CN111475724A - 一种基于用户相似度的随机游走社交网络事件推荐方法 - Google Patents
一种基于用户相似度的随机游走社交网络事件推荐方法 Download PDFInfo
- Publication number
- CN111475724A CN111475724A CN202010249747.6A CN202010249747A CN111475724A CN 111475724 A CN111475724 A CN 111475724A CN 202010249747 A CN202010249747 A CN 202010249747A CN 111475724 A CN111475724 A CN 111475724A
- Authority
- CN
- China
- Prior art keywords
- user
- event
- similarity
- random walk
- users
- 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.)
- Pending
Links
- 238000005295 random walk Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 15
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Algebra (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开的属于电子信息技术领域,具体为一种基于用户相似度的随机游走社交网络事件推荐方法,该基于用户相似度的随机游走社交网络事件推荐方法的具体方法步骤如下:S1:事件类别划分;S2:用户相似度模型建立;S3:用户群组网络的重启随机游走;S4:冷启动用户的处理。通过对网络事件活动的特征数据进行计算,将其融合到线上社交网络应用的群组分析中,利用基于重启的随机游走算法对用户重新进行社团划分,从而达到为用户推荐事件的目的,尤其是冷启动用户的推荐,充分使用了社交网络中的显式和隐式反馈数据,提高了推荐系统的精确性。
Description
技术领域
本发明涉及电子信息技术领域,具体为一种基于用户相似度的随机游走社交网络事件推荐方法。
背景技术
基于事件的社交网络为用户提供事件活动组织的平台,大量事件存在于网络上,网站会定期组织一定的事件活动,用户可以选择自己喜欢的事件进行参加。
许多学者将社会网络转换成图的形式,通过对节点、边及权重的分析,利用图的拓扑性质完成推荐。其基本思想多为采用随机游走算法,按照一定规则对节点进行随机游走。随机游走是在齐次图的单变量马尔科夫链上发展起来的,在推荐领域被广泛应用。
在基于信任的社会网络中,如何评估用户之间的信任度是关键问题,现有的算法主要基于共同好友集合的相似函数进行计算,类似于基于事件的社会网络中单纯考虑线上的社会群组关系,会产生一定的局限性,没有考虑以下两种情况:第一,用户共同参加了多个事件,但却没有群组关系;第二,用户通过群组关系成为好友,但参加事件的次数有限,甚至没有。
发明内容
本发明的目的在于提供一种基于用户相似度的随机游走社交网络事件推荐方法,以解决上述背景技术中提出的现有的算法存在的数据稀疏性问题:第一,用户共同参加了多个事件,但却没有群组关系;第二,用户通过群组关系成为好友,但参加事件的次数有限,甚至没有的问题。
为实现上述目的,本发明提供如下技术方案:一种基于用户相似度的随机游走社交网络事件推荐方法,该基于用户相似度的随机游走社交网络事件推荐方法的具体方法步骤如下:
S1:事件类别划分:根据事件的地理位置、来源网站、内容主题等信息,确定事件的特征空间坐标,并进一步对事件进行类别划分;
S2:用户相似度模型建立:基于用户参加事件的次数及共同参加事件的类别数这两项指标共同来衡量用户之间的相似程度,为建立计算用户之间的相似度模型,提出以下两点假设:
两个用户在单一事件参加的次数越多,则相似度越高;
两个用户共同参加的事件类别越多则得分越高;
S3:用户群组网络的重启随机游走:基于用户相似度的重启随机游走算法,进行用户节点随机游走,将概率值进行排序,得到用户最相邻用户;
S4:冷启动用户的处理:
第一种处理方式:用户没有参与事件,但存在于群组中,采用传统随机游走方法,利用图的拓扑性质计算转移概率;
第二种处理方式:用户只参加了网络事件,没有线上的群组关系,此用户虽然与其他用户有相似度计算,但在以群组关系为基础的图中不存在该节点。
优选的,所述S1中的具体算法为:
输入:用户参与事件列表UserList,事件坐标列表EventAddress;
输出:用户参与事件类别次数字典UserDic;
1)Initialize UserDic;
2)将EventAddress中相近坐标位置事件进行聚类,得到集合EventDic;
3)生成以user为事件的UserDic字典;
4)For user∈UserDic,Keys;
5)If user对应event IN EventDic字典;
6)将事件类别信息写入UserDic,values,对应次数+1;
7)EndIf;
8)EndFor。
优选的,所述S3中具体算法为:
输入:用户列表UserList、用户参与事件类别字典UserDic、跳转因子c;
