社会网络中的社区发现及协同过滤推荐技术研究

摘要

信息技术的发展促进了现实人类社会与虚拟网络空间的深度融合，人们在信息化环境中留下的数字足迹汇聚成多种多样的关系网络。迅速积累的海量交互数据蕴含着巨大的商业价值和研究价值，对社会网络进行分析、挖掘，揭示数据背后的规律已成为许多研究人员关注的课题。
　　社区结构作为社会网络最重要的拓扑属性，具有同一社区内部的节点间联系紧密，而社区间的节点连接稀疏的特点。网络中社团结构的检测有助于揭示复杂网络的层次结构，全面透彻地分析节点间的社会关系。另一方面，社交网络的研究也促进了广告推荐、精准营销等业务的发展，借助用户间的社交关系网络，有助于缓解推荐系统中的数据稀疏性、冷启动等问题。
　　针对如何有效地挖掘出具有实际意义的社区结构，以及如何利用社交网络改善传统推荐系统的性能等问题，本文进行了深入的研究，取得的研究成果如下:
　　1.现有的社区发现算法大多将焦点集中在节点的聚类方法上，忽略了对节点间关系的研究，而节点间相似度的定义同样影响着社区检测的性能。对此，本文在模块度谱分析算法的基础上，提出一种基于近邻关系迭代更新的社区检测模型。以一种自学习的方式，通过多次迭代修正网络的关系矩阵，使其更精确的刻画节点间的关系，从而提高算法社区划分的性能。
　　2.社会网络中实体间的关系往往是多元化的，针对多关系网络社区检测，本文提出一种基于异质关系间共享局部结构的社区挖掘算法;该模型将网络节点的聚类分两个阶段进行:首先通过提取多种关系间的共享局部信息，对网络中的节点进行了局部划分;然后，基于划分出来的社区子集，定义一种节点簇的凝聚度函数，并按照凝聚度增益最大化的原则将待划分的节点的依次归类。
　　3.为了缓解协同过滤推荐技术中存在的稀疏性问题，本文借助用户间的社交关系网络，提出一种融合社会关系网络的协同过滤推荐算法。模型中，我们同时考虑了用户实际行为与社交行为的同质性（一致性）和异质性，并将两个方面融合到了矩阵分解的框架当中。其中，通过联合分解评分矩阵与社交关系矩阵得到的用户共享潜在因子，实现了用户社交信息的有效迁移。在豆瓣等数据集上的实验结果验证了所提模型的有效性。

目录

声明

致谢

摘要

1 绪论

1．1 论文的研究背景和意义

1．2 网络社区发现及推荐技术发展研究现状

1．2．1 复杂网络社区检测技术现状

1．2．2 推荐技术研究现状

1．3 本文的研究工作

1．4 论文的安排

1．5 本章小结

2 社区发现算法与协同过滤推荐技术

2．1 社区发现算法介绍

2．1．1 基于谱方法的社区发现

2．1．2 基于层次聚类的社区发现

2．1．3 基于模块度优化的社区发现

2．2 协同过滤推荐技术

2．2．1 基于内存的协同过滤推荐

2．2．2 基于模型的协同过滤推荐

2．2．3 协同过滤推荐技术现存问题

2．3 本章小结

3 基于近邻关系迭代更新的社区检测

3．1 相关工作

3．2 基于近邻关系迭代更新的社区检测

3．2．1 可信近邻关系图

3．2．2 节点相似度的传递

3．3 实验结果与分析

3．3．1 实验数据集描述

3．3．2 评价指标及实验结果

3．3．3 算法的参数影响

3．4 本章小结

4 基于异质关系间共享局部结构的社区发现

4．1 相关工作

4．2 基于共享局部结构的异构网络社区挖掘

4．2．1 共享局部信息的提取(Extraction step)

4．2．2 基于信息增益的节点聚类(Agglomeration step)

4．2．3 共享局部结构的更新

4．3 实验结果与分析

4．3．1 实验数据集及对比结果

4．3．2 收敛性分析

4．4 本章小结

5 融合社交网络的协同过滤推荐技术

5．1 相关工作

5．1．1 矩阵分解模型

5．1．2 基于社交网络的推荐技术

5．2 融合社交网络的协同过滤推荐模型

5．2．1 模型建立

5．2．2 参数学习

5．2．3 收敛性证明

5．3 实验结果与分析

5．3．1 实验数据集与评价指标

5．3．2 实验设计及对比

5．3．3 参数分析

5．4 本章小结

6 总结

6．1 工作总结

6．2 工作展望

参考文献

作者简历

学位论文数据集