积分商城

最新搜索： ispLEVER ESAM sonar STM8S003 BRIGHTEK 电解电容封装库
您现在的位置是：首页 > 技术资料 > 一种基于二部图和节点角色划分的社交网络推荐方案
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

一种基于二部图和节点角色划分的社交网络推荐方案

更新时间：2019-12-24 13:59:44 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：社交网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

针对现有社交网络用户推荐方案中大规模网络个体相似性计算复杂度高以及个体节点无差异对待的问题,本文提出一种基于二部图和节点角色划分的推荐方案.首先,通过划分重叠群体简化原生社交网络结构,并进一步构建群体-个体二部图模型;其次,通过群体-个体二部图所反映的拓扑特征,结合节点自身属性特征,对个体进行角色划分,提出一种基于群体-个体二部图的角色划分模型;最后,针对大规模网络中计算个体相似性复杂度高的问题,构建基于角色差异下的个体-个体二部图模型,实现层次化、个性化的推荐.实验表明,该方案适用于对社交网络中兴趣广泛度存在差异的个体间进行好友推荐,并在较小规模的二部图上生成目标个体推荐列表,降低了计算个体相似性的复杂度.


部分文件列表

文件名 大小
一种基于二部图和节点角色划分的社交网络推荐方案.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
10  
Vol． 45 No． 10  
Oct． 2017  
第
期
电
子
学
报
2017  
10  
ACTA ELECTRONICA SINICA  
年
月
一种基于二部图和节点角色划分的  
社交网络推荐方案  
， ，  
肖云鹏 刘瀚松 刘宴兵  
(
，
重庆邮电大学网络与信息安全技术重庆市工程实验室 重庆  
400065)  
:
摘
要
针对现有社交网络用户推荐方案中大规模网络个体相似性计算复杂度高以及个体节点无差异对待的  
， ． ， ，  
问题 本文提出一种基于二部图和节点角色划分的推荐方案 首先 通过划分重叠群体简化原生社交网络结构 并进一  
- ; ， - ， ，  
步构建群体 个体二部图模型 其次 通过群体 个体二部图所反映的拓扑特征 结合节点自身属性特征 对个体进行角  
， - ; ，  
色划分 提出一种基于群体 个体二部图的角色划分模型 最后 针对大规模网络中计算个体相似性复杂度高的问题  
，
- ， 、 ． ，  
构建基于角色差异下的个体 个体二部图模型 实现层次化 个性化的推荐 实验表明 该方案适用于对社交网络中兴  
， ，  
趣广泛度存在差异的个体间进行好友推荐 并在较小规模的二部图上生成目标个体推荐列表 降低了计算个体相似性  
．
的复杂度  
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
:
;
;
;
社交网络 二部图 角色划分 个体推荐  
:
TP393  
:
A
: 0372-2112 ( 2017) 10-2425-09  
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 10． 016  
文献标识码  
文章编号  
电子学报  
A Social Network Recommendation Scheme Based on  
Bipartite Graph and Node Role Division  
XIAO Yun-peng，LIU Han-song，LIU Yan-bing  
( Chongqing Engineering Laboratory of Internet and Information Security，  
Chongqing University of Posts and Telecommunications，Chongqing 400065，China)  
Abstract: In the view of the high complexity about similarity calculation and the indifference about individual nodes，  
a social network recommendation scheme based on bipartite graph and node role division is presented in this study． Firstly，  
the native social network structure is simplified by dividing overlapping groups． Furthermore，the bipartite graph model of  
group and individual is given． Secondly，the role division model is proposed by combining topological features of bipartite  
graph with node attributes． Finally，in order to resolve high computational complexity，the individual bipartite graph model is  
constructed based on user role difference． The model implements a hierarchical and personalized recommendation． Experi-  
ments show that the scheme can effectively recommend among social users who have different interests． In addition，the com-  
plexity of individual similarity computation is reduced because the target individual recommendation list is generated based  
on small scale bipartite graph．  
Key words: social network; bipartite graph; role division; individual recommendation  
Amazon  
国内外的新浪和  
等都不同程度使用了推荐系  
1
引言  
、
统帮助人们更准确 更高效地获取信息  
．
Internet  
的迅猛发展使得信息大规模地出现在我们  
推荐系统经历了从非个性化到个性化的发展过  
［1］  
， ，  
