CN111079003A - 一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案 - Google Patents
一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案 Download PDFInfo
- Publication number
- CN111079003A CN111079003A CN201911201154.6A CN201911201154A CN111079003A CN 111079003 A CN111079003 A CN 111079003A CN 201911201154 A CN201911201154 A CN 201911201154A CN 111079003 A CN111079003 A CN 111079003A
- Authority
- CN
- China
- Prior art keywords
- social
- circle
- preference
- association
- user
- 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.)
- Withdrawn
Links
Images
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案。为此根据服务推荐中的用户社交关系和关联特性,分类不同目标的社交相似用户,进一步定义了基础社交圈和潜在偏好圈两个基本概念。从基于社交关系的圈结构和基于服务需求的圈结构两个角度出发,建立了基础社交圈和潜在偏好圈分解和关联的执行方法。通过挖掘需求偏好的直接相似性和间接相似性,确定了用户关联学习和偏好关联预测过程。本发明设计的社交圈为关键支撑的潜在偏好模型在能够保证全局属性较优的前提下,可以显著提高社交圈的偏好预测质量和适应性,对于云计算和大数据平台的决策性服务推荐的深化研究与应用具有重大意义。
Description
技术领域
本发明涉及一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案,通过已有的或者潜在的社交拓扑关系,实现服务推荐平台自主挖掘用户需求的偏好学习和关联,是在云服务和大数据平台之上构建数据智能学习机制的关键问题,以满足平台用户服务需求的的偏好关联和决策反馈。
背景技术
大数据作为互联网时代的重要支撑,使得社交网络服务成为在线协同和沟通的关键载体,通过社交平台,提取用户的需求偏好、社交活动倾向以及现实生活中的朋友关系,建立用户间的社交关联体系,以此保持与其他用户的有效关联,及时分享个人的兴趣偏好和需求目标。通过社交平台,用户可以表达自己的观点和态度,适当提供服务请求完成后的反馈,平台通过有效地学习和评估机制,提取有用的反馈特征和属性,画像用户的历史偏好和潜在偏好。同时,用户社交过程产生的兴趣偏好的等级和相关服务应用的排序,可为用户后续需求的感知,以及其他用户的服务推荐,提供可借鉴的依据。
社交平台一般意义上涉及两类用户的行为:需求偏好请求和社交关联建立。需求偏好请求涉及的属性有服务的排序、选择和反馈。社交关联建立,涉及到用户间的关联和协作,主要体现为两种基本类型:直接社交和间接社交。直接社交是用户间直接存在的信任关系,间接社交意味着不存在直接联系,但存在偏好的相似性和可信度。当用户面对潜在需求偏好和未存在直接社交关系的物品时,发现用户的历史偏好趋向并引导建立新的社交关联是社交平台很重要的两个兴趣预测依据。
用户的需求偏好特征不是孤立的,存在上下文关联特性,由直接社交和间接社交所带来的需求趋向因素和相互作用成为社交平台的重要关注课题,以期实现用户潜在偏好模型和社交拓扑关联结构的动态调整和构建,该进化过程涉及两类因素:一是社交影响力,用户的潜在偏好受用户自身的社交关系影响;二是同质影响力,用户倾向于和他们有同类爱好的其他用户建立社交关系。一些已有的研究成果运用部分用户行为特征启发式地预测用户的其他可能行为特征。现有的静态网络拓扑关系中实现了这两类因素的融合,但这种情况,对于社交关联拓扑本有的自主性和动态性是低效的。同时,动态社交体系的拓扑关系,离不开用户请求和服务反馈两方面的上下文特征,为用户实施有效的潜在偏好挖掘和适应性服务反馈,是社交动态链路调度问题,需要引入局部圈结构的学习和融合。
此外,云服务和大数据平台的业务和数据众多,实现全局数据的完全分析和学习是不现实的,这涉及到用户、数据提供方和业务计算平台、业务关联平台等多方的权益关联,并带来各方的利益分配规则和权重匹配,在用户能忍受的时间和资源条件下,提高需求跟踪的针对性和服务推荐的有效性面临新的挑战,用户精准偏好的自适应分析和挖掘质量很差。
发明内容
本发明的目的在于为了解决云服务和大数据平台需求反馈决策的现有技术欠陷,提供了一种社交圈支撑的的潜在偏好关联预测模型的技术方案,通过社交关系的计算,挖掘潜在偏好需求,实施适应性的服务预测和决策反馈,以此提高用户需求服务的满意度和度,实现社交拓扑关系驱动的服务智能推荐机制。
为了解决上述技术问题,本发明公开了一种社交圈支撑的的潜在偏好关联预测模型,在确定了用户社交圈的基础上,包括以下步骤:
目标社交相似用户分类的步骤,在用户社交关系中引入关系信任值的计算,通过用户间的关系信任值实现用户社交相似性的度量。
为此将用户间的信任度可以表示为一个矩阵T,整个可信社交关系可以分成多个子网络拓扑关系Tc,即社交圈,每个社交圈与服务推荐的类别有直接关系。若用户u属于一个分类社交圈c,则用户u和用户v的直接社交关系衡量权值表示为则归一化后的关系信任值为其中是u在分类c的朋友,若用户在分类c中不存在朋友关系,关系信任值为0。的结果值对应四种社交圈条件:第一种:意味着每个用户v与用户u之间存在同样的信任值;第二种: 是v对分类c中相关服务的等级排序集,是中所有服务的数量总和;第三种:Bc是用户v跟随者在分类c中的投票值,用以衡量v在分类c中的权威性;第四种:信任分解,假定用户u1和u2均属于分类c1和c2,u是uv的朋友,u在c1和c2发布的排级分别为6和4,在原社交拓扑关系中的信任值定义为1,则通过信任分解后,则信任值分别为和
定义用户的基础社交圈和潜在偏好圈的步骤,根据服务推荐中的用户社交关系和关联特性,将用户的社交关系进行分化,分解为基础社交圈和潜在偏好圈。
社交圈将关系的信任度T进行等级排列,对应为等级矩阵tR,在不同的服务分类中完成偏好预测的确定。众所周知,用户的选择会受到其他用户的历史经历影响,若他的朋友与他在同一个分类中,定义用户特征集U,服务特征集P,计算目标的模式表征为:
在一个服务分类中,关于一个用户的服务评估等级计算公式为:rc用以计算分类c中关于用户u的推荐预测平均等级经验值。计算公式中,用户间的信任因素由目标函数的最新阶段情形驱动,最新的用户特征集Uu类似于他的朋友们最近特征的平均值,在分类c中,赋予权值在社交圈模型中,分类c的等级用于训练用户和服务最新特征集U和P,当社交圈关于分类c完成了训练,等级值可以根据进行排序预测。
社交的上下文因素对于服务的推荐和选择有重要影响,这里包括用户间的相互影响和个体自身的需求偏好。在基础社交圈的基础上,引入这两个因素。用户的个体偏好一般来自于用户自身的历史服务经历,学习过程离不开历史经历的积累和学习周期。假设服务的提供者为u,服务的需求者为v,用户间的偏好相似性可表示为矩阵Q,则矩阵中的每一行归一化为目标服务推荐函数为:
基础社交圈和潜在偏好圈的分解和关联的步骤,将具有一定规模的节点,在每个需求兴趣中,分配目标近似的节点。节点间根据历史需求偏好的历史关联实现不同权重的无向边,引导和迁移节点自身的需求特征和趋向以及边关联实现的兴趣,实现新的需求兴趣推荐和选择。
基础社交圈和潜在偏好圈的分解和关联,是一个局部的网络结构生成过程。具有一定规模的节点,在每个需求兴趣中,分配目标近似的节点。节点间根据历史需求偏好的历史关联实现不同权重的无向边,引导和迁移节点自身的需求特征和趋向以及边关联实现的兴趣,实现新的需求兴趣推荐和选择。这里,我们假定共有N个节点,有E条无向边,有两个参数0<i,j≤N,0<n≤E,则偏好的预测生成公式表征为:每一个社交圈分配一个元素z代表社交圈相关节点的一种潜在兴趣偏好划分,相应节点根据需求目标分配到多个社交分区中,分区中两个节点i和j之间存在的关联定义为潜在兴趣度,定义为Yij,存在的概率由参数θ决定。代表着节点i和j在社交圈中的亲密程度,比如是否为朋友关系,存在如何程度的通信和协作关系,有过如何程度的兴趣推荐或引导等。P(Y|z,Θ)可以由已经存在的关联概率P(e∈G)和不存在的关联概率实现拟合,它们均受约于组合参数Θ。P(Y|z,Θ)也可以表征为:将偏好圈关联处理为最新的变量参数,在社交圈中的节点将具有更高的机会参与兴趣关联,两个节点存在兴趣关联的计算公式表示为:
每一条关联e(u,v)从属于一对用户的特征向量θ(u,v),运用无监督算法完成变量优化。偏好圈内部的关联集表征为代表偏好圈之间的关联集。假定社交圈G已形成了稳定的偏好圈C,则圈内节点的关联和圈间节点的关联所涉及的所有节点,将形成另一个社交圈C',社交圈因为兴趣的迁移和关联,将建立起丰富的兴趣语义关联网,通过圈内和圈间的有效关联,实现兴趣驱动的社交圈拓扑变更,使得社交圈的特性不断扩充,相关兴趣值也不断地增加,通过新的关联不断加入,扩展了整个社交生成网络,实现了基础社交圈和潜在偏好圈的分解和关联。
构建潜在偏好圈的潜移和学习规则的步骤,基于关联预测函数,本发明在偏好圈中构建有代表性的兴趣特征集。
对社交圈内和社交圈间的链路进行规范化处理。若社交圈的圈内关联存在于偏好圈Ck,则关联预测概率高;如果是圈外关联,关联预测概率低。关联预测是一个指数级的函数,表征为此公式中,θ(u,v)是聚合特征函数,用于度量用户u和v的兴趣相似度,称为拓扑因素或者统计属性。αk是一个权重参数,关系到每个偏好圈的聚合特征。该公式强调了偏好圈Ck的内部关联,它关系到社交生成网的稳定性,βk用以权衡这圈内和圈外两种关联的影响力。
基于关联预测函数,在偏好圈中构建有代表性的兴趣特征集。这里需要两类拓扑特性:(1)全局特性,用以表征整个社交圈和偏好圈的属性。(2)局部特性,用以表示圈内关联邻居节点的影响力。
其中,全局特性运用中介度度量圈节点的中心度,用以衡量图中一个节点与其他关联节点间分别存在的最短路径的数量,计算公式表示为:Pvw是节点v和w之间最短路径的总数,Pvw(u)是Pvw中通过节点u的路径数。运用邻近中心度度量节点之间的紧密程度,计算公式表示为:N是u的邻居节点的数量,dvu是u和v之间的距离。
