学术社交网络中的权威学者推荐模型

目前，学术社交网络平台存在的信息过载和信息不对称等问题导致学者特别是影响力低的学者很难找到自己感兴趣的内容，同时，学术社交网络中影响力大的学者对学术社区的形成具有一定的促进作用并且对影响力低的学者的科学研究具有一定的导向作用，因此提出一种融合学术社区检测的权威学者推荐模型（ISRMACD）来为学术社交网络中的低影响力学者提供推荐服务。首先，利用影响力大的学者圈作为社区的核心结构对学术社交网络中学者间的关系纽带——好友关系所产生的复杂网络拓扑关系进行学术社区检测；然后，对社区内的学者计算影响力，并实现社区内部的权威学者推荐服务。在学者网数据集上的实验结果表明，该推荐模型在不同的权威学者推荐数量下均取得了较高的推荐质量，并且每次推荐10名权威学者取得的推荐精度最高，达到70%及以上。     

面向学术社交网络的多维度团队推荐模型

学术社交网络的出现改变了传统的科研方式,对于如何基于学术社交网络为学者进行团队个性化推荐进行了研究,提出了一种多维度潜在团队推荐模型(multi-faceted team recommendation,MFTR)。该模型首先通过投影梯度非负矩阵分解方法提取团队和用户的特征向量,并根据两者的特征向量计算其相似度,然后再融合用户的社交好友关系和热门团队信息来为用户推荐具有相似研究兴趣的潜在团队。最后在真实学术社交网站——学者网的数据上进行实验,结果表明该模型能有效地提高推荐的准确度,并缓解了冷启动问题。     

社交网络中一种基于社区推荐的信任模型

信任度计算一直是社交网络中备受人们关注的问题,而对陌生节点的信任度计算更是其中的研究热点。目前多数的信任模型由于推荐证据的不完整使得对陌生节点信任度计算准确性不高。随着社区数量的不断增多,基于社区的社交网络成为当今社交网络发展的一种趋势,引入社区推荐模型替代原有的节点推荐模型来提高推荐证据的完整性和可靠性,进而提高陌生节点信任度计算的准确性;同时考虑友群信任度对社区信任度的影响,并给出社区关联度因子来解决社区推荐可能存在的合谋攻击。最后,通过仿真实验验证了该模型的合理性和有效性。     

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。     

基于学者社交模式的网络教学平台研究

社交应用的广泛使用及大数据环境下知识的快速累积,使传统网络教学平台难以满足基于社交的知识分享和团队学习这一新学习模式的需求。网络教学平台与社交平台协同发展,成为网络教学平台发展的新趋势。文章以学者网课程平台为研究对象,深入解析该课程平台提供的功能及其独具特色的"学者社交"模式,并在此基础上尝试对网络教学平台社交化发展进行思考和展望。     

基于学者社交网络的论文与项目关联模型

针对学者社交网络的独特用户,提出一种基于学者社交网络的论文与项目数据的协同关联模型。首先采用两步特征选择方法预处理数据,去除无关和冗余特征,得到影响论文与项目关联的有效特征;然后通过文本向量空间模型TVSM（text vector space model）计算论文与项目之间的文本相似度,为不同的论文/项目形成推荐集合。通过面向科研人员的社交网络（学者网）数据,实现模型并真实应用于学者网。在线应用情况和用户反馈表明,该模型具有较好的准确性和实用性,可更加充分地挖掘论文与项目之间蕴涵的丰富信息,给用户提供更加高效方便的学术科研管理服务,为分析学术大数据提出了新颖的研究方法。     

使用贝叶斯网络的社交网络信任驱动推荐方法

为处理推荐行为来源复杂、路径多样、不信任陌生推荐等问题,提出一种在社交网络中信任驱动推荐方法。该方法利用贝叶斯网络,计算用户评分的先验概率分布以及朋友之间的联合条件概率,预测用户在该环境下的评分并将推荐给用户。在信任驱动推荐过程中,预测评分既考虑到用户的偏好,也考虑到用户的社会关系;此外,用户的信息交换只限于朋友之间,能够有效保护用户的隐私。实验结果表明,所提出的推荐方法在预测准确率和推荐覆盖率上具有良好的性能。     

