基于社交网络的嵌入学习技术及推荐算法研究

发布时间：2022-01-06 23:02

　　互联网时代的来临诞生了许多种类繁多的社交应用软件,极大地提高了人们的生活水平。这些社交软件的规模随着信息技术的发展不断扩大,形成了一个个大规模社交网络如QQ、脉脉、微博等,积累了海量具有丰富意义的数据。如何在这些海量数据中进行一些社交网络分析任务去挖掘潜在的社会价值和商业价值,是当前亟待解决的问题。社交网络嵌入学习,即将社交网络节点嵌入到低维空间中,是社交网络分析任务中一个基础问题。尽管目前有许多方法尝试去解决这个问题,但大多数方法都只考虑了两个节点之间的浅层关系,而忽略了捕捉用户之间的多重、语义丰富的社会关系。为此,本文将这种社会关系定义为多路径关系,并提出一种保留多路径关系的社交网络嵌入方法。该方法基于循环神经网络框架,并同时融合了形成多路径关系的两个关键因素,即网络结构和节点属性。同时,社交网络也在推荐系统上产生新的应用场景,即社交推荐系统。结合社交网络和商品产生的海量数据,可以为商品推广以及用户寻找感兴趣的商品带来极大帮助。然而,大多数社交推荐技术只依赖于用户的直接朋友或预先设定的元路径模式,而没有充分利用社交推荐系统上的类别偏好信息和评分偏好信息。基于此,本文利用异构信息网络... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

图２．１．?ＳＤＮＥ的模型结构??

＼??图３．１．社交网络中节点之间多路径关系示例??以图３．１所示社交网络为例：网络中有７个节点，每个节点都有来自属性集??｛足球，学术，旅行｝中的一个或者多个属性。例如，节点（学术和足球）和％??（旅行和足球）都分别有两个属性。从图中可以看出，节点＾和竹之间存在５条??１５??

称为ＢＭＲＵ，来建模这种关系。??在介绍ＢＭＲＵ之前，本节首先详细介绍其单向版本ＭＲＵ。ＭＲＵ的示意图??如图３．４所示。具体地，节点％的第ｊ＇个关系模块ｇ通过部分地传播上一个节点??关系模块，并添加一个候选关系模块与来更新：??４＝１＾４－１＋４４?（３．５）??其中Ｗ和ｇ分别为传播门和输入门，它们共同决定了一个关系模块如何被更??新。正如在第３．２节的分析，当关系在两个节点之间传播时，它依赖于这两个节??点。因此，不同于ＬＳＴＭ和ＧＲＵ，ＭＲＵ的传播门和输入门取决于￥（叫）??和?Ｃｊ＿ｉ：??ｐｉ?＝?ａ（Ｗｐ＾（ｖｉ－ｉ）?＋?Ｕｐ＾（ｖｉ）?＋?ＶｐＣ＾ｙ?（３．６）??ｚｌ?＝?ａ｛Ｗｚ＾｛ｖｉ－ｘ）?＋?Ｕｚ＾｛ｖｉ）?＋?ＶｚＣｉ－ｉｙ?（３．７）??其中?ａ?是?ｓｉｇｍｏｉｄ?函数，ＶＫＰ，?％，Ｃ４?ｅ?Ｒｄｘｄ?是权重矩阵，１／ｐ，１４?ｅ?Ｒｄｘｄ?是对??角矩阵。候选关系模块ｇ计算如下：??ｃ｛?＝?ｔａｎｈ（Ｗｃ￥（ｖｊ）?＋?ＶｃＣ＾）３?（３．８）??２１??

【参考文献】：
期刊论文
[1]大规模复杂信息网络表示学习:概念、方法与挑战[J]. 齐金山,梁循,李志宇,陈燕方,许媛.  计算机学报. 2018(10)
[2]个性化推荐系统综述[J]. 王国霞,刘贺平.  计算机工程与应用. 2012(07)



本文编号：3573324