一种基于嵌入技术的异构信息网络的快速聚类算法

异构信息网络聚类分析是当前的热点研究问题之一。利用异构信息网络的稀疏性,该文提出一种基于嵌入技术的星型模式的异构信息网络的快速聚类算法。首先从相容的角度将异构信息网络转化为若干个相容的二部图,使用随机映射和一种线性时间求解程序快速计算出每个二部图的近似通勤距离嵌入,每个嵌入都存在一个子集指示目标数据集;然后,使用这些指示子集构建一个通用的聚类模型;最后,将所有指示子集的类设置标号,通过计算指示同一目标对象的指示数据与标号相同类的中心点的加权距离总和,同时划分所有的指示子集,从而快速获得通用模型的极小值。通过理论分析及实验验证,该文算法聚类速度快,聚类准确率高。

嵌入技术的动态异构信息网络的演化聚类

为研究动态异构信息网络划分问题,利用异构信息网络的稀疏性,提出一种解决星型模式的动态异构信息网络的演化聚类算法。首先从相容的角度将异构信息网络转化为若干个相容的二部图,并构造时间平滑二部图,使其能够表达某时刻及先前时间结点间的关系;然后由随机映射和一种线性时间的求解程序快速计算出每个时间平滑二部图的近似commute time嵌入,获得指示目标数据集的多个指示子集;最后计算指示同一个目标对象的所有指示数据与标号相同的类的中心点加权距离总和,由k-means方法确定目标对象所属的类。经验证,该算法划分动态异构信息网络的准确率较高,计算速度较快。

LBSN中基于加权异构信息网络的兴趣点推荐

基于位置社交网络(location-based social network,LBSN)的兴趣点(point-of-int crest,POI)推荐存在以下挑战:LBSN中具有大量异构数据,其含有的丰富信息未得到充分利用;"用户-兴趣点"矩阵非常稀疏,不利于提取其对应的特征。因此,引入了加权异构信息网络(weighted heterogeneous information network,WHIN),并采用加权元路径处理LBSN中地理位置、社交关系和时间周期对用户偏好的影响。在此基础上,提出了一种基于改进的奇异值分解(singular value decomposition,SVD++)和因子分解机(factorization machines,FM)的个性化兴趣点推荐算法。通过在Go walla和Foursquare数据集上的数据实验,验证了基于SVD++&FM的兴趣点推荐算法能够取得较优的推荐效果。研究结果对使用异构数据构建更加有效的兴趣点推荐系统具有重要指导意义,并为LBSN网站的服务推荐提供重要的管理建议。

基于作者偏好和异构信息网络的科技文献推荐方法研究

【目的】采用异构信息网络理论和作者偏好,提高科技文献推荐质量。【方法】基于异构信息网络理论,提出一种可以融合多语义信息的科技文献推荐方法。首先,结合作者偏好信息为科技文献异构信息网络中的元路径加权;其次,采用DPRel算法计算作者与文献之间的相关度。在此基础上,构建加权作者-文献矩阵,按相关度降序排列得到推荐列表。【结果】从Web of Science中收集实验数据集,实验结果表明,在三个数据集中所提方法相较于基于单条元路径计算作者-文献相关度的推荐方法在平均成功推荐率上分别提高了6%、8%、6%,并且文献成功推荐提高率分别为14.8%、27.6%、13.0%。【局限】在数据预处理阶段由人工进行关键词统一,对于海量数据,人工处理关键词不现实。【结论】所提推荐方法提高了异构信息网络中科技文献推荐的质量。

融合多语义信任度与全局信息的混合推荐算法

数据稀疏问题普遍存在于协同过滤系统,仅考虑共同评分项目上局部上下文信息的相似度度量方法已不具备较高可靠性。为解决上述问题,提出一种融合多语义信任度和全局信息的混合推荐算法(multi semantic trust and global knowledge,MSTGK)。引入加权异构信息网络(weighted heterogeneous information network,WHIN),通过加权元路径处理评分数据、社交关系、用户标签和项目属性对用户信任的影响,挖掘不同语义的信任信息以缓解数据稀疏性问题;考虑项目流行度和用户偏好程度两个全局要素对用户相似度的影响,将其作为权重因子改进了JMSD相似测度,旨在提高相似度计算精度;融合用户的多语义信任度和全局相似度进行综合推荐。在DoubanMovie和Yelp两个真实数据集上的实验结果表明,所提算法缓解了数据稀疏问题,相比于其他基线方法,预测准确率分别提高了2.01个百分点和2.45个百分点。