基于用户活跃度和影响力的社区推荐系统关键技术的研究

摘要

随着互联网的普及，网页数量呈指数态势增长，并向用户传递大量信息。用户想在其中寻找感兴趣的内容变得异常困难，同时也存在一些无法被用户发现的“隐藏信息”。传统的搜索技术能帮助用户寻找信息，但搜索结果大体相同。个性化推荐技术能够按照用户的历史行为，分析其偏好并从海量信息中筛选潜在内容。近年来，随着微博、人人网、豆瓣等网络平台迅猛发展，引发了学术界对社会网络更广泛的关注。在线用户可通过社交平台传播信息，同时还可以创建或参与社区以获取感兴趣的内容。为了进一步满足用户个性化需求，虚拟社交网站有必要采取相应的社区推荐算法增加用户对网站的好感度和依赖程度。然而，社交网络的复杂多变性、非对称性、社区重叠性等问题给社区发现、划分带来严峻挑战，如何对其改进并优化成为当前急需解决的问题。 本文结合了目前社区推荐系统中的研究成果，将社区发现算法应用到社交网络中，本文的主要工作成果为： 1、提取社交网络用户信息，整合并运用到社区推荐系统中。 2、为提高社区系统中推荐结果新颖性，提出了一种基于用户转发的User-Behavior Rank(UBR)算法，在推荐算法执行前，预先分析网站中用户的影响力。UBR算法使社区推荐结果更新颖、更符合实际。 3、基于微博结构，通过量化用户的联系程度改进了GN(Girvan Newman)算法从而实现对微博社区的划分。优化的GN算法通过删除联系程度值低的边得出划分结构，适用于非对称网络结构。 4、基于社区重叠性，通过结合蚁群觅食模型和信号传递机制提出了发现重叠社区的算法。蚂蚁释放的信息素会以某一概率蒸发，将信号丢失机制应用于信息素蒸发过程，在构建蚁群行走转移矩阵过程中考虑同伴间相似度。通过上述结合，蚁群会选择更优的行走策略，运用本方法对社区分割会获得更好的结果。 5、实现了CC(Communication Community)社区推荐系统，并将UBR算法、社区发现方法应用其中。通过向目标对象推荐的博主、社区可以使其获得比较满意的结果。 本文首先总结了社区及个性化推荐两大领域的相关成果并提出了个性化推荐算法。然后通过分析用户影响力，推荐系统的对象更具针对性。同时改进了社区发现方法以解决社交网络非对称性、重叠性问题。最后实现了社区推荐系统，并将个性化社区推荐算法应用其中。

目录

声明

第一章 绪论

第二章 社区推荐系统综述

2.5本章小结

第三章 基于用户转发的User-Behavior Rank算法

3.1 PageRank算法

3.2算法概述

3.3实验与分析

3.4本章小结

第四章 基于GN的个性化社区发现算法

4.1微博社区发现模型

4.2改进的GN社区发现算法

4.3实验设计与分析

4.4本章小结

第五章 基于蚁群的重叠社区发现算法

5.1重叠社区发现模型

5.2结合蚁群和信号传递的重叠社区划分算法

5.3实验设计与分析

5.4本章小结

第六章 社区推荐系统的实现及应用

6.1社区推荐系统介绍

6.2 User-Behavior Rank在系统中的应用

6.3社区发现算法在推荐系统中的应用

6.4本章小结

第七章 总结与展望

7.1工作总结

7.2工作展望

参考文献

发表论文和科研情况

致谢