基于社区发现及主题分析的微博用户推荐

在现行的几种好友推荐机制基础上,考虑社交网络的信任传播因素,设计了一种推荐模型。提出一种先基于信任度发现社区,再通过主题分析计算用户相似度的两阶段推荐方法。旨在向用户推荐其感兴趣的潜在好友,帮助用户扩大其朋友圈,进而提高用户黏性。     

MOOC社区中基于移动情境感知的学伴推荐方法研究

在大规模学员参与的MOOC社区中智能推荐适配的学习伙伴,对促进学习投入和提升课程完成率具有重要意义.基于探究社区理论模型分析MOOC社区知识地图结构,梳理影响学伴推荐的用户情境(学习投入、评分、时间及位置)和社会情境(交互行为、强度及时效),相应地构建用户情境信任度和社会情境信任度;在社会情境信任度构建中,引入信任奖励因子和时间衰减因子,反映MOOC社交信任的动态性;最后融合用户情境和社会情境计算动态综合信任度,通过信任传播构建MOOC社区复杂信任网络,基于此为学员生成Top-N推荐列表.实验表明,融合用户情境和社会情境的学伴推荐方法,能充分挖掘学员兴趣偏好及交互行为变化所反映的动态信任关系,在高动态性和移动性的MOOC社区中具有较好的推荐效果;同时,可以通过调整多维情境的权重值实现在不同推荐场景的灵活应用.     

基于信任社区的个性化推荐策略研究

针对传统的协同过滤算法推荐准确率较低的问题,提出一种基于信任社区的个性化推荐策略.首先利用社区发现算法,从用户网络中挖掘出具备类似兴趣喜好的信任社区,然后实施基于社区的个性化推荐.为及时发现用户的兴趣迁移及恶意攻击节点,引入一种信任度的反馈评价机制,将交易后的评价数据与预期值进行比较,以实现信任度的自适应更新.实验数据显示,该算法使得系统推荐准确率得到有效提高,从而提高了用户对系统的信任度.     

基于语义行为和社交关联的好友推荐模型

现今社交媒体是建立社交联系的重要媒介,好友推荐对于扩展人们的关系网络起到至关重要的作用,准确的用户特征提取和分析是社交网络中好友推荐的关键.传统的好友推荐方法一般都是根据部分用户属性信息或行为信息进行推荐,所以对用户特征的描述不完整,推荐的效率和准确率远非预期.提出基于用户语义行为和社交关联的推荐模型应用于社交媒体平台上的好友推荐.为了获得准确的预测,使用LDA(Latent Dirichlet Allocation)对语义信息进行主题建模,得到基于主题的用户语义行为特征表达;使用DeepWalk算法对用户社交关联网络图进行特征提取,得到准确的社交关联特征表达;使用反向传播神经网络来预测用户潜在的社交关联,为用户精准推荐好友.该模型实现了利用用户语义行为和社交关联预测用户潜在的社交关联,可以根据潜在社交关联进行精准的好友推荐.     

基于信任关系的潜在好友推荐方法

如何有效地帮助用户挖掘平台潜在好友成为电子商务中一项非常重要的服务需求。提出了一种综合考虑用户间兴趣因素和信任因素的好友推荐方法,设计并构建了一个包括用户声望信任和局部信任的混合信任网络,将网络中信任评价度与协同过滤中兴趣评分相似度进行组合来衡量用户间好友相似关联,以实现好友推荐。在Epinions数据集上以准确率、召回率和F值作为实验评价指标,对所提方法进行验证,相比其他同类应用准确率在10％-15％、召回率在10％～20％的性能,本文方法的准确率和召回率的最佳性能分别达到22．47％和21．15％,实验证明本文方法有效提高了推荐性能。     

一种改进的基于云模型的链式推荐算法

为了在网络社区中监督和提高产品概念设计方案的质量,提出了一种改进的基于云模型的链式推荐算法。该算法对网络社区中的用户数据进行预处理,基于集合信任度和相似度推荐一位候选设计专家;应用链式推荐方式推荐另外二位候选设计专家,扩大了推荐范围;进一步利用云模型的信任云逆向生成器计算三位候选者的全局信任度,得到候选设计专家的全局信任度,信任度最大者即是要推荐的设计专家。实验结果验证了该算法的可行性和有效性。     

基于六度分割理论的社交好友推荐算法研究

为了更好地拓宽用户社交圈并且通过新朋友获取更多的信息资源,好友推荐成为社交网络最为青睐的对象。该文在分析现有朋友推荐算法的基础上,提出基于六度分割理论的社交好友推荐算法。首先,该方法以好友分级思想为基础,根据用户的历史行为对用户进行评级,将评级相似的用户合并为一个群组,以减少进行大规模好友推荐时的时间代价;其次,考虑用户之间的共同关注关系,以及用户与好友交流的时间差额,计算用户与好友之间的相似程度。采用新浪微博数据集验证算法的性能,最终实验证明:该算法准确性和召回率都得到了提升。     

