在线社交网络中用户地理位置预测综述

随着智能移动终端的日益普及,人们越来越多地利用社交网络平台(如Twitter、新浪微博等)获取信息、评论和交流.虽然全球卫星定位系统(GPS)设备能够精确获取位置信息,但是大量用户出于隐私和安全的考虑不会直接共享自己的位置信息.因此,如何获取在线用户的地理位置成为了一个前沿的研究领域以及学术界和工业界共同关注的重要课题,并且成为众多下游应用的基础,例如基于位置的定向广告投放、事件/地点的推荐、自然灾害或疾病预警和网络犯罪的追踪等.详细总结了预测社交网络用户地理位置的方法、数据、评价体系和基础算法.首先,归纳了不同的定位任务以及相应的评价指标;其次,针对不同的任务梳理所用的数据类型和数据融合方式,并且,详尽分析了已有的信息抽取和特征选择方式及其优缺点;再次,对现有定位模型和算法进行分类,从地名词典、传统机器学习和深度学习3个方面对用户定位方法进行阐述和分析;最后,总结了社交网络用户地理位置预测的难点和面临的挑战,并展望该领域的发展趋势和未来研究所需要关注的方向.

结合社交网络图的多模态虚假信息检测模型

针对现有虚假信息检测方法主要基于单模态数据分析,检测时忽视了信息之间相关性的问题,提出了结合社交网络图的多模态虚假信息检测模型。该模型使用预训练Transformer模型和图像描述模型分别从多角度提取各模态数据的语义,并通过融合信息传播过程中的社交网络图,在文本和图像模态中加入传播信息的特征,最后使用跨模态注意力机制分配各模态信息权重以进行虚假信息检测。在推特和微博两个真实数据集上进行对比实验,所提模型的虚假信息检测准确率稳定为约88%,高于EANN、PTCA等现有基线模型。实验结果表明所提模型能够有效融合多模态信息,从而提高虚假信息检测的准确率。

社交网络中用户签到行为位置泄露风险预警

社交网络的普及与生活化,社交网络用户签到行为所造成的位置泄露为社交网络用户带来具大困扰与潜在危险,由于位置泄露风险预警存在预警正确率低、效果不佳等问题。为了解决以上问题,提出社交网络用户签到行为位置泄露风险预警方法。通过建立位置攻击者模型,分析攻击者的攻击情况;采用数据挖掘的聚类算法,获取签到社交用户网络数据信息;通过属性敏感性、数据可见性、属性公开性三个指标,实现社交网络用户签到行为位置泄露风险预警。实验结果表明,所提方法的社交网络用户签到行为位置泄露风险预警准确度为98.6%、查全率为97.6%,说明所提方法的风险预警效果好。

基于位置社交网络的兴趣点组合推荐算法研究

随着智能手机的普及和基于用户地理位置信息服务的增多,用户数据量呈爆发式增长,海量数据之间的稀疏性成为了限制基于位置社交网络(Location-Based Social Network,LBSN)的推荐系统性能的一个主要因素。基于此,文章提出了一个基于位置社交网络的兴趣点组合推荐模型(Geographical LightGCN,GLGCN),该模型由协作偏好模块和地理偏好模块两部分组成,其中,协作偏好模块使用图卷积网络深度挖掘用户和兴趣点的嵌入表示,获取用户的协作偏好;地理偏好模块结合兴趣点的相关性和用户轨迹,使用基于门控循环单元(Gate Recurrent Unit,GRU)的序列模型捕获用户的序列偏好。文章将两个模块的推荐分数以线性加权的方式进行组合,得到最终推荐结果。实验表明,相较于现有其他算法,文章提出的组合推荐算法具有更优秀的性能。

