基于社会网络用户差异度预测不信任关系

发布时间：2017-07-05 01:10

  本文关键词：基于社会网络用户差异度预测不信任关系

  更多相关文章： 社会关系 符号网络 不信任预测 差异度影响 不信任网络 非负矩阵分解

【摘要】：互联网飞速发展改变人类生活方式和生活习惯的同时也在逐步改变人们的社交关系。人类社交关系已经发生了空前变化,人们已经不满足于当前现实生活中朋友之间的交流,在当前社交网络中彼此交流的用户可能从未谋面,甚至在不同的国家远在地球的两端,就这样在不同时空关系下的用户活跃在当今我们共处的社会网络中,所以当前的社会关系网络就会显得空前的庞大和复杂。基于用户交互的复杂关系,在庞大而复杂的社会网络中发现用户间不信任关系显得尤为重要也会尤为艰难。在社会网络中用户之间的信任与不信任关系对于网络在线用户在复杂网络中寻求可用信息显得至关重要。人们总会利用现实社会中的生活经验去发现网络社交的朋友关系,人们更倾向于和自己信任的在线用户交流,而不信任关系往往能避免一些网络欺骗,网站推销等一些不真实信息误导,从而寻找自己需要的可用信息。可是,在现实的符号社会网络发现中,发现用户之间的不信任关系在整个用户关系的邻接矩阵中非常稀疏,所以在海量的用户关系中发现极少有用的不信任关系如同大海捞针。因此针对社交符号网络中用户不信任关系的发现困难的问题,在本文中提出了一个新的预测算法结构He-Distrust。He-Distrust的主要思想为:在运用最优化理论思想的同时不仅利用矩阵分解的办法来发现已有超级巨大的邻接矩阵中不信任关系,更通过分析在线用户之间差异度来发现对不信任关系预测的影响,从而提高了对用户不信任关系预测的准确率。在这一架构中包含了两个关键方面,(1)非负矩阵分解是一个具有非负约束的最小化求解问题,通过适当的变换和分解,将高维的原始数据向量表示成一组低维向量的线性组合,由于分析了原始数据的结构属性从而可以用来识别。(2)研究Epinions用户数据集发现,不信任用户之间对商品评分出现了不同程度的差别,运用加权的马氏距离(Mahalanobis distance)得到一个规范化的差异度矩阵,在最优化求解中加入该规范化的差异度矩阵从而发现较高差异度对不信任关系的影响,并且最终利用该差异度来协助对社交符号网络中不信任关系的预测。社交网络中关系预测主要分为信任关系预测和不信任关系预测。本文主要讨论了运用用户评分差异度对不信任关系的预测的影响,我们描述了这一方法和已经现有的不信任关系预测在无监督学习下的不同,并且在问题最优化求解中集成了用户差异度的影响形成了He-Distrust这一架构,最后通过在Epinions真实用户数据集上运用,比较和验证了提出方法的可行性,从而探究了在社交网络中用户差异度对不信任关系预测的影响。
【关键词】：社会关系 符号网络 不信任预测 差异度影响 不信任网络 非负矩阵分解
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.08
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 绪论10-16
• 1.1 研究背景与研究意义10-12
• 1.2 研究现状12-14
• 1.2.1 社会计算和不信任关系发现12-13
• 1.2.2 最优化方法13-14
• 1.3 本文的主要工作14-15
• 1.4 本文组织与结构15-16
• 第2章 用户不信任关系中的差异度16-25
• 2.1 数据集分析16-18
• 2.2 不信任关系中的差异度18-24
• 2.3 本章总结24-25
• 第3章 矩阵分解预测不信任关系25-39
• 3.1 不信任关系预测的非负矩阵分解模型25-30
• 3.1.1 非负矩阵分解25-27
• 3.1.2 最优化方法27-28
• 3.1.3 投影非负矩阵分解28
• 3.1.4 不信任关系预测的矩阵分解模型28-30
• 3.2 规范化的用户差异度30-33
• 3.3 He-Distrust结构模型预测不信任关系33-35
• 3.4 He-Distrust结构模型算法和算法复杂度35-38
• 3.4.1 He-Distrust结构模型算法过程35-37
• 3.4.2 He-Distrust结构算法时间复杂度分析37-38
• 3.5 本章总结38-39
• 第4章 用户不信任关系预测的实验分析和验证39-53
• 4.1 实验设计39-41
• 4.2 不同预测方法的比较41-47
• 4.3 不同系数对预测结果的影响47-52
• 4.4 本章总结52-53
• 第5章 总结与展望53-55
• 5.1 总结53-54
• 5.2 展望54-55
• 参考文献55-58
• 个人简介与学术成果58-59
• 致谢59

