CN110083780B - 基于复杂网络模型中社团划分的个性化推荐方法 - Google Patents
基于复杂网络模型中社团划分的个性化推荐方法 Download PDFInfo
- Publication number
- CN110083780B CN110083780B CN201910338673.0A CN201910338673A CN110083780B CN 110083780 B CN110083780 B CN 110083780B CN 201910338673 A CN201910338673 A CN 201910338673A CN 110083780 B CN110083780 B CN 110083780B
- Authority
- CN
- China
- Prior art keywords
- user
- scoring
- community
- item
- correlation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 241001270131 Agaricus moelleri Species 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108010058643 Fungal Proteins Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000006916 protein interaction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于复杂网络模型中社团划分的个性化推荐方法,基于推荐系统中用户对物品评分数据,进行因素间的相关性计算;依据因素间的相关性构造复杂网络模型,因素作为节点,通过Fast Unfolding社团发现算法进行社团发现,并标记节点所处不同社团,连边权值代表两个因素间的相关性大小;根据因素间相关性计算结果选择目标节点的邻居节点集合;基于社团发现标记的结果与邻居节点集合对目标节点的链路进行预测;将预测评分中评分高的物品推荐给用户。通过全面考察用户节点的属性和用户评分的行为等信息来构造适当的复杂网络模型,并结合模型中的社团发现特征,进一步发掘潜在社团结构信息,实现更加精准的链路预测和推荐服务。
Description
技术领域
本发明涉及一种信息处理技术,特别涉及一种基于复杂网络模型中社团划分的个性化推荐方法。
背景技术
作为网络科学中的一个重要分支,链路预测通过已知的网络结构等信息预测网络中尚未产生连边的两个节点之间产生连接的可能性,广泛应用于生物网络分析、社交网络连接预测和推荐系统算法等方面。在生物网络中,以蛋白质相互作用网络为例,酵母菌蛋白质之间80%的相互作用不为人们所知,而对于人类自身,人们知道的仅有0.3%。如果能根据已有的网络结构,通过设计合理精确的链路预测算法,就能为节点间潜在的边的研究提供重要的理论与实验依据,减少盲目实验带来的昂贵实验成本。对于在线社交网络,链路预测通过推荐一些存在潜在关系的好友给用户,可以更好地帮助用户找到新朋友。在推荐系统中,链路预测可以帮助挖掘具有相同兴趣爱好的客户,也可以基于预测向用户推荐需要的物品。
现有的链路预测算法仅利用用户间好友和互动等社交关系来进行链路预测进行加强或辅助,并不依赖网络建模之后的社团发现与社团特征进行预测过程中的相似性计算以及链路预测。因此现有主流研究方法对于推荐系统中用户节点间基于属性或行为的信息利用不够充分。
发明内容
本发明是针对传统的链路预测算法中信息利用不充分、预测精度低的问题,提出了一种基于复杂网络模型中社团划分的个性化推荐方法,通过全面考察用户节点的属性和用户评分的行为等信息来构造适当的复杂网络模型,并结合模型中的社团发现特征,进一步发掘潜在社团结构信息,实现更加精准的链路预测和推荐服务。
本发明的技术方案为:一种基于复杂网络模型中社团划分的个性化推荐方法,具体包括如下步骤:
1)基于推荐系统中用户对物品评分数据,提取因素相关信息的进行因素间的相关性计算;
2)依据因素间的相关性构造复杂网络模型,每个因素作为一个节点,基于构造的复杂网络拓扑通过Fast Unfolding社团发现算法进行社团发现,并标记节点所处不同社团,连边权值代表两个因素间的相关性大小;
3)根据因素间相关性计算结果选择目标节点的邻居节点集合;
4)基于社团发现标记的结果与邻居节点集合对目标节点的链路进行预测;
5)遍历所有m个物品,利用步骤4)进行预测,最终将预测评分从高到低排序,并评分高的物品推荐给用户。
所述步骤1)中因素为物品,则步骤1)中物品间相关性计算如下:
首先通过公式(1)对推荐系统用户评分数据归一化:
公式(1)中riα为用户ui对物品α的评分,ri max和ri min分别代表用户ui评分记录中的最高分和最低分,若最高分与最低分相等,可将归一化值赋为0,eiα∈[-1,1],eiα为归一化后用户ui对物品α的评分值;
然后,对所有m个物品之间进行相关性计算:通过公式(2)计算物品之间的相关性,对于任意两个物品α和β,其相关性计算公式为:
公式(2)中,其中m代表参与预测计算的用户数量;kα表示物品α的度,为用户对该物品评分的次数;ki表示用户ui的度,为该用户评分过的物品的个数;aiα代表用户ui是否对物品α评过分,其取值为1或0,aiα=1表示用户ui对物品α评过分,aiα=0表示用户ui没有对物品α评过分;可知,物品相似度是有向的,定义相似矩阵为S=(Sαβ)n×n,其中,n表示物品个数。
所述步骤3)预测如下:依据公式(3)对用户ui搜索到的每个物品β对物品α进行评分预测的值:
其中和/>分别是物品α与物品β的历史平均评分;Vα是物品α的邻居集合;riβ为用户ui对物品β的评分;/>是用户ui对物品α的预测评分值;/>用来强化物品间的相似性和差异性,其中,/>表示两个节点在同一社团所引入的参数;/>表示两个节点不在同一社团引入的参数;Cα为物品α所在的社团编号,Cβ为物品β所在的社团编号。
所述步骤1)中因素为用户,则步骤1)中用户间相关性计算如下:
首先,统计用户评分分布;然后,通过公式(4)计算用户ui对物品k评分值为lz的次数fiz,通过公式(4)计算用户ui与用户uj之间的相关性Sij:
公式(4)中,V为物品集合,aik代表用户ui是否对物品k评过分,其取值为1或0,aik=1表示用户ui对物品k评过分,aik=0表示用户ui没有对物品k评过分;
公式(5)中,rik表示用户ui对物品k的评分;lz表示特定的评分值;L表示数据集中评分等级集合;当某用户从未做出评分时,则Sij为0。
所述步骤3)预测如下:依据公式(6)对用户评分物品α进行用户倾向分类预测;
其中和/>分别是用户ui和用户uj的历史平均评分值;Ui是用户ui的邻居集合,邻居就是对用户ui影响最大的用户;rjα为用户uj对物品α的评分;/>表示根据用户倾向分类的预测评分值,/>用以强化同一社团用户对评分的影响,同时弱化不同社团用户对评分的影响,ω1表示两个节点在同一社团所引入的参数,ω2为表示两个节点不在同一社团引入的参数,Ci、Cj分别表示社团划分后用户ui、uj所在的社团。
本发明的有益效果在于:本发明基于复杂网络模型中社团划分的个性化推荐方法,通过考虑用户评分分布的相似性,以及物品基于用户评分的相似性,分别构造复杂网络模型,并分别将相关性计算结果作为网络中边的权值。基于模型上进行社团发现计算结果,进行链路预测。这种基于多因素社团发现对节点相关性和预测过程的修正,在链路预测实验中有效地提高了预测精度,并为复杂网络中链路预测研究提供了新的思路与方法。
附图说明
图1为本发明基于物品相关性复杂网络建模与社团发现的链路预测方法流程图;
图2为本发明基于用户倾向相关性复杂网络建模与社团发现的链路预测方法流程图;
图3为本发明Item-MIOS社团划分标记图;
图4为本发明User-MRDC社团划分标记图。
具体实施方式
本发明通过设计统一框架,在不同因素下构造的复杂网络拓扑结构,并应用社团发现算法在复杂网络结构中进行社团发现,基于目标用户或物品所处社团,进行相关性的计算,提出一种基于复杂网络模型中社团划分的个性化推荐方法,分别为物品相关性网络社团划分算法(ModulizedImproved OpinionSpreading),简记为Item-MIOS;用户评分分布行为分类社团发现算法(ModulizedRating Distribution Classification),简记为User-MRDC。
本发明的基于物品相关性复杂网络建模与社团发现的链路预测方法,如图1所示包括以下步骤:
S1:首先通过公式(1)对推荐系统用户评分数据归一化:
公式(1)中riα为用户ui对物品α的评分,ri max和ri min分别代表用户ui评分记录中的最高分和最低分,若最高分与最低分相等,可将归一化值赋为0,eiα∈[-1,1],eiα为归一化后用户ui对物品α的评分值。
S2:对所有m个物品之间进行相关性计算:通过公式(2)计算物品之间的相关性,对于任意两个物品α和β,其相关性计算公式为:
公式(2)中,其中m代表参与预测计算的用户数量;kα表示物品α的度,为用户对该物品评分的次数;ki表示用户ui的度,为该用户评分过的物品的个数;aiα代表用户ui是否对物品α评过分,其取值为1或0,aiα=1表示用户ui对物品α评过分,aiα=0表示用户ui没有对物品α评过分;可知,物品相似度是有向的。同时,为了消除相似度为负值对预测值的影响,定义相似矩阵为S=(Sαβ)n×n,其中,n表示物品个数。
S3:依据物品相关性构造物品-物品复杂中网络模型,每个物品作为一个节点,基于构造的复杂网络拓扑通过Fast Unfolding社团发现算法进行社团发现,并标记节点所处不同社团,结果如图3,其中节点表示数据集中的物品,连边权值代表两个物品间的相关性大小,不同灰度表示不同社团;
S4:根据公式(2)中相关性计算结果选择目标节点的邻居节点集合,选择的依据为:物品集合根据与当前物品的相似度从高到低排序,若所需邻居数量b,则选择该集合前b个元素;
S5:基于社团发现标记的结果图3(其中节点表示数据集中的节点,连边权值代表两个物品间的相关性大小,不同灰度表示不同社团),与邻居节点集合对目标节点的链路进行预测,根据物品相似性通过公式(3)计算用户对物品的评分预测;