基于核心用户对发现的微博好友推荐算法

现有的微博好友推荐算法没有充分考虑网络关系结构,导致发现的邻居群合理性较差。针对这个问题,围绕微博用户群聚规律和社交网络特点展开研究,提出一种基于核心用户对发现的微博好友推荐算法;该算法首先将任意两个具有相互关注关系的用户封装成用户对的形式并计算各用户对之间的交互行为相似度,然后通过密度和距离两个参数发现核心用户对以及划分合理的邻居类簇,最后根据制定的推荐规则向用户进行好友推荐。结果表明,相比传统的协同过滤方法,该算法明显提高了微博好友推荐的精度,核心用户对发现、类簇的合理划分以及推荐规则的制定能够缓解数据稀疏和冷启动带来的问题。     

基于文本相似度计算的兴趣网络构建方法研究

从海量无结构互联网信息中提取高质量的社会网络有着广阔的应用前景和较高的学术价值,本文以新浪微博网站作为信息源提取用户之间的共同兴趣网络,在知网文本相似度计算方法的基础上,结合用户特征词的词性分析,提出了一种结合词性的用户相似度计算方法,此方法可以计算用户之间的兴趣强度,进而构建共同兴趣网络。实验结果表明,该方法对用户类别判定的准确率有所提高,对兴趣网络的提取有较好的效果。     

基于深度学习的正则化矩阵分解推荐系统

针对当前推荐算法面临的冷启动、数据稀疏以及推荐准确度低等问题,本文提出一种基于深度学习的正则化矩阵分解推荐系统,该系统利用深度自动编码器对基于矩阵分解的用户和项目潜在特征进行初始化,然后使用Node2vec网络嵌入技术在用户信任网络中捕获用户潜在特征,用于计算用户信任度和预测用户对项目的评分.为了使用户的兴趣与可信用户和社区中最具影响力的人兴趣相似,本文算法采用Louvain和超链接诱导主题搜索(HITS)方法寻找社交网络中最具影响力的用户节点,以正则化的方式将约束信息添加到矩阵分解的目标函数中.实验结果表明:本文算法明显优于其他对比推荐算法,不仅可以缓解用户的冷启动问题,还提高了推荐质量.     

应用非负矩阵分解的社交网络好友推荐

现有好友推荐方法只利用用户关系或内容信息进行推荐,难以获得较好的推荐质量． 针对该问题,在利用非负矩阵分解模型适合数据聚类以及数据约简的基础上,提出一种基于非负矩阵分解的好友推荐方法:FRNMF． 该方法采用基于非负矩阵分解的用户聚类为核心的好友推荐框架,利用用户好友关系网络信息和内容信息分别进行用户聚类,然后基于聚类结果计算用户间的综合相似度并进行好友推荐;不仅可以综合集成利用用户关系和内容两类信息,而且具有线性时间复杂度,还可以解决数据稀疏引起的推荐质量下降问题． 实验开发了FRNMF的原型系统,并在真实的新浪微博和学者网社交网络数据集进行对比实验,结果表明FRNMF比传统的好友推荐方法具有更好的推荐质量． 此外,对用户关系和内容两类信息的权重参数设置进行实验分析,分析表明适当提高用户关系信息的权重对于提高好友推荐质量具有促进作用．     

面向大规模社交网络的潜在好友推荐方法

有效的潜在好友推荐是促进社交网络不断增长的重要途径,对于大规模社交网络环境下的复杂计算问题,文章提出了一种适用于大规模社交网络的潜在好友推荐方法,该方法首先将用户的潜在好友划分为"可能认识的"和"可能感兴趣的"2类,然后分别基于用户共同好友关系拓扑图和Profile文本相似性计算模型进行描述,最后基于MapReduce云计算模型对相关方法进行了设计实现。探讨了云计算环境下的潜在好友推荐系统框架设计、大规模用户共同好友关系拓扑图以及Profile文本相似性计算的方法,并通过实验以及应用实例验证了该方法的有效性以及可扩展性。     

社交网络中基于用户投票的推荐机制

为了改善目前社交网络中热点信息推荐与个性化好友推荐的不足,提出基于用户投票的推荐机制.首先,根据众多用户对某条信息的投票情况评估信息的热度与价值,将用户对信息的浏览、评论、转发等操作以及时间因素与用户主动性投票相结合,提出基于用户投票的热点信息推荐算法.然后,根据某个用户对众多信息的投票情况评估用户的兴趣,从用户对网络信息的投票以及浏览情况中提取出用户的兴趣度特征,进而提出基于用户投票的个性化好友推荐算法.最后,针对2个算法进行仿真实验,评估各因素对推荐算法的影响和推荐的有效性.实验结果表明,基于用户投票的推荐机制可以有效地进行热点信息与个性化好友的推荐.     

