智能會議中的社會感知推薦.pdf

1、近年來，各種學(xué)術(shù)會議、座談會、研討會等學(xué)術(shù)活動在全球范圍內(nèi)開展地越來越廣泛，這類學(xué)術(shù)活動蘊含著海量的學(xué)術(shù)資源，包括參會者的信息、學(xué)術(shù)論文以及學(xué)術(shù)報告等。通過這些學(xué)術(shù)資源，參會者可以培養(yǎng)潛在的合作可能、增強(qiáng)社會感知能力并促進(jìn)彼此之間的交流，因此如何合理利用這些學(xué)術(shù)資源變得非常重要。然而，海量的學(xué)術(shù)資源同時引起了信息過載的問題，這使得參會者難以獲得自身感興趣并恰好需要的資源。
　　因此，緩解學(xué)術(shù)資源的信息過載問題，使參會者能夠準(zhǔn)確獲得

2、必要且感興趣的信息來增強(qiáng)社交關(guān)系、促進(jìn)個人學(xué)習(xí)是一個重要的研究方向，亟需被深入關(guān)注。一方面，推薦系統(tǒng)在我們的社交生活中非常普遍并占有重要的地位，適合用來解決學(xué)術(shù)會議中的信息過載問題。另一方面，與傳統(tǒng)的學(xué)術(shù)會議相比，智能會議能夠讓參會者通過移動智能手機(jī)與其他人交互并且獲取社交推薦。
　　本文中，我們創(chuàng)新性的整合了用戶（參會者）的社會屬性（社會關(guān)系和度中心性）、用戶的興趣和研究分類，來研究智能會議中基于社會感知的推薦，并解決如下三個問

3、題:
　　(1)如何利用社會屬性為參會者推薦學(xué)術(shù)論文，以降低他們在獲取感興趣的學(xué)術(shù)論文時遇到的困難。
　　(2)如何利用社會屬性為參會者推薦學(xué)術(shù)報告會場和環(huán)境，使得參會者能夠根據(jù)他們與報告人的共同興趣參加合適的報告會。
　　(3)如何根據(jù)參會者的研究興趣來為他們推薦興趣相關(guān)的研究者，以增強(qiáng)學(xué)術(shù)交流和合作。
　　針對以上三個問題，我們的提出了創(chuàng)新性的解決方案，即本文的主要貢獻(xiàn)。
　　(1)針對第一個問題，我們

4、分析了用戶的社會關(guān)系屬性，提出了基于社會感知的學(xué)術(shù)論文推薦(SARSP)算法。SARSP通過計算參會者之間的接觸時間和接觸頻率來定義他們之間的社會聯(lián)系，從而有效區(qū)分參會者之間的強(qiáng)關(guān)聯(lián)和弱關(guān)聯(lián)，并且能夠使一些積極的參會者根據(jù)某個社會關(guān)聯(lián)閾值來決定把他們的學(xué)術(shù)論文推薦給其他強(qiáng)關(guān)聯(lián)的參會者。另外，SARSP進(jìn)一步計算參會者的眾分類，并利用歸一化的方法生成參會者的分組屬性。通過眾分類和組屬性使積極的參會者將他們的學(xué)術(shù)論文推薦給其他同組參會者（同

5、時間內(nèi)更多的參會者），我們在相關(guān)數(shù)據(jù)集上進(jìn)行了一系列基準(zhǔn)實驗，以評估SARSP推薦效果，分別稱為:社會關(guān)聯(lián)推薦和社會組推薦。評估指標(biāo)包括召回率、準(zhǔn)確率和F值。實驗結(jié)果表明，SARSP在上述評估指標(biāo)方面優(yōu)于其他最優(yōu)對比算法。另外，通過引入社會屬性信息，SARSP有效地減少了冷啟動和數(shù)據(jù)稀疏帶來的挑戰(zhàn)。
　　(2)針對第二個問題，我們根據(jù)社交群體和上下文來分析用戶的社會關(guān)聯(lián)和度中心性，提出了基于社會感知的會議場景和環(huán)境推薦(SARVE

6、)算法。SARVE通過參會者與報告者之間接觸的時間和頻率來計算他們之間的社會關(guān)聯(lián)性，并計算報告者的度中心性來度量他們的知名度，來表示參會者與報告者之間的弱關(guān)聯(lián)和強(qiáng)關(guān)聯(lián)。從而，基于參會者與報告者的強(qiáng)關(guān)聯(lián)性，并結(jié)合社會關(guān)聯(lián)強(qiáng)度閾值和報告者受歡迎程度來給參會者推薦學(xué)術(shù)報告。同時，SARVE進(jìn)一步計算參會者和報告者在研究興趣方面的關(guān)聯(lián)強(qiáng)度，并利用一個合適的模型來適配上下文關(guān)系，形成有效的推薦。我們在相關(guān)數(shù)據(jù)集上進(jìn)行了的一系列基準(zhǔn)實驗，評估了SA

7、RVE推薦結(jié)果，分別稱為:社會關(guān)聯(lián)推薦和社會上下文推薦。評估指標(biāo)包括準(zhǔn)確率、召回率和F值。實驗結(jié)果表明，SARVE在上述評估指標(biāo)方面優(yōu)于其他最優(yōu)對比算法。另外，由于引入社會屬性和上下文環(huán)境，SARVE有效的減少了冷啟動和數(shù)據(jù)稀疏帶來的挑戰(zhàn)。
　　(3)針對第三個問題，我們分析了預(yù)估的社會關(guān)聯(lián)和用戶的個性化特征，提出了基于社會和個性化感知的參會者推薦(SPARP)算法。該算法利用參會者之間的接觸時間和接觸頻率來計算他們之間的預(yù)估（精

8、確）社會關(guān)聯(lián)強(qiáng)度。為了促進(jìn)學(xué)術(shù)合作，SPARP利用強(qiáng)個性化特征和社會關(guān)聯(lián)性加權(quán)混合的方法，計算并向參會者推薦不認(rèn)識（弱關(guān)聯(lián)性）的其他參會者。我們在相關(guān)數(shù)據(jù)集上進(jìn)行了一系列基準(zhǔn)實驗，來評估SPARP推薦結(jié)果，分別稱為:合并相似系數(shù)與不同權(quán)值參數(shù)。評估指標(biāo)包括準(zhǔn)確性、平均絕對誤差(MAE)、和歸一化的平均絕對誤差(NMAE)。實驗結(jié)果表明，與其他最優(yōu)算法相比，在上述評估指標(biāo)方面，SPARP表現(xiàn)更好。另外，由于利用了社交信息和個性化特征整合的