社交圈支撑的潜在兴趣关联预测,需要社交圈拓扑的全局特征和局部特征的融合,我们运用特征向量θ(u,v)表示关联规划概率。e(u,v)和θ(u,v)的关联及关联系数αk定义为一个线性函数:表示e(u,v)在第k个偏好圈中第m个特征定义和第m个特征的权值,αk={αk1,αk2,...αkm}是一个向量参数,用以衡量在偏好圈k中不同的特征权重。
设定P(e(u,v)∈G)∝expΦ(e)的映射函数结果值区间为[0,1),该函数定义为:
将这些向量用于计算潜在偏好的关联可能性,执行流程如算法1。
算法1
用户关联学习和偏好关联预测的步骤,通过社交用户的兴趣学习,实现偏好的潜移和关联,实现了社交圈为支撑多维圈结构的自主学习和构建。偏好圈的支撑力度也将影响社交圈的结构和关联特性,实现社交圈的优化更新和适应性关联预测。
通过社交用户的兴趣学习,实现偏好的潜移和关联,实现了社交圈为支撑多维圈结构的自主学习和构建。反过来,偏好圈的支撑力度也将影响社交圈的结构和关联特性,实现社交圈的优化更新和适应性关联预测。关于偏好圈对社交圈的优化,本节将展开分析和论证,归根到底还是用户需求属性的关联和影响。通过社交圈结构,可以实现偏好块的整体引导,实现偏好块对于整个圈结构的引导力和作用力。给定偏好圈Ck和相关的服务集Sk,目标是实现新的社交圈G'。根据上文定义,我们定义Pk(e(uk,vk)∈Ck)为Ck的关联预测衡量(在下文中简写为Pk)目标是得到G'的属性集φ=[Uk,Pk,Vk,α,β](U、Pk、α、β的定义及运算规则在上文已交待)。则G'基于φ属性集的目标关联拓扑分布(gp)表达为:gp(U,P,V|Ck,Sk)∝gp(Ck|Uk,Pk,Vk,α)gp(Sk|Uk,Pk,β)gp(Uk)gp(Pk)gp(Vk)。
图2是需求偏好的迁移成簇和潜在服务选择过程,不同用户间的协作性和偏好趋向性,驱动实现潜在的偏好圈或者获得可能的偏好。给定偏好潜移模型,最大化gp公式的后半部分,相当于最小式下面公式的实现目标:
U,P,V和平衡参数的融合实现了上述非凸损耗函数。偏好迁移执行梯度下降可以实现局部最小化,对于每个用户,将相关的目标关联用户和参数求导得到下述公式:
上述的整个推导过程没有考虑U,P,V的约束情况,可以借助随机梯度下降方法完成直接更新。通过弹性约束系数αp和βp的平衡调优,运用预测梯度下降方法实现局部最小化。
基于偏好关联预测的潜在社交圈优化过程描述为算法2,其中潜在偏好学习和潜在链路搭建的公式为:
算法2
一种社交圈为关键支撑的潜在偏好关联预测模型与现有技术相比,其有益效果体现在:
1、本发明是实现云服务和大数据平台需求反馈决策机制的关键部分,以服务用户已产生的平台数据和社交关系为基础,实现需求的可行性偏好潜移和学习,是数据驱动的决策和反馈的过程。
2、将用户的社交关系引入到用户的偏好学习流程,通过基础社交圈和用户偏好圈的双重构建,提高了社交关系在需求偏好分析和构建中的弹性和有效性。
3、社交圈为关键支撑的潜在偏好关联预测模型以动态社交体系为基础,拟合用户请求和服务反馈两方面的上下文特征,运用局部社交圈单元的灵活分解、融合和自主链接搭建,解决了社交动态链路的调度问题。
4、本发明可以平衡用户、数据提供方和业务计算平台、业务关联平台等多方的权益关联,在用户能忍受的时间和资源条件下,能够弹性权衡各方的利益分配规则和权重。
5、本发明设计的社交圈为关键支撑的潜在偏好模型在能够保证全局属性较优的前提下,可以显著提高社交圈的偏好预测质量和适应性,对于云计算和大数据平台的决策性服务推荐的深化研究与应用具有重大意义。
本发明可以应用于面云服务和大数据平台为主要业务支撑的服务环境中,对于大规模数据分析、统计和计算诉求,提供及时有效的需求偏好决策和适应性结果反馈,可以提升用户的服务体贴粘度、决策反馈合适度和平台友好应用的参与度,减少了系统对用户需求的响应时间,属于计算机科学研究与技术应用领域。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1是本发明一种社交圈为关键支撑的潜在偏好预测模型的技术方案整体结构示意图。
图2是用户需求偏好的迁移成簇和潜在服务选择过程。
具体实施方式
下面将结合实施例对本发明的技术应用方案进行清楚、完整地描述,显然,所描述的实施例仅为本发明的一部分应用,并非全部的可行性实施例。基于本发明中的实施例,本领域其他科研或技术人员在没有作出创造性设计的前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1是本发明一种社交圈为关键支撑的潜在偏好预测模型的技术方案整体结构示意图,相关步骤如下:
步骤一:目标社交相似用户分类的步骤,在用户社交关系中引入关系信任值的计算,通过用户间的关系信任值实现用户社交相似性的度量。
步骤二:定义用户的基础社交圈和潜在偏好圈的步骤,根据服务推荐中的用户社交关系和关联特性,将用户的社交关系进行分化,分解为基础社交圈和潜在偏好圈。
步骤三:基础社交圈和潜在偏好圈的分解和关联的步骤,将具有一定规模的节点,在每个需求兴趣中,分配目标近似的节点。节点间根据历史需求偏好的历史关联实现不同权重的无向边,引导和迁移节点自身的需求特征和趋向以及边关联实现的兴趣,实现新的需求兴趣推荐和选择。
步骤四:构建潜在偏好圈的潜移和学习规则的步骤,基于关联预测函数,本发明在偏好圈中构建有代表性的兴趣特征集。
步骤五:用户关联学习和偏好关联预测的步骤,通过社交用户的兴趣学习,实现偏好的潜移和关联,实现了社交圈为支撑多维圈结构的自主学习和构建。偏好圈的支撑力度也将影响社交圈的结构和关联特性,实现社交圈的优化更新和适应性关联预测。
实施例2:
下面以两个社交圈的子集说明本发明社交圈为关键支撑的潜在偏好预测模型的技术方案。当用户向云服务和大数据平台提交需求服务时,社交圈分析和潜在偏好学习过程,步骤如下:
步骤一:目标社交相似用户分类的步骤。运用斯坦福大规模网络数据集(StanfordLarge Network Dataset)中两个关于社交圈的子集,ego-Gplus和ego-Twitter。ego-Gplus是谷歌(GOOGLE)的一个社交圈,包括107614个节点,13676453个社交链接关系;ego-Twitter是推特(Twitter)的一个社交圈,包括81306个节点,1768149个社交链接关系,此两个数据集,对于社交相似用户赋予了同样的标签(Title)属性,根据标签属性数据的具体取值情况,完成了目标社交相似用户的分类。
步骤二:基础社交圈和潜在偏好圈的分解和关联的步骤。偏好圈选定三个经典高效的模块单元,分别为贪心实现的圈模块、在短时间内实现的完全层次圈模块和快速贪心实现的马尔科夫圈模块。分别在ego-Gplus和ego-Twitter中生成这三个圈模块作为算法性能对比参数。
步骤三:基础社交圈和潜在偏好圈的分解和关联的步骤。随机选取每个数据集10%的子集用于数据训练,选择这10%规模中10%的链路用以预测,其中ego-Plus子集包括10760个节点,12595个边,ego-Twitter子集包括8211个节点,18811个边。训练参数值的区间为[0,9]。
步骤四:构建潜在偏好圈的潜移和学习规则的步骤。从社交圈的关联预测出发,通过预测和学习潜在偏好圈,对于用户的下一步服务选择决策,可提供更高效和准确的候选结果,实现最好的服务性能。对算法1的性能进行有效分析,主要包括算法对于关联预测中圈分解和聚集的优势,算法的可扩展性和鲁棒性,能否实现偏好学习的整体相对最优。
步骤五:用户关联学习和偏好关联预测的步骤。算法2在关联预测中的效果,运用曲线下与坐标轴围成的面积(AUC:Area Under Curve)作为社交圈到偏好圈比率的训练指标,设定训练参数的取值区间为[0.5,0.9],间距为0.05,社交链接关系较多的Ego-Twitter,算法2的AUC值均高于0.7,而社交相对较少的Ego-Gplus,算法2运算AUC高于0.5。
算法2的整体和局部性能分析,在每个数据集中选取三个属性作为分析对象,分别为社交圈局部属性、社交圈整体属性以及社交圈和偏好圈二次分解聚集的混合属性,实施过程忽略局部属性对于算法执行的影响。
本发明提供了一种社交圈为关键支撑的潜在偏好预测模型的技术方案,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优先实施方式,应当指出,对于本技术领域的科研或技术人员,在不脱离本发明原理的前提下,还可以做出适应性改进和优化,这些改进和优化部分也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术得以实现。
Claims (10)
1.一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案,其特征在于,在确定用户社交圈的基础上,包括以下步骤:
目标社交相似用户分类的步骤,在用户社交关系中引入关系信任值的计算,通过用户间的关系信任值实现用户社交相似性的度量。
定义用户的基础社交圈和潜在偏好圈的步骤,根据服务推荐中的用户社交关系和关联特性,将用户的社交关系进行分化,分解为基础社交圈和潜在偏好圈。
基础社交圈和潜在偏好圈的分解和关联的步骤,将具有一定规模的节点,在每个需求兴趣中,分配目标近似的节点。节点间根据历史需求偏好的历史关联实现不同权重的无向边,引导和迁移节点自身的需求特征和趋向以及边关联实现的兴趣,实现新的需求兴趣推荐和选择。
构建潜在偏好圈的潜移和学习规则的步骤,基于关联预测函数,本发明在偏好圈中构建有代表性的兴趣特征集。
用户关联学习和偏好关联预测的步骤,通过社交用户的兴趣学习,实现偏好的潜移和关联,实现了社交圈为支撑多维圈结构的自主学习和构建。偏好圈的支撑力度也将影响社交圈的结构和关联特性,实现社交圈的优化更新和适应性关联预测。
2.根据权利1所述的一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案,其特征在于,目标社交相似用户分类的关系信任值计算需要关联四类社交圈的生成条件。
3.根据权利1所述的一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案,其特征在于,基础社交圈和潜在偏好圈的分解和关联以元组为社交拓扑的基础单元,多元组形成社交矩阵。