【相似文献】

中国期刊全文数据库 前10条

1 何光辉;张太平;;保持拓扑性非负矩阵分解法在人脸识别的应用[J];计算机工程与应用;2010年14期

2 史加荣;焦李成;尚凡华;;不完全非负矩阵分解的加速算法[J];电子学报;2011年02期

3 王文俊;张军英;;一种非负矩阵分解的快速方法[J];计算机工程与应用;2009年25期

4 张雷鸣;李秋丹;廖胜才;;非负矩阵分解在标签语义分析中的应用[J];计算机科学;2010年04期

5 于彬;;基于局部非负矩阵分解的人脸识别[J];科学技术与工程;2010年33期

6 姜伟;杨炳儒;隋海峰;;局部敏感非负矩阵分解[J];计算机科学;2010年12期

7 宋金歌;杨景;陈平;佘玉梅;;一种非负矩阵分解的快速稀疏算法[J];云南民族大学学报(自然科学版);2011年04期

8 高燕燕;;非负矩阵分解及其应用探讨[J];硅谷;2011年23期

9 郝红;徐常青;张新平;;基于非负矩阵分解的航拍图像信息提取[J];浙江农林大学学报;2012年01期

10 吴荣玉;樊丰;舒建;;基于非负矩阵分解的鲁棒哈希函数验证性研究[J];电子技术应用;2012年01期

中国重要会议论文全文数据库 前10条

1 孙江明;李通化;;非平滑三维非负矩阵分解[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年

2 蒋永锴;叶东毅;;基于稀疏非负矩阵分解的自动多文摘方法[A];中国计算机语言学研究前沿进展（2007-2009）[C];2009年

3 马帅;吴飞;杨易;邵健;;基于稀疏非负矩阵分解的图像检索[A];第七届和谐人机环境联合学术会议（HHME2011)论文集【oral】[C];2011年

4 徐利民;龚珊;余再军;;奇异值分解与非负矩阵分解色在数据降维方面的特性分析[A];2010年通信理论与信号处理学术年会论文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非负矩阵分解和支持向量机的轴心轨迹图识别[A];2008年全国振动工程及应用学术会议暨第十一届全国设备故障诊断学术会议论文集[C];2008年

6 蒋霈霖;;KL散度下的非负矩阵分解[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年

7 杨宝;朱启兵;黄敏;;基于非负矩阵分解一稀疏表示分类的玻璃缺陷图像识别[A];第24届中国控制与决策会议论文集[C];2012年

8 钱乐乐;高隽;徐小红;;非负性约束的图像稀疏编码[A];第七届全国信息获取与处理学术会议论文集[C];2009年

9 朱昊;黄源水;付梦印;;基于NMF的道路识别算法在野外环境感知中的应用[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

10 郑能恒;蔡毅;李霞;Tan Lee;;基于非负矩阵分解和向量相似测度的语音与音乐分离算法[A];第十一届全国人机语音通讯学术会议论文集（一）[C];2011年

中国博士学位论文全文数据库 前8条

1 杨士准;基于样本和特征的迁移学习方法及应用[D];国防科学技术大学;2013年

2 叶军;基于正则化方法的非负矩阵分解算法及其应用研究[D];南京理工大学;2014年

3 胡俐蕊;非负矩阵分解方法及其在选票图像识别中的应用[D];安徽大学;2013年

4 殷海青;图像分析中的非负矩阵分解理论及其最优化和正则化方法研究[D];西安电子科技大学;2011年

5 杨洪礼;非负矩阵与张量分解及其应用[D];山东科技大学;2011年

6 史加荣;多尺度张量逼近及应用[D];西安电子科技大学;2012年

7 方蔚涛;人脸识别特征抽取算法的研究[D];重庆大学;2012年

8 刘昱昊;基于非负矩阵分解算法的人脸识别技术的研究[D];吉林大学;2014年

中国硕士学位论文全文数据库 前10条

1 谢昊;非负矩阵分解初始化及其应用[D];暨南大学;2015年

2 王一;凸与半非负矩阵分解的近点梯度方法研究[D];东北师范大学;2015年

3 项磊;基于乳腺癌计算机辅助诊断的病理图像分析[D];南京信息工程大学;2015年

4 王丹;基于非负矩阵分解的脑电信号特征提取算法研究[D];燕山大学;2015年

5 马春霞;非负矩阵分解及在基因表达数据分析中的应用研究[D];曲阜师范大学;2015年

6 崔艳荣;基于非负矩阵分解的高光谱遥感数据融合方法分析及应用[D];电子科技大学;2014年

7 赖淑珍;非负矩阵分解若干算法研究与应用[D];电子科技大学;2014年

8 赵龙;基于多流形正则化非负矩阵分解的多视图聚类[D];大连理工大学;2015年

9 黄震;基于多视角非负矩阵分解的同名区分算法研究[D];大连理工大学;2015年

10 邵强;改进的非负矩阵分解算法及其在人脸识别中的应用[D];河北工业大学;2015年

，

本文编号：519978