基于兴趣相似度的社区结构发现算法研究

复杂网络通常会呈现出社区结构特性,如何在实际网络中高效地发现社区结构是近年来复杂网络的研究热点之一。到目前为止,已经提出很多分析复杂网络社区结构的算法。但是大部分算法基于无权网络并且有些算法由于其时间复杂度的过高导致其不适合应用于对大型网络的分析。本文提出一种基于兴趣相似度的社区结构发现算法。该算法适用于加权网络,并且降低时间复杂度。

基于链接强度的兴趣相似社区聚类算法

传统的社交网络社区划分分为两种,一种是以链接属性进行划分,另一种是以用户自身属性进行划分.近年来出现了融合节点自身属性和链接属性的社区划分算法,但是这些算法只是单纯地将链接属性融为节点自身属性进行划分,忽略了链接属性强弱对节点间兴趣度的反映程度.针对这些问题,对微博中用户的链接属性进行了分类,采用直接链接节点链接关注度和间接链接节点链接关注度的概念,以链接强度为搜索顺序,提出一种基于链接强度的兴趣相似社区划分算法.实验表明,本算法划分的社区内链接度质量较高且用户兴趣相似.

基于用户兴趣相似度的虚拟学习共同体构建

传统在线学习共同体的构建过分依赖用户的自组织性,忽视了用户的兴趣偏好特征,放任了海量信息中用户自组织的盲目性。因此,根据学习者在网络活动中的学习行为信息,计算用户对学习内容的偏好程度,最后利用协同过滤技术,在改进用户兴趣相似度计算方法的基础上推荐组成学习共同体。通过实际应用,验证了该方法能建立有效的虚拟网络学习共同体,获得更好的学习效果。

一种基于兴趣相似度的学习社区算法

远程教育为学生和教师提供了巨大的方便,但同时也导致了许多"孤独"的学习者.提出一种基于兴趣相似度的学习型社区算法.该算法是基于学习者的兴趣,将具有相似兴趣的学生自动组成学习社区,进行协作式学习.实验证明,本算法具有较高的效率和良好的扩展性.

面向Folksonomy的用户兴趣相似性度量方法

在社会化标签系统Folksonomy中,标签不仅能描述资源的内容,而且能体现用户的兴趣偏好.通过标签来表征用户的兴趣,定义了标注行为一致程度、用户资源共享程度和好友间兴趣相似度概念.使用用户对资源的标注行为一致程度来建立用户兴趣模型.通过统计实验发现:Folksonomy系统内好友间兴趣相似度高,但用户资源共享程度却较低;因此,将好友间兴趣相似度引入用户间兴趣相似度的计算公式中.将新的用户间兴趣相似度计算方法使用于SCAN社区发现算法中,社区发现结果验证了用户间兴趣相似性度量方法是有效的.

一种改进的兴趣相似度个性化推荐算法

传统的协同过滤推荐算法在进行相似度计算时主要考虑用户对物品的评分,通过评分获取用户之间的相似度,缺少对用户兴趣相似度的考虑,同时在进行相似度计算时未考虑用户自身属性的影响,其相似度计算存在一定的失真性。针对这一问题,提出一种改进的兴趣相似度个性化推荐算法,根据不同的用户对物品的兴趣会因用户的自身属性不同而存在差别,设计一种改进的兴趣相似度计算方法,在进行兴趣相似度计算时引入用户的自身属性因素,如年龄、性别等属性因素;根据用户对物品的兴趣会受到物品的热门程度的影响,提出物品热点影响率与物品属性满意度的概念,并根据物品的热点影响率与物品属性满意度在计算相似度时赋予物品不同的权重关系;根据用户的兴趣会随着时间的变化而发生改变,将时间因素加入到推荐过程中,最终通过融合时间因子的影响做出最终的评分预测。在MovieLens数据集上的实验结果表明,该算法的平均绝对误差(MAE)和均方根误差(RMSE)值更低,推荐效果更优。

融合时间与兴趣相似度的产品推荐方法研究

互联网信息技术的发展使得企业可以为众多在线用户实现信息的实时交互。如何挖掘出海量产品数据中隐藏的用户行为、实现个性化推荐服务是企业面临的一个重要问题。本项目使用PHP、Python、MariaDB等技术对原始数据进行了清理、集成、标记等预处理,然后以用户消费信息中的产品信息为研究对象,运用传统的协同过滤算法,建立用户与产品信息的0-1矩阵,得到产品的偏好推荐。通过测试推荐结果发现,模型效果欠佳。为了提高推荐精度,提出了时间权重与兴趣相似度融合的协同过滤模型。时间权重考虑了用户偏好变化与时间的依赖关系,兴趣相似度用于改进模型的预测精度。在包含4万余条电视产品收视数据的数据集上实现了该方法,并将其与传统协同过滤模型进行了对比,发现改进后的协同过滤模型的精度得到了显著改善。最后,基于时间权重与兴趣相似度融合的协同过滤模型的推荐结果,给出了增加用户所使用的机顶盒套餐信息的个性化营销推荐方案。

