基于鏈路預(yù)測的社交網(wǎng)絡(luò)推薦系統(tǒng)研究.pdf

1、近十年來，隨著社交網(wǎng)絡(luò)的急劇發(fā)展，研究社交網(wǎng)絡(luò)中用戶以及用戶之間的關(guān)系構(gòu)成的復(fù)雜網(wǎng)絡(luò)是面臨的新問題。推薦系統(tǒng)的誕生雖然一定程度緩解了社交網(wǎng)絡(luò)的信息過載和信息迷茫，然而，社交網(wǎng)絡(luò)中的推薦系統(tǒng)和傳統(tǒng)的推薦系統(tǒng)不同。傳統(tǒng)的推薦系統(tǒng)只注意數(shù)據(jù)實體自己，而社交網(wǎng)絡(luò)推薦系統(tǒng)對數(shù)據(jù)實體之間的連接同樣關(guān)注。社交網(wǎng)絡(luò)與傳統(tǒng)靜態(tài)網(wǎng)絡(luò)不同，它是一種動態(tài)網(wǎng)絡(luò)，伴隨著時間的變化，網(wǎng)絡(luò)中不停的有新的實體和連接加入，也不停的有老的實例和連接消逝，這種動態(tài)變化的性質(zhì)決

2、定了社交網(wǎng)絡(luò)的研究與傳統(tǒng)靜態(tài)網(wǎng)絡(luò)的研究會存在很大差異。鏈路預(yù)測在這種背景下應(yīng)時而生，社交網(wǎng)絡(luò)中的鏈路預(yù)測是指通過已獲悉的網(wǎng)絡(luò)用戶節(jié)點、拓撲結(jié)構(gòu)等多種信息，預(yù)測社交網(wǎng)絡(luò)中沒有產(chǎn)生連接的兩個用戶節(jié)點之間產(chǎn)生連邊的概率。顯然，只要預(yù)測的精度足夠高，必然會提升用戶對社交網(wǎng)站的滿意度和忠誠度。鑒于社交網(wǎng)絡(luò)的復(fù)雜現(xiàn)狀，本文針對社交網(wǎng)絡(luò)，建立基于鏈路預(yù)測的社交網(wǎng)絡(luò)推薦系統(tǒng)模型，研究了影響用戶之間相互關(guān)系的一些因素，提出了基于結(jié)合算法的鏈路預(yù)測方法。<

3、br>　　首先，總結(jié)網(wǎng)絡(luò)平均路徑長度、聚類系數(shù)、度分布理論等基本性質(zhì)的基礎(chǔ)上，基于圖論的相關(guān)思想，將鏈路預(yù)測引入社交網(wǎng)絡(luò)中，構(gòu)建基于鏈路預(yù)測的社交網(wǎng)絡(luò)推薦系統(tǒng)模型。對常見的基于節(jié)點接近性的鏈路預(yù)測方法、基于釋然分析的鏈路預(yù)測以及基于概率的鏈路預(yù)測三類鏈路預(yù)測方法進行詳細介紹。
　　然后，在比較頂點度特征、優(yōu)先鏈接特征、共同鄰居特征（Common Neighbors，CN）、Adamic-Adar指標等多種基于網(wǎng)絡(luò)拓撲結(jié)構(gòu)的指標的基

4、礎(chǔ)上，選擇基于共同鄰居的接近性方法作為網(wǎng)絡(luò)拓撲結(jié)構(gòu)接近性的基準方法；并且，將每個新浪微博用戶的節(jié)點屬性劃分為背景信息、社交信息、微博文本、交互信息四類，通過分析篩選出具有代表的4種節(jié)點屬性指標，在此基礎(chǔ)上定義了基于用戶粉絲數(shù)量、關(guān)注用戶數(shù)量、用戶所發(fā)微博數(shù)量、轉(zhuǎn)發(fā)數(shù)量四種微博用戶屬性的接近性算法；
　　最后提出了一種結(jié)合用戶屬性特性和網(wǎng)絡(luò)拓撲結(jié)構(gòu)的社交網(wǎng)絡(luò)鏈路預(yù)測方法——結(jié)合算法，將基于網(wǎng)絡(luò)結(jié)構(gòu)特征的CN指標和其他四個基于微博用戶