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。

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.

基于位置的社交网络潜在好友推荐系统研究

智能终端设备普及,全球定位技术不断发展的当前,基于位置的社交网络(LBSN)受到广泛的关注,其中大量签到数据、位置数据以及用户数据可以为位置社交网站潜在好友推荐提供服务。文章对位置社交网站的作用进行了分析,从位置类聚、位置权重、位置相似度、好友相似度等方面提出了潜在好友推荐模型。

EBSN中基于潜在好友关系的活动推荐算法

EBSN(Event-based Social Networks)与传统社交网络有所不同,它不仅包含传统社交网中的线上交互(Online Interactions),还包含颇具价值的线下交互(Offline Interactions),是一种异构型复杂社交网络。如何有效利用这种虚拟与物理相融合的交互关系来提高活动推荐服务的质量,是目前学术界和工业界共同关注的热点研究问题之一。传统社交活动推荐算法,如基于用户偏好或线上好友关系的活动推荐算法,除了考虑活动和用户的基本属性外,大多基于显式好友关系EF(Explicit Friendship)进行活动推荐,但EBSN不具备显式好友关系,因此上述算法均不能直接用于EBSN活动推荐。为此,定义了一种新的潜在好友关系LF(Latent Friendship),LF关系将线上同组、线下同活动综合纳入活动评分计算中,以体现LF对EBSN活动推荐的影响;同时,基于此提出了一种基于潜在好友关系的EBSN活动推荐算法(Activity Recommendation Algorithm based on Latent Friendships,ARLF),该算法在寻找潜在好友关系时,创新性地运用元路径思想,使得EBSN中的异构信息得到了充分利用。最后,利用Meetup事件社交网中的真实数据对ARLF算法进行了性能测试,可扩展性实验证明了该算法是可行且有效的。