基于博弈的社会网络个性化好友推荐算法研究

随着在线社会网络规模的不断扩大,在线社会网络中的用户信息过载问题成为业界关注的焦点。社会网络中实体的复杂性和社交网络结构的复杂性给社交网站中的个性化推荐带来新的研究问题和挑战。提出一种基于博弈的预测模型,利用非合作博弈进行链接预测,设计了一个通过链接预测来实现个性化推荐的算法。最后,在来自学者网SCHOLAT的真实数据集上进行了实验,结果证明该方法能够有效地提高推荐的准确性。     

基于信任社交圈的好友推荐算法

为体现出在线社交网络中好友推荐时的用户倾向性,并且更真实反映现实生活中人与人之间的关系强度,将用户间的好友关系强度定义为信任度引入到相邻边拓扑信息相似性计算中,并结合用户兴趣模型导出用户社交圈,提出一种好友推荐算法。针对用户社交圈中未考虑好友间信任度的情况,将信任度融入到社交圈重叠程度计算中为用户发现其潜在的好友提供建议。实验结果表明,与基于社交圈相似性和公共朋友相似性的好友推荐算法相比,该算法具有更高的好友推荐准确率。     

面向兴趣主题的个性化好友推荐

个性化的好友推荐是促进社交网络服务不断提高的重要途径,在大规模的社交网络环境中,准确地为用户推荐兴趣主题相似的好友能够使得用户的粘性更强,然而海量数据的稀疏性使得现有的大多数社交网络都不能够准确根据用户间兴趣的相似性进行好友推荐。为此,提出一种面向用户兴趣主题的个性化好友推荐方法(ITOR)。该方法首先采用k-core分析法提取用户的兴趣主题,在拥有相似兴趣主题的基础上结合用户属性信息,通过先验概率计算出有相同属性信息的用户成为好友的概率,进一步强化推荐结果的准确性和满意度。最后,通过爬取2015年9月份发布的新浪微博数据进行实验分析,验证了本推荐方法的有效性。     

基于认知度与兴趣度的好友推荐反馈算法

针对现有的好友推荐算法在好友关系刻画上丢失重要信息的现状,受用户对物品认知行为的启发,文中提出基于认知度与兴趣度的好友推荐反馈算法,使用混合相似度研究网络好友关系,探索在线社交网络中的交友问题.针对好友推荐过程中"开环"的问题,提出基于历史推荐信息的正负反馈优化调整策略,使用用户相似度修正公式研究好友反馈动态推荐,证明...     

基于相似度和信任度的关联规则微博好友推荐

针对关联规则个性化好友推荐中规则挖掘效率及推荐有效性不高的问题,首先提出基于散列及位图的改进关联规则算法BHA。该算法通过引入散列技术,减少了频繁2项集挖掘所需的时间;利用位图及相关性质,压缩无关候选项,减少了数据集所需的遍历次数。另外,在BHA的基础上,提出基于相似度及信任度的推荐算法STA,利用出、入相似度定义信任度,有效解决了新浪微博未提供显示信任关系的问题,同时弥补了相似度推荐未考虑用户间远近层次关系的缺陷。采集新浪微博用户数据进行实验,在关联规则挖掘效率的对比上,BHA挖掘所需的平均时间仅为改进AprioiriTid算法的47%;在好友推荐的有效性上,推荐算法STA较SNFRBOAR算法在准确率及召回率上分别提升了15.2%和9.8%。实验结果表明,STA能够有效降低规则挖掘所需的平均时间,并使实际好友推荐的有效性得到提升。     

基于用户潜在特征的社交网络好友推荐方法

随着Facebook、Twitter、微博等社交网站的迅速普及,好友推荐系统逐渐成为各大社交网站的重要组成部分。好友推荐系统通过主动为用户推荐新的潜在好友来有效地扩大用户的社交圈规模并改善用户的社交体验,因而受到了广泛关注。然而,如何针对用户的个性化需求,为用户推荐真正意义上的好友,一直是个性化好友推荐的难点之一。对此,提出一种基于用户潜在特征的社交网络好友推荐方法(SNFRLF)。首先,通过隐语义模型挖掘用户的潜在属性特征;然后,通过用户的潜在特征计算用户间的相似度;最后,将计算得到的相似度引入到随机游走模型中以获得好友推荐列表。实验结果表明,文中所提好友推荐方法较已有的好友推荐方法在性能上有显著提升。     

一种新的新浪微博好友推荐算法

鉴于新浪微博现有好友推荐机制的不足,提出一种新的新浪微博好友推荐算法。研究微博社区结构和权威用户对好友推荐的影响。在同一微博社区中,通过查找权威用户,并结合用户之间的兴趣相似度和信任度进行好友推荐。推荐过程中两次计算了用户的兴趣相似度并引入用户间信任度传播模型。通过跟踪多组新浪微博目标用户,将新浪微博提供的好友推荐列表和该算法推荐的好友列表作对比,实验表明该算法具有更好的推荐效果。     

