基于新奇度量的社交事件推荐方法

在社交事件网络(EBSN)中,推荐工作都是从用户的历史喜好出发建模用户偏好,阻碍了用户接触新事物的范围和途径。针对上述问题,提出基于新奇度量的社交事件推荐模型UER(Unexpectedness-based Event Recommendation)。UER模型包括Base和Unexpected两个子模型,首先,Base子模型基于用户、事件以及用户历史事件交互序列特征,通过注意力机制衡量事件在用户历史喜好中的权重,最终预测用户参加事件的概率;其次,Unexpected子模型通过自注意力机制提取用户的多个兴趣表示来计算用户自身新奇度和候选事件对用户的新奇值,从而衡量推荐事件的新奇程度。在Meetup-加州数据集上,UER模型相较于DIN(Deep Interest Network)和PURS(Personalized Unexpected Recommender System)的推荐命中率(HR)分别提高22.9%和30.3%,归一化折损累积收益(NDCG)分别提高27.5%和42.3%,推荐事件的新奇程度分别提高54.5%和21.4%;在Meetup-纽约数据集上,UER模型相较于DIN和PURS的HR分别提高18.2%和21.8%,NDCG分别提高26.9%和32.0%,推荐事件的新奇程度分别提高52.6%和20.8%。

活动社交网络EBSNs上冷启动推荐方法

活动社交网络(event-based social networks,EBSNs)为用户提供了方便的组织、参加和分享社交活动的平台,由于冷启动用户/活动缺少丰富的历史数据,EBSNs上冷启动用户/活动的推荐是难点问题。面向EBSNs给出了包含活动、主办方和用户的表示模型,提出了向冷启动用户推荐活动,以及将冷启动活动推荐给用户的模型和基于随机游走的节点重要度计算方法。在分析用户参加活动行为模式的基础上,使用真实的EBSNs平台-豆瓣同城验证所提方法的有效性。提出的向冷启动用户推荐活动方案与群组活动推荐相比,评价指标有了明显的提升。该研究构建的向冷启动用户推荐活动,以及将冷启动活动推荐给用户的模型能有效解决活动社交网络上冷启动用户/活动的推荐问题。

Uncovering offline event similarity of online friends by constructing null models

The emergence of Event-based Social Network(EBSN) data that contain both social and event information has cleared the way to study the social interactive relationship between the virtual interactions and physical interactions. In existing studies, it is not really clear which factors affect event similarity between online friends and the influence degree of each factor. In this study, a multi-layer network based on the Plancast service data is constructed. The the user’s events belongingness is shuffled by constructing two null models to detect offline event similarity between online friends. The results indicate that there is a strong correlation between online social proximity and offline event similarity. The micro-scale structures at multi-levels of the Plancast online social network are also maintained by constructing 0 k–3 k null models to study how the micro-scale characteristics of online networks affect the similarity of offline events. It is found that the assortativity pattern is a significant micro-scale characteristic to maintain offline event similarity. Finally, we study how structural diversity of online friends affects the offline event similarity. We find that the subgraph structure of common friends has no positive impact on event similarity while the number of common friends plays a key role, which is different from other studies. In addition, we discuss the randomness of different null models, which can measure the degree of information availability in privacy protection. Our study not only uncovers the factors that affect offline event similarity between friends but also presents a framework for understanding the pattern of human mobility.

注意力感知的群组Next事件推荐策略

近年来,基于事件社会网络(EBSN)逐渐成为人们寻找感兴趣事件的有效途径,如何将事件精准地推荐给有需求的用户已成为该领域的重要主题。下一个项目推荐能够捕获用户的动态偏好,在电子商务等领域取得较好推荐效果。然而,鲜见有关EBSN中的面向群组的下一个(Next)事件推荐研究。主要研究面向群组的Next事件推荐策略,但由于群组偏好会发生动态变化,且事件生命周期短、新事件冷启动等问题使得针对群组进行Next事件推荐变得更加困难。首先,针对群组偏好会随时间发生动态变化的特征,将群组与事件的历史交互划分为多个时段。考虑到划分后群组成员数据变得更加稀疏,不利于群组偏好建模,采用基于参与度的排序策略提取当前时段核心成员的成员偏好,并利用注意力机制融合出群组静态偏好。然后,通过序列模型将各个时段的静态偏好融合得到群组动态偏好。最后,将事件推荐视为多标签分类问题,即将上下文看作事件的多个标签,通过预测各个上下文的概率分布以匹配事件,从而有效缓解新事件冷启动问题。实验结果表明,所提出的推荐策略具有较好的性能。

