社交网络中的好友推荐研究——概念、方法与展望

[目的/意义]当前,好友推荐被广泛地应用于社交网络平台,高质量的好友推荐在满足用户交友需求、帮助用户获取更多信息资源的同时,还提高了用户与社交网站的粘性。[方法/过程]通过对相关文献的分析研究,界定了好友推荐的概念,梳理了社交网络中好友推荐的过程,归纳了好友推荐方法,总结了现有相关研究存在的不足及研究展望。[结果/结论]研究发现,社交网络中的好友推荐依据用户在社交网络平台上留下的记录,帮助用户找到他们感兴趣的其他用户。现有的好友推荐存在冷启动、数据稀疏、动态变化、信息茧房、用户隐私等问题,未来好友推荐可以从推荐的多维性、提供好友推荐结果的解释、设置用户反馈机制以及改进推荐系统的可拓展性等方面进行研究。

融入用户反馈的网络知识社区好友推荐模型构建研究

[目的/意义]从用户相似度计算和用户反馈双重视角出发,进行高质量用户推荐,有利于提高网络知识社区个性化推荐水平。[方法/过程]首先基于爬虫工具和Python包进行用户属性数据采集和分析,以计算用户之间的背景、社交关系、博文信息的综合相似度;然后再计算用户核心度,基于相似度矩阵和核心用户排名形成待推荐列表;最后引入用户反馈机制,并根据用户的正负反馈结果确定最佳Top-k好友。[结果/结论]融入用户反馈的好友推荐模型能够提高推荐用户的质量,有效地提高好友推荐水平,也验证了好友推荐是一个逐步修复的过程。

以“协同过滤”算法探究人工智能中的数据与算法——以“互联网应用中的好友推荐”为例

本文依据《义务教育信息科技课程标准(2022年版)》,对人工智能模块中的“数据、算法、算力”的教学内容和学业要求进行分析,结合学情设计教学项目——互联网应用中的好友推荐,并制订学科核心素养导向的教学目标,探索如何基于“协同过滤”算法向学生展示智能推荐的相关知识。

用于在线社交网络的链路预测好友推荐算法JAFLink

现在的社交网络不只是人们现实生活社交圈的一个反映,同时也在一定程度上扩展着人们的交际范围,使得用户在社交网上找到更多适合自己的朋友.但是,由于社交网络发展迅速,用户量巨大,对于用户来说,自己从中找到自己的好友是比较困难的,这就需要社交网站向用户提供一个比较好的推荐算法,从而使得网站真正能够改变用户的生活.本文提出的JAFLink(Jaccad-Adamic Adar-Feature)链路加权方法,结合jaccad和Adamic Adar并考虑了社交网络用户属性,构成JAFLink加权方法,用来计算节点对建立链接的可能性.实验表明,JAFLink相比只考虑网络拓扑结构或者用户属性而言更加高效.

基于关联规则与标签的好友推荐算法

针对用户在社交网络中添加哪些用户为自己好友的问题,采用好友之间的关系推荐和喜好标签的相似度推荐相结合的方法,提出了改进的推荐算法。首先,通过用户之间的好友关系推荐出目标用户共同好友最多的Top-N用户,其次,通过目标用户和推荐出的Top-N用户间标签的相似性推荐分数最高的用户,再给定他们相应的权重,进行打分,选取分数最高的Top-N用户进行推荐。实验结果表明,运用相结合的算法是有效的,在准确率和召回率上优于同类的好友推荐算法。

异质社交网络中协同排序的好友推荐算法

随着社交网络的复杂化和异质化,传统推荐系统中协同过滤推荐方法由于推荐效果不佳而不能满足需求.本文通过扩展原有推荐方法中的因子模型提出了基于协同排序的好友推荐算法.相比于协同过滤,本文使用用户之间的偏序关系取代原始打分,以适合不易评分的异质信息网络,并且对于Top-k推荐只需考虑推荐序列,不需要精确预测低序列的评分的特点,避免不必要的计算,提高计算效率.相对于普通的因子模型,本方法在好友推荐中训练集更易构建,可以简单有效的融合多种有价值的内容相关特征.测试数据表明,基于协同排序的好友推荐与以往的矩阵分解方法相比较,在Digg2009好友关注关系数据集上测试,MAP提高了15.6%左右.