依据公式(3)对用户ui搜索到的每个物品β对物品α进行评分预测的值:
其中和/>分别是物品α与物品β的历史平均评分;Vα是物品α的邻居集合;riβ为用户ui对物品β的评分;/>是用户ui对物品α的预测评分值。/>用来强化物品间的相似性和差异性,其中,/>表示两个节点在同一社团所引入的参数;/>表示两个节点不在同一社团引入的参数;Cα为物品α所在的社团编号,Cβ为物品β所在的社团编号;
S6:遍历所有m个物品,利用步骤S5进行预测,最终将预测评分从高到低排序,并评分高的物品推荐给用户。
本发明的基于用户倾向相似性复杂网络建模与社团发现的链路预测方法,如图2所示包括以下步骤:
S1、统计用户评分分布;
S2:通过公式(4)计算用户ui对物品k评分值为lz的次数fiz,通过公式(4)计算用户ui与用户uj之间的相关性Sij:
公式(4)中,V为物品集合,aik代表用户ui是否对物品k评过分,其取值为1或0,aik=1表示用户ui对物品k评过分,aik=0表示用户ui没有对物品k评过分;
公式(5)中,rik表示用户ui对物品k的评分;lz表示特定的评分值;L表示数据集中评分等级集合;当某用户从未做出评分时,则Sij为0。
S3:依据用户相关性构造用户-用户复杂中网络模型,基于构造的复杂网络拓扑通过Fast Unfolding社团发现算法进行社团发现,并标记节点所处不同社团,结果如图4,其中节点表示数据集中的用户,连边权值代表两个用户间的相关性大小,不同灰度表示不同社团;
S4:根据公式(5)中相关性计算结果选择目标节点的邻居节点集合,选择的依据为:用户集合根据与当前用户的相似度从高到低排序,若所需邻居数量α,则选择该集合前α个元素;
S5:基于社团发现标记的结果图4(其中节点表示数据集中的用户节点,连边权值代表两个物品间的相关性大小,不同灰度表示不同社团),与邻居节点集合对目标节点的链路进行预测,依据公式(6)对用户评分物品α进行用户倾向分类预测;
其中和/>分别是用户ui和用户uj的历史平均评分值;Ui是用户ui的邻居集合,邻居就是对用户ui影响最大的用户;rjα为用户uj对物品α的评分;/>表示根据用户倾向分类的预测评分值;/>用以强化同一社团用户对评分的影响,同时弱化不同社团用户对评分的影响,ω1表示两个节点在同一社团所引入的参数,ω2为表示两个节点不在同一社团引入的参数,Ci、Cj分别表示社团划分后用户ui、uj所在的社团。
S6:遍历所有m个物品,利用步骤S5进行预测,最终将预测评分从高到低排序,并评分高的物品推荐给用户。
结合附图以用户评分分布行为分类社团发现算法为例,对本发明进行进一步详细说明。
设实验所用数据集中评分等级集合为L={l1,l2,...,lz},利用上述公式(3)用户ui对物品评分值为lz的次数;
利用公式(4)计算用户ui与用户uj之间的相似性,若某用户从未做出评分时,相似度为0;
以用户为复杂网络节点,以两个用户评分分部相似性计算结果作为边的权值,构造“用户-用户”网络,建立用户评分分布相似性复杂网络模型。构造复杂网络的实例如图4所示。
通过Fast Unfolding社团发现算法,对上述用户评分分布相似性复杂网络模型进行社团划分,最终为每个节点赋予一个社团编号,用于下一步中用户物品评分预测。部分数据集的社团划分情况如图4所示,图中相同灰度的节点属于同一社团。
基于社团划分结果通过公式(6)对用户评分进行预测。
将预测评分从高到低进行排序,并推荐给用户。
Claims (2)
1.一种基于复杂网络模型中社团划分的个性化推荐方法,其特征在于,具体包括如下步骤:
1)基于推荐系统中用户对物品评分数据,提取因素相关信息的进行因素间的相关性计算;所述因素为物品,则物品间相关性计算如下:
首先通过公式(1)对推荐系统用户评分数据归一化:
公式(1)中riα为用户ui对物品α的评分,ri max和ri min分别代表用户ui评分记录中的最高分和最低分,若最高分与最低分相等,可将归一化值赋为0,eiα∈[-1,1],eiα为归一化后用户ui对物品α的评分值;
然后,对所有物品之间进行相关性计算:通过公式(2)计算物品之间的相关性,对于任意两个物品α和β,其相关性计算公式为:
公式(2)中,其中m代表参与预测计算的用户数量;kα表示物品α的度,为用户对该物品评分的次数;ki表示用户ui的度,为该用户评分过的物品的个数;aiα代表用户ui是否对物品α评过分,其取值为1或0,aiα=1表示用户ui对物品α评过分,aiα=0表示用户ui没有对物品α评过分;可知,物品相似度是有向的,定义相似矩阵为S=(Sαβ)n×n,其中,n表示物品个数;
2)依据因素间的相关性构造复杂网络模型,每个因素作为一个节点,基于构造的复杂网络拓扑通过Fast Unfolding社团发现算法进行社团发现,并标记节点所处不同社团,连边权值代表两个因素间的相关性大小;
3)根据因素间相关性计算结果选择目标节点的邻居节点集合;
4)基于社团发现标记的结果与邻居节点集合对目标节点的链路进行预测;所述预测如下:依据公式(3)对用户ui搜索到的每个物品β对物品α进行评分预测的值:
其中和/>分别是物品α与物品β的历史平均评分;Vα是物品α的邻居节点集合;riβ为用户ui对物品β的评分;/>是用户ui对物品α的预测评分值;/>用来强化物品间的相似性和差异性,其中,/>表示两个节点在同一社团所引入的参数;/>表示两个节点不在同一社团引入的参数;Cα为物品α所在的社团编号,Cβ为物品β所在的社团编号;
5)遍历所有n个物品,利用步骤4)进行预测,最终将预测评分从高到低排序,并评分高的物品推荐给用户。
2.根据权利要求1所述基于复杂网络模型中社团划分的个性化推荐方法,其特征在于,所述步骤1)中因素为用户,则步骤1)中用户间相关性计算如下:首先,统计用户评分分布;然后,通过公式(4)计算用户ui对物品k评分值为lz的次数fiz,通过公式(5)计算用户ui与用户uj之间的相关性Sij:
公式(4)中,V为物品集合,aik代表用户ui是否对物品k评过分,其取值为1或0,aik=1表示用户ui对物品k评过分,aik=0表示用户ui没有对物品k评过分;
公式(5)中,rik表示用户ui对物品k的评分;lz表示特定的评分值;L表示数据集中评分等级集合;当某用户从未做出评分时,则Sij为0;所述步骤4)预测如下:依据公式(6)对用户评分物品α进行用户倾向分类预测;
其中和/>分别是用户ui和用户uj的历史平均评分值;Ui是用户ui的邻居节点集合;rjα为用户uj对物品α的评分;ri O表示根据用户倾向分类的预测评分值,用以强化同一社团用户对评分的影响,同时弱化不同社团用户对评分的影响,ω1表示两个节点在同一社团所引入的参数,ω2为表示两个节点不在同一社团引入的参数,Ci、Cj分别表示社团划分后用户ui、uj所在的社团。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910338673.0A CN110083780B (zh) | 2019-04-25 | 2019-04-25 | 基于复杂网络模型中社团划分的个性化推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910338673.0A CN110083780B (zh) | 2019-04-25 | 2019-04-25 | 基于复杂网络模型中社团划分的个性化推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110083780A CN110083780A (zh) | 2019-08-02 |
CN110083780B true CN110083780B (zh) | 2023-07-21 |
Family
ID=67416748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910338673.0A Active CN110083780B (zh) | 2019-04-25 | 2019-04-25 | 基于复杂网络模型中社团划分的个性化推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110083780B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310284B (zh) * | 2020-01-20 | 2022-06-07 | 西安交通大学 | 一种基于复杂网络的复杂机械产品装配建模方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102202012A (zh) * | 2011-05-30 | 2011-09-28 | 中国人民解放军总参谋部第五十四研究所 | 通信网络的社团划分方法与系统 |
CN107133398A (zh) * | 2017-04-28 | 2017-09-05 | 河海大学 | 一种基于复杂网络的河流径流量预测方法 |
CN107194498A (zh) * | 2017-04-28 | 2017-09-22 | 河海大学 | 一种水文监测网络的优化方法 |
CN108009710A (zh) * | 2017-11-19 | 2018-05-08 | 国家计算机网络与信息安全管理中心 | 基于相似度和TrustRank算法的节点测试重要度评估方法 |
CN108509551A (zh) * | 2018-03-19 | 2018-09-07 | 西北大学 | 一种基于Spark环境下的微博网络关键用户挖掘系统及方法 |
-
2019
- 2019-04-25 CN CN201910338673.0A patent/CN110083780B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102202012A (zh) * | 2011-05-30 | 2011-09-28 | 中国人民解放军总参谋部第五十四研究所 | 通信网络的社团划分方法与系统 |
CN107133398A (zh) * | 2017-04-28 | 2017-09-05 | 河海大学 | 一种基于复杂网络的河流径流量预测方法 |
CN107194498A (zh) * | 2017-04-28 | 2017-09-22 | 河海大学 | 一种水文监测网络的优化方法 |