基于事件的社交网络上的CCP事件规划

在基于事件的社交网络(EBSNs)上,事件规划一直是一个热点研究问题.事件规划问题的核心是基于事件和用户的约束条件,对于一组事件,为每个事件选择一组用户,以最大化预先定义的目标函数.在实际应用中,事件冲突、事件容量、用户容量、社交偏好、事件偏好,简称为CCP,即冲突conflict、容量capacity、偏好preference,是规划方案需要考虑的重要因素.然而,现有的所有工作均未在研究事件规划问题时考虑CCP.为了获得更加合理有效的规划方案,首次提出一种CCP事件规划问题.相比只考虑部分因素的规划,CCP事件规划面临着问题更复杂、约束条件更多的困难.为了有效求解该问题,提出事件导向的贪心用户选择算法、事件导向的动态规划算法及基于收益预测的快速版本和事件导向的近似最优用户选择算法.大量的实验结果验证所提算法的有效性和高效性.

多因素特征融合的EBSN活动推荐方法

基于活动的社交网络(Event-based Social Network, EBSN)是一种新型的复杂异构社交网络,其中的个性化活动推荐具有一定的应用价值。近年来,随着EBSN的快速发展,传统方法利用数据挖掘技术有效解决了活动推荐的信息过载问题。然而,仅利用单特征属性或少量线性组合进行计算,且预定义固定权重将降低活动推荐的准确度,此外大多数方法忽略了用户反馈信息对后续推荐的影响。针对上述问题,提出了一种两阶段构成的多因素特征融合的活动推荐方法。查询预处理阶段,将EBSN中的活动、历史用户及其之间的关系抽象为有向异构图,并提取节点及边的特征信息进行辅助存储;利用该辅助数据过滤无效节点及边,进而获得相对较小的候选集;根据查询语境,将查询语义转化为查询图。在线查询阶段,融合潜在好友关系、基于活动的协同过滤以及用户对活动的兴趣这3方面特征进行活动推荐,并接收用户是否接受活动的反馈信息作为后续推荐的参考因素。在真实数据集和模拟数据集上进行了大量实验,结果表明所提方法相比对比算法在EBSN中活动推荐的精确度和用户的满意度方面更优。

融合用户历史行为与社交关系的个性化社交事件推荐方法

为了提升基于事件的社交网络(EBSN)中社交事件的推荐效果,提出了融合用户历史行为和社交关系的个性化社交事件推荐方法。首先采用深度学习技术从用户的历史行为以及用户之间的潜在社交关系两个方面建立用户模型;然后在对用户偏好建模时,引入用户偏好的负向量表示,并使用注意力权重层根据不同的候选推荐事件为用户历史行为中不同的事件和用户社交关系中不同的好友分配不同的权重,同时考虑了事件以及群组的多种特征;最后在真实数据集上进行了大量实验。实验结果表明,该个性化社交事件推荐方法在命中率(HR)、归一化折损累计增益(NDCG)、平均倒数排名(MRR)评价指标上优于对比的深度用户社交事件推荐(DUMER)模型和融合注意力机制的深度兴趣网络(DIN)模型。

基于事件社会网络推荐系统综述

基于事件社会网络(event-based social network,简称EBSN)是一种结合了线上网络和线下网络的新型社会网络,近年来得到了越来越多的关注,已有许多国内外重要研究机构的研究者对其进行研究并取得了许多研究成果.在EBSN推荐系统中,一个重要的任务就是设计出更好、更合理的推荐算法以提高推荐精确度和用户满意度,其关键在于充分结合EBSN中的各种上下文信息去挖掘用户、事件和群组的隐藏特征.主要对EBSN推荐系统的最新研究进展进行综述.首先,概述EBSN的定义、结构、属性和特征,介绍EBSN推荐系统的基本框架,并分析EBSN推荐系统与其他推荐系统的区别;其次,对EBSN推荐系统的主要推荐方法和推荐内容进行归纳、总结和对比分析;最后,分析EBSN推荐系统的研究难点及其发展趋势,并给出总结.

基于生成对抗网络的事件描述生成

在基于事件的社会网络(EBSN)中,自动生成社交事件(Social Event)的事件描述(Event Description)供组织者参考,从而有效避免描述贫乏、描述过度、精准度低的问题,易于形成丰富、准确、高吸引力的事件描述。为了自动生成与真实事件描述足够相似的文本,提出了一种生成对抗网络(GAN)模型GAN_PG来生成事件描述。GAN_PG模型中的生成模型(Generator)采用变分自编码器(VAE),判别模型(Discriminator)采用带门控循环单元(GRU)的神经网络。模型训练时借鉴了强化学习中的策略梯度(PG)下降,并通过设计合理的奖励函数来训练生成器生成事件描述。实验结果表明,设计的模型生成事件描述的BLEU-4值达到了0.67,证明了提出的事件描述生成模型GAN_PG可以无监督地产生与自然语言足够相似的事件描述。

基于事件描述的社交事件参与度预测

在基于事件的社会网络(EBSNs)的相关研究中,基于事件描述来预测社交事件参与度是难点问题。相关的研究非常有限,研究难度主要来自对事件描述评价的主观性和语言建模算法的局限性。针对这些问题,首先定义了成功事件、相似事件和事件相似度等概念,并基于这些概念将采集自Meetup平台的社交数据进行抽取,同时分别设计了基于拉索回归、卷积神经网络(CNN)和门控循环神经网络(GRNN)的分析预测方法。实验时,先从抽取过的数据中选取部分数据训练三种模型,然后用剩余的数据进行分析预测。结果显示,相较于不含事件描述的事件,经过拉索回归模型处理的事件在不同分类器下的预测准确率可提高2.35%~3.8%,经过GRNN模型处理的事件在不同分类器下的预测准确率可提高4.5%~8.9%,而CNN模型的处理结果不理想。证明了事件描述能够提高事件参与度,GRNN模型在三个模型中预测准确率最高。

基于ESU图的活动社交网络用户参加活动推荐

活动社交网络(EBSNs)为用户提供了方便的组织、参加和分享社交活动的平台。该文面向EBSNs活动推荐问题,提出了包含活动(Event)、主办方(Sponsor)和用户(User)的ESU图模型,深入揭示了EBSNs的实体及其社交关系。因为用户参加活动受多个因素影响,我们提出了基于ESU图的活动推荐多因素决策模型,包括社交影响力、活动内容、活动地点及活动时间。根据ESU图特点,提出了基于双向重启随机游走算法BD-RWR的实体重要度计算方法。选取真实的EBSNs平台-豆瓣同城验证所提方法的有效性。实验结果表明,该文提出的ESU图模型及融合了多因素的活动推荐模型,与已有最新方法相比,有效地提升了用户参加活动的推荐效果。

结合用户长短期兴趣与事件影响力的事件推荐策略

事件社交网络的快速发展引起的信息过载问题是当前面临的主要挑战,深度学习等技术可从大量的数据中挖掘潜在的关联信息,从而有效应对该问题.同时,有研究表明用户兴趣在长期和短期的时序上具有不同的特征模式,深度挖掘用户的时序特征和兴趣可有效地为用户提供个性化的事件推荐信息.基于此,提出一种将用户长短期兴趣与事件影响力相结合的推荐策略.通过带注意力机制的图神经网络和长短期记忆网络获取用户的长短期兴趣,同时,对候选事件构建针对目标用户的影响力.根据用户长短期兴趣和事件影响力预测目标用户的参与概率,最终通过排序后的参与概率向用户推荐TOP-K兴趣事件.实验结果表明,所提推荐模型在多个指标上均有所改善,其推荐性能优于已有对比模型,具备很好的推荐效果.

基于事件社会网络中考虑约束全局推荐策略

近年来,以Meetup,Plancast和Douban为代表的基于事件社会网络(Event-based Social Networks,EBSN)得到快速发展,其推荐策略得到越来越多关注.EBSN推荐系统应同时考虑用户和事件组织者的需要,即在尽可能满足用户偏好兴趣的同时,要保证事件资源的全局均衡分配,因此研究EBSN全局推荐策略十分迫切且必要.然而,由于EBSN存在多种约束条件,包括用户允许参与事件数、事件允许接纳用户数和时间冲突等约束,仅面向用户的传统推荐方法已不再适用.首先定义了EBSN全局推荐优化目标,即在满足约束条件下,使得全部用户的不满意度和全部事件的不满意度之和最小化;然后,为将约束问题转化为非约束问题求解,分别为三类约束条件建立惩罚项,并生成考虑约束的单一目标函数.为有效实现优化目标,提出了考虑约束的二进制粒子群优化算法(Constrained Binary Particle Swarm Optimization,CBPSO),其优点是能够解决多约束条件下二进制离散空间问题.为进一步提高优化性能,分别提出了一种增进的二进制粒子群优化算法(Improved Binary Particle Swarm Optimization,IBPSO)和支持全局推荐扩展的二进制粒子群优化算法(Extended Improved Binary Particle Swarm Optimization,EX-IBPSO).在真实数据集上进行了性能测试,结果验证了所提出方法可行且有效.

联合建模异构社交和内容信息的活动推荐模型

随着基于活动的社交网络的迅速发展,活动推荐已成为一个重要的工具,帮助人们在线上发现有趣的活动,并在线下面对面地参与活动.但是,相对于传统的推荐系统,活动推荐面临着很多挑战.(1)用户只能参与很少的活动,这就导致一个非常稀疏的用户-活动矩阵;(2)用户对活动的响应是隐性反馈;(3)活动本身有生命周期,已经过期的活动不能再向用户推荐;(4)每天会有很多新的活动产生,需要及时向用户推荐.为了应对这些挑战,提出一个联合建模异构社交和内容信息的活动推荐模型.该模型可同时探索用户的线上和线下社交活动,并结合活动内容建模用户对活动的决策行为.在Meetup数据集上做实验以评估所提出模型的性能.实验结果表明,提出的模型优于其他方法.

基于超图的EBSN个性化推荐及优化算法

基于事件的社交网(event-based social networks,EBSN)中的个性化推荐服务是一个十分重要且颇具应用价值的问题,现有研究工作主要基于普通图来对EBSN中的关系进行建模,但由于EBSN是一种异构型复杂社交网络,具有多种不同类型实体,因而用普通图建模EBSN会存在高维信息丢失问题,导致推荐质量降低.基于此,首先提出一种基于超图模型的EBSN个性化推荐(hypergraph-based personalized recommendation in EBSN,PRH)算法,其基本思想在于利用超图具有不丢失高维数据信息之特点来更准确地对EBSN中复杂社交关系数据进行高维建模,并利用流形排序正则化计算获取初步推荐结果.其次,又分别从查询向量设置方式改进和对不同类超边施以不同权重等角度,提出了优化的PRH(optimized PRH,oPRH)算法以进一步优化PRH算法所获推荐结果,从而实现精准推荐.扩展实验表明,基于超图的EBSN个性化推荐及其优化算法,推荐结果相比于以前基于普通图的推荐算法具有更高准确性.

基于地域特征和异构社交关系的事件推荐算法研究

近几年,在基于事件的社交网络(EBSNs)服务中,为便于增强用户体验,事件推荐任务一直被广泛研究。本文基于对EBSN中用户行为数据的详细分析,提出了一种新型的融合多种数据特征的潜在因子模型。该模型综合考虑EBSN中两种新型的数据特征:异构的社交关系特征(线上社交关系+线下社交关系)和用户参与行为的地域性特征。基于真实的Meetup数据集,实验结果表明我们的算法在解决事件推荐问题时比传统的算法有更好的性能。

基于主题模型分析与用户长短兴趣的活动推荐

针对活动社交网络中如何为用户进行个性化活动推荐的问题,结合LDA主题模型分析,提出了一种结合用户长短期兴趣建模的活动推荐方法.算法引入了时间函数与行为权重,根据用户的历史行为记录,分别计算用户的长短兴趣模型,然后采用长兴趣模型匹配活动类别,选取高匹配度的前三类活动后,再利用短兴趣模型对所匹配活动类别中的活动进一步筛选,得到每类活动与用户短兴趣模型匹配度较高的K个活动,最后汇总排序后选取相似值较高的K个活动形成推荐结果.爬取了豆瓣活动网站的实际数据进行实验,结果验证了该算法的有效性和高效性.

事件社交网中基于有向标签图及用户反馈的活动推荐方法

由于基于事件的社交网络(EBSN)中的活动具有时效性,传统社交网络推荐算法无法适用于EBSN。此外,大多数算法忽略了能影响后续推荐质量的前用户是否接受活动的反馈意见。为此,提出一种EBSN中基于有向标签图及用户反馈的活动推荐方法。首先,将EBSN抽象为有向标签图,并抽取图节点及边的属性特征信息,构建有向图结构特征(DGSF)索引,该索引由节点属性特征索引、有向边属性特征索引以及时间特征索引构成,利用该索引对节点及边进行初次过滤。其次,提出基于DGSF索引的多属性候选集过滤策略,利用时间、节点的出入度、标签类型等特征的限制,实现对查询图候选集的进一步剪枝,避免冗余计算。然后,提出一种具有用户反馈的改进UCB(Upper Confidence Bound)活动推荐算法--EN_UCB,通过引入弹性网回归,根据多影响因素计算用户对活动的兴趣值,为用户推荐兴趣值高的活动,同时接收用户是否接受该活动的反馈,以优化后续用户的推荐。大量实验结果表明,EN_UCB算法的接受率高于TS(Thompson Sampling)、UCB以及eGreedy算法,遗憾率远远低于TS和eGreedy算法,且运行效率高于TS、UCB以及eGreedy算法,活动数越大,优势越明显。所提算法能有效实现EBSN上的在线活动推荐。

基于事件的社交网络上的双边偏好稳态规划

在基于事件的社交网络中,一个经典的问题是为用户规划其感兴趣的事件.现有的工作仅仅考虑用户的喜好,仅从用户的角度出发,为其安排尽可能感兴趣的事件来参加.然而,从事件主办者的角度出发,他们亦希望为事件安排的用户尽可能有更大的影响力,用户的可靠性尽可能高,以保障事件能够顺利开展,并取得预期的效果.本质上来说,基于事件的社交网络上的规划问题是一个双向选择的问题,而现有的所有工作均未从用户和事件的双边偏好考虑问题.因此,提出一种双边偏好稳态规划问题来解决这种双向选择问题.该问题首次提出,因此现有工作中未有相关算法可供解决该问题.对比之前只考虑用户偏好的规划,在考虑用户和事件双边偏好时,面临着问题更复杂、约束条件更多的困难.因此,提出两种基础算法和一种改进算法来高效、高质量地解决这个问题,并用大量的实验验证所提出算法的高效性和有效性.

一种基于元路径的社交事件推荐方法

基于事件的社交网络为用户提供线上线下互动模式的社交服务,用户在线上组织事件,线下参与事件.以往的研究基于因素或基于图实现社交事件推荐,难以充分挖掘社交网络中的语义信息.为解决该问题,提出了基于元路径的社交事件推荐方法,元路径包含丰富的语义信息,是异质信息网络的重要特征.首先构建了一个异质社交网络,接下来利用元路径计算用户与事件之间的相关性矩阵,在此基础上,通过最优化问题求解元路径权重,最后将相关性矩阵和元路径权重线性组合实现面向用户的社交事件推荐.该算法在应用最为广泛的基于事件的社交网络平台--Meetup网站真实数据集上进行了实验,采用不同度量指标与其它推荐方法进行了对比,实验结果表明本算法优于其它对比方法.