输出:所有用户游走后的top-k节点;
根据UserDic与公式(1)计算用户相似度矩阵T=(tij)n×n;
1)For ui∈UserList;
2)构建用户列向量r0=[0,0,…1,…,0,0]T其中ui的值为1;
3)计算(1-c)(I-cT)-1r0;
4)EndFor。
与现有技术相比,本发明的有益效果是:通过对网络事件活动的特征数据进行计算,将其融合到线上社交网络应用的群组分析中,利用基于重启的随机游走算法对用户重新进行社团划分,从而达到为用户推荐事件的目的,尤其是冷启动用户的推荐,充分使用了社交网络中的显式和隐式反馈数据,提高了推荐系统的精确性;
在未来的工作中,将进一步利用社交网络中的上下文数据,如位置数据、时序信息、语义标签、交互信息、使用记录等数据,提高算法的高效性和可行性。其次,推荐必将为用户提供更多的服务,如为用户推荐一系列活动,节省用户的规划时间,将成为日后研究的一个方向。
附图说明
图1为本发明结构示意图;
图2为本发明实施例中用户参加事件及类别图;
图3为本发明实施例中用户参加事件比例图;
图4为本发明实施例中算法性能对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例:
请参阅图1-4,本发明提供一种技术方案:一种基于用户相似度的随机游走社交网络事件推荐方法,该基于用户相似度的随机游走社交网络事件推荐方法的具体方法步骤如下:
S1:事件类别划分:根据事件的地理位置、来源网站、内容主题等信息,确定事件的特征空间坐标,并进一步对事件进行类别划分;
S2:用户相似度模型建立:基于用户参加事件的次数及共同参加事件的类别数这两项指标共同来衡量用户之间的相似程度,为建立计算用户之间的相似度模型,提出以下两点假设:
两个用户在单一事件参加的次数越多,则相似度越高;
两个用户共同参加的事件类别越多则得分越高;
S3:用户群组网络的重启随机游走:基于用户相似度的重启随机游走算法,进行用户节点随机游走,将概率值进行排序,得到用户最相邻用户;
S4:冷启动用户的处理:
第一种处理方式:用户没有参与事件,但存在于群组中,采用传统随机游走方法,利用图的拓扑性质计算转移概率;
第二种处理方式:用户只参加了网络事件,没有线上的群组关系,此用户虽然与其他用户有相似度计算,但在以群组关系为基础的图中不存在该节点。
优选的,所述S1中的具体算法为:
输入:用户参与事件列表UserList,事件坐标列表EventAddress;
输出:用户参与事件类别次数字典UserDic;
1)Initialize UserDic;
2)将EventAddress中相近坐标位置事件进行聚类,得到集合EventDic;
3)生成以user为事件的UserDic字典;
4)For user∈UserDic,Keys;
5)If user对应event IN EventDic字典;
6)将事件类别信息写入UserDic,values,对应次数+1;
7)EndIf;
8)EndFor。
优选的,所述S3中具体算法为:
输入:用户列表UserList、用户参与事件类别字典UserDic、跳转因子c;
输出:所有用户游走后的top-k节点;
1)根据UserDic与公式(1)计算用户相似度矩阵T=(tij)n×n;
2)For ui∈UserList;
3)构建用户列向量r0=[0,0,…1,…,0,0]T其中ui的值为1;
4)计算(1-c)(I-cT)-1r0;
5)EndFor。
设计过程:
事件类别划分:在原始数据集中并不一定有事件的类别划分特征,但用户参加事件一定有其倾向性,如事件的场所选择、事件类型。对于事件场所,一般具有一定的指向性,如体育馆一般参加体育活动、视频网站一般是娱乐事件。对数据集分析可以发现,很多用户参加的活动较多,但活动的坐标位置都为相似地点。一般而言,这种情况原因有以下两种:第一,该地点举办的活动具有特定性,用户喜欢参加此类活动;第二,用户方便到此地参加活动。据此,根据事件的坐标位置,对事件进行类别划分,定义C={c1,c2,…,cn}为事件类别划分集合。其方法描述见下算法:
输入:用户参与事件列表UserList,事件坐标列表EventAddress;
输出:用户参与事件类别次数字典UserDic;
1.Initialize UserDic;
2.将EventAddress中相同坐标位置事件进行聚类,得到集合EventDic;
3.生成以user为事件的UserDic字典;
4.For user∈UserDic,keys;
5.If user对应event IN EventDic字典;
6.将事件类别信息写入UserDic,values,对应次数+1;
7.EndIf;
8.EndFor。
为减少数据冗余,将事件按坐标位置重新编码,形成EventDic,坐标位置相同即为一类。为减少计算量,将用户参加事件按坐标位置划分,然后在 EventDic中进行迭代,如图2所示。
用户相似度模型建立:无论是余弦相似度还是皮尔逊方法,都需要用户对物品评分,而事件数据集不同于影评等数据集,没有用户的直接评分。一般对于此种情形,采用两种方法来计算用户的相似程度:
1)转换评分,根据用户购买商品种类的次数、停留时长、交互次数等行为进行评分或根据坐标位置等因素进行评分,此种方式可以综合考虑多种因素来完成用户对项目的评分。
