基于潜在地理——社会关系感知的兴趣点推荐研究

针对已有的兴趣点推荐模型大都采用无地理空间限制的显式社会关系和隐式社会关系进行兴趣点推荐,而基于地理空间限制的显式社会关系和隐式社会关系对兴趣点推荐结果有着极为重要的影响。为此,提出了一种新型的基于潜在地理—社会关系挖掘的兴趣点推荐模型。使用核密度估计方法对用户签到行为可达的地理影响区域进行个性化分析,然后使用所提出的两跳随机游走算法挖掘用户之间的显式社会关系和隐式社会关系,把用户可达地理区域内的显式社会关系和隐式社会关系作为一个正则项融合到传统的矩阵分解模型中。两个真实数据集上的实验结果显示所提出的潜在地理—社会关系挖掘的兴趣点推荐模型优于文中所选择的其他4个兴趣点推荐对比方法。

基于隐式用户行为的推荐系统研究

在现实生活中,用户经常在无意识中被周围的人或朋友的行为所影响,这种受群体行为影响的现象在社交网络系统中也得到体现,因此可以通过其相关用户的选择和行为构建推荐系统。提出一种通过挖掘相关用户的评价信息来构建输入数据的隐式推荐系统,该系统包括三个部分:首先根据交际活动评估用户之间的隐式信任度;然后通过评论获取语料的情绪关键词推断用户情绪等级;最后利用机器学习和回归算法识别情绪等级和用户之间信任度的影响程度,并由此给出推荐意见。通过对微博用户评论数据的分析,验证了算法的有效性,表明提出的算法能够正确反映隐式信任度和用户情绪,从而为决策推荐系统提供支持。