融合“用户-项目-用户兴趣标签图”的协同好友推荐算法

随着社交网络的用户数量呈爆炸式增长,如何为用户推荐具有相同兴趣爱好的好友已成为当前研究的焦点。为此,提出了一种基于"用户-项目-用户兴趣标签图"的协同好友推荐算法。该算法首先利用基于"用户-项目-标签"的三部图物质扩散推荐算法来计算用户之间的相似度,并引入"用户-用户兴趣标签图"二元关系,通过用户的兴趣标签图来发掘用户的兴趣主题;然后根据用户主题分布,利用KL距离来计算用户之间的相似度;最后将两组结果采用调和平均数方式融合得到用户间的综合相似度,并进行好友的推荐。通过在Delicious和Last.fm数据集上的实验证明,该算法能有效提高Top-N推荐的准确率和召回率,同时通过在学术社交网站——学者网数据集上进行的学者推荐实验表明,该算法能有效提高核心用户的推荐度。

面向大规模社交网络的潜在好友推荐方法

有效的潜在好友推荐是促进社交网络不断增长的重要途径,对于大规模社交网络环境下的复杂计算问题,文章提出了一种适用于大规模社交网络的潜在好友推荐方法,该方法首先将用户的潜在好友划分为"可能认识的"和"可能感兴趣的"2类,然后分别基于用户共同好友关系拓扑图和Profile文本相似性计算模型进行描述,最后基于MapReduce云计算模型对相关方法进行了设计实现。探讨了云计算环境下的潜在好友推荐系统框架设计、大规模用户共同好友关系拓扑图以及Profile文本相似性计算的方法,并通过实验以及应用实例验证了该方法的有效性以及可扩展性。

基于博弈的社会网络个性化好友推荐算法研究

随着在线社会网络规模的不断扩大,在线社会网络中的用户信息过载问题成为业界关注的焦点。社会网络中实体的复杂性和社交网络结构的复杂性给社交网站中的个性化推荐带来新的研究问题和挑战。提出一种基于博弈的预测模型,利用非合作博弈进行链接预测,设计了一个通过链接预测来实现个性化推荐的算法。最后,在来自学者网SCHOLAT的真实数据集上进行了实验,结果证明该方法能够有效地提高推荐的准确性。

基于三度影响力的社交好友推荐机制

针对社交网络中的好友推荐问题,提出了一种基于三度影响力理论的好友推荐算法。社交网络用户节点间的联系除了共同好友外,还存在其他不同长度的连通关系。该算法不再局限于仅以用户间共同好友的数量作为好友推荐的主要依据,而是在此基础上引入三度影响力理论进一步拓展关系连接,即把用户间距离三度以内的强连接用户都考虑进来,并通过为不同距离长度的连通关系分配相应的权重,实现好友关系强度的计算,来进行推荐。通过在新浪微博和Facebook社交网站上的实验结果表明,该算法比仅依据用户间共同好友数量的推荐算法在查准率和查全率上分别提高了约5%和0.8%,显著提升了社交平台好友推荐的效果,从而为社交平台改进推荐机制,以进一步增强用户体验提供了理论支撑。

社交网站中潜在好友推荐模型研究

社交网站的快速发展深刻地影响了人们的信息共享与交流方式。作为开放的用户交互平台，社交网站的成功很大程度上取决于用户的交互程度和用户黏性。然而，随着社交网站用户规模的爆炸性增长，准确定位兴趣相近的潜在好友对普通用户来说变得越来越困难。本文研究基于用户交互网络的好友推荐方法，分别提出两阶段推荐模型和基于信任传播的推荐模型，通过向用户推荐其可能感兴趣的潜在好友，帮助用户扩大其朋友圈子，进而提高用户黏性。最后，通过对来自Yahoo! Answers和Metafilter两种不同社交网站的用户网络的实验分析，验证了文中推荐方法的有效性。

基于相似度和信任度的关联规则微博好友推荐

针对关联规则个性化好友推荐中规则挖掘效率及推荐有效性不高的问题,首先提出基于散列及位图的改进关联规则算法BHA。该算法通过引入散列技术,减少了频繁2项集挖掘所需的时间;利用位图及相关性质,压缩无关候选项,减少了数据集所需的遍历次数。另外,在BHA的基础上,提出基于相似度及信任度的推荐算法STA,利用出、入相似度定义信任度,有效解决了新浪微博未提供显示信任关系的问题,同时弥补了相似度推荐未考虑用户间远近层次关系的缺陷。采集新浪微博用户数据进行实验,在关联规则挖掘效率的对比上,BHA挖掘所需的平均时间仅为改进Aprioiri Tid算法的47%;在好友推荐的有效性上,推荐算法STA较SNFRBOAR算法在准确率及召回率上分别提升了15.2%和9.8%。实验结果表明,STA能够有效降低规则挖掘所需的平均时间,并使实际好友推荐的有效性得到提升。

融合贝叶斯推理与随机游走的好友推荐

随机游走是一种应对推荐应用中用户规模庞大、数据稀疏等问题的有效方法.鉴于社交网络用户间亲密度差异、反向社交影响力等因素对基于随机游走的推荐具有积极影响,提出了一种引入频繁项挖掘来计算用户社交亲密度,进而优化转移概率矩阵,并与局部反向游走相结合的随机游走改进模型.此外,为了有效利用用户属性信息,提出了一种用户潜在好友关系推断的贝叶斯推理模型,并与随机游走改进模型协同应用,进一步提升了好友推荐性能.真实数据集上的对比实验验证了提出算法的有效性.