2)基于矩阵的乘积,图2a表示用户参加事件的次数,图2b表示用户之间参加相同事件的数量,定义矩阵M∈Rn×n,矩阵元素Mij表示用户ui与uj 共同参加事件的次数,该矩阵为对称矩阵,其对角线元素为0。为了表示用户之间的相似程度,做运算P=M·MT,则新的矩阵P的对角线元素不再为0,表示用户参与购买物品的程度,而非对角线元素则表示用户之间的相似程度,但P不是对称矩阵,uij与uji的值是不同的,uij是以ui为主要参考对象,而uji 是以uj为参考对象。无论是哪一种方法,都有一定的不足,没有充分考虑用户参加事件活动的次数和类别这两个特征属性。基于此,本方案利用基于用户参加共同类别事件的次数及参加事件的次数这两项指标共同来衡量用户之间的相似程度。为建立计算用户之间的相似度模型,提出以下两点假设:
1)两个用户在单一事件参加的次数越多,则相似度越高。如图2a所示,对于事件e4,用户[u4,u6]共同参加了事件9次,则用户的相似度较高。
2)两个用户共同参加的事件类别越多则得分越高。如[u2,u3]及[u3, u6]都分别共同参加了2个事件,则用户的相似度较高。
为满足上述两点假设条件,定义U={u1,u2,…,un}与E={e1,e2,…, em}分别为用户集合与事件集合。定义矩阵T∈Rn×n,矩阵元素tij为ui∈U 与uj∈U之间相似度评分,其形式如下式所示:
若二者之间没有关系则tij的值为0,tij计算如下式所示:
tij=cijkij
用户群组网络的重启随机游走:本文参考基于重启的随机游走算法,将用户相似度计算结果作为图节点之间的转移概率。传统的转移概率计算主要以节点的入度与出度进行计算,只是单纯从图的拓扑结构考虑,忽略了节点数据的特征属性。重启随机游走算法是对随机游走算法的一种改进,该方法类似于 PageRank算法,PageRank是佩奇提出的自动网页排序算法,通过计算网页之间的链接数目和链接网页的重要程度来计算网页的最终排名,其计算公式:
式中:q称为跳转因子或阻尼因子,表示到达某一页面后继续向后浏览的概率,通过实验将其定义为0.85;L(p)表示网页p的网页集合。在计算PageRank 时,一般采用幂迭代法进行计算。基于该算法,又提出了一些改进算法,如Personal PageRank、重启随机游走等。
本文采用基于用户相似度的重启随机游走算法,对G(N,E)进行用户节点随机游走,其中N为节点集,E为节点之间的边。传统的随机游走算法利用网络的拓扑结构,只考虑图的出度和入度完成节点的转移概率,如节点的出度为5,则转到下一节点的概率为1/5,这与实际的用户节点转移情况并不相符。其数学表达如下式所示:
rn=cT'rn-1+(1-c)r0。
其中:r0表示用户的列向量;元素rj表示用户uj被访问的概率;r0表示各节点初始概率分布,当j=i时,取值为1,否则为0;rn表示第n步到达各用户节点的概率;c为下一步游走到其最近的邻居的概率;T'为归一化的用户相似度矩阵。根据PageRank算法思想,最终会收敛到一个平稳的状态,通过递推的方式可以得到下式。
rLast=(1-c)(I-cT)-1r0。
其中,rLast为假定经过n步随机游走后所得到的平稳概率值。因为‖cT‖ 1<1,故(I-cT)-1存在。收敛到稳态后,向量r中的每一项值代表着从目标用户ui经过n步游走后到达各个节点的概率值,将概率值进行排序,得到top -k的用户最相邻用户。具体算法为:
输入:用户列表UserList、用户参与事件类别字典UserDic、跳转因子c;输出:所有用户游走后的top-k节点;
1.根据UserDic与公式(1)计算用户相似度矩阵T=(tij)n×n;
2.For ui∈UserList;
3.构建用户列向量r0=[0,0,…1,…,0,0]T其中ui的值为1;
4.计算(1-c)(I-cT)-1r0;
5.EndFor。
冷启动用户的处理:在推荐系统中,对冷启动用户的推荐一直都是难题,尤其是基于协同过滤算法中,因为没有数据进行参考,所以不能计算用户或物品的相似度。隐式反馈数据是解决冷启动问题的有效手段,如通过好友关系、信任关系以求获得用户的需求。本文利用网络事件数据计算用户相似度,将相似度应用到线上群组关系中。但存在以下两种情况,使得线下用户与基于线上网络的图节点不能相对应。本文将冷启动问题归结为前文提到的两类:
1)用户参与了线上群组关系,但没有参与任何事件,即冷启动问题。
2)用户参加事件,但没有参与线上的群组关系。
在本文框架下,采用以下两种方式解决:
1)用户没有参与事件,但存在于群组中,采用传统随机游走方法,利用图的拓扑性质计算转移概率。
2)用户只参加了网络事件,没有线上的群组关系,此用户虽然与其他用户有相似度计算,但在以群组关系为基础的图中不存在该节点,即为悬浮节点,为保证图的连通性,假设悬浮节点与所有节点都相连,但该方法只是保证了图的连通性,与实际情况并不相符合。根据相似度计算结果,选取与悬浮节点相似度数值的前6个节点作为连接节点,既保证了连通性,又与实际情况相符。
实验结果分析为了验证算法的准确性和实用性,本文以真实的Meetup数据集作为实验对象,对数据集进行了数据分析,对用户的事件进行预测,与其他一些常用推荐算法从多个指标进行了对比,得到了较好的推荐效果。
数据集介绍