基于最近邻居优化选取方法的协同过滤推荐算法

针对传统的协同过滤推荐算法推荐精度低和数据稀疏的问题,提出基于最近邻居优化选取方法的协同过滤推荐算法.首先,提出一种用户可用度计算模型,根据其他用户对目标用户的可用度计算结果,选取最近邻居候选集.然后,提出一种用户信任度计算模型,计算目标用户对最近邻居候选集中用户的信任度,进而选取目标用户的最近邻居.最后,根据最近邻居的评分情况,得到目标用户的推荐.实验结果表明,该算法提高了推荐精度,而且有效地改善了不同稀疏程度数据上的推荐效果.     

基于微博的个性化社区推荐算法

随着互联网的发展,网络信息正飞速增长.社交网络如Facebook,Twitter,微博等相继出现,用户通过虚拟平台可以获得自己感兴趣的信息,找到爱好相投者.面对海量的内容信息,如何选择各自所需成了当下研究的话题,因此推荐系统应运而生.进一步地,如何更加个性化推荐信息也成为探讨热点.本文以微博社区为平台提出了一种基于微博的个性化社区推荐算法,通过对传统的Jaccrad相似度方法改进,从用户所关注博主以及所参与社区或话题两方面考虑用户之间相似性.继而通过改进的Page Rank算法筛选出具有影响力的对象作为待推荐集.与传统Jaccard和Page Rank算法相比,本算法在平均准确率的平均值MAP上分别提高了42.6%和34.3%.     

LBSN中结合相遇和拓扑结构的朋友推荐算法

利用基于位置的社交网络(LBSN)中的共享位置信息,提出一种结合相遇和拓扑结构的朋友推荐算法.该方法定义用户关系为相遇模型,通过考虑朋友间时间和空间的相遇特征,基于随机路点模型计算轨迹间在相同时间下的相遇频率作为用户相似度,结合拓扑相似度作为最终的推荐依据.实验结果表明,所提出的方法较传统基于拓扑的好友推荐算法准确率更高.     

考虑社会网络信任关系的多属性群决策方法

针对社会网络环境下决策者存在信任关系导致的信任风险,以及方案属性间存在关联性的问题,提出了一种考虑社会网络信任关系的多属性群决策(MAGDM)方法;首先根据决策者的社会网络关系进行聚类从而获得若干个子社区,并通过度中心性和特征向量中心性计算出决策者的权重与子社区权重;接着根据信任关系分别确定决策者个人与子社区的信任度,并针对信任度较低的子社区衡量出其信任风险系数与评价风险系数,然后对该子社区进行相应的意见调整;其次针对备选方案的多个属性具有关联性的问题采用Choquet积分算子获取备选方案的综合评价值,并通过得分函数对备选方案进行相应排序以获取最优决策方案;最后将所提决策方法应用于一个算例中,说明方法的可行性。     

在线社交网络好友推荐方法的研究——基于非对称相似性方法

考虑用户间影响的差异,从用户关注的兴趣点出发,及其他用户的消息或行为通过最短路径影响该用户的最大可能性,提出了基于非对称相似性的半局部拓扑指标,并将其应用于在线社交网络好友推荐。通过Facebook数据集验证了该方法,实验结果证明,考虑了非对称相似性的好友推荐算法在准确率与召回率上都明显优于其他方法,从而证实了该方法的有效性。     

基于个性化生成模板集聚的用户图像美感表征

通用的图像美感研究没有考虑用户之间的审美差异,不能表示用户的个性化审美偏好。为了更有效地表示用户的个性化审美偏好,本研究利用计数网格模型,提出了一种基于个性化生成模板集聚的用户美感表征建模方法,构建起了一个更紧致的用户图像美感表征向量,能更好地描述用户特征。实验结果表明,文中提出的方法构建的用户美感表征方式,在用户识别中可以获得更高的识别率,在用户推荐中也能得到更符合实际情况的推荐结果。     

基于关联规则的社交网络好友推荐算法

提出了一种基于关联规则的社交网络好友推荐算法,在进行好友推荐时,考虑现实社交活动中"志趣相投"的好友常常会关注相同的人和事,网络社交中的好友也常常会关注相同的"人"和"事",将"关注"看成一条交易记录,把关注的用户看成交易项,所有交易项的集合看成交易数据库,生成二阶候选项集,并按支持数降序排序,推荐前N个用户作为好友。以新浪微博993 950条用户关注数据及552 600条微博关注数据作为实验的对象,实验结果表明,算法具有良好的性能,可实现较高的召回率与准确率。