基于社区划分和用户相似度的好友信息服务推荐研究
发布时间：2020-12-05 23:55
随着移动互联网技术快速发展及5G网络的出现,各式各样移动社交网站大量兴起,成为人们生活和工作不可或缺的一部分,网络用户所扮演的角色也发生了巨大变化,逐渐从信息接受者变为信息发布者,在移动社交网站带给大家无数便利和快乐的同时,也导致了移动社交网络中信息过载,网络中海量无序的信息降低了用户使用体验,势必导致用户不断流失,因此产生了推荐系统。在推荐系统的研究中,好友推荐、信息服务推荐成为了社交网络中较为重要的研究方向。与此同时,推荐准确率及推荐精准度阻碍了推荐系统的进一步发展。本文将针对推荐研究中存在的问题进行研究。在移动社交网络中,用户自发形成大大小小的虚拟社区,对网络虚拟社区进行划分可为网络舆情监测、情感分析、搜索引擎及推荐系统等方向研究提供助力。社区划分是将网络中用户节点依次划分至不同集合,保证集合内部节点相似度较高而集合外部节点相似性较低。现有社区划分算法大多基于用户节点相似属性进行划分,缺乏对节点间链接关系的综合研究,为合理分析用户间联系,可以通过引入用户信任程度对移动社交网络用户关系进行描述,以提升网络社区划分质量。其次,目前推荐算法大多基于用户或项目间相似性进行用户推荐或项目推...
【文章来源】：湖北工业大学湖北省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
本文研究思路实验结果与分析
馔?缬胝媸凳澜绲牧?印?2.1.2移动社交网络的图表示移动社交网络是复杂网络的一种，其结构主要基于图论，在移动社交网络图谱由节点与节点的连线（也叫边）所构成，其中边代表两节点间的关系，而节点实际意义上指移动社交用户，也是构成移动社交网络的基本元素[62]。用图G=（V，E）表示所给网络，其中V和E分别表示所有节点及边的集合，V={V1，V2，…VN}，E={E1，E2，…EM}，另外N、M分别表示总结点数和总边数，N=|V|，M=|E|。N*N的邻接矩阵Z可用于描述网络图G，，∈，若,∈，则,=1，否则,=0，具体如图2.1所示。拉普拉斯矩阵表示图的一种矩阵，其被定义为：L=DZ（2.1）其中D为图G的度矩阵，其表示方式为邻接矩阵Z的每一列元素相加所得的数值，并分别放于矩阵对角线上，其他为零，所组成的N*N的矩阵，若用d（）表示节点的度，那么度矩阵D可表示为公式（2.2），拉普拉斯矩阵具体计算如图V1V4V2V3Z=0110111111110000图2.1网络图的邻接矩阵示例
湖北工业大学硕士学位论文112.2所示。D(G)=[d（1）d（2）d（3）d（4）]（2.2）谱聚类对于给定的图G，V表示各个节点，边的权重表示各节点间的相似度，谱聚类旨在将图分割成若干子图，连接不同子图边权重（即相似度）尽可能低，而各子图内边权重尽可能高，整个过程即为社区划分。谱聚类中常用的标准化拉普拉斯矩阵如公式（2.3）所示。L=1Z（2.3）对与移动社交网络图G中任一对节点和，若边（i，j）与（j，i）等价，则称图G为无向网络，反之，则为有向网络；若,∈，且有权值，则称图G为有权网络，反之，则为无权网络。其中加权网络可表示为G=（V，E，W），W表示权重集合，,∈，均有,∈与其对应，若节点与之间无连接，则,=0，社交网络图的类别分别如图2.3所示。2.1.3移动社交网络的特性在现有文献研究中，主要将移动互联网的特性体现在两个方面，一方面是实用性或应用性特性，另一方面则为统计特性。移动社交网络在实际生活中主要包含以下几个特点[57,63]：（1）通用性L=3113111111112002图2.2网络图的拉普拉斯矩阵示例D=3003000000002002V1V4V2V3（a）无权无向V1V4V2V3V1V4V2V3（a）无权有向（a）有权无向（a）有权有向W14W12W23W13V1V4V2V3W14W12W23W13图2.3网络图的四种表示
