基于社交網(wǎng)絡(luò)的同城活動推薦方法研究.pdf

1、伴隨著互聯(lián)網(wǎng)的快速發(fā)展與互聯(lián)網(wǎng)技術(shù)的不斷創(chuàng)新，社交網(wǎng)絡(luò)日益成熟和完善。在眾多的社交網(wǎng)絡(luò)類型中，有一種以活動為媒介將線上與線下相結(jié)合的社交網(wǎng)絡(luò)——活動社交網(wǎng)絡(luò)（Event-based Social Network，EBSN）。和傳統(tǒng)的社交網(wǎng)絡(luò)相比，活動社交網(wǎng)絡(luò)中的用戶既可以線上瀏覽活動信息，又有可以根據(jù)活動信息決定是否線下參加該活動。隨著時(shí)間的推移和網(wǎng)絡(luò)的發(fā)展，活動社交網(wǎng)絡(luò)中產(chǎn)生的海量數(shù)據(jù)使得用戶難以快速找到自己感興趣的活動。因此，急需基

2、于活動社交網(wǎng)絡(luò)的推薦系統(tǒng)來為用戶做活動推薦，提高用戶體驗(yàn)。
　　社交活動推薦與傳統(tǒng)的推薦有所不同，主要有：（1）活動的“一次性消費(fèi)”特性?；顒邮侨藶榘l(fā)起的，具有特定主題、時(shí)間、地點(diǎn)，用戶只能參加一次，無法像商品一樣反復(fù)購買，且沒有歷史評價(jià)記錄。（2）活動社交網(wǎng)絡(luò)中有更多的信息可用于推薦?；顒由缃痪W(wǎng)絡(luò)可以形成兩種社交關(guān)系，一種是用戶通過加入興趣小組等形成的線上社交關(guān)系，另一種是用戶通過參與相同的社交活動而形成的線下社交關(guān)系。此外，還

3、有用戶和活動的時(shí)間、地理位置等信息。這些不同使得活動推薦不能直接采用傳統(tǒng)的推薦方法，因此本文研究社交活動推薦。
　　本文針對上述特點(diǎn)和現(xiàn)有的社交活動推薦中存在不足之處，在已有的推薦相關(guān)理論與技術(shù)的基礎(chǔ)上，給出了本文的基于社交網(wǎng)絡(luò)的同城活動推薦方法并對其進(jìn)行有效性驗(yàn)證。本文的主要工作包括：
　　（1）給出了一種基于社交網(wǎng)絡(luò)的同城活動推薦模型。模型包括數(shù)據(jù)獲取模塊、特征提取模塊、學(xué)習(xí)排序模塊和推薦模塊。數(shù)據(jù)獲取模塊解決數(shù)據(jù)獲取問

4、題，并將數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和待推薦數(shù)據(jù)。特征提取模塊是分析數(shù)據(jù)信息，提取出用戶偏好、好友影響、時(shí)間匹配度、位置匹配度、活動主題流行度五個(gè)特征。學(xué)習(xí)排序模塊是將推薦問題轉(zhuǎn)化為學(xué)習(xí)排序問題，通過對活動進(jìn)行學(xué)習(xí)排序，得到衡量所有特征的最優(yōu)權(quán)重W。推薦模塊是根據(jù)用戶IP判斷用戶城市，從而選擇用戶的候選活動，根據(jù)最優(yōu)權(quán)重W計(jì)算出用戶對候選活動的評分，根據(jù)評分為用戶推薦top-N的活動。
　　（2）分析并提取了用戶偏好、好友影響、時(shí)間匹配度、位

5、置匹配度、活動主題流行度五個(gè)特征，并給出各個(gè)特征的計(jì)算方法。用戶偏好采用基于內(nèi)容的推薦方法，計(jì)算出用戶與活動在主題向量的相似度。使用LDA方法表示對用戶和活動主題向量，降低了文本維度，緩解了數(shù)據(jù)稀疏問題。好友影響采用協(xié)同過濾方法，將用戶偏好視為用戶評分，同時(shí)將與用戶主題相似度最高的K個(gè)用戶視為其好友。時(shí)間匹配度和位置匹配度分別挖掘用戶在時(shí)間和位置特征上的行為規(guī)律，計(jì)算用戶和活動在時(shí)間與位置上的相似度。活動主題流行度這一特征是為了衡量活動

6、主題與城市流行主題之間的相似度，城市流行主題是指該城市近期的參與度最高的M個(gè)活動的主題。同時(shí)，活動主題流行度可以在一定程度上可以降低冷啟動問題對活動推薦的影響。
　?。?）給出了一種基于社交網(wǎng)絡(luò)的同城活動推薦算法。將活動推薦問題轉(zhuǎn)化為學(xué)習(xí)排序問題，并借助成對學(xué)習(xí)排序的思想，將活動組成序列對，分為正序列對和負(fù)序列對，從而將問題轉(zhuǎn)化為針對活動序列對的二分分類問題。為綜合考慮各個(gè)特征的影響，本文對邏輯回歸方法進(jìn)行改進(jìn)，使其適用于成對學(xué)習(xí)

7、排序問題。采用平方損失作為損失函數(shù)，在求解過程中，采用批梯度下降法進(jìn)行求解，并為損失函數(shù)添加正則化項(xiàng)以防止過擬合，同時(shí)添加用戶系數(shù)以調(diào)節(jié)用戶數(shù)據(jù)不均衡帶來的影響。
　　本文的活動推薦方法是：采用改進(jìn)的邏輯回歸排序方法融合用戶偏好、好友影響、時(shí)間匹配度、位置匹配度、活動主題流行度五個(gè)特征，計(jì)算出用戶對候選活動的綜合評分，并以此進(jìn)行活動推薦。為驗(yàn)證本文給出的方法的有效性，實(shí)驗(yàn)選取準(zhǔn)確率和召回率作為推薦結(jié)果評估指標(biāo)，利用豆瓣同城中的數(shù)據(jù)