基于位置社交网络的朋友关系预测研究

发布时间：2017-09-26 04:07

  本文关键词：基于位置社交网络的朋友关系预测研究

  更多相关文章： 基于位置的社交网络 支持向量机 遗传算法 粒子群算法

【摘要】：随着社交网络的普及以及移动智能设备的发展,基于位置的社会网络(Location-Based Social Network,LBSN)逐渐进入人们的生活。LBSN通过将用户移动行为和地理位置信息关联,充分挖掘用户潜在行为与其日常活动位置的相关性,使线上虚拟世界和线下现实生活之间建立密切联系,为社会关系预测等领域开辟新的研究方向。LBSN中的签到数据包含用户时间、空间等多重信息,为朋友关系预测提供了可能。但是,LBSN网络结构比较稀疏,难以完整反映个体签到行为。因此,从现有的数据中挖掘用户完整信息,并利用隐含知识刻画用户特征,成为用户行为研究的重要方向。为了实现上述目标,本文提出基于支持向量机(Support Vector Machine,SVM)的朋友关系预测框架,并利用Gowalla和Brightkite两个数据集进行仿真实验,结果表明该方法的有效性和可行性。具体来说,本文主要研究工作包括以下四个方面:1.分析Gowalla和Brightkite数据集中用户行为特征,如用户好友数、签到地点以及签到次数,发现其均呈长尾分布,并且两个网络中拥有好友数超过50个的用户占极小比例。在Brightkite中签到次数小于10的达到43.5%,进一步说明数据的稀疏性,给好友预测带来新的挑战。2.利用用户签到时空信息,分析用户移动区域以及移动周期,进而挖掘用户移动规律。分析移动区域时,发现绝大部分用户只在较小的范围内活动。相对而言,Gowalla数据集中的用户活动半径较大。对移动周期的分析得知,用户活动呈现出一定的周期性,与人们的生活规律相契合。3.在上述网络结构以及用户移动行为分析的基础上进行特征提取。根据传统基于节点相似性的度量方法,提出本文用户社交关系计算方法,并提取用户签到距离以及签到类型作为朋友关系预测的输入特征。4.建立基于SVM的朋友关系预测框架,融合上述特征分别对朋友关系进行分类预测,并用准确率、召回率、F1-measure以及AUC值进行评估,发现社交关系对朋友预测的影响最大,三个特征融合的预测准确率优于单个特征。为了进一步改善预测效果,利用遗传算法(Genetic Algorithm,GA)、粒子群算法(Particle Swarm Optimization,PSO)以及网格搜索(Grid Search,GS)对惩罚因子C和核参数g进行优化。
【关键词】：基于位置的社交网络 支持向量机 遗传算法 粒子群算法
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TP393.09
【目录】：

• 摘要3-5
• ABSTRACT5-11
• 第一章 绪论11-18
• 1.1 研究背景及意义11-12
• 1.2 研究现状12-15
• 1.2.1 通过移动行为预测朋友关系13-14
• 1.2.2 通过好友关系分析移动行为14-15
• 1.3 研究内容15-16
• 1.3.1 LBSN用户签到行为分析15
• 1.3.2 基于LBSN的朋友关系预测15-16
• 1.4 论文组织结构16-18
• 第二章 用户签到行为分析18-28
• 2.1 数据集说明18-19
• 2.2 用户签到规律分析19-27
• 2.2.1 用户好友数量分布20-21
• 2.2.2 用户签到次数分布21-22
• 2.2.3 用户签到地点数分布22-23
• 2.2.4 用户活动范围分析23-24
• 2.2.5 用户移动周期分析24-27
• 2.3 本章小结27-28
• 第三章 LBSN用户相似性指标28-38
• 3.1 特征选择流程28-31
• 3.1.1 特征子集生成28-29
• 3.1.2 特征子集评价29-30
• 3.1.3 停止条件30-31
• 3.1.4 结果验证31
• 3.2 基于节点相似性的预测方法31-34
• 3.2.1 共同邻居31-32
• 3.2.2 Jaccard系数32
• 3.2.3 Adamic-Adar系数32-33
• 3.2.4 Resource Allocation33
• 3.2.5 本文相似性度量33-34
• 3.3 用户签到地点34-35
• 3.4 用户签到类型35-37
• 3.5 本章小结37-38
• 第四章 SVM及参数优化38-50
• 4.1 SVM基本理论38-42
• 4.1.1 SVM概述38-39
• 4.1.2 线性支持向量机39-40
• 4.1.3 非线性支持向量机40-41
• 4.1.4 核函数41-42
• 4.2 参数优化42-47
• 4.2.1 待优化参数42-43
• 4.2.2 参数优化算法43-47
• 4.3 交叉验证47-48
• 4.4 评价指标48-49
• 4.5 本章小结49-50
• 第五章 朋友关系预测50-59
• 5.1 实验结果50-52
• 5.2 参数寻优52-58
• 5.2.1 基于遗传算法的SVM参数寻优（GA-SVM）52-53
• 5.2.2 基于PSO的SVM参数寻优（PSO-SVM）53-54
• 5.2.3 基于网格搜索的SVM参数寻优（GS-SVM）54-56
• 5.2.4 参数寻优比较56-58
• 5.3 实验比较58
• 5.4 本章小结58-59
• 第六章 总结与展望59-62
• 6.1 总结59-60
• 6.2 展望60-62
• 参考文献62-67
• 致谢67-68
• 攻读学位期间发表的学术论文68

