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。     

基于社交网络和协同过滤的微博好友推荐算法

微博作为近年来用户数量较多的社交应用,其用户的信息压力也相对较大,推荐技术对于微博用户的体验和推广有很明显的帮助.本文将针对微博平台的好友推荐进行研究,分别采用基于社交网络分析和基于协同过滤技术的推荐算法.经过两种算法的实验对比得出结论:基于协同过滤的好友推荐算法具有较好的性能,在推荐好友数量较多的情况下依然具有较高的综合评价指标,提高了好友推荐的质量.     

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。     

基于角色协同的在线社交网络好友推荐机制

在特定拓扑环境下,在线社交网络推荐机制的友好程度是决定推荐优劣的关键之一,其成功与否受制于关系结构与交互结构的共演化。基于此,以关系结构推动交互结构为演化前提,以“学者”交互为特定领域的在线社交网络“学者网”为应用背景,通过E-CARGO模型建模,采用角色协同方法,针对学者网用户拓扑中的水平好友关系与垂直等级关系设计并仿真了相关好友推荐机制。经实验问卷调查,分别约67.69%与86.16%的用户接受基于拓扑层次与推荐方向的好友推荐方式,相关推荐机制自然、友好,用户评价度较高。     

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。     

基于语义Web的网页推荐模型

如何使用语义 Web技术构建网页推荐模型是一个有着广泛应用前景的研究课题。语义 Web下的网页用本体标注 ,该模型自动采集被标注网页上的语义信息 ,利用网页中的标注信息和相应的本体概念对网页进行分类 ,将分类结果存放在数据库中。同时 ,在这个模型下 ,用户的兴趣存放在DAML (DARPA agent markup language)格式的文件中。通过用户兴趣和网页类别的匹配 ,就能够给用户推荐需要的网页 ,在推荐网页时 ,该模型还采用支持向量机用于分类用户。实验结果显示了该模型比传统的网页推荐模型准确率更高     

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．     

基于区域活跃用户的好友推荐和位置推荐算法

针对目前多数基于位置的推荐算法中未考虑用户的实时位置和时间因素, 使得推荐缺乏实时性的问题, 提出一种基于区域活跃用户的推荐算法, 以解决传统基于位置的推荐算法中存在冷启动的问题. 首先, 发掘用户当前所在位置的区域活跃用户, 以此作为推荐标准, 为用户进行推荐. 其次, 在位置推荐中引入时间因素, 使推荐更具准确性和实时性. 实验结果表明: 该算法融入的区域活跃用户好友数可提升推荐系统的实时性; 算法融合的位置信息可使推荐更准确.     

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。     

基于关联规则的社交网络好友推荐算法简

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,推荐前犖个用户作为好友。以新浪微博993950条用户关注数据及552600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。     

基于社交网络的虚拟团队成员推荐模型

为研究如何帮助社交网络中虚拟团队从海量的用户中筛选更多行为相似的用户加入团队,建立了一种基于社交网络的团队成员推荐模型,为虚拟团队推荐一些行为特征相似的用户作为候选团队成员。通过对用户信息和团队信息进行分词处理,得到用户标签向量集和团队标签向量集;将基于遗传算法的聚类算法应用于团队标签向量集,得到团队聚类簇和团队聚类中心;在此基础上,将团队聚类中心作为用户集的初始聚类中心,聚类出行为特征与团队聚类中心相似的用户簇,将这些用户簇作为相应团队聚类簇的候选推荐用户;再应用协同过滤思想,筛选出团队推荐成员列表。实验结果表明,该算法有效地解决了虚拟团队成员推荐问题。     

社交网络中基于信任评估的推荐控制模型

针对社交网络中无法有效管理陌生推荐安全性难题,提出了一种基于信任的评估推荐控制模型(TRCM).该模型描述了社交网络推荐中个体角色、推荐路径、可信任值、控制规则等方面内容.模型结合社交网络个体之间取信度、信誉度评估方法,分别计算串路型、并路型和复合型3类推荐信任度,并给出了客观偏移度和信心指数评估.同时,TRCM定义了一组信任控制规则以管理社交网络中的推荐行为.实验表明,该方法是有效可行的.     

