LBSNs中基于用户活动和社交信任的好友及位置推荐算法

在基于位置的社交网络中,好友推荐主要是基于用户共同好友数量、用户行为偏好的相似性实现,而位置推荐则主要是基于地理位置进行空间聚类、用户间最长公共访问子序列实现,但目前推荐方法对用户行为偏好描述缺少语义活动信息支持,刻画用户间的关系也缺乏必要的个体信任关系描述,同时尚未综合利用第三方社交网应用中对位置的大众评分及个人评分,因而导致推荐质量不高.针对此问题,在综合考虑用户语义活动偏好、社交信任、位置合成评分以及物理距离等因素的前提下,提出FRBTA和LRBTA算法分别进行好友和位置推荐.实验结果表明,本文提出的推荐算法是可行且有效的.

社交网用户行为关系推演模型

如何发现具有紧密关系的用户并为其提供信息推荐服务,是目前学术界和工业界关于社交网用户行为关系研究的热点问题之一。迄今为止,大部分社交网用户行为关系研究主要局限于用户间"关注(follow)"行为上,导致用户间关系的发现尚不够准确和完善。在社交网应用之一的Twitter平台中,"@(mention)"关系相比于一般"关注"关系能更准确反映用户间紧密关系程度,因此提出了一种新的用户间相似关系,即UPBR(user pair behavior relationship)关系,该关系体现了在相近地理位置进行相似活动的语义行为,如餐饮、旅行、购物等;根据该关系提出了一种UPBR推演模型,即UPBR-IM,该模型一方面通过用户上传的@Tweet文本来推演用户语义行为活动相似性,另一方面则利用最大似然估计对文本发布位置进行概率最大化计算来推演用户物理位置相似性;最后结合二者结果判断用户间是否存在UPBR关系,从而实现高质量的信息推荐服务。扩展性的实验结果验证了该模型是可行和有效的。