面向用戶親密關(guān)系的社會網(wǎng)絡(luò)研究.pdf

1、隨著計算機(jī)網(wǎng)絡(luò)的普及和發(fā)展，社會網(wǎng)絡(luò)(social networks)，比如Facebook、Twitter和Google+，已經(jīng)成為人們社會活動（相互聯(lián)系、結(jié)識好友、分享信息和商品推薦等）中最為普遍的平臺和工具。在網(wǎng)絡(luò)和移動設(shè)備迅猛發(fā)展的背景下，社會網(wǎng)絡(luò)的用戶人數(shù)與日俱增，從而用戶內(nèi)在社會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)成為社會網(wǎng)絡(luò)中一個極為重要的研究熱點。與此同時，由于新型的社會網(wǎng)絡(luò)應(yīng)用不斷涌現(xiàn)，使得社會信息呈前

2、所未有的速度激增，用戶在對商品的選擇上受到了更多影響。如何進(jìn)行有效的社會推薦也成為了近年來國內(nèi)外的研究熱點。因此本論文圍繞用戶之間的親密關(guān)系，針對社會網(wǎng)絡(luò)中的熱點問題，展開深入研究，主要工作及創(chuàng)新點如下:
　　(1)對于特定社會網(wǎng)絡(luò)，具體表現(xiàn)為每次加入社會成員的人數(shù)不確定且加入的時間間隔呈指數(shù)分布，現(xiàn)有的研究沒有涉及。這類社會網(wǎng)絡(luò)廣泛的存在于社會生活中，諸如會員制的社團(tuán)。為此，本文利用改進(jìn)的平均場理論對這個特定社會網(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，該算法通過用戶之間的親密度來確定加入用戶數(shù)目。模擬實驗表明，該社會網(wǎng)絡(luò)度分布符合冪律分布和小世界網(wǎng)絡(luò)特性，并且對比現(xiàn)有方法，本文提出的算法在大大降低時間復(fù)雜度的同時，分別在度分布分析的精確度上提高29.04％和在計算時間上降低42.69％。
　　(2)現(xiàn)有社區(qū)發(fā)現(xiàn)方法沒有充分考慮社會成員之間深層次關(guān)系，存在計算復(fù)雜度高的問題。本文將人與人之間的親密

4、關(guān)系應(yīng)用到社會網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)中，通過降低社區(qū)之間親密度矩陣階數(shù)的方法發(fā)現(xiàn)各個小社區(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)。通過理論和實驗對比分析，在得到精確社區(qū)發(fā)現(xiàn)的基礎(chǔ)上，本文算法相對于現(xiàn)有算法，在降低了時間復(fù)雜度的同時，迭代次數(shù)降低了39.06％和計算時間降低了47.09％。
　　(3)由于網(wǎng)絡(luò)連接的不確定性和節(jié)點內(nèi)在屬性的復(fù)雜性，有效移動社會網(wǎng)絡(luò)數(shù)據(jù)傳輸成為一個挑戰(zhàn)。為了應(yīng)對這

5、一問題，本文在地理親密度的基礎(chǔ)上，提出了一個有效移動社會網(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，本文首先在移動社會網(wǎng)絡(luò)中，利用第二個工作中提出基于親密度的動態(tài)社會網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法發(fā)現(xiàn)社區(qū)。然后，本文提出了一個新的度量標(biāo)準(zhǔn)一地理親密度，用來量化節(jié)點的地理信息和節(jié)點之間的相互關(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)。對比節(jié)點之間的地理親密度，找到下一跳節(jié)點，進(jìn)而本文通過相似操作找到了數(shù)據(jù)轉(zhuǎn)發(fā)路徑。在ONE模擬器

6、上進(jìn)行大量實驗表明，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％的平均時延為代價，將傳遞率提高了50.13％，開銷率降低了27.29％。
　　(4)現(xiàn)有社會推薦方法忽略了用戶不真實評級且沒有充分理解用戶之間的社會關(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-項目客觀評級矩陣，從而避免用戶對項目不真實的評級。為了更好地預(yù)測評級，提出了用戶-項目子塊，它可以聚集親近用戶和相似項

7、目。然后，通過用戶之間親密度和項目之間相似性，可以得到子塊。為了提高社會推薦精確度，本文在子塊中進(jìn)行基于社會貢獻(xiàn)度和社會相似性的矩陣分解預(yù)測評分。最終預(yù)測評分由合并所有子塊后獲得，Top-N預(yù)測評級的項目推薦給用戶。在真實社會中的數(shù)據(jù)集中進(jìn)行系統(tǒng)模擬仿真試驗，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