基于活动的社交网络中的群组推荐算法设计

在基于活动的社交网络（EBSN）中,群组中聚集了具有相似兴趣的用户,并为用户组织并举办线下活动,在社区的发展中起到了至关重要的作用,因而理解用户加入群组的原因和群组形成的过程在社交网络的研究中是一个重要的议题.本文通过基于活动的社交网络中的一些相关内容信息,比如社交网络中的标签信息和地理位置信息,来辅助推荐系统更好地为用户预测对于群组的偏好.本文提出了SEGELER （pair-wiSE Geo-social Event-based LatEnt factoR）模型,并使用这些社交网络中的信息,来为用户的兴趣进行预测.通过在真实的EBSN数据集上进行实验与验证,本文的模型不仅可以有效提升对于用户偏好的预测,也可以缓解冷启动问题.     

社交媒体中的信息推荐

近年来社交媒体越来越流行,可以从中获得大量丰富多彩的信息的同时,也带来了严重的"信息过载"问题.推荐系统作为缓解信息过载最有效的方法之一,在社交媒体中的作用日趋重要.区别于传统的推荐方法,社交媒体中包含大量的用户产生内容,因此在社交媒体中,通过结合传统的个性化的推荐方法,集成各类新的数据、元数据和清晰的用户关系,产生了各种新的推荐技术.总结了社交推荐系统中的几个关键研究领域,包括基于社会化标注的推荐、组推荐和基于信任的推荐,之后介绍了在信息推荐中考虑时间因素时的情况,最后对社交媒体中信息推荐有待深入研究的难点和发展趋势进行了展望.     

融合潜在社交信任模型的协同过滤推荐

推荐系统在处理信息过载的问题上有着显著的作用,但是推荐系统也存在不足之处,在于它的数据稀疏性和冷启动问题,使用传统的协同过滤算法已经不能满足于推荐系统的技术发展。随着社交网络的发展,朋友信任关系被广泛地运用于推荐系统中。但是在实际生活中,社交网络中的信任关系也存在着数据稀疏的问题,为了更好地提高推荐的质量,提出了一种融合潜在社交信任模型的协同过滤推荐算法。新的社交信任模型主要由以下部分组成:社交矩阵中全局信任值和专家模型,改进的信任传播模型,改进的皮尔逊系数模型。通过实验结果分析可知融合新模型的推荐算法有助于提升推荐效果。     

A social recommendation system for academic collaboration in undergraduate research

Academic collaboration plays an important role in undergraduate research. Current methods rely on offline social contacts for undergraduate students to collaborate with academic staff members in universities and research institutions. In big data era, it is difficult for undergraduate students to find suitable research project opportunities and supervisors to work with. This paper proposes a social recommendation system for undergraduate students to find research project opportunities and work with research project teams on an academic collaboration network. The proposed recommendation method integrates relevance, connectivity, and quality modules, where profiles of undergraduates are constructed with their self‐claimed information, research activities (e.g., studying and reading research publications and reading research projects), and social connections in the academic collaboration network. Suitable research projects are recommended based on the undergraduates' profiles. Experiments are conducted, and the results have shown that the proposed social recommendation system can facilitate undergraduates' selection of research projects.     

卷积融合文本和异质信息网络的学术论文推荐算法

针对交互数据稀疏和推荐多样性问题,基于卷积协同过滤推荐框架提出卷积融合文本和异质信息网络的学术论文推荐算法（WN-APR）。首先学习不同语义下用户和论文的多样化特征,缓解数据稀疏问题;然后基于外积设计不同语义特征相互增强的方式融合它们,并使用三维卷积神经网络代替二维卷积神经网络充分挖掘不同特征对性能的影响;最后改进贝叶斯个性化排序损失函数增强推荐多样性。在CiteuLike-a、CiteuLike-t数据集上的实验结果表明,相比于基线模型,WN-APR在准确率和多样性的四个指标上都有所提升。     

