基于广义意见动态模型的社交信任网络意见最大化问题

提出了一种广义意见动态模型(GODM),此模型可以通过动态计算每个人的表达意见来解决社交信任网络中的意见最大化问题。在模型中提出了一个新的、合理的、可解释的自信指数αi,αi由个人的社会地位与其周围人的评价共同决定。并且利用对角占优理论,得到模型达到纳什均衡状态时的最优解析解。设计了一种具有l1形式的交替方向乘子法来最大化现有的总体意见。进行了一系列实验,实验结果表明,此方法在4个数据集上都有较好的结果。在4个数据集上,解决内部意见问题的平均效益分别提升了66.4%,88.7%,47.8%和34.1%。实验结果充分验证了所提模型的优越性。

SNS用户归属感的影响因素:理论模型与实证检验

SNS改变了人们的社交形态。本文以SNS用户归属感为研究对象,通过文献研究归纳出SNS满意度和信任是SNS用户归属感的影响因素,并且结合服务质量、成员关系、互动参与、制度保证等影响因素构建理论模型,以期揭示SNS用户归属感的影响机理。最后利用调查问卷收集数据,通过VisualPLS软件对模型进行了验证和调整,证明了假设。

基于深度学习的正则化矩阵分解推荐系统

针对当前推荐算法面临的冷启动、数据稀疏以及推荐准确度低等问题,本文提出一种基于深度学习的正则化矩阵分解推荐系统,该系统利用深度自动编码器对基于矩阵分解的用户和项目潜在特征进行初始化,然后使用Node2vec网络嵌入技术在用户信任网络中捕获用户潜在特征,用于计算用户信任度和预测用户对项目的评分.为了使用户的兴趣与可信用户和社区中最具影响力的人兴趣相似,本文算法采用Louvain和超链接诱导主题搜索(HITS)方法寻找社交网络中最具影响力的用户节点,以正则化的方式将约束信息添加到矩阵分解的目标函数中.实验结果表明:本文算法明显优于其他对比推荐算法,不仅可以缓解用户的冷启动问题,还提高了推荐质量.