4.根据权利1所述的一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案,其特征在于,构建潜在偏好圈的潜移和学习规则体现为两类兴趣特性:(1)全局特性,用以表征整个社交圈和偏好圈的属性。(2)局部特性,用以表示圈内关联邻居节点的影响力。
5.根据权利1所述的一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案,其特征在于,关于用户关联学习和偏好关联预测,首先,定义生成流程,运用历史需求偏好的概率分析完成生成流程的初始化;其次,运用兴趣特征聚集方法获取社交圈信息;再次,运用迭代方法推理模型,估算模型参数。
6.根据权利1所述的一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案,其特征在于,用户关联学习和偏好关联预测,借助随机梯度下降方法实现局部最小化,通过弹性约束系数平衡调优。
7.根据权利2所述的一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案,其特征在于,四类社交圈的生成条件分别为:用户间存在同样的信任值、对相关服务进行等级排序、利用投票函数衡量用户对于服务的权威性、信任分解。
8.根据权利3所述的一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案,其特征在于,社交拓扑的元组包含五个集合元素,分别为表示用户集、用户集的规模、链路集合、已有链路集合和潜在链路集合。
9.根据权利4所述的一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案,其特征在于,全局特性运用中介度度量圈节点的中心度,计算拓扑关系中一个节点与其他关联节点间分别存在的最短路径的数量,运用排名算法和重要性分析算法分析关联紧密程度;局部特性的度量方法有:公共邻居预测函数用以统计节点和的公共邻居数量,平衡系数用以计算和交集和全集的比率。C对于偏向关联预测的学习过程,偏好相似性表示为二元函数,通过放大参数和对数公式值,调优适应社交圈。
10.根据权利5所述的一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案,其特征在于,随机梯度下降方法和预测梯度下降方法是设计为两个可执行的函数。并在在用户集、用户特征集、潜在用户集和平衡参数实现非凸损耗函数的融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911201154.6A CN111079003A (zh) | 2019-11-29 | 2019-11-29 | 一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911201154.6A CN111079003A (zh) | 2019-11-29 | 2019-11-29 | 一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111079003A true CN111079003A (zh) | 2020-04-28 |
Family
ID=70312047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911201154.6A Withdrawn CN111079003A (zh) | 2019-11-29 | 2019-11-29 | 一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079003A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396237A (zh) * | 2020-11-24 | 2021-02-23 | 南京航空航天大学 | 一种社交网络中的链接预测方法 |
-
2019
- 2019-11-29 CN CN201911201154.6A patent/CN111079003A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396237A (zh) * | 2020-11-24 | 2021-02-23 | 南京航空航天大学 | 一种社交网络中的链接预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Salehi et al. | Hybrid attribute-based recommender system for learning material using genetic algorithm and a multidimensional information model | |
Rana et al. | An evolutionary clustering algorithm based on temporal features for dynamic recommender systems | |