基于用户兴趣相似度与熟悉度的兴趣点推荐算法

在兴趣点推荐中,由于用户签到矩阵的稀疏性问题,基于协同过滤的兴趣点推荐算法难以准确计算用户相似度,导致推荐效果不理想。论文提出一种基于用户兴趣相似度和熟悉度的兴趣点推荐算法,能在稀疏的数据集上计算用户相似性,改善邻近用户搜索质量,提高推荐准确率。实验结果表明,论文方法与其他矩阵分解算法相比具有更好的推荐效果。

基于兴趣相似度传递的增强LSH统计预测算法

随着在线用户和物品数量的不断增长,有必要通过追踪和筛选历史数据,为用户提供机制可参考的决策建议。构建统计预测算法是实现启发式预测用户兴趣的有效机制。因此,在充分利用用户自身历史偏好和潜在偏好的前提下,提出兴趣相似度传递思想,分析用户的社交关联强度,计算用户的邻近社交兴趣和选择趋向特征,设计并实现了可扩展的局部敏感哈希(Improved Local Sensitivity Hashing,ILSH)统计预测算法。实验表明,该算法在有利于相似度计算量剧增的背景下,在提高兴趣预测的准确性和可靠性方面优于其他近似算法。

作者合著网络中研究兴趣相似性实证研究

[目的/意义]从作者微观个体研究兴趣角度出发,通过对作者合著网络中作者关联关键词集的研究,定量地验证研究兴趣相似是作者合作的一个动机。[方法/过程]收集WOS中检索领域相关文献题录信息,构建作者合著网络,并利用Louvain算法划分社区,实现了Jaccard系数及余弦相似性系数的计算指标,统计与对比分析整体网络及社区内部作者研究兴趣的相似性。[结果/结论]在网络整体层次,作者合著网络中作者的研究兴趣相似性较高,但也存在一定比例的差异性即互补性;在科研社区内部,合著作者平均研究兴趣相似性及互补性均高于网络整体层次,科研社区的形成受到作者研究兴趣的影响。两个层次的兴趣相似性反映了研究兴趣相似是作者合作的一个重要动机。

基于兴趣相似度的协作式垃圾邮件过滤方案

由于电子邮件在互联网上的广泛应用,出现了垃圾邮件的泛滥和占用网络带宽,垃圾邮件给用户正常收发邮件造成了严重困扰。提出了一种新的基于兴趣相似度的协作式邮件过滤方案,使得兴趣相似的用户迅速聚合成信息共享的团体,每个用户在团体内选择出最合适的过滤规则集进行有效的共享。实验表明,该方案在保持一定的过滤精度的同时有效降低了误判率。

基于背景和内容的微博用户兴趣挖掘

微博用户兴趣挖掘是个性化推荐、社群划分的基础工作.在深入分析微博网络特点的基础上,给出了能够揭示微博网络多模性的描述模型,对面向微博网络的后续研究具有参考价值.根据微博网络的特点,提出了基于背景的用户静态兴趣表示及挖掘方法,以及基于微博的用户动态兴趣表示和挖掘方法.针对微博网络中缺少背景信息、发表微博很少的大量不活跃用户,提出了基于关注的用户兴趣挖掘方法.以新浪微博为例,选取了时尚、企业管理、教育、军事、文化这5个领域进行用户兴趣挖掘及相似度计算的实验分析和比较,结果表明,与主流的兴趣挖掘方法相比,该微博用户兴趣的表示和挖掘方法可以有效地改善微博用户兴趣挖掘的效果.

基于兴趣的科研合作网络演化模型

从科研合作网络的研究现状入手在BA网络模型的基础上,基于科研工作者研究兴趣,给出了一个新的科研合作网络的数学模型,并建立了一个基于兴趣相似度的符合科研合作网络真实特性的网络演化模型。初步的仿真实验结果表明,按照该模型构造出来的网络度分布服从幂指数为-3的幂律分布。

P2P环境下基于兴趣的分布式信任模型

为解决P2P网络中节点的不合作行为和恶意攻击等问题,提出了一种分布式兴趣信任模型DITM.模型通过划分兴趣域聚集兴趣相似的节点来解决节点间因兴趣不对称难以建立直接信任关系的问题.利用兴趣相似度刻画节点在其偏好领域上的服务行为相似性,并通过兴趣相似度加权域推荐信任度计算域服务信誉.节点在不同域内的服务信誉组成一个服务信誉向量,该向量维护了节点在各个兴趣域的服务行为细节,从而能有效抵御恶意节点针对特定兴趣域的攻击,并能激励好节点在多个域内贡献资源.仿真实验表明,DITM较已有的信任模型在迭代的收敛速度、下载成功率和模型的安全性等问题上有较大提高.

