基于位置社交網(wǎng)絡(luò)的朋友關(guān)系預(yù)測(cè)研究.pdf

1、隨著社交網(wǎng)絡(luò)的普及以及移動(dòng)智能設(shè)備的發(fā)展，基于位置的社會(huì)網(wǎng)絡(luò)（Location-Based Social Network，LBSN）逐漸進(jìn)入人們的生活。LBSN通過(guò)將用戶移動(dòng)行為和地理位置信息關(guān)聯(lián)，充分挖掘用戶潛在行為與其日?；顒?dòng)位置的相關(guān)性，使線上虛擬世界和線下現(xiàn)實(shí)生活之間建立密切聯(lián)系，為社會(huì)關(guān)系預(yù)測(cè)等領(lǐng)域開(kāi)辟新的研究方向。LBSN中的簽到數(shù)據(jù)包含用戶時(shí)間、空間等多重信息，為朋友關(guān)系預(yù)測(cè)提供了可能。
　　但是，LBSN網(wǎng)絡(luò)結(jié)構(gòu)比

2、較稀疏，難以完整反映個(gè)體簽到行為。因此，從現(xiàn)有的數(shù)據(jù)中挖掘用戶完整信息，并利用隱含知識(shí)刻畫(huà)用戶特征，成為用戶行為研究的重要方向。為了實(shí)現(xiàn)上述目標(biāo)，本文提出基于支持向量機(jī)（Support Vector Machine,SVM）的朋友關(guān)系預(yù)測(cè)框架，并利用Gowalla和Brightkite兩個(gè)數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明該方法的有效性和可行性。具體來(lái)說(shuō)，本文主要研究工作包括以下四個(gè)方面：
　　1.分析Gowalla和Brightkit

3、e數(shù)據(jù)集中用戶行為特征，如用戶好友數(shù)、簽到地點(diǎn)以及簽到次數(shù)，發(fā)現(xiàn)其均呈長(zhǎng)尾分布，并且兩個(gè)網(wǎng)絡(luò)中擁有好友數(shù)超過(guò)50個(gè)的用戶占極小比例。在Brightkite中簽到次數(shù)小于10的達(dá)到43.5％，進(jìn)一步說(shuō)明數(shù)據(jù)的稀疏性，給好友預(yù)測(cè)帶來(lái)新的挑戰(zhàn)。
　　2.利用用戶簽到時(shí)空信息，分析用戶移動(dòng)區(qū)域以及移動(dòng)周期，進(jìn)而挖掘用戶移動(dòng)規(guī)律。分析移動(dòng)區(qū)域時(shí)，發(fā)現(xiàn)絕大部分用戶只在較小的范圍內(nèi)活動(dòng)。相對(duì)而言，Gowalla數(shù)據(jù)集中的用戶活動(dòng)半徑較大。對(duì)移動(dòng)

4、周期的分析得知，用戶活動(dòng)呈現(xiàn)出一定的周期性，與人們的生活規(guī)律相契合。
　　3.在上述網(wǎng)絡(luò)結(jié)構(gòu)以及用戶移動(dòng)行為分析的基礎(chǔ)上進(jìn)行特征提取。根據(jù)傳統(tǒng)基于節(jié)點(diǎn)相似性的度量方法，提出本文用戶社交關(guān)系計(jì)算方法，并提取用戶簽到距離以及簽到類(lèi)型作為朋友關(guān)系預(yù)測(cè)的輸入特征。
　　4.建立基于SVM的朋友關(guān)系預(yù)測(cè)框架，融合上述特征分別對(duì)朋友關(guān)系進(jìn)行分類(lèi)預(yù)測(cè)，并用準(zhǔn)確率、召回率、F1-measure以及AUC值進(jìn)行評(píng)估，發(fā)現(xiàn)社交關(guān)系對(duì)朋友預(yù)測(cè)的影