Meetup网站主要由各种各样的群组构成,群组中的成员具有相同的爱好,群组的组织者可以组织、策划、发起各种各样的活动事件并将它们发布到网站上,吸引人们来参与、评论、分享。当一个事件被发布后,任何用户都可以做出回应.实验中采用的数据集包含用户940582,发布事件267126.图3中展示了用户参加事件次数的分布情况。通过对数据集分析可以看到,用户参加事件的次数很不均衡,参加一次事件的用户占的比例是最大的,达到了38.7%,如图 3所示。
性能对比
实验将数据集分为训练集与测试集,训练集占80%,测试集占20%。采用均方根误差、精确率、覆盖率作为评价指标,对比了基于用户协同过滤的推荐算法(User-based CF)、基于用户信任度的推荐算法(Mole Trust)及基于信任的随机游走推荐算法(RelevantTrust Walker)。其结果如表1所示。
从图4中可以明显观察到,采用基于用户相似度随机游走的事件推荐算法的表现要明显优于其他算法。本文所提的算法更适合用户基于事件的网络推荐,融合线上与线下数据,通过群组关系的传递弥补了协同过滤算法只依靠事件推荐的弊端,提高了准确率,同时减小了均方根误差。同时可以看到,基于信任传递的算法由于其传递性,使得覆盖率明显高于协同过滤,而本文的算法通过多维事件数据计算用户相似度取代了硬性的拓扑传递,在各项指标均优于其他算法。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明;因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于用户相似度的随机游走社交网络事件推荐方法,其特征在于,该基于用户相似度的随机游走社交网络事件推荐方法的具体方法步骤如下:
S1:事件类别划分:根据事件的地理位置、来源网站、内容主题等信息,确定事件的特征空间坐标,并进一步对事件进行类别划分;
S2:用户相似度模型建立:基于用户参加事件的次数及共同参加事件的类别数这两项指标共同来衡量用户之间的相似程度,为建立计算用户之间的相似度模型,提出以下两点假设:
两个用户在单一事件参加的次数越多,则相似度越高;
两个用户共同参加的事件类别越多则得分越高;
S3:用户群组网络的重启随机游走:基于用户相似度的重启随机游走算法,进行用户节点随机游走,将概率值进行排序,得到用户最相邻用户;
S4:冷启动用户的处理:
第一种处理方式:用户没有参与事件,但存在于群组中,采用传统随机游走方法,利用图的拓扑性质计算转移概率;
第二种处理方式:用户只参加了网络事件,没有线上的群组关系,此用户虽然与其他用户有相似度计算,但在以群组关系为基础的图中不存在该节点。
2.根据权利要求1所述的一种基于用户相似度的随机游走社交网络事件推荐方法,其特征在于:所述S1中的具体算法为:
输入:用户参与事件列表UserList,事件坐标列表EventAddress;
输出:用户参与事件类别次数字典UserDic;
1)Initialize UserDic;
2)将EventAddress中相近坐标位置事件进行聚类,得到集合EventDic;
3)生成以user为事件的UserDic字典;
4)For user∈UserDic,Keys;
5)If user对应event IN EventDic字典;
6)将事件类别信息写入UserDic,values,对应次数+1;
7)EndIf;
8)EndFor。
3.根据权利要求1所述的一种基于用户相似度的随机游走社交网络事件推荐方法,其特征在于:所述S3中具体算法为:
输入:用户列表UserList、用户参与事件类别字典UserDic、跳转因子c;
输出:所有用户游走后的top-k节点;
1)根据UserDic与公式(1)计算用户相似度矩阵T=(tij)n×n;
2)For ui∈UserList;
3)构建用户列向量r0=[0,0,…1,…,0,0]T其中ui的值为1;
4)计算(1-c)(I-cT)-1r0;
5)EndFor。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010249747.6A CN111475724A (zh) | 2020-04-01 | 2020-04-01 | 一种基于用户相似度的随机游走社交网络事件推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010249747.6A CN111475724A (zh) | 2020-04-01 | 2020-04-01 | 一种基于用户相似度的随机游走社交网络事件推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111475724A true CN111475724A (zh) | 2020-07-31 |
Family
ID=71749339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010249747.6A Pending CN111475724A (zh) | 2020-04-01 | 2020-04-01 | 一种基于用户相似度的随机游走社交网络事件推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111475724A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667885A (zh) * | 2020-12-04 | 2021-04-16 | 四川长虹电器股份有限公司 | 一种耦合社会信任信息的矩阵分解协同过滤方法和系统 |