社会网络环境下基于信任传递的推荐模型研究

现有基于信任的推荐算法中没有充分挖掘用户间的信任关系,且缺乏合理的信任关系传递规则,极大地影响了推荐算法的可靠性和准确性。针对上述问题,通过用户评分数据与用户的社会关系建立信任传递模型,提出一种基于信任传递的推荐算法。该算法首先利用评分数据计算信任传递模型中用户的隐式直接信任关系,其次通过求解有序加权平均算子融合多条信任传递链的间接信任关系,最后将计算出的用户信任度与相似度融合为综合相似度进行预测推荐。实验结果证实了所提算法可有效提升系统的推荐质量。     

社会网络环境下的协同推荐方法

针对传统协同过滤推荐算法的数据稀疏性及恶意评分等问题,提出了一种融合信任度与矩阵分解技术实现社会网络推荐的方法。首先通过计算节点的声望值与偏见值发现网络中的不可信节点,并将其评分权重进行弱化。然后将用户－评分矩阵与信任度矩阵相结合,实现社会网络环境下的协同推荐。实验表明,相对于传统的协同过滤算法,该算法可以消减虚假评分或恶意评分给推荐系统带来的负面影响,有效地缓解数据稀疏性与冷启动问题,显著提高推荐系统的推荐质量。     

基于图注意力的异构图社交推荐网络

针对现有社交推荐算法忽视了用户潜在关联和项目之间的协作关系,提出了一个新的算法模型GATHGN(GAT based heterogeneous graph neural network),在该模型框架中对用户关联和项目关系统一建模。首先,挖掘用户显式社交关系、潜在关联关系和用户—项目关联关系,从而提取用户社交高阶特征和潜在兴趣高阶特征;而后,基于图注意力机制聚合上述两种高阶特征,逐层更新用户融合特征;最后,依据更新的用户融合特征与项目特征计算最终的推荐结果。在Yelp数据集和Flickr数据集上的实验结果表明,GATHGN的命中率与归一化折损累计增益较基线算法有显著提升。     

.基于社区网络内容的个性化推荐算法研究

针对用户在社区网络中面对海量的信息和资源,如何快速便捷地获得自己感兴趣的内容问题,提出一种基于社区网络内容的个性化推荐算法。在得到相同兴趣用户聚类的基础上,该算法首先通过用户访问日志信息挖掘相似内容推荐项,然后根据用户兴趣挖掘新的内容推荐项。实验结果表明,该算法不仅提高了内容推荐精度,而且还扩展了内容覆盖面。     

融合学术水平相似性的合作者推荐模型

合作者推荐工作对科学研究的发展和科技成果的转化很有帮助,然而学者间水平的差距严重影响了合作的建立。模型从学者间学术水平差距,合作网络的拓扑距离以及研究兴趣三个角度进行合作者推荐。首先,定义了学者—学者、学者—主题、学者—水平标签三种网络,并融合成主题—学者—水平标签图;之后对该图中的边赋权重,从而将合作者推荐任务转换为链路预测问题;最后使用偏向重启随机游走算法计算学者间的访问概率,并筛选访问概率大的学者作为推荐建议。在三个数据集上的实验表明,模型在推荐的准确率、召回率、F1指数上平均提高了5.4%、2.7%、3.8%,同时目标学者与推荐学者的学术水平匹配度更高。     

多维加权社会网络中的个性化推荐算法

个性化推荐是解决Internet中信息过载的重要工具,在研究有关个性化推荐的技术和相关动态的基础上,以用户实际应用为驱动,提出一种多维加权社会网络中的个性化推荐算法。首先,该算法构建了用户之间的多维加权网络;然后利用复杂网络的聚类方法——CPM算法寻找邻居用户;最后基于用户之间的相似性做出推荐。实验结果表明,应用该算法的多维网络的推荐系统与基于内容推荐系统和协同过滤推荐系统相比,有较高的查全率和准确率,个性化推荐质量有了一定程度的提高。