基于三度影响力的社交好友推荐机制

针对社交网络中的好友推荐问题,提出了一种基于三度影响力理论的好友推荐算法。社交网络用户节点间的联系除了共同好友外,还存在其他不同长度的连通关系。该算法不再局限于仅以用户间共同好友的数量作为好友推荐的主要依据,而是在此基础上引入三度影响力理论进一步拓展关系连接,即把用户间距离三度以内的强连接用户都考虑进来,并通过为不同距离长度的连通关系分配相应的权重,实现好友关系强度的计算,来进行推荐。通过在新浪微博和Facebook社交网站上的实验结果表明,该算法比仅依据用户间共同好友数量的推荐算法在查准率和查全率上分别提高了约5%和0.8%,显著提升了社交平台好友推荐的效果,从而为社交平台改进推荐机制,以进一步增强用户体验提供了理论支撑。     

基于内容与社会过滤的好友推荐算法研究

基于内容算法与社会过滤算法都是迄今为止在社交网络中较为成功的好友推荐算法。结合两者的优点,根据用户已有的好友来给用户推荐新的好友,并与用户的兴趣爱好、地理位置等个人信息相结合的方式来处理好友推荐问题。通过实验验证以及准确率和召回率的评测显示,改进的算法比传统的好友推荐算法在推荐性能上有较为明显的提高。     

基于关联规则与相似度的社交好友推荐算法

针对现有社交好友推荐算法只关注"人"忽略"事"的问题,提出一种基于关联规则与相似度的推荐算法。通过对用户每天发布的信息进行相似度计算,将相似度达到给定阈值的信息视为一条交易记录,把发布的信息视为交易项,信息库视为交易数据库,计算出二阶候选项集,推荐支持数最高的前N项信息的发布者为好友。实验结果表明,与基于关联规则与标签的好友推荐算法相比,该算法具有较高的准确率。     

基于社会网络分析的协同推荐方法改进

协同推荐是电子商务中被广泛使用的个性化服务技术,但由于数据稀疏、冷启动等原因,导致现有协同推荐方法的个性化服务水平不高。为提高协同推荐的准确性,利用社会网络分析对协同推荐方法加以改进,提出一种基于社会网络分析改进的协同推荐方法。该方法利用社会网络分析技术分析用户间的关系,将其量化为信任度以填充用户-项矩阵,并将信任度融入到用户相似性计算中。通过实验分析验证了所提方法的有效性。以信任度扩充用户-项矩阵不仅可以较好地解决协同推荐中数据稀疏和冷启动问题,而且能够提高协同推荐的准确性。     

移动社交网络中可保护隐私的快速邻近检测方法

针对邻近检测中的用户隐私保护问题,提出了一种可保护隐私的快速邻近检测方法。该方法用网格划分地图。在邻近检测的过程中：首先,用户的邻近区域被转化为其周边网格的集合;然后,利用隐私交集运算（PSI）计算用户邻近区域的交集以达到保护隐私的目的;最后,依据交集是否为空进行邻近判定。分析和实验结果表明,与现有的基于私密相等性检测以及基于坐标变换的方法相比,所提方法解决了邻近检测中隐私保护的公平性问题,能够较好地防范勾结攻击,并且具备较高的计算效率。     

融合用户历史行为与社交关系的个性化社交事件推荐方法

为了提升基于事件的社交网络(EBSN)中社交事件的推荐效果,提出了融合用户历史行为和社交关系的个性化社交事件推荐方法.首先采用深度学习技术从用户的历史行为以及用户之间的潜在社交关系两个方面建立用户模型;然后在对用户偏好建模时,引入用户偏好的负向量表示,并使用注意力权重层根据不同的候选推荐事件为用户历史行为中不同的事件和...     

融合社交网络和图像内容的兴趣点推荐

基于位置的社交网络（LBSN）蓬勃发展，带来了大量的兴趣点（POI）数据，加速了兴趣点推荐的研究。针对用户-兴趣点矩阵极端稀疏造成的推荐精度低和兴趣点特征缺失问题，通过融合兴趣点的标签、地理、社交、评分以及图像等信息，提出了一种融合社交网络和图像内容的兴趣点推荐方法（SVPOI）。首先分析兴趣点数据集，针对地理信息，利用幂律概率分布构造距离因子；针对标签信息，利用检索词频率构造标签因子；融合已有的历史评分数据，构造新的用户-兴趣点评分矩阵。其次利用VGG16深度卷积神经网络模型（DCNN）识别兴趣点图像内容，构造兴趣点图像内容矩阵。然后根据兴趣点数据的社交网络信息，构造用户社交矩阵。最后，利用概率矩阵分解（PMF）模型，融合用户-兴趣点评分矩阵、图像内容矩阵、用户社交矩阵，构成SVPOI兴趣点推荐模型，生成兴趣点推荐列表。大量的真实数据集上的实验结果表明，与PMF、SoRec、TrustMF、TrustSVD推荐算法相比，SVPOI推荐的准确度均有较大提升，其平均绝对误差（MAE）和均方根误差（RMSE）两项指标比最优的TrustMF算法分别降低了5.5%和7.82%，表明SVPOI具有更好的推荐效果。     

