基于空间网络数据库的组最近邻居查询

组最近邻居查询是空间数据库在最近邻居查询上的新问题.目前,对组最近邻居查询的研究局限于欧氏空间,考察的只是对象间的相对位置关系,无法处理现实生活中对象间的连通性问题.鉴于此,本文基于空间网络数据库提出以网络距离为度量标准的组最近邻居查询概念,进而提出作为其算法基础的增量最近邻居查询算法INNN,最后构造出算法NMQM.
实验证明,NMQM是一种有效的组最近邻居查询算法.     

基于移动网络位置信息的群体发现方法

当前群体发现研究主要利用通联关系挖掘用户群体, 未能充分利用网络中所隐含的用户社交关系, 致使挖掘的群体不能真实反映用户在社会生活中的群体关系。提出一种基于用户位置信息的群体发现方法, 利用序列模式挖掘算法挖掘用户位置规律序列, 建立位置序列相关性度量标准, 以位置规律相关性揭示用户社会活动的群体关系; 结合局部相似性度量方法计算用户通信距离指数, 反映用户之间的相识程度; 最后采用通信距离指数对位置相关性进行加权计算用户群体相关性, 再利用分裂聚类算法挖掘具有通信关系和社交关系的用户群体。实验结果表明, 该方法能够有效地挖掘用户社交活动中的通信相关性和位置相关性, 体现用户在现实社会活动中的群体关系。     

融合社交关系和知识图谱的推荐算法

推荐系统可以帮助用户快速发现有用信息,有效提高用户的检索效率,然而推荐系统存在数据稀疏性、冷启动等问题,现有的融合了社交关系的推荐算法大多忽略了社交关系数据的稀疏性,且同时融合社交关系和物品属性数据的推荐算法较少。为解决这方面的问题,提出了一种融合社交关系和知识图谱的推荐算法（MSAKR）。首先,该算法通过图卷积神经网络提取用户的社交关系得到用户的特征向量,采用图中心性筛选邻居,采用word2vec模型思想生成虚拟邻居,从而缓解社交数据的稀疏性,采用注意力机制来聚集邻居;其次,采用多任务学习和基于语义的匹配模型来提取物品属性知识图谱信息得到物品的特征向量;最后,根据得到的用户和物品特征向量向用户综合推荐。为验证提出算法的性能,在真实数据集豆瓣和Yelp上进行实验验证,分别使用点击率预测和Top-K推荐来评估模型性能,实验结果表明,提出的模型优于其他的基准模型。     

基于社交关系的可信群体推荐

针对当前群体推荐技术只单独考虑用户-项目评分,而没有较好考虑相关上下文信息的问题,提出基于社交关系的可信群体推荐。该方法在相似度计算中考虑群体特性,首先通过两种方式计算单个用户与目标群体之间的可信度,一种是基于距离的社交可信因子,另外一种是基于影响力的社交可信因子;然后将可信因子用于群体与单个用户之间的相似度计算中,使得在后续的群体邻居选取中融入可信度的考虑,从而提升群体邻居的质量,进一步提升推荐的准确度。基于真实数据的仿真实验表明,两种可信度计算方法与已有方法相比在准确性和准确率方面表现更好。     

一种大数据环境下的在线社交媒体位置推断方法

随着在线社交媒体的快速发展和可定位设备的大量普及,地理位置作为社交媒体大数据中一种质量极高的信息资源,开始在疾病控制、人口流动性分析和广告精准投放等方面得到广泛应用.但是,由于大量用户没有指定或者不能准确指定位置,社交媒体上的地理位置数据十分稀疏.针对此数据稀疏性问题,提出一种基于用户生成内容的位置推断方法UGC-LI(user generate content driven location inference method),实现对社交媒体用户和生成文本位置的推断,为基于位置的个性化信息服务提供数据支撑.通过抽取用户生成文本中的本地词语,构建一个基于词汇地理分布差异和用户社交图谱的概率模型,在多层次的地理范围内推断用户位置.同时,提出一个基于位置的参数化语言模型,计算用户生成文本发出的城市.在真实数据集上进行的评估实验表明:UGC-LI方法能够在15km偏移距离准确定位64.2%的用户,对用户所在城市的推断准确率达到81.3%;同时,可正确定位32.7%的用户生成文本发出的城市,与现有方法相比有明显的提高.     