Biswas et al. | An MCDM integrated adaptive simulated annealing approach for influence maximization in social networks | |
Salehi | Application of implicit and explicit attribute based collaborative filtering and BIDE for learning resource recommendation | |
US11120373B2 (en) | Adaptive task assignment | |
Zhang et al. | Personalized recommendation algorithm for social networks based on comprehensive trust | |
Alshmrany | Adaptive learning style prediction in e-learning environment using levy flight distribution based CNN model | |
Al-Tarabily et al. | Optimizing dynamic multi-agent performance in E-learning environment | |
CN116244513B (zh) | 随机群组poi推荐方法、系统、设备及存储介质 | |
Cao et al. | Multi-feature based event recommendation in event-based social network | |
Li et al. | Preference-aware group task assignment in spatial crowdsourcing: A mutual information-based approach | |
Chen et al. | A temporal recommendation mechanism based on signed network of user interest changes | |
Zhou et al. | Betweenness centrality-based community adaptive network representation for link prediction | |
Teng et al. | Interactive unknowns recommendation in e-learning systems | |
Wang et al. | A task recommendation framework for heterogeneous mobile crowdsensing | |
CN107909498B (zh) | 基于最大化接受者操作特征曲线下方面积的推荐方法 | |
Han et al. | Robust Plackett–Luce model for k-ary crowdsourced preferences | |
Dwivedi et al. | Time-series data prediction problem analysis through multilayered intuitionistic fuzzy sets | |
Elghomary et al. | Design of a smart MOOC trust model: Towards a dynamic peer recommendation to foster collaboration and learner’s engagement | |
Lin | Learning information recommendation based on text vector model and support vector machine | |
Meng et al. | POI recommendation for occasional groups Based on hybrid graph neural networks | |
CN111079003A (zh) | 一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案 | |
CN111292062B (zh) | 基于网络嵌入的众包垃圾工人检测方法、系统及存储介质 | |
CN116503588A (zh) | 一种基于多元关系时空网络的poi推荐方法,装置及设备 | |
Liu et al. | POI recommendation for random groups based on cooperative graph neural networks |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200428 |
|
WW01 | Invention patent application withdrawn after publication |