融合兴趣和评分的协同过滤推荐算法

协同过滤推荐算法中,相似性计算对推荐质量起着至关重要的作用.针对传统算法相似性度量方法的不足,提出一种融合用户兴趣相似性和评分相似性的协同过滤推荐算法.算法将用户的评分项目信息映射为兴趣向量,计算用户的兴趣相似性,并使用用户兴趣相似性和评分相似性进行两次融合,从而对传统相似性度量仅仅依靠用户评分进行相似性计算引起的误差进行修正.在计算相似性过程中,通过引入专家信任度的概念对用户未评分项目进行评分预测填充,从而降低由于数据稀疏性引起的评分相似性计算误差.实验结果表明,该方法在推荐覆盖率和准确性上相对传统算法有所提升.

基于用户兴趣的寻找虚拟社区核心成员的方法

发现虚拟社区中的核心成员对于社区数据挖掘等应用问题有着相当重要的应用价值。为解决该问题,作者首先分析了一些虚拟社区中成员的兴趣相似性分布情况,从中发现核心成员间的兴趣存在相对较高的相似性。据此,作者提出了基于兴趣集中性的核心成员求解算法,并在豆瓣网的虚拟社区中进行了实验分析,实验结果证明了算法的有效性。

基于多层次混合相似度的协同过滤推荐算法

针对传统协同过滤推荐算法在数据稀疏的情况下存在的性能缺陷和相似性度量方法的不足,为了提高推荐精度,改进原算法得到了一种基于多层次混合相似度的协同过滤推荐算法。该算法主要分为三个不同的层次:首先采用模糊集的概念将用户评分模糊化,计算用户的模糊偏好,并结合用户评分的修正余弦相似度和用户评分的Jarccad相似度总体作为用户评分相似度;再对用户评分进行分类来预测用户对项目类别的兴趣程度,从而计算出用户兴趣相似度;然后利用用户的特征属性来预测用户之间的特征相似度;其次根据用户评分数量来动态地融合用户兴趣相似度及用户特征相似度;最后融合三个层次的相似度作为用户混合相似度的结果。利用Movie Lens公用数据集对改进前后的算法进行对比实验,结果表明:当在邻居集合数量较少时,改进的混合算法相对修正余弦相似度算法的平均绝对偏差(MAE)下降了5%左右;较改进的修正的Jaccard相似性系数的协同过滤(MKJCF)算法也存在略微的优势,随着邻居集合数的增加MAE也平均下降了1%左右。该算法采用多层次的推荐策略提高了用户的推荐精度,有效地缓解了数据稀疏性问题和单一度量方法的影响。

基于访问兴趣的Web用户聚类方法

基于Web日志的信息挖掘具有重要的意义,比如识别兴趣相似的客户群体有利于实现推荐和个性化服务。采用了多元线性回归分析用户浏览行为,直接对兴趣相似矩阵进行λ截聚类,最后通过计算项与类的连接强度来调整聚类结果。实验结果证明了该算法具有较高的准确率和良好的扩展性。

基于用户兴趣的协同过滤推荐算法研究

针对现有系统过滤算法在用户兴趣、数据稀疏性方面的不足,提出一种基于用户兴趣的协同过滤推荐算法.该算法引入用户兴趣权重,建立用户-项目评价矩阵,通过聚类分析进行相似性计算,最终得到推荐结果.实验结果表明,本算法能有效地利用用户兴趣,提高推荐质量.

基于用户兴趣三维建模的个性化推荐算法

针对推荐系统中用户的个性化需求,提出一种基于用户兴趣三维建模的个性化推荐算法。通过分析用户行为数据,从兴趣广度、兴趣深度和兴趣时效3个角度分析用户的兴趣构成,对用户兴趣进行三维建模,并在此基础上,逐步添加维度,设计用户之间兴趣相似度的三级计算方法。在真实推荐系统数据集上的实验结果表明,用户兴趣三维模型比一维模型、二维模型更能准确地表征用户兴趣,基于用户兴趣三维建模的个性化推荐算法能够提高个性化推荐的准确率。