CN112926999A (zh) * | 2021-03-26 | 2021-06-08 | 东南大学 | 一种大宗商品交易平台关联监管范围的自适应推荐方法与系统 |
CN113442778A (zh) * | 2021-06-28 | 2021-09-28 | 国网山东省电力公司信息通信公司 | 基于车联网的电动汽车充电调配方法、装置和系统 |
CN113570391A (zh) * | 2021-09-24 | 2021-10-29 | 平安科技(深圳)有限公司 | 基于人工智能的社群划分方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120226651A1 (en) * | 2011-03-03 | 2012-09-06 | Xerox Corporation | System and method for recommending items in multi-relational environments |
CN107526850A (zh) * | 2017-10-12 | 2017-12-29 | 燕山大学 | 基于多重个性化特征混合架构的社交网络好友推荐方法 |
CN107657034A (zh) * | 2017-09-28 | 2018-02-02 | 武汉大学 | 一种社交信息增强的事件社交网络推荐算法 |
CN110457592A (zh) * | 2019-07-11 | 2019-11-15 | 天津大学 | 一种基于图熵的社交网络推荐方法 |
-
2020
- 2020-04-01 CN CN202010249747.6A patent/CN111475724A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120226651A1 (en) * | 2011-03-03 | 2012-09-06 | Xerox Corporation | System and method for recommending items in multi-relational environments |
CN107657034A (zh) * | 2017-09-28 | 2018-02-02 | 武汉大学 | 一种社交信息增强的事件社交网络推荐算法 |
CN107526850A (zh) * | 2017-10-12 | 2017-12-29 | 燕山大学 | 基于多重个性化特征混合架构的社交网络好友推荐方法 |
CN110457592A (zh) * | 2019-07-11 | 2019-11-15 | 天津大学 | 一种基于图熵的社交网络推荐方法 |
Non-Patent Citations (1)
Title |
---|
张萌;南志红;: "基于用户偏好的信任网络随机游走推荐模型", 计算机应用, no. 12, 10 December 2016 (2016-12-10) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667885A (zh) * | 2020-12-04 | 2021-04-16 | 四川长虹电器股份有限公司 | 一种耦合社会信任信息的矩阵分解协同过滤方法和系统 |
CN112667885B (zh) * | 2020-12-04 | 2022-08-16 | 四川长虹电器股份有限公司 | 一种耦合社会信任信息的矩阵分解协同过滤方法和系统 |
CN112926999A (zh) * | 2021-03-26 | 2021-06-08 | 东南大学 | 一种大宗商品交易平台关联监管范围的自适应推荐方法与系统 |
CN112926999B (zh) * | 2021-03-26 | 2023-10-10 | 东南大学 | 一种大宗商品交易平台关联监管范围的自适应推荐方法与系统 |
CN113442778A (zh) * | 2021-06-28 | 2021-09-28 | 国网山东省电力公司信息通信公司 | 基于车联网的电动汽车充电调配方法、装置和系统 |
CN113442778B (zh) * | 2021-06-28 | 2022-08-16 | 国网山东省电力公司信息通信公司 | 基于车联网的电动汽车充电调配方法、装置和系统 |
CN113570391A (zh) * | 2021-09-24 | 2021-10-29 | 平安科技(深圳)有限公司 | 基于人工智能的社群划分方法、装置、设备及存储介质 |
CN113570391B (zh) * | 2021-09-24 | 2022-02-01 | 平安科技(深圳)有限公司 | 基于人工智能的社群划分方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Scientific paper recommendation: A survey | |
Pham et al. | A general recommendation model for heterogeneous networks | |
