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%。

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.

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.

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。

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。

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.