面向社會網絡的表示學習方法與推薦技術研究.pdf

1、近年來，社會網絡的蓬勃發(fā)展給人們的交流和生活帶來了極大的便利，越來越多的人從社會網絡中建立并維持社會關系。在構建網絡用戶間鏈接關系的同時，用戶的其他行為如評分也能被系統(tǒng)所記錄。這些收集到的數據能夠被進一步分析，并更好地提升各種社會網絡體驗。
　　為了構建更加完善的社會網絡，鑒于網絡稀疏性的影響，首先需要對網絡用戶進行鏈接預測。目前各類社會網絡大多具有好友推薦等功能，也就是正向鏈接預測，然而很少有社會網絡考慮負向鏈接預測。同時，常見

2、的鏈接預測算法容易受到網絡稀疏性等影響，實際效果并不好。因此，本文提出了一種基于網絡表示學習的符號網絡鏈接預測算法，通過對正向鏈接和負向鏈接的有效建模，學習網絡用戶的低維表示向量，并用其進行鏈接預測。
　　更進一步，由于社會網絡中的用戶具有購買，評分等行為，而這些行為又常常受到其鏈接用戶的影響，因此，基于社會信息的推薦技術已經成為提升推薦性能的有效手段。然而，現有的社交推薦技術往往僅停留于對鏈接用戶影響的籠統(tǒng)歸納，并沒有對其內在作

3、用機制進行清晰分類和量化。針對這一問題，本文對社交鏈接用戶對待推薦用戶的影響機制進行研究，提出了一種新的基于用戶間信任關系融合建模的概率矩陣分解模型。綜合來看，本文的研究內容和貢獻如下:
　　1)對基于網絡表示學習的符號網絡鏈接預測方法進行研究。本文首先通過數據分析驗證了符號網絡中二階距離對鏈接預測的重要作用。接著，利用網絡表示學習技術分別捕捉一階距離以及二階距離，并設計了相應的優(yōu)化算法進行求解，進而得到網絡對應的低維表示向量。最

4、后，在兩個真實數據集上的廣泛實驗驗證了本文提出模型的有效性。
　　2)對基于信任機制下概率矩陣分解的用戶評分預測方法進行研究。本文通過對用戶信任關系進行分析，利用概率矩陣分解模型有效融合了信任用戶直接影響用戶評分和間接影響用戶偏好兩種不同機制。在此基礎上，針對不同用戶受到兩種機制影響權重不同的問題，通過借助用戶評分相關性對其進行聚類并映射到相應權重，進而實現個性化用戶模型參數選擇。最后，在公開數據集的多項實驗驗證了本文提出技術框架