【参考文献】：
期刊论文
[1]基于用户聚类与动态交互信任关系的好友推荐方法研究[J]. 高慧颖,魏甜,刘嘉唯. 数据分析与知识发现. 2019(10)
[2]基于用户属性—关系相似度的好友推荐模型研究[J]. 余以胜,陈咏晖. 情报理论与实践. 2020(02)
[3]基于关联规则与相似度的社交好友推荐算法[J]. 向程冠,熊世桓,王东,熊伟程. 计算机工程. 2019(04)
[4]面向兴趣主题的个性化好友推荐[J]. 齐会敏,刘群,戴大祥. 计算机工程与科学. 2018(02)
[5]一种新的基于局部相似度的社区发现算法[J]. 顾亦然,陈雨晴. 南京邮电大学学报(自然科学版). 2017(05)
[6]基于标签改进社交网络好友推荐算法研究与应用[J]. 章讯,龙华,周芝民. 信息技术. 2017(06)
[7]基于重叠度与模块度增量的复杂网络社区识别[J]. 隆华,李宝安. 计算机应用. 2017(S1)
[8]基于网络距离和内容相似度的微博社交网络社区划分方法[J]. 张中军,张文娟,于来行,李润川. 山东大学学报(理学版). 2017(07)
[9]基于链接分析和用户兴趣的微博社区发现算法[J]. 郑伟涛,吴永亮,郭芳琳,闫光辉,何力. 计算机工程与科学. 2017(04)
[10]融合关系强度和兴趣的好友推荐方法研究[J]. 夏立新,李重阳,王忠义. 图书情报工作. 2017(01)
硕士论文
[1]基于用户偏好和信任关系的移动社交网络社区发现研究[D]. 杨杨.湖北工业大学 2019
[2]二分网络的社区发现算法和评价指标研究[D]. 安晓丹.山西大学 2019
[3]基于模型的协同过滤推荐算法研究[D]. 王硕.北京邮电大学 2019
[4]基于用户相似度和社交信任关系的推荐算法研究[D]. 王佳同.东北师范大学 2017
[5]社会化问答平台用户持续使用意愿影响因素研究[D]. 胡守伟.安徽大学 2017
[6]社会网络中社区发现与用户推荐算法研究[D]. 王涛.新疆大学 2017
[7]感知利益对社会化问答社区用户持续使用意愿的影响机制[D]. 江勇威.暨南大学 2016
[8]面向移动社会网络的服务器集群系统研究与设计[D]. 王珊珊.电子科技大学 2016
[9]移动社交网络中基于节点团结构的数据转发算法研究[D]. 夏茂晋.合肥工业大学 2016
[10]基于社区发现好友推荐算法的研究与实现[D]. 白立稳.东北大学 2015
本文编号：2900319
【文章来源】：湖北工业大学湖北省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
本文研究思路实验结果与分析
馔?缬胝媸凳澜绲牧?印?2.1.2移动社交网络的图表示移动社交网络是复杂网络的一种，其结构主要基于图论，在移动社交网络图谱由节点与节点的连线（也叫边）所构成，其中边代表两节点间的关系，而节点实际意义上指移动社交用户，也是构成移动社交网络的基本元素[62]。用图G=（V，E）表示所给网络，其中V和E分别表示所有节点及边的集合，V={V1，V2，…VN}，E={E1，E2，…EM}，另外N、M分别表示总结点数和总边数，N=|V|，M=|E|。N*N的邻接矩阵Z可用于描述网络图G，，∈，若,∈，则,=1，否则,=0，具体如图2.1所示。拉普拉斯矩阵表示图的一种矩阵，其被定义为：L=DZ（2.1）其中D为图G的度矩阵，其表示方式为邻接矩阵Z的每一列元素相加所得的数值，并分别放于矩阵对角线上，其他为零，所组成的N*N的矩阵，若用d（）表示节点的度，那么度矩阵D可表示为公式（2.2），拉普拉斯矩阵具体计算如图V1V4V2V3Z=0110111111110000图2.1网络图的邻接矩阵示例
湖北工业大学硕士学位论文112.2所示。D(G)=[d（1）d（2）d（3）d（4）]（2.2）谱聚类对于给定的图G，V表示各个节点，边的权重表示各节点间的相似度，谱聚类旨在将图分割成若干子图，连接不同子图边权重（即相似度）尽可能低，而各子图内边权重尽可能高，整个过程即为社区划分。谱聚类中常用的标准化拉普拉斯矩阵如公式（2.3）所示。L=1Z（2.3）对与移动社交网络图G中任一对节点和，若边（i，j）与（j，i）等价，则称图G为无向网络，反之，则为有向网络；若,∈，且有权值，则称图G为有权网络，反之，则为无权网络。其中加权网络可表示为G=（V，E，W），W表示权重集合，,∈，均有,∈与其对应，若节点与之间无连接，则,=0，社交网络图的类别分别如图2.3所示。2.1.3移动社交网络的特性在现有文献研究中，主要将移动互联网的特性体现在两个方面，一方面是实用性或应用性特性，另一方面则为统计特性。移动社交网络在实际生活中主要包含以下几个特点[57,63]：（1）通用性L=3113111111112002图2.2网络图的拉普拉斯矩阵示例D=3003000000002002V1V4V2V3（a）无权无向V1V4V2V3V1V4V2V3（a）无权有向（a）有权无向（a）有权有向W14W12W23W13V1V4V2V3W14W12W23W13图2.3网络图的四种表示
【参考文献】：
期刊论文
[1]基于用户聚类与动态交互信任关系的好友推荐方法研究[J]. 高慧颖,魏甜,刘嘉唯. 数据分析与知识发现. 2019(10)
[2]基于用户属性—关系相似度的好友推荐模型研究[J]. 余以胜,陈咏晖. 情报理论与实践. 2020(02)
[3]基于关联规则与相似度的社交好友推荐算法[J]. 向程冠,熊世桓,王东,熊伟程. 计算机工程. 2019(04)
[4]面向兴趣主题的个性化好友推荐[J]. 齐会敏,刘群,戴大祥. 计算机工程与科学. 2018(02)
[5]一种新的基于局部相似度的社区发现算法[J]. 顾亦然,陈雨晴. 南京邮电大学学报(自然科学版). 2017(05)
[6]基于标签改进社交网络好友推荐算法研究与应用[J]. 章讯,龙华,周芝民. 信息技术. 2017(06)
[7]基于重叠度与模块度增量的复杂网络社区识别[J]. 隆华,李宝安. 计算机应用. 2017(S1)
[8]基于网络距离和内容相似度的微博社交网络社区划分方法[J]. 张中军,张文娟,于来行,李润川. 山东大学学报(理学版). 2017(07)
[9]基于链接分析和用户兴趣的微博社区发现算法[J]. 郑伟涛,吴永亮,郭芳琳,闫光辉,何力. 计算机工程与科学. 2017(04)
[10]融合关系强度和兴趣的好友推荐方法研究[J]. 夏立新,李重阳,王忠义. 图书情报工作. 2017(01)
硕士论文
[1]基于用户偏好和信任关系的移动社交网络社区发现研究[D]. 杨杨.湖北工业大学 2019
[2]二分网络的社区发现算法和评价指标研究[D]. 安晓丹.山西大学 2019
[3]基于模型的协同过滤推荐算法研究[D]. 王硕.北京邮电大学 2019
[4]基于用户相似度和社交信任关系的推荐算法研究[D]. 王佳同.东北师范大学 2017
[5]社会化问答平台用户持续使用意愿影响因素研究[D]. 胡守伟.安徽大学 2017
[6]社会网络中社区发现与用户推荐算法研究[D]. 王涛.新疆大学 2017
[7]感知利益对社会化问答社区用户持续使用意愿的影响机制[D]. 江勇威.暨南大学 2016
[8]面向移动社会网络的服务器集群系统研究与设计[D]. 王珊珊.电子科技大学 2016
[9]移动社交网络中基于节点团结构的数据转发算法研究[D]. 夏茂晋.合肥工业大学 2016
[10]基于社区发现好友推荐算法的研究与实现[D]. 白立稳.东北大学 2015
本文编号：2900319
本文链接：https://www.wllwen.com/shoufeilunwen/shuoshibiyelunwen/2900319.html