基于位置的社交网络用户签到及相关行为研究

Web2.0时代,空间定位技术不断成熟,使得基于位置的社交网络(LBSN)快速发展。LBSN用户的典型行为是签到以及针对签到地进行评论等。探索用户签到及相关行为的规律及背后动机,可以更好地了解用户的需求,发现系统设计与用户需求的不匹配之处,这对LBSN类应用的设计和开发具有一定的指导意义。利用在线数据抓取工具GooSeeker抽样国内典型的LBSN嘀咕网的用户数据。通过对获取的数据进行处理、分析,获知用户签到行为特点。同时关注用户发布的签到地评论的内容,并且使用分类工具SVMCLS将用户对麦当劳的评论划分为不同的倾向级别,从而得到用户对麦当劳的主观情感倾向性。结果发现嘀咕网用户签到的时间和地点存在规律性特征。用户趋向于在签到地做出正面的评论,并且评论的内容比较简短。这些发现有助于LBSN类系统设计和开发人员更好地了解用户,获知用户的需求,最终完善自己的设计,为用户提供更好的应用服务。

在线社交网络中的位置服务研究进展与趋势

在基于位置的社交网络中,用户通过发布嵌入了位置数据的媒体信息获得服务,如位置或好友推荐、旅行路线推荐等。用户和位置都是网络的主体,位置作为桥梁将用户的虚拟网络世界与现实世界联系起来。综述了基于位置的在线社交网络中的位置信息获取、用户识别、位置识别、信息的共享与传播及位置隐私的相关研究,预测了基于位置的在线社交网络未来的研究趋势。

基于区块链的用户自定义位置共享方案

针对移动社交网络位置共享服务存在的隐私泄漏问题,提出基于区块链的用户自定义位置共享(BUDLS)方案.基于区块链实现位置信息分布式管理,防止中央服务器收集大量用户隐私,增强用户位置信息的可控性.设计基于公钥数字签名和同态加密相结合的加密机制,防止位置信息被攻击者非法获取.定义灵活的访问控制策略,根据用户需要提供可靠的服务.安全分析验证结果显示,BUDLS方案满足隐私安全目标.仿真实验结果表明,相比传统方案,BUDLS方案降低了时间成本,提高了位置查询的准确性,有效保护了移动社交网络平台用户的位置隐私.

TraDR:一种基于轨迹分解重构的移动社交网络位置预测方法

随着移动社交网络的不断发展,利用用户发布的位置信息为其提供基于地域的个性化推荐服务不仅给用户提供了便利,也为商户带来了巨大的潜在利益。位置预测技术作为此类服务中的关键技术,是移动社交网络中的重要研究内容之一。结合移动社交网络的特点,提出了基于轨迹"分解-重构"的位置预测方法 TraDR,利用公开易得的先验知识,为用户建立个性化的位置推理模型,有效解决了常见位置预测算法所面临的"轨迹数据稀疏问题"。基于真实数据集的实验验证了该预测方法在预测有效性及效率方面的优越性。

基于位置社交网络的上下文感知的兴趣点推荐

随着基于位置社交网络(Location-Based Social Networks,LBSN)的快速发展,兴趣点(Point-of-Interest,POI)推荐为基于位置的服务提供了前所未有的机会.兴趣点推荐是一种基于上下文信息的位置感知的个性化推荐.然而用户-兴趣点矩阵的极端稀疏给兴趣点推荐的研究带来严峻挑战.为处理数据稀疏问题,文中利用兴趣点的地理、文本、社会、分类与流行度信息,并将这些因素进行有效地融合,提出一种上下文感知的概率矩阵分解兴趣点推荐算法,称为TGSC-PMF.首先利用潜在狄利克雷分配(Latent Dirichlet Allocation,LDA)模型挖掘兴趣点相关的文本信息学习用户的兴趣话题生成兴趣相关分数;其次提出一种自适应带宽核评估方法构建地理相关性生成地理相关分数;然后通过用户社会关系的幂律分布构建社会相关性生成社会相关分数;另外结合用户的分类偏好与兴趣点的流行度构建分类相关性生成分类相关分数,最后利用概率矩阵分解模型(Probabilistic Matrix Factorization,PMF),将兴趣、地理、社会、分类的相关分数进行有效地融合,从而生成推荐列表推荐给用户感兴趣的兴趣点.该文在一个真实LBSN签到数据集上进行实验,结果表明该算法相比其他先进的兴趣点推荐算法具有更好的推荐效果.

