社会网络中的社区发现及协同过滤推荐技术研究

发布时间：2017-04-06 12:06

  本文关键词：社会网络中的社区发现及协同过滤推荐技术研究，由笔耕文化传播整理发布。

【摘要】：信息技术的发展促进了现实人类社会与虚拟网络空间的深度融合,人们在信息化环境中留下的数字足迹汇聚成多种多样的关系网络。迅速积累的海量交互数据蕴含着巨大的商业价值和研究价值,对社会网络进行分析、挖掘,揭示数据背后的规律已成为许多研究人员关注的课题。社区结构作为社会网络最重要的拓扑属性,具有同一社区内部的节点间联系紧密,而社区间的节点连接稀疏的特点。网络中社团结构的检测有助于揭示复杂网络的层次结构,全面透彻地分析节点间的社会关系。另一方面,社交网络的研究也促进了广告推荐、精准营销等业务的发展,借助用户间的社交关系网络,有助于缓解推荐系统中的数据稀疏性、冷启动等问题。针对如何有效地挖掘出具有实际意义的社区结构,以及如何利用社交网络改善传统推荐系统的性能等问题,本文进行了深入的研究,取得的研究成果如下：1.现有的社区发现算法大多将焦点集中在节点的聚类方法上,忽略了对节点间关系的研究,而节点间相似度的定义同样影响着社区检测的性能。对此,本文在模块度谱分析算法的基础上,提出一种基于近邻关系迭代更新的社区检测模型。以一种自学习的方式,通过多次迭代修正网络的关系矩阵,使其更精确的刻画节点间的关系,从而提高算法社区划分的性能。2.社会网络中实体间的关系往往是多元化的,针对多关系网络社区检测,本文提出一种基于异质关系间共享局部结构的社区挖掘算法；该模型将网络节点的聚类分两个阶段进行：首先通过提取多种关系间的共享局部信息,对网络中的节点进行了局部划分；然后,基于划分出来的社区子集,定义一种节点簇的凝聚度函数,并按照凝聚度增益最大化的原则将待划分的节点的依次归类。3.为了缓解协同过滤推荐技术中存在的稀疏性问题,本文借助用户间的社交关系网络,提出一种融合社会关系网络的协同过滤推荐算法。模型中,我们同时考虑了用户实际行为与社交行为的同质性(一致性)和异质性,并将两个方面融合到了矩阵分解的框架当中。其中,通过联合分解评分矩阵与社交关系矩阵得到的用户共享潜在因子,实现了用户社交信息的有效迁移。在豆瓣等数据集上的实验结果验证了所提模型的有效性。
【关键词】：社会网络 社区发现 多关系网络 协同过滤推荐
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：O157.5;TP391.3
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 绪论11-18
• 1.1 论文的研究背景和意义11-12
• 1.2 网络社区发现及推荐技术发展研究现状12-15
• 1.2.1 复杂网络社区检测技术现状12-14
• 1.2.2 推荐技术研究现状14-15
• 1.3 本文的研究工作15-16
• 1.4 论文的安排16
• 1.5 本章小结16-18
• 2 社区发现算法与协同过滤推荐技术18-24
• 2.1 社区发现算法介绍18-20
• 2.1.1 基于谱方法的社区发现18-19
• 2.1.2 基于层次聚类的社区发现19-20
• 2.1.3 基于模块度优化的社区发现20
• 2.2 协同过滤推荐技术20-23
• 2.2.1 基于内存的协同过滤推荐21
• 2.2.2 基于模型的协同过滤推荐21-22
• 2.2.3 协同过滤推荐技术现存问题22-23
• 2.3 本章小结23-24
• 3 基于近邻关系迭代更新的社区检测24-32
• 3.1 相关工作24-25
• 3.2 基于近邻关系迭代更新的社区检测25-28
• 3.2.1 可信近邻关系图25-26
• 3.2.2 节点相似度的传递26-28
• 3.3 实验结果与分析28-31
• 3.3.1 实验数据集描述28-29
• 3.3.2 评价指标及实验结果29
• 3.3.3 算法的参数影响29-31
• 3.4 本章小结31-32
• 4 基于异质关系间共享局部结构的社区发现32-42
• 4.1 相关工作32-33
• 4.2 基于共享局部结构的异构网络社区挖掘33-37
• 4.2.1 共享局部信息的提取34-35
• 4.2.2 基于信息增益的节点聚类35-36
• 4.2.3 共享局部结构的更新36-37
• 4.3 实验结果与分析37-41
• 4.3.1 实验数据集及对比结果38-40
• 4.3.2 收敛性分析40-41
• 4.4 本章小结41-42
• 5 融合社交网络的协同过滤推荐技术42-54
• 5.1 相关工作42-44
• 5.1.1 矩阵分解模型42-43
• 5.1.2 基于社交网络的推荐技术43-44
• 5.2 融合社交网络的协同过滤推荐模型44-48
• 5.2.1 模型建立44-45
• 5.2.2 参数学习45-46
• 5.2.3 收敛性证明46-48
• 5.3 实验结果与分析48-53
• 5.3.1 实验数据集与评价指标48-50
• 5.3.2 实验设计及对比50-51
• 5.3.3 参数分析51-53
• 5.4 本章小结53-54
• 6 总结54-56
• 6.1 工作总结54
• 6.2 工作展望54-56
• 参考文献56-59
• 作者简历59-61
• 学位论文数据集61

【相似文献】

中国期刊全文数据库 前10条

1 康钟荣;;基于项目特征分类与填充的协同过滤算法研究[J];河南科技;2013年12期

2 李改;李磊;;基于双向主题模型的协同过滤算法[J];中山大学学报(自然科学版);2013年05期

3 卢竹兵;唐雁;;一种基于信任网络的协同过滤推荐策略[J];西南师范大学学报(自然科学版);2008年02期

4 辛勤芳;;基于项目聚类的协同过滤算法研究[J];赤峰学院学报(自然科学版);2011年09期

5 段文奇;惠淑敏;;基于协同过滤的论文推荐-传播平台模型研究[J];科学学研究;2012年10期

6 章诗杰;姚俭平;;基于评论挖掘的新协同过滤推荐模型[J];科技创新与生产力;2013年03期

7 张阳;申华;;基于近邻用户和近邻项目的协同过滤改进算法[J];沈阳师范大学学报(自然科学版);2012年03期

8 邓晓懿;金淳;韩庆平;j口良之;;基于情境聚类和用户评级的协同过滤推荐模型[J];系统工程理论与实践;2013年11期

9 董立岩;刘晋禹;蔡观洋;李永丽;;基于抽样近邻的协同过滤算法[J];吉林大学学报(理学版);2014年04期

10 王恒;;基于协同过滤的电子农务推荐系统模型研究[J];宁夏大学学报(自然科学版);2009年04期

中国重要会议论文全文数据库 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

中国博士学位论文全文数据库 前10条

1 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

2 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

3 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

4 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

5 高e，

本文编号：288827