面向用戶親密關(guān)系的社會(huì)網(wǎng)絡(luò)研究.pdf

1、隨著計(jì)算機(jī)網(wǎng)絡(luò)的普及和發(fā)展，社會(huì)網(wǎng)絡(luò)(social networks)，比如Facebook、Twitter和Google+，已經(jīng)成為人們社會(huì)活動(dòng)（相互聯(lián)系、結(jié)識(shí)好友、分享信息和商品推薦等）中最為普遍的平臺(tái)和工具。在網(wǎng)絡(luò)和移動(dòng)設(shè)備迅猛發(fā)展的背景下，社會(huì)網(wǎng)絡(luò)的用戶人數(shù)與日俱增，從而用戶內(nèi)在社會(huì)屬性和用戶之間相互關(guān)系趨于復(fù)雜多變。用戶之間關(guān)系已經(jīng)成為社會(huì)網(wǎng)絡(luò)中一個(gè)極為重要的研究熱點(diǎn)。與此同時(shí)，由于新型的社會(huì)網(wǎng)絡(luò)應(yīng)用不斷涌現(xiàn)，使得社會(huì)信息呈前

2、所未有的速度激增，用戶在對(duì)商品的選擇上受到了更多影響。如何進(jìn)行有效的社會(huì)推薦也成為了近年來(lái)國(guó)內(nèi)外的研究熱點(diǎn)。因此本論文圍繞用戶之間的親密關(guān)系，針對(duì)社會(huì)網(wǎng)絡(luò)中的熱點(diǎn)問(wèn)題，展開深入研究，主要工作及創(chuàng)新點(diǎn)如下:
　　(1)對(duì)于特定社會(huì)網(wǎng)絡(luò)，具體表現(xiàn)為每次加入社會(huì)成員的人數(shù)不確定且加入的時(shí)間間隔呈指數(shù)分布，現(xiàn)有的研究沒有涉及。這類社會(huì)網(wǎng)絡(luò)廣泛的存在于社會(huì)生活中，諸如會(huì)員制的社團(tuán)。為此，本文利用改進(jìn)的平均場(chǎng)理論對(duì)這個(gè)特定社會(huì)網(wǎng)絡(luò)度分布進(jìn)行研

3、究分析。為了進(jìn)一步提高度分布分析的精確度，本文提出了一種基于親密關(guān)系的擴(kuò)展系數(shù)算法，該算法通過(guò)用戶之間的親密度來(lái)確定加入用戶數(shù)目。模擬實(shí)驗(yàn)表明，該社會(huì)網(wǎng)絡(luò)度分布符合冪律分布和小世界網(wǎng)絡(luò)特性，并且對(duì)比現(xiàn)有方法，本文提出的算法在大大降低時(shí)間復(fù)雜度的同時(shí)，分別在度分布分析的精確度上提高29.04％和在計(jì)算時(shí)間上降低42.69％。
　　(2)現(xiàn)有社區(qū)發(fā)現(xiàn)方法沒有充分考慮社會(huì)成員之間深層次關(guān)系，存在計(jì)算復(fù)雜度高的問(wèn)題。本文將人與人之間的親密

4、關(guān)系應(yīng)用到社會(huì)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)中，通過(guò)降低社區(qū)之間親密度矩陣階數(shù)的方法發(fā)現(xiàn)各個(gè)小社區(qū)。為了降低算法復(fù)雜性，本文提出了一種基于親密度的社區(qū)合并算法，合并小社區(qū)得到最終社區(qū)發(fā)現(xiàn)。通過(guò)理論和實(shí)驗(yàn)對(duì)比分析，在得到精確社區(qū)發(fā)現(xiàn)的基礎(chǔ)上，本文算法相對(duì)于現(xiàn)有算法，在降低了時(shí)間復(fù)雜度的同時(shí)，迭代次數(shù)降低了39.06％和計(jì)算時(shí)間降低了47.09％。
　　(3)由于網(wǎng)絡(luò)連接的不確定性和節(jié)點(diǎn)內(nèi)在屬性的復(fù)雜性，有效移動(dòng)社會(huì)網(wǎng)絡(luò)數(shù)據(jù)傳輸成為一個(gè)挑戰(zhàn)。為了應(yīng)對(duì)這

5、一問(wèn)題，本文在地理親密度的基礎(chǔ)上，提出了一個(gè)有效移動(dòng)社會(huì)網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)發(fā)方案，以達(dá)到高數(shù)據(jù)傳輸率的目的。在該方案中，本文首先在移動(dòng)社會(huì)網(wǎng)絡(luò)中，利用第二個(gè)工作中提出基于親密度的動(dòng)態(tài)社會(huì)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法發(fā)現(xiàn)社區(qū)。然后，本文提出了一個(gè)新的度量標(biāo)準(zhǔn)一地理親密度，用來(lái)量化節(jié)點(diǎn)的地理信息和節(jié)點(diǎn)之間的相互關(guān)系?；诘乩碛H密度，本文進(jìn)一步提出了路由算法傳輸數(shù)據(jù)。對(duì)比節(jié)點(diǎn)之間的地理親密度，找到下一跳節(jié)點(diǎn)，進(jìn)而本文通過(guò)相似操作找到了數(shù)據(jù)轉(zhuǎn)發(fā)路徑。在ONE模擬器

6、上進(jìn)行大量實(shí)驗(yàn)表明，本文算法比現(xiàn)有算法更為有效，以僅高于現(xiàn)有算法6.28％的平均時(shí)延為代價(jià)，將傳遞率提高了50.13％，開銷率降低了27.29％。
　　(4)現(xiàn)有社會(huì)推薦方法忽略了用戶不真實(shí)評(píng)級(jí)且沒有充分理解用戶之間的社會(huì)關(guān)系，因此，在信息缺失率高的情況下，這些方法的推薦精確度往往表現(xiàn)得很低。在本文中，提出了用戶-項(xiàng)目客觀評(píng)級(jí)矩陣，從而避免用戶對(duì)項(xiàng)目不真實(shí)的評(píng)級(jí)。為了更好地預(yù)測(cè)評(píng)級(jí)，提出了用戶-項(xiàng)目子塊，它可以聚集親近用戶和相似項(xiàng)

7、目。然后，通過(guò)用戶之間親密度和項(xiàng)目之間相似性，可以得到子塊。為了提高社會(huì)推薦精確度，本文在子塊中進(jìn)行基于社會(huì)貢獻(xiàn)度和社會(huì)相似性的矩陣分解預(yù)測(cè)評(píng)分。最終預(yù)測(cè)評(píng)分由合并所有子塊后獲得，Top-N預(yù)測(cè)評(píng)級(jí)的項(xiàng)目推薦給用戶。在真實(shí)社會(huì)中的數(shù)據(jù)集中進(jìn)行系統(tǒng)模擬仿真試驗(yàn)，結(jié)果表明本文方法比現(xiàn)有最先進(jìn)模型在平均正確率均值(MAP)和歸一化折扣累計(jì)增益(NDCG)上分別提高了14.59％和10.5％。
　　綜上所述，本文首先提出親密度的概念，并在