面向社交推荐的自适应高阶隐式关系建模

近年来,社交推荐的研究主要聚焦于社交网络中显式、隐式关系的联合建模,却忽视了高阶隐式关系并非对每个用户都同等重要这一特殊现象.高阶隐式关系对一个有着足够多邻居的用户与一个仅有少量邻居的用户重要性存在明显差异.此外,由于社交关系建立的随机性,显式关系并不总是可用的.提出了一种新的自适应高阶隐式关系建模方法 (adaptive high-order implicit relations modeling, AHIRM),该模型由3个部分组成:首先,过滤不可靠关系且识别出潜在可靠关系.旨在避免不可靠关系带来的负面影响,并部分缓解数据稀疏的问题;其次,设计自适应随机游走算法,结合规范化后的节点中心度为用户捕获不同阶数的邻居,构建用户间的高阶隐式关系,进而重构社交网络;最后,运用图卷积网络(graph convolutional network, GCN)聚合邻居节点信息,更新用户嵌入,实现高阶隐式关系建模,从而进一步缓解数据稀疏问题.在建模过程中,同时考虑到社交结构和个人偏好的影响,模拟并保留了社交影响传播的过程.在LastFM、Douban和Gowalla这3个数据集上与相关算法做了对比验证...     

基于用户兴趣和社交信任的聚类推荐算法

个性化推荐系统中使用最广泛的算法是协同过滤算法,针对该算法存在的数据稀疏和扩展性差问题,提出了一种基于用户兴趣和社交信任的聚类推荐算法。该算法首先基于聚类技术根据用户评分信息将具有相同兴趣的用户聚为一类,并建立基于用户兴趣相近的邻居集合。为了提高兴趣相似度计算的准确性,采用了修正余弦计算公式来消除评分标准的差异问题。然后,引入信任机制,通过定义直接信任、间接信任、传递路径和计算方法来度量社交网络用户之间隐含的信任值,将社交网络转换为信任网络,依据信任程度来创建基于社交信任的邻居集合。通过加权的方式将基于两种邻居集合的预测值融合起来为用户产生项目的推荐。在Douban数据集上进行仿真实验,确定了最优的协调因子值和分类数值,并与基于用户的协同过滤算法和基于信任的推荐算法进行对比,实验结果表明,所提算法的平均绝对误差(MAE)减少了6.7%,准确率(precision)、覆盖(recall)和F1值分别增加了25%、40%和37%,有效提高了推荐系统的推荐质量。     

距离-关键字相似度约束的双色反k近邻查询方法

针对空间关键字双色反k近邻查询返回结果质量较低的问题,提出了基于距离-关键字相似度约束的双色反k近邻查询方法。首先,通过设置一个阈值将查询结果中质量较低的用户给过滤掉,从而避免了查询结果中出现空间距离相对较远的用户,保证了查询结果质量;然后,为支持该查询,提出了一种关键字多分辨率网格矩形树（KMG-Tree）索引来管理数据;最后,提出了基于Six-region算法的Six-region-optimize算法来提高查询处理效率。Six-region-optimize算法的查询效率相较baseline和Six-region算法分别平均提高了约85.71%和23.45%。基于真实时空数据进行实验测试和分析,实验结果验证了Six-region-optimize算法的有效性和高效性。     

基于社交网络能量扩散的协同过滤推荐算法

针对数据稀疏导致推荐系统精确度较低的问题,结合社交网络中丰富的社会化信息及能量扩散在数据稀疏问题上的优良表现,文中提出基于社交网络能量扩散的协同过滤推荐算法.首先利用用户-物品评分矩阵和信任关系具有的传递性计算用户之间信任强度值.再利用社交网络结合用户-物品二分网络,得到物品资源值.最后利用协同过滤方法进行预测评分.在真实数据集上的实验表明,文中算法缓解数据稀疏性,可解决推荐精确度较低的问题.     

基于图嵌入模型的协同过滤推荐算法

传统协同过滤算法存在严重的数据稀疏和冷启动问题。利用社交网络中的丰富信息为解决传统协同过滤算法的数据稀疏和冷启动带来了契机。然而,传统基于社交网络的协同过滤算法仅利用粗粒度、稀疏的用户信任关系来改进传统协同过滤算法,即用0或1表示用户之间信任程度。另外,传统基于社交网络推荐算法仅仅集成用户之间显式信任关系,而忽略用户之间隐式的信任关系。本文提出一种基于图嵌入模型的协同过滤推荐算法,即利用图嵌入模型技术学习社交网络中用户的低维特征表示,并根据用户的低维特征表示推导用户之间细粒度的信任关系。最后,根据信任用户和相似用户对目标物品的评分权重预测用户对目标物品的评分。在真实数据集上的实验结果表明,基于图嵌入模型的协同过滤算法的性能优于传统的协同过滤算法。