Jiang et al. | Social recommendation with cross-domain transferable knowledge | |
Huang et al. | Social friend recommendation based on multiple network correlation | |
CN111475724A (zh) | 一种基于用户相似度的随机游走社交网络事件推荐方法 | |
Feng et al. | Improving performances of Top-N recommendations with co-clustering method | |
Aliannejadi et al. | A joint two-phase time-sensitive regularized collaborative ranking model for point of interest recommendation | |
Gogna et al. | DiABlO: Optimization based design for improving diversity in recommender system | |
KR20100109847A (ko) | 소셜 네트워크를 통한 사용자 신뢰도 평가 방법 및 이를 통한 컨텐츠 신뢰도 평가 시스템 및 방법 | |
CN112507246B (zh) | 一种融合全局和局部社会兴趣影响的社会推荐方法 | |
CN110119478B (zh) | 一种结合多种用户反馈数据的基于相似度的物品推荐方法 | |
Yuan et al. | Augmenting collaborative recommender by fusing explicit social relationships | |
Chen et al. | Top-k followee recommendation over microblogging systems by exploiting diverse information sources | |
Mao et al. | Hybrid ecommerce recommendation model incorporating product taxonomy and folksonomy | |
Huang et al. | Information fusion oriented heterogeneous social network for friend recommendation via community detection | |
Liu et al. | Collaborative prediction for multi-entity interaction with hierarchical representation | |
Pathak et al. | A knowledge reuse framework for improving novelty and diversity in recommendations | |
Yang et al. | Design and application of handicraft recommendation system based on improved hybrid algorithm | |
Liu et al. | Car: Incorporating filtered citation relations for scientific article recommendation | |
Liang et al. | Supervised ranking framework for relationship prediction in heterogeneous information networks | |
Díez et al. | Movie recommendations based in explicit and implicit features extracted from the Filmtipset dataset | |
Yao et al. | User recommendation method based on joint probability matrix decomposition in CPS networks | |
Chen et al. | Movie recommendation in heterogeneous information networks | |
Zhao et al. | Learning with heterogeneous side information fusion for recommender systems | |
Li | Research on e-business requirement information resource extraction method in network big data |
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 |