多维社交网络中的社区发现算法研究

多维社交网络中蕴含着多个维度的信息,若单独选择其中一维进行社区发现显然是不合理的。为解决这个问题,提出一种综合社交关系(包括好友关系、评论关系、推荐转发关系等)和兴趣相似的社区发现方法。首先研究用户的社交行为关系,定义用户社交强弱度,推出用户紧密度公式;然后使用主题模型研究用户博文主题特性,定义主题相似度公式;再推出用户总相关度公式,并用其计算节点间的传递概率,使用Label Propagation算法对用户进行划分;最终划分出综合用户社交联系紧密且兴趣相似的社区,在真实微博上验证该方法的合理性和有效性。

基于多维社交关系嵌入的深层图神经网络推荐方法

社会化推荐系统通过用户的社会属性信息能缓解推荐系统中数据稀疏性和冷启动问题,从而提高推荐系统的精度。然而大多数社会化推荐方法主要针对单一的社交网络,或对多个社交网络进行线性叠加,使得用户社会属性难以充分参与计算,因而推荐的精度有限。针对该问题,提出一种多重网络嵌入的图形神经网络模型来实现复杂多维社交网络下的推荐,该模型构建了统一的方法来融合用户-物品、用户-用户等各种关系构成的多维复杂网络,通过注意力机制聚合不同类型的多邻居对节点生成作出贡献,并将多个图神经网络进行组合,从而构建了多维社交关系下的图神经网络推荐框架。这种方法通过拓扑结构直接反映推荐系统中实体及其相互间关系,直接在图上对相关信息进行不断更新计算,具有很强的归纳性,有效避免了传统推荐方法中信息利用不完全的问题。通过与相关的社会推荐算法进行比较,实验结果表明,所提方法在均方根误差(RMSE)和平均绝对误差(MAE)等推荐精度指标上有所改善,甚至在数据稀疏情况下也有良好的精度。