《社交-推薦網路中的隱式朋友挖掘》是依託北京航空航天大學，由劉禹擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：社交-推薦網路中的隱式朋友挖掘
- 依託單位：北京航空航天大學
- 項目負責人：劉禹
- 項目類別：青年科學基金項目
項目摘要,結題摘要,
項目摘要
伴隨著社交網路與傳統電子商務網路賬戶合併的熱潮，以社交為手段、以商品推薦為目的的社交-推薦網路已經形成。本研究充分結合用戶社交行為和商品行為歷史,對目標用戶的社交好友隱式推薦關係進行分層次挖掘：對一跳朋友，用同現、時序和共同朋友關係統計社交活動量，用拓撲勢模型度量朋友圈內威望，另結合用戶間商品行為歷史相似度，綜合三個因素挖掘其中的推薦主導群體；對二跳朋友，建模用戶的偶遇關係，以用戶間的商品行為相似性為指導，通過機器學習方法推導偶遇行為次數與推薦影響力的關聯，預測隱藏的具有較強推薦影響的間接朋友；對外圍用戶，通過商品相似性與商品行為歷史相似性比較，挖掘共同興趣朋友，作為社交網路冷啟動情況下推薦依據的補充。研究目標是挖掘社交-推薦網路中對目標用戶最具影響力的用戶群體，其結果對揭示社交-推薦網路中用戶推薦影響力的構成、度量與傳播規律有重要意義，可為新興的社交-推薦網路的商品推薦系統構建提供思路。
結題摘要
本研究針對隱式社交網路中的隱式互動模型、隱式朋友的推薦影響研究和共同興趣模型建模與推薦算法等問題展開研究。取得了三個方面的成果： 社交網路中的標籤具有稀疏性特徵，由於缺少“標籤”信息，影響用戶影響力建模。其中一個解決方法是使用虛擬數據。為了生成虛擬數據，需要對系統進行建模。已有的社會標註模型考慮用戶之間的模仿關係，卻忽略了用戶的主體屬性。因此，本研究通過構建用戶模型，並且融入用戶之間的相似度，藉助拓撲勢思想對用戶重要性進行度量，提出了對社會標註系統建模的增長模型。該模型中使用隱式互動圖表示用戶之間的關係，使用標籤向量表示用戶的屬性，通過隱式互動圖的增長描述標註系統的演化規律。研究結果表明，利用所提出方法得到的標籤使用頻率分布和現實數據中的分布保持一致；與偏好依附方法相比，該方法生成的隱式互動圖具有更高的平均集聚係數和更小的平均最短路徑，因此，該方法能夠更好地將用戶聚集成興趣社團。 提出了一個兩步預測方法來挖掘隱式同現標籤關係，緩解了興趣標籤同現的稀疏性問題。首先，本研究基於權重網路元結構構建了一個異構的信息網路並且從這個網路中提取出了基於權重路徑的拓撲特徵；然後，用然後用一個半監督算法來學習標籤同現關係中對應不同拓撲特徵的最優參數值。該方法在Flickr數據集上進行了相關實驗，結果表明了兩步預測方法優於SVM、PLP-FGM 、TriFGM和PathPredict等當前流行的鏈路預測算法。 提出了一種基於融合用戶相似性的推薦算法。本文提出了一個數據場的聚類方法（DFCM），把大規模的基於興趣標籤的項目按照項目屬性聚類成興趣點；然後，為每一個興趣點生成更加友好的、可理解的興趣概覽；之後，提出了一種融合的用戶相似性度量方法，這個方法不僅考慮了概覽語義的相似性，還考慮了行為相似性；最後，提出了一個基於融合用戶相似性的興趣項目推薦算法。更進一步地，本研究探討了提升興趣地點推薦算法的兩個方面：融入隱式標籤同現的語義信息和通過高斯雲變換的方法加強興趣項目列表的多樣性。