CN108009710A (zh) * | 2017-11-19 | 2018-05-08 | 国家计算机网络与信息安全管理中心 | 基于相似度和TrustRank算法的节点测试重要度评估方法 |
CN108509551A (zh) * | 2018-03-19 | 2018-09-07 | 西北大学 | 一种基于Spark环境下的微博网络关键用户挖掘系统及方法 |
Non-Patent Citations (4)
Title |
---|
Online-rating prediction based on an improved opinion spreading approach;Chunxue Wu等;《2017 29th Chinese Control And Decision Conference (CCDC)》;20170520;全文 * |
在线社会网络中推荐算法的研究;黄蓝会;《微型电脑应用》;20170420(第04期);全文 * |
基于联合非负矩阵分解的协同过滤推荐算法;黄波等;《模式识别与人工智能》;20160815(第08期);全文 * |
基于观点传播的改进相似性计算评分预测方法;艾均等;《上海理工大学学报》;20170615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110083780A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111309824B (zh) | 实体关系图谱显示方法及系统 | |
CN110532436B (zh) | 基于社区结构的跨社交网络用户身份识别方法 | |
Jahanshahloo et al. | Extension of the TOPSIS method for decision-making problems with fuzzy data | |
CN111881342A (zh) | 一种基于图孪生网络的推荐方法 | |
CN107577710B (zh) | 基于异构信息网络的推荐方法及装置 | |
CN112115377A (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
CN107092812B (zh) | 一种在ppi网络中基于遗传算法识别关键蛋白质的方法 | |
CN107391542A (zh) | 一种基于文件知识图谱的开源软件社区专家推荐方法 | |
Mu et al. | Multi-objective ant colony optimization algorithm based on decomposition for community detection in complex networks | |
CN111274485A (zh) | 一种基于社区发现的个性化推荐方法 | |
Sivaramakrishnan et al. | An effective user clustering-based collaborative filtering recommender system with grey wolf optimisation | |
Zhou et al. | Betweenness centrality-based community adaptive network representation for link prediction | |
CN110083780B (zh) | 基于复杂网络模型中社团划分的个性化推荐方法 | |
CN112148986A (zh) | 一种基于众包的top-N服务再推荐方法及系统 | |
CN110443574B (zh) | 多项目卷积神经网络评审专家推荐方法 | |
CN112905906B (zh) | 一种融合局部协同与特征交叉的推荐方法及系统 | |
CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
CN104657901A (zh) | 一种基于随机游走的标签传播社区发现方法 | |
CN111382357B (zh) | 一种基于大数据的信息推荐系统 | |
CN116342228B (zh) | 一种基于有向图神经网络的相关推荐的方法 | |
CN111259267A (zh) | 一种基于稀疏性感知的分布式混合协同智能推荐方法 | |
CN111090781A (zh) | 一种动态社交网络中的链路预测方法 | |
CN109299291A (zh) | 一种基于卷积神经网络的问答社区标签推荐方法 | |
Najafabadi et al. | An Effective Collaborative User Model Using Hybrid Clustering Recommendation Methods. | |
CN113205185A (zh) | 网络模型优化方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |