基于链路预测的微信用户好友推荐研究
发布时间：2021-05-14 07:37
针对社交网络中的好友推荐,我们一般通过运用算法和构建模型来计算和预测社交网络中用户之间的隐藏链接关系,并通过将这种链接紧密度进行降序排列,为社交网络用户推荐他们感兴趣的或可能认识的朋友,并引导他们建立新的好友关系。已有的社交网络中好友推荐方法为我们提供了多种考量用户关系的思路,其中研究最为广泛的是基于用户兴趣偏好的方法,此外还包括基于用户社会影响力的方法、基于用户社会关系的方法、基于好友信任度的方法、基于用户行为的方法和基于地理位置的方法等等。链路预测是复杂网络环境下预测两个节点之间产生链接的可能性的方法,目前已有研究中较多的是将链路预测思想与博客、微博等传统社交网络联系起来,而较少将其与微信这种去中心化的新型社交网络平台相结合。因此,本文采取这一新视角,利用链路预测与微信用户节点之间的关系进行好友推荐研究。本文在对微信的系统框架、功能结构设计、用户的层次关系进行分析的基础上,将微信用户的个人主页、朋友圈、好友分组状况等携带的信息和标签进行聚类和初步排序。然后引入链路预测的思想和方法,将微信用户及用户关系分别看作节点和连边,结合链路预测算法中的节点相似度和节点影响力两个特征,同时借助模...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景
1.2 研究综述
1.2.1 一些基本的好友推荐研究现状
1.2.2 基于好友信任度的好友推荐
1.2.3 基于用户社会关系的好友推荐
1.2.4 综合多种因素的好友推荐
1.3 研究意义
1.3.1 理论意义
1.3.2 实践意义
1.4 研究创新点
1.5 研究方法
1.6 研究框架及思路
2 相关理论基础
2.1 微信用户行为理论
2.1.1 微信使用者及传播者理论
2.1.2 微信用户分享行为理论
2.2 链路预测理论基础
2.2.1 链路预测的问题描述及基本原理
2.2.2 链路预测的常用方法
2.2.2.1 基于共同邻居的方法
2.2.2.2 基于节点相似性的方法
2.2.2.3 基于最大似然估计的方法
2.2.2.4 基于路径和分类的方法
2.2.2.5 基于概率模型和线性代数方法
2.2.2.6 基于节点影响力的方法
2.2.3 链路预测的应用领域及发展方向
2.3 社交网络推荐理论基础
2.3.1 基于用户兴趣相似度的推荐
2.3.2 基于用户关系强度的推荐
2.4 TOPSIS模型理论
3 微信用户数据分析及聚类处理
3.1 微信框架分析及系统结构设计
3.1.1 微信的概念和对象
3.1.2 微信的独特性
3.1.3 微信用户信息的层次关系
3.1.4 微信的总体功能结构设计及模块功能设计
3.2 微信用户个人信息初步聚类的实现方式
3.2.1 微信用户标签的聚类分析及处理
3.2.1.1 微信用户标签的生成
3.2.1.2 微信用户标签的聚类分析及处理
3.2.2 微信用户个人主页资料的聚类分析及处理
3.2.3 微信用户朋友圈信息的聚类分析及处理
3.2.3.1 微信朋友圈用户信息指标的构建
3.2.3.2 用户朋友圈信息的聚类分析及处理
3.2.4 微信用户好友分组管理状况的聚类分析及处理
4 基于链路预测的微信好友推荐模型及方法
4.1 基于微信好友的链路预测可行性分析
4.2 微信好友推荐模型及推荐方案
4.2.1 微信用户初步排序
4.2.2 微信用户节点分析及连边
4.2.3 算法框架及参数设置
4.2.4 基于微信用户的链路预测推荐模型的构建
4.2.4.1 计算节点相似性的算法
4.2.4.2 挖掘重要节点的算法
4.2.4.3 基于影响因素和相似度的链路预测微信好友推荐算法
5 实验及结果
5.1 实验数据准备
5.1.1 微信用户朋友圈数据获取
5.1.2 微信用户朋友圈数据集构建
5.2 实验测试过程
5.2.1 实验环境
5.2.2 数据集
5.2.3 评价指标
5.2.4 实验对比算法
5.2.5 实验比较过程
5.3 实验结果分析
5.3.1 相似度算法对比分析
5.3.2 算法整体实验结果分析
6 总结与展望
6.1 研究工作总结
6.2 不足及展望
参考文献
致谢
本文编号：3185260
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景
1.2 研究综述
1.2.1 一些基本的好友推荐研究现状
1.2.2 基于好友信任度的好友推荐
1.2.3 基于用户社会关系的好友推荐
1.2.4 综合多种因素的好友推荐
1.3 研究意义
1.3.1 理论意义
1.3.2 实践意义
1.4 研究创新点
1.5 研究方法
1.6 研究框架及思路
2 相关理论基础
2.1 微信用户行为理论
2.1.1 微信使用者及传播者理论
2.1.2 微信用户分享行为理论
2.2 链路预测理论基础
2.2.1 链路预测的问题描述及基本原理
2.2.2 链路预测的常用方法
2.2.2.1 基于共同邻居的方法
2.2.2.2 基于节点相似性的方法
2.2.2.3 基于最大似然估计的方法
2.2.2.4 基于路径和分类的方法
2.2.2.5 基于概率模型和线性代数方法
2.2.2.6 基于节点影响力的方法
2.2.3 链路预测的应用领域及发展方向
2.3 社交网络推荐理论基础
2.3.1 基于用户兴趣相似度的推荐
2.3.2 基于用户关系强度的推荐
2.4 TOPSIS模型理论
3 微信用户数据分析及聚类处理
3.1 微信框架分析及系统结构设计
3.1.1 微信的概念和对象
3.1.2 微信的独特性
3.1.3 微信用户信息的层次关系
3.1.4 微信的总体功能结构设计及模块功能设计
3.2 微信用户个人信息初步聚类的实现方式
3.2.1 微信用户标签的聚类分析及处理
3.2.1.1 微信用户标签的生成
3.2.1.2 微信用户标签的聚类分析及处理
3.2.2 微信用户个人主页资料的聚类分析及处理
3.2.3 微信用户朋友圈信息的聚类分析及处理
3.2.3.1 微信朋友圈用户信息指标的构建
3.2.3.2 用户朋友圈信息的聚类分析及处理
3.2.4 微信用户好友分组管理状况的聚类分析及处理
4 基于链路预测的微信好友推荐模型及方法
4.1 基于微信好友的链路预测可行性分析
4.2 微信好友推荐模型及推荐方案
4.2.1 微信用户初步排序
4.2.2 微信用户节点分析及连边
4.2.3 算法框架及参数设置
4.2.4 基于微信用户的链路预测推荐模型的构建
4.2.4.1 计算节点相似性的算法
4.2.4.2 挖掘重要节点的算法
4.2.4.3 基于影响因素和相似度的链路预测微信好友推荐算法
5 实验及结果
5.1 实验数据准备
5.1.1 微信用户朋友圈数据获取
5.1.2 微信用户朋友圈数据集构建
5.2 实验测试过程
5.2.1 实验环境
5.2.2 数据集
5.2.3 评价指标
5.2.4 实验对比算法
5.2.5 实验比较过程
5.3 实验结果分析
5.3.1 相似度算法对比分析
5.3.2 算法整体实验结果分析
6 总结与展望
6.1 研究工作总结
6.2 不足及展望
参考文献
致谢
本文编号：3185260
本文链接：https://www.wllwen.com/xinwenchuanbolunwen/3185260.html