社交网络中基于分类属性的好友推荐

社交网络经常通过掌握的用户信息来对其进行好友推荐。这种好友推荐带来了技术挑战,现有的好友推荐技术并不能有效解决该问题。为了应对这种技术挑战,拟提出基于分类属性的好友推荐算法。通过机器学习的手段,分析出不同类型的属性对用户行为的贡献度不同,将其进行分类处理。基于该分类,提出的算法可以在掌握用户基本资料以及近期行为的基础上,搜索出与之相关性更强的好友或能够引发其兴趣点的商品,用来快速、准确、全面地得到用户与其好友之间亲疏程度排序及分类的结果。实验结果证明了所提出方法的有效性及高效率。     

基于位置的非对称相似性度量的协同过滤推荐算法

为提升推荐系统的准确率,针对传统协同过滤(CF)推荐算法没有有效使用位置信息的问题,提出了一种基于位置的非对称相似性度量的协同过滤推荐算法(LBASCF)。首先,分别利用用户-商品评分矩阵和用户历史消费位置,计算出用户间的余弦相似性和基于位置的非对称相似性;其次,将余弦相似性与基于位置的相似性融合,得到一个新的非对称用户相似性,融合后的相似性能够同时反映用户在位置上和兴趣上的偏好;最后,根据用户的最近邻居对商品的评分向用户推荐新的商品。用某点评数据集和Foursquare数据集对算法的有效性进行了评估。在某点评数据集实验结果证明,与CF相比,LBASCF的召回率和精确率分别提高了1.64%和0.37%;与位置感知协同过滤推荐系统(LARS)方法比较,LBASCF的召回率和精确率分别提高了1.53%和0.35%。实验结果表明,LBASCF相对于CF和LARS在基于位置服务的应用中能够有效提高系统的推荐质量。     

基于博文及网络结构信息的好友推荐方法

由于人们在书写用户属性信息时随意性和虚假性,使得在进行用户兴趣建模时用户属性无法得到有效利用。针对该问题,提出了一种基于兴趣偏好和网络结构的混合好友推荐方法。采用LDA主题模型对用户微博进行建模,从中挖掘用户兴趣,并依据同质性原理利用好友兴趣偏好对目标用户兴趣偏好进行修正。同时,采用一种新颖的基于网络结构的预测指标度量用户间的亲密程度。实验结果表明,与仅利用网络结构的推荐效果相比,加入用户兴趣后的模型在准确率及AUC指标上有显著提升,同时也可提高部分博文主题不明确用户的兴趣挖掘效果。     

支持多维标签云的移动餐厅推荐系统仿真研究

实现了一个可提供基于位置的移动餐厅推荐及导航服务的系统。结合最新的Web2.0应用数据,实现了多模式的餐厅信息推送服务,包括基于模糊条件约束的查询机制,基于位置的地图浏览模式和基于三维标签云的协同信息共享机制,为用户提供实时的基于位置的餐厅个性推荐及导航。同时,针对移动手机屏幕较小,显示内容受限的问题,研究并提出了一个“面向移动终端的多维标签云可视化方法”,并实现了一种标签云关联分析和聚类算法,实现了基于用户偏好的快速导航。     

基于浏览偏好挖掘的实时商品推荐方法

在分析了当前推荐技术中各种算法的优缺点和及其存在的主要问题的基础上,提出一种浏览偏好挖掘的实时商品推荐方法。该算法通过分析用户Web游览记录,并使用贝叶斯网预测其浏览偏好,然后将用户偏好与商品特征进行匹配计算进而产生商品推荐。实验表明该方法能为用户提供更为精确有效的个性化推荐。     

事件社交网中基于有向标签图及用户反馈的活动推荐方法

由于基于事件的社交网络（EBSN）中的活动具有时效性,传统社交网络推荐算法无法适用于EBSN。此外,大多数算法忽略了能影响后续推荐质量的前用户是否接受活动的反馈意见。为此,提出一种EBSN中基于有向标签图及用户反馈的活动推荐方法。首先,将EBSN抽象为有向标签图,并抽取图节点及边的属性特征信息,构建有向图结构特征（DGSF）索引,该索引由节点属性特征索引、有向边属性特征索引以及时间特征索引构成,利用该索引对节点及边进行初次过滤。其次,提出基于DGSF索引的多属性候选集过滤策略,利用时间、节点的出入度、标签类型等特征的限制,实现对查询图候选集的进一步剪枝,避免冗余计算。然后,提出一种具有用户反馈的改进UCB（Upper Confidence Bound）活动推荐算法——EN_UCB,通过引入弹性网回归,根据多影响因素计算用户对活动的兴趣值,为用户推荐兴趣值高的活动,同时接收用户是否接受该活动的反馈,以优化后续用户的推荐。大量实验结果表明,EN_UCB算法的接受率高于TS（Thompson Sampling）、UCB以及eGreedy算法,遗憾率远远低于TS和eGreedy算法,且运行效率高于TS、UCB以及eGreedy算法,活动数越大,优势越明显。所提算法能有效实现EBSN上的在线活动推荐。