一种基于位置社交网络融合多种情景信息的兴趣点推荐模型

针对现有位置社交网络兴趣点推荐的研究工作主要集中在挖掘兴趣点的情景信息:时间信息、地理位置和评论信息,其中评论信息对用户偏好的影响尚未充分研究的情况,提出一个统一兴趣点推荐模型。其融合了用户偏好模型和上述三种情景信息,对用户偏好建模采用基于签到次数的度量方法,同时对评论信息采用基于潜在狄利克雷分配主题模型来挖掘用户偏好。实验结果表明,该模型在推荐准确率等多种评价指标上都取得了更好的结果。

位置社交网络中谱嵌入增强的兴趣点推荐算法

为了有效地捕捉LBSN中丰富的签到、社交等多维上下文信息的空间特性,并深层挖掘用户和POI之间的非线性交互,提出了一种谱嵌入增强的POI推荐算法——PSC-SMLP,设计了偏好增强的谱聚类算法PSC和谱嵌入增强的神经网络SMLP。在2个经典数据集上与现有的POI推荐算法相比,PSC-SMLP可以深层学习用户对POI的个性化偏好,在准确率、召回率、nDCG、平均精度等指标中均获得较大提升。

面向移动社交网络内容分享的位置隐私保护方法

针对移动社交网络内容分享中内容参与者的位置信息泄露问题,提出一种面向内容分享的位置隐私访问控制模型,细粒度控制分享内容中所涉及用户的敏感位置信息的访问,设计一种针对位置隐私设置的k-匿名算法,保证设置的敏感位置信息在内容分享服务提供商的服务器端不被推测,给出一种基于位置敏感度的位置偏移算法,以平衡隐私与服务质量。最后通过仿真实验验证该方法的有效性。

基于位置的社交网络中双重异质社区的聚类与关联方法

近年来,异质信息网络特别是基于位置的社交网络(Location-Based Social Networks,LBSN)中的社区发现已成为新兴的研究热点.然而,目前大多数社区发现研究仅考虑基于同质结构的社交网络,显然都已无法有效融合LBSN这种异质网络所包含的多模实体及其多维关系.为了应对该挑战性问题,本文提出了一种新的双重社区聚类与关联方法(Communities Clustering and Associating Method,CCAM),该方法先在LBSN的社交媒体层上,通过信息熵度量用户发布主题之间的相似性,进而再将相似用户兴趣聚类问题转换成求解基于模糊聚类的目标函数以获得重叠的兴趣主题簇结构.然后在地理位置层中,将用户-位置签到关系网络形成的二分图转换为超图模型,并采用超边聚类方式得到用户关于地理位置的兴趣点特征簇.最后,在兴趣主题簇与地理位置簇之间借助中间用户层的社交关系建立这两层异质簇间的关联性表示模型,并通过随机梯度下降法求解模型的局部最优解.在两个真实数据集Foursquare(NYC)和Yelp上的实验结果表明,本文提出的CCAM方法有效融合了用户-媒体发布关系、用户间社交关系、用户-位置签到关系等多维度关系,能准确获得LBSN中紧密关联的用户兴趣主题簇与地理位置簇,使得这双层社区结构不仅在外部结构特征与兴趣内聚性指标上都优于传统算法,并且还在兴趣主题推荐与位置兴趣点推荐方面的平均准确率提高至少32%.