一种新的新浪微博好友推荐算法

鉴于新浪微博现有好友推荐机制的不足,提出一种新的新浪微博好友推荐算法。研究微博社区结构和权威用户对好友推荐的影响。在同一微博社区中,通过查找权威用户,并结合用户之间的兴趣相似度和信任度进行好友推荐。推荐过程中两次计算了用户的兴趣相似度并引入用户间信任度传播模型。通过跟踪多组新浪微博目标用户,将新浪微博提供的好友推荐列表和该算法推荐的好友列表作对比,实验表明该算法具有更好的推荐效果。

引入一种基于元路径的链路预测机制的好友推荐算法

近年来,社交网络平台中好友推荐服务成为个性化推荐研究领域的热点课题.而社交网络中网络关系结构的复杂性、网络群体的多变性以及网络信息的多源和不一致性等现象给个性化推荐带来新的挑战.针对移动互联网的个性化好友推荐服务,提出一种基于元路径的链路预测机制进行在线好友推荐.首先,根据用户签到数据构建用户-签到点网络模型;然后,引入元路径描述异构网络中不同类型对象之间的关联关系,并利用监督学习方法获得元路径的权重;最终,通过集成用户之间在不同元路径上建立的关联程度进行节点连接概率预测,生成好友推荐列表.实验结果:在精确率和召回率这两个评价指标上,本文算法比仅依据基于位置评分分别提高了约10%和13%;较基于用户共同好友数量的推荐算法分别提高了约14%和12%,结果表明本文方法显著提升了推荐效果.

基于角色协同的在线社交网络好友推荐机制

在特定拓扑环境下,在线社交网络推荐机制的友好程度是决定推荐优劣的关键之一,其成功与否受制于关系结构与交互结构的共演化。基于此,以关系结构推动交互结构为演化前提,以"学者"交互为特定领域的在线社交网络"学者网"为应用背景,通过E-CARGO模型建模,采用角色协同方法,针对学者网用户拓扑中的水平好友关系与垂直等级关系设计并仿真了相关好友推荐机制。经实验问卷调查,分别约67.69%与86.16%的用户接受基于拓扑层次与推荐方向的好友推荐方式,相关推荐机制自然、友好,用户评价度较高。

基于社区划分的多线程潜在好友推荐算法

针对基于社区划分的潜在好友推荐算法FRCD运行速度慢的问题,提出了一种基于社区划分的多线程潜在好友推荐算法MTFRCD。该算法在网络拓扑图上利用多线程技术寻找核心关系子网,以核心关系子网作为标签种子节点,使用多线程并发传播标签来发现网络拓扑图上的社区结构,利用社区发现结果在社区内部推荐潜在好友。人工网络的实验结果表明,MTFRCD相比于传统的FRCD,在性能近似的前提下具有明显的速度增长。因此,将该算法应用于真实社交网络(学者网)平台的潜在好友挖掘和推荐,根据推荐结果的评测,验证了算法具有良好的推荐效果。

加权好友推荐模型链路预测算法

链路预测是复杂网络的一个重要研究方向。基于节点结构相似性进行链路预测是目前常用的方法。真实网络中存在大量的局部群落结构,针对不同的网络结构构建算法是链路预测的核心问题。利用社交网络好友推荐策略,中介人倾向于将自己更熟悉的人介绍给目标用户,提出了一种节点相似性度量指标。该指标结合局部特征描述并有效区分了用户节点之间影响力的不同,更适用于一类特定的局部群落结构。依据该指标提出的加权好友推荐模型链路预测算法在12个数据集上的实验结果表明,该算法在AUC和Precision两个评价标准上具有明显优势。

一种融合文本语义和情感分析的好友推荐方法

在现实生活中用户的兴趣和情绪波动很大,而其他的微博特征(如注册信息等)一般变动较少,不能很好地表征用户。提出了一种融合用户文本语义和情感分析的好友推荐方法,根据用户的微博文本内容提取出语义特征,通过语义分析技术来计算特征词的相似度,同时引入了时间因素。在获得语义特征相似的用户之后,又进一步考虑用户的情感特征,根据微博文本中表述用户情感的词汇对用户的情感特点进行分析,进而对上一步产生的结果做优化筛选,得出最终的结果。通过实验表明,加入文本语义和情感分析的好友推荐模型更能够有效地提高推荐的准确度和接受率。

基于分类算法的潜在好友推荐系统

提出了一种基于分类算法的潜在好友推荐系统.该系统采用两步特征方法处理原始数据集,去除不相关特征项和冗余特征项,为分类器提供精简的特征集合;把学者潜在好友推荐问题转化为二分类问题,对比4个常用分类器在两步特征选择方法上的分类效果,找出了推荐效果最佳的分类器(决策树分类器),同时得到学术社交网络中区分度最大的6个用户特征信息.使用来自学术社交网络学者网(SCHOLAT)的社交网络信息作为实验原始数据集进行测试,实验结果显示:相比传统方法,基于分类的推荐方法在准确率和F_1值均有显著提升,体现了基于分类算法的潜在好友推荐系统的准确性和实用价值.