交网络相关的社交行为是最主要的发展方向之一,得到了学术界研究者的广泛关注。该文从行为的成因、行为的表现及行为的影响3个方面对社交网络行为进行全面分析。具体来说,在分析了社交网络行为的基础概念之后,首先引入了社交网络行为的3个最重要的原因：用户采纳、用户忠诚和用户信任。然后,基于这些原因,从一般使用行为,内容生成行为和内容消费行为3个常用行为方面分析了用户在社交网络上的行为表现方式。最后,该文分析了社交网络行为的影响,包括行为影响力衡量和行为引导两个最重要角度。社交行为的系统性分析为下一步相关研究指明了方向。     

在线社交网络群体发现研究进展

群体是在线社交网络重要的中观组织。群体发现不仅有重要的理论意义,还推动了在线社交网络的应用与发展,有广泛的应用前景。该文总结论述了在线社交网络群体发现的研究进展。在分析群体形成机理的基础上定义在线社交网络群体,并介绍群体发现问题。根据挖掘群体时采用的不同特征,该文分别阐述基于个体属性特征的群体发现方法和综合属性与结构特征的群体发现方法。随后从特征选取和检测算法两个方面重点介绍了恶意行为群体的发现方法。最后,对群体发现进一步的研究方向进行展望。     

基于用户兴趣和推荐信任域的微博推荐

向用户推荐其感兴趣的微博,是改善用户体验的重要途径.为使推荐的微博更加符合用户的兴趣和品味,提出的微博推荐方法不仅考虑用户自身的特点,而且还考虑所在社区对微博的评价.在技术实现上,采用支持向量机进行文本分类,以便发现用户的兴趣偏好;通过多维Newman算法进行用户社区的发现,并将社区视为推荐信任域.最后采用改进的协同过滤算法综合用户兴趣偏好和推荐信任域进行微博推荐,以此提高微博推荐的质量.实验结果表明,提出的微博推荐方法是切实有效的.     

基于用户分层的电子商务智能信息推荐策略

针对全体用户采用同一推荐方法的传统推荐策略已不能满足当前电子商务企业和用户的要求.取而代之的是以用户为中心,在充分挖掘用户价值的基础上进行有针对性的信息推荐.将电子商务用户分层为新用户、高端用户和普通用户,提出了基于用户分层的电子商务智能信息推荐策略.针对用户的不同,设计有针对性的推荐方法,以实现企业与用户的双赢.实验结果表明,提出的推荐策略和推荐方法是有效的.     

一种基于社会化标签的协同过滤推荐算法

为了减少社会化标签的语义模糊和冗余给基于标签的协同过滤算法带来的噪声,利用群体智慧选择流行标签对用户和资源建模,在此基础上设计了基于流行标签的协同过滤算法。实验证明,该算法降低了标签噪声,并提高了传统的基于标签协同过滤算法的准确性。     

基于多社交数据源的协同推荐方法研究

协同过滤推荐作为一种有效的推荐方法,普遍存在数据稀疏性和冷启动问题,利用社交网络的多项数据源对协同推荐方法进行了改进.为了克服评分矩阵的稀疏性问题,提出结合用户评分相似度和用户信任度选择推荐邻居,同时对用户相似度计算进行了改进;提出了一种简单有效的信任推理方法,能够识别出用户间隐含的间接信任关系,进一步缓解了数据稀疏性问题;为了解决推荐系统的冷启动问题,提出综合利用项目的类型属性信息和领域专家信息进行联合推荐.实验结果表明,提出的改进策略非常有效,在精度和召回率方面都较已有方法具有明显改善.     

融合用户行为序列预测的混合推荐算法

对于用户行为序列中隐藏用户兴趣的捕捉是近年来推荐算法研究的热门方向。传统的序列预测模型使用用户最后一次点击的商品为目标,建立用户行为和目标商品间的关联,并没有充分挖掘用户序列间的先后关系。文中在传统的DIN模型的基础上进行了改进,采用一段时间内的连续行为作为目标向量,使用transformer结构完成序列到序列的预测任务,进一步提取和利用了用户行为序列中的用户深度兴趣,并将其作为辅助特征结合DIN进行推荐。在亚马逊图书数据集和电子数据集上的实验结果表明,文中提出的基于DIN混合推荐模型比原DIN模型的AUC指标分别提升了约0.7%和1.9%。由此可知,基于用户行为序列预测的混合推荐可以在多特征推荐系统中起到一定的辅助作用。此外,文中还对用户序列长度对模型结果造成的影响进行了探究。     

Social recommendation algorithm fusing user interest social network

Using the social information among users in recommender system can partly solve the data sparsely problems and significantly improve the performance of the recommendation system. However, the recommendation systems which using the users' social information have two main problems: the explicit user social connection information is not always available in real-world recommender systems, and the user social connection information is directly used in recommender systems when the user explicit social information is available. But as we know that the user social information is not all based on user interest, so this can introduce noise to the recommender systems. This paper proposes a social recommender system model called interest social recommendation (ISoRec). Based on probability matrix factorization (PMF), the model addresses the problems mentioned above by combining user-item rating matrix, explicit user social connection information and implicit user interest social connection information to make more accurately recommendation. In addition, the computational complexity of our algorithm is linear with respect to the number of observed data sets used in this algorithm, and can scalable to very large datasets.     

基于上下文相似度和社会网络的移动服务推荐方法

针对传统的基于协同过滤的移动服务推荐方法存在的数据稀疏性和用户冷启动问题,提出一种基于上下文相似度和社会网络的移动服务推荐方法(Context-similarity and Social-network based Mobile Service Recommendation,CSMSR).该方法将基于用户的上下文相似度引入个性化服务推荐过程,并挖掘由移动用户虚拟交互构成的社会关系网络,按照信任度选取信任用户;然后结合基于用户评分相似度计算发现的近邻,分别从相似用户和信任用户中选择相应的邻居用户,对目标用户进行偏好预测和推荐.实验表明,与已有的服务推荐方法TNCF、SRMTC及CF-DNC相比,CSMSR方法有效地缓解数据稀疏性并提高推荐准确率,有利于发现用户感兴趣的服务,提升用户个性化服务体验.     

一种基于云模型的社交网络推荐系统评分预测方法

本文针对评分预测中用户评分主观性及评分数据稀疏带来的预测不准确问题,围绕社交推荐的特点,设计实现一种社交网络评分预测方法.首先,针对评分主观性问题,引入并优化相关云模型理论,提出采用综合云模型生成评分标准并转化用户评分的方法.其次,针对预测不准确问题,通过引入隶属度达到数据降维和目标用户定位的作用,同时考虑到社交网络用户关系对评分结果的影响,分别利用社交关系及相似群体建立两个评分预测模型,并基于高斯变换融合两部分预测结果生成预测评分.实验表明,该方案不仅克服了用户评分主观性,同时有效改善了用户评分数据稀疏情况下传统预测方法准确度偏差的问题.