位置社交网络的潜在好友推荐模型研究

为了提高位置社交网络的服务便捷性和用户感受度,与位置相关的推荐服务越来越具有重要意义和应用需求。提出的潜在好友推荐模型主要是根据签到位置的相似度及好友相似度进行潜在用户推荐。通过用户的好友关系、签到特性及签到历史记录,计算用户在各个位置兴趣点的位置权重,再分别利用位置权重及好友关系计算用户的位置相似度和好友相似度,最后根据用户位置和好友关系的综合相似度进行潜在用户推荐。实验结果表明,提出的潜在好友推荐模型是切实有效的。

地理社交网络位置推荐

地理社交网络将地理位置信息融合进传统社交网络,将人们的现实生活和虚拟世界的生活连接在一起。作为地理社交网络的一个重要应用,位置推荐可以向人们推荐其可能感兴趣的位置,为人们的出行提供参考,极大地便利了人们的生活。在此背景下,论文研究了地理社交网络位置推荐的基本概念,分析了位置推荐常用的方法,描述了典型的数据集及推荐效果的评估方法,指出了位置推荐面临的主要问题,并展望了未来可能的研究方向,为相关领域的研究提供参考。

社交网络中用户关系和地理位置组合服务算法的研究

随着移动设备和定位技术的广泛应用,基于位置的社交网络(LBSN)通过签到能够记录用户的历史访问轨迹.对LBSN移动轨迹的研究存在用户位置信息复杂且无效数据多、用户社交关系没有充分利用和位置预估计不精确的问题.首先针对虚假签到和无效用户信息提出一种基于泊点频率的去噪算法,其次在基于密度聚类算法的基础上,结合地理位置信息和用户关系,综合考虑用户兴趣相似度及信任度,提出针对位置预估计的组合服务算法.实验结果表明,本文提出的方法能有效改善位置预估计的精确度.

基于位置服务与社交网络的图书流转模式与应用

论文分析了星型图书借还模式的不足,结合移动互联网的位置服务和社交网络技术,提出了新颖的网状图书流转模式,设计了基于该模型的图书流转一般方式,并基于微信位置服务、社交网络、十亿级用户规模和面向开发者的API等优势,推荐了新的图书流转方法,讨论了未来应该关注的一些问题。

空间自我:位置服务技术下社交网络用户的身份认同构建——以咕咚应用为例

地理定位技术与移动通讯的融合,使人类传播从抽离物理空间的虚拟连接状态重新在地化,社交网络用户的地点实践被纳入身份认同构建过程。本文以咕咚应用为研究对象,采用网络民族志方法,考察基于地理位置的社交网络如何聚合用户的线下实践与线上传播,分析两种空间实践对用户身份认同的构建机制,并以此为基础反思"细分服务+网络社交"模式下,媒介技术对人类社会结构和行为方式的影响。

面向移动社交网络的位置隐私保护方法

移动社交网络为人们的生活带来了极大的便利,但用户在享受这些服务带来便利的同时,个人位置隐私受到了严重威胁。首先对用户位置隐私保护需求进行了形式化描述,继而针对用户的敏感兴趣点泄露问题,提出了一种情景感知的隐私保护方法。该方法将位置信息、社交关系、个人信息引入到知识构建算法中以计算兴趣点间的相关性,并利用该相关性及时空情景实时判断发布当前位置是否会泄露用户隐私,进而实现了隐私保护与服务可用性间的平衡。最后通过仿真实验验证了该方法的有效性。

基于位置的社交网络用户轨迹相似性算法

为了提高在位置社交网络中匹配轨迹相似用户的准确性,提出了一种基于自适应密度聚类的用户轨迹相似性双重加权模型。首先,根据签到点的分布,提出基于聚类区域半径的自适应密度聚类算法,对签到点进行聚类,得到符合一定区域半径的自适应分层聚类区域。然后,针对用户相似性的计算,提出用户轨迹相似性双重加权模型:基于不同层次上权重不同及同一层次上不同签到区域权重不同2个原则。基于分层聚类区域,计算用户访问各分层的轨迹相似性;由于不同签到区域对相似度的表征能力不同,通过不同权重来计算具体层次上的相似性。进而,进行层次上的加权,获得用户总体的相似性。仿真表明,该方法能有效地分析出用户轨迹相似性,具备较高的准确性。