基于分类算法的潜在好友推荐系统

提出了一种基于分类算法的潜在好友推荐系统. 该系统采用两步特征方法处理原始数据集,去除不相关特征项和冗余特征项,为分类器提供精简的特征集合;把学者潜在好友推荐问题转化为二分类问题,对比4个常用分类器在两步特征选择方法上的分类效果,并找出推荐效果最佳的分类器(决策树分类器),同时得出学术社交网络中区分度最大的6个用户特征信息. 使用来自学术社交网络学者网（SCHOLAT）的社交网络信息作为实验原始数据集进行测试,实验结果显示,相比传统方法,基于分类的推荐方法在准确率和F1值均有显著提升,体现了基于分类算法的潜在好友推荐系统的准确性和实用价值.     

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。     

基于贝叶斯网络的个性化关联推荐模型研究

针对关联规则挖掘不能有效进行个性化推荐问题,研究了关联规则挖掘与贝叶斯网络相融合的个性化关联推荐模型,采用历史记录剪枝与贝叶斯网络校验相结合的办法,对关联规则挖掘算法进行改进。在关联规则挖掘过程中,结合用户历史记录,对关联规则中的频繁项集进行筛选,低于给定阈值项集被剪枝,并把剪枝后的项集输入贝叶斯校验网络进行个性化校验,对校验结果排序后按排名先后进行推荐,实现把读者真正喜欢的图书优先推荐给读者,该推荐模型在一定程度上解决了现有推荐系统中个性化较弱的问题。实验表明,贝叶斯网络可以提高关联推荐的个性化程度。     

基于人工智能的社交网络用户行为数据周期推荐算法

为提高社交网络个性化服务质量,研究数据周期推荐算法的重大意义,针对传统推荐算法相似度计算准确率不高,导致推荐结果精度低、召回率低和耗时长等问题,提出一种基于人工智能的社交网络用户行为数据周期推荐算法。首先依据用户行为建立评分矩阵,利用皮尔逊相关系数计算评分矩阵评分值与网络行为数据相似度,依据计算得出的相似度以协同过滤为核心来检出需要推荐的社交网络用户数据内容,其次利用Top-N法生成用户邻居集,最后实现社交网络用户行为数据内容周期推荐。实验测试结果表明,所提算法的相似度计算准确率较高,网络用户行为数据周期推荐结果精度可高达97.2%,且推荐结果召回率高、耗时低,提高了社交网络个性化服务质量。     

面向语义搜索的推荐模型研究

随着Web信息量的不断增多,人们不得不花费大量时间去搜索、浏览和选择自己需要的信息,改善和提升搜索引擎信息检索的能力已经越来越迫切.提出基于专家用户搜索历史的信息推荐模型,并重点介绍普通用户和专家用户Profile以及基于此的2个计算模型.在此基础上结合Nutch搜索引擎平台,开发面向语义搜索的推荐系统,实际使用证明推荐效果良好.     

基于PPIN的社交网络推荐系统

为了提升海量数据下社交网络推荐系统的性能,将传统聚类方法与蛋白质网络的新特性相结合,提出了一种竞争-抑制节点模型(CINM).该模型将数据的整个处理流程分为节点重构、膜外聚类、膜内聚类及内容推荐4个部分,分别完成数据预处理、数据清洗、精度匹配与数据输出.在数据预处理过程中,通过矩阵运算,将复杂多维数据集构成的用户信息转换成结构化定量数据,并产生数据摘要.数据清理通过判断竞争值来获取用户的特征数据.在精度匹配阶段,基于蛋白质相互作用网络的相似性匹配原理获取相似性最大的一组值,并结合与用户相关联的数据项进行最终内容或关系的推荐.实验结果表明,CINM模型可以通过数据预处理和特征值竞争抑制机制较好地完成数据过滤,从而提高数据处理效率并提升最终推荐结果的精确性.     

基于Hadoop的社交网络服务推荐算法

为高效处理社交网络产生的海量数据, 并保证社交网的可扩展性, 将TF-IDF(Term Frequency-Inverse Document Frequency)算法进行MapReduce化设计, 并在Hadoop云平台上实现分布式的TF-IDF算法。利用该算法提取用户微博中的关键词, 再根据关键词发现用户的兴趣, 并对用户做相应的推荐。为验证分布式TF-IDF算法的有效性和可扩展性, 与TextRank算法的结果做对比。实验结果表明, 分布式TF-IDF算法提取的关键词能更准确地描述用户的特性, 同时具有良好的可扩展性。