一种基于社交网络社区的组推荐框架

面向用户群组的推荐主要面临如何有意义地对群组进行定义并识别,以及向群组内用户进行有效推荐两大问题。该文针对已有研究在用户群组定义解释性不强等存在的问题,提出一种基于社交网络社区的组推荐框架。该框架利用社交网络结构信息发现重叠网络社区结构作为用户群组,具有较强的可解释性,并根据用户与群组间的隶属度制定了考虑用户对群组贡献与用户从群组获利的4种聚合与分配策略,以完成组推荐任务。通过在公开数据集上与已有方法的对比实验,验证了该框架在组推荐方面的有效性和准确性。     

基于位置的社会化网络的并行化推荐算法

针对传统的协同过滤算法在利用签到记录进行兴趣点(POI)推荐时不能充分利用签到信息所隐含的偏好、位置和社交网络信息而损失准确率的问题,以及传统的单机串行算法在大数据处理能力上的弱势,提出一种基于位置和朋友关系的协同过滤(LFBCF)算法,以用户历史偏好为基础,综合考虑用户社交关系网络进行协同过滤,并以用户的活动范围作为约束实现对用户的兴趣点推荐。为了支持大数据量的实验,将算法在Spark分布式计算平台上进行了并行化实现。研究过程中使用了Gowalla和Brightkite这两个基于位置的社会化网络数据集,分析了数据集中签到数量、签到位置之间距离、社交关系等可能对推荐结果造成影响的因素,以此来支持提出的算法。实验部分通过与传统的协同过滤算法等经典算法在准确率、F-measure上的对比验证了算法在推荐效果上的优越性,并通过并行算法与单机串行算法在不同数据规模上加速比的对比验证了算法并行化的意义以及性能上的优越性。