【相似文献】

中国期刊全文数据库 前7条

1 吴斯梦;Ella;;“人财”、“人材”、“人才”、“人裁”[J];音响改装技术;2006年09期

2 江宛棣;;心系贫困生[J];对外大传播;1996年11期

3 马光悌;;耐心地证明自己[J];中国计算机用户;2005年50期

4 张恺;马忠军;李科赞;;朋友关系网络的实证统计研究[J];电子科技大学学报;2014年03期

5 秦合舫;;合伙人的“与权”难题[J];中国经济和信息化;2013年13期

6 越人;日本时兴新礼品——生日书[J];出版参考;1994年15期

7 ;[J];;年期

中国重要会议论文全文数据库 前2条

1 陈光辉;张文新;;欺负、受欺负与二元朋友关系的关系[A];增强心理学服务社会的意识和功能——中国心理学会成立90周年纪念大会暨第十四届全国心理学学术会议论文摘要集[C];2011年

2 韩梅;;浅谈跨文化交际中的人际关系[A];第六届中国跨文化交际研究会年会论文摘要汇编[C];2005年

中国重要报纸全文数据库 前10条

1 本报记者 郭莹 宋育欣 庄严 夏云秋 邢晓丽 姜忠孝 王钰 曾庆伟 刘颖 王海燕;现代人如何看待朋友关系[N];吉林日报;2004年

2 ;七招维护好大客户关系[N];中国图书商报;2006年

3 李镇西;师生之间亦师亦友[N];中国教育资讯报;2002年

4 《商务时报》特约撰稿 周可真 苏州大学教授、博士生导师、苏州大学政治与公共管理学院院长;当顾客不再是上帝[N];商务时报;2007年

5 主任医师 容小翔;如何与成年孩子沟通[N];医药养生保健报;2007年

6 王禹成邋徐清华 马连云;基层社主任应具备的团结能力[N];中华合作时报;2007年

7 卧龙传说、金_g;巾帼同样有英雄[N];中国电脑教育报;2003年

8 本报记者　程绮瑾;500人的音乐节[N];南方周末;2005年

9 贵阳六中 何方;浅谈教师批评学生的艺术[N];经济信息时报;2008年

10 本报记者 刘礼兰 实习记者 庞颖;品牌 服务 爱心[N];中国黄金报;2007年

中国硕士学位论文全文数据库 前4条

1 程冉;由位置服务社交网络签到信息推断朋友关系[D];山东大学;2015年

2 叶美玲;信息资源对择偶复制效应的影响研究[D];福建师范大学;2015年

3 高旭瑞;基于位置社交网络的朋友关系预测研究[D];太原理工大学;2016年

4 吴壁群;《诗经》朋友关系研究[D];浙江大学;2013年

，

本文编号：921360