面前 推荐系统顺势成为解决信息过载的重要技术 如  
， :  
个性化推荐方法被大致分为四类 基于协同过滤  
程
: 2016-06-07;  
: 2017-04-09;  
:
收稿日期  
修回日期  
重点基础研究发展计划  
( No． MCM20130351) ;  
责任编辑 孙瑶  
:
基金项目 国家  
973  
( No． 2013CB329606) ;  
( No． 61272400) ;  
( No． cstc2013kjrc-qn-  
国家自然科学基金  
重庆市青年人才项目  
rc40004) ;  
-
( No． CYS14146) ;  
( No．  
重庆市教委科学计划项目  
教育部 中国移动研究基金  
重庆市研究生研究与创新项目  
KJ1500425) ; ( No． WF201403)  
重庆邮电大学文峰基金  
2426  
2017  
年
电
子
学
报
［2］  
［3］  
［4］  
、
、
，
同现实社会一样 个体在社交网络中也扮演着不  
的推荐  
和混合推荐  
测评分准确率却在一定程度上忽略了用户兴趣程度因  
基于内容的推荐  
基于网络结构的推荐  
［5］  
．
．
同角色 角色是按照某一体系或标准划分的个体类型  
，
部分研究者们把重心放在如何提高预  
．
某类角色代表着具有某种相同特征的个体集 对于个  
［6 ～ 8］  
，topN  
素
推荐解决了预测评分准确而用户不感兴趣  
U ，  
i
R ．  
其所拥有的角色常用符号 表示 角色划分是一  
Ui  
体
．
的困境  
，
研究者常常把网络抽象为图结构 利用其结构特  
．
个把全部个体节点划分为多类角色的过程 为实现角  
， ，  
色划分 可分析社交网络所反映的结构特征 比如分析  
［9］  
．
性分析网络 例如  
，Zhou  
-
等人 提出一种基于用户 物  
，
全部节点的度分布规律 得出节点在网络中所具有的  
，
品二部图的物品相似度计算方法 并据此为用户推荐  
，
重要程度 根据程度差异把全部节点划分为重要节点  
、
［10］  
． Xu  
其未收藏的物品  
等人 利用三部图为交通网络建  
、 ． ，  
活跃节点 流失节点等角色 同时 角色划分也可通过相  
，
模 提出一种新的基于数据驱动的方法以发现路网中  
K-Means、BIRCH( Balanced Iterative Re-  
关的聚类方法如  
ducing and Clustering using Hierarchies)  
．
重要的十字路口  
以及图聚类等把  
，
进一步 在基于网络结构的  
topN  
，
推荐中 常常分析  
．
相似节点聚成一类  
， ，  
社交用户的相似性 一般而言 用户节点相似性如果越  
［11］  
3
模型  
，
高 推荐就越容易成功  
．
， ［12］  
此外 文献 探究了不相  
．
似用户是否有助于提高推荐效果 将群体现象引入到  
3． 1  
模型框架  
社交网络并把用户划分到重叠或非重叠群体可降低计  
， :  
本模型框架可划分成三个关键部分 包括 ①群体  
［13］  
．
算复杂度 张等人 基于链接相似性聚类识别重叠社  
:
发现 首先把多领域的物品类型抽象成多维度的兴趣  
． ［14］  
区 文献 提出一种动态贝叶斯非负矩阵分解方法  
，
群体 再利用个体所收集的各类物品信息把个体归属  
［15］  
．
以发现重叠群体 吴等人 综合利用社交网络中个体  
， -  
到对应的兴趣群体 最终为群体和个体构建群体 个体  
，
的多维属性 提出一种高效的社团发现算法用以发现  
; : -  
二部图模型 ②角色划分 首先利用已形成的群体 个体  
［16］  
．
动态网络中的群体 王等人 设计一种启发式聚类模  
，
二部图 根据二部图所反映的拓扑信息结合节点自身  
，
型 在未设定类别数目下对用户自由聚类以客观确定  
， ，  
的属性信息 再综合本文定义的角色划分标准 最终聚  
．
用户邻居数  
， ; :  
类全部个体 实现角色划分 ③生成推荐列表 首先对多  
，
此外 在社交网络分析中一个有意义的研究点是  
，
类角色所对应的个体集两两组合 构建多个角色差异  
，
分析社交用户的相似性或相异性 据此发现节点重要  
- ，  
下的个体 个体二部图 再基于一个该类二部图生成目  
．
性排名并划分出所有用户的角色 对角色划分的研究  
，
标个体的推荐个体列表 最后基于多个该类二部图所  
［17 ～ 20］  
、
已覆盖到舆情监测 链接预测等多个领域  
．
，
综上  
，
生成的推荐个体列表 综合生成目标个体的最终推荐  
，
考虑到二部图在描述两类不同对象及其关系的优势  
．
个体列表  
3． 2  
3． 2． 1  
定义  
， -  
同时为形式化刻画社交网络群体 本文构建群体 个体  
问题建模  
，
二部图模型 综合该模型结构特征与节点自身所具有  
-
群体 个体二部图模型  
， ．  
的属性特征分析节点重要性 实现角色划分 进一步地  
，
1
C = { C | i = 1，2，…，m} ，  
对每  
i
兴趣群体集  
，
本文把角色划分应用于推荐 最终提出一种基于二部  
C ， C = { C | j = 1，2，…，s } ． C  
表示如电影等某  
i
一个  
有
i
i
ij  
i
．
图和节点角色划分的社交网络推荐方案  
，m  
，C  
i
表示第 个  
个领域下的兴趣群体集  
表示领域数  
ij  
2
相关知识  
j
领域下的第 个兴趣群体  
，s  
i
i
表示第 个领域下的群  
．
体数  
， ，  
在社交网络中 好友推荐作为信息推荐之一 其本  
2
-
兴趣群体 个体二部图  
G = ( C，U，E ) ，  
cu  
定义  
cu  
质是通过计算目标个体与其他个体的相似性实现信息  
C
其中 表示兴趣群体集  
，U  
，E  
，
表示边集  
表示个体集  
，
过滤 最终选择并推荐目标个体可能感兴趣的其他个  
cu  
E
C
且
中任意一条边所关联的两个顶点分别 属 于  
． ．  
体 两个个体越相似则越有可能成为好友 对于个体  
U
cu  
i
U．  
和
U ，  
常用符号  
j
sim ( U ，U )  
j
．
表示其相似性 个体相  
和个体  
i
， ，  
首 先 根 据 物 品 类 型 定 义 兴 趣 群 体 类 型 用  
似性计算的常用方法包括基于共同好友的相似性计  
type ( I)  
． i  
表示物品类型 如果个体在第 个领域下所收  
、 ．  
算 基于共同群体的相似性计算等 共同好友相似性定  
j
藏的第 类物品数占该个体所收藏的全部物品数比例  
uRat iRat ，  
则
j
sim ( U ，U ) = | F  
i
F | ，  
其中  
Uj  
F
F
和 分别是个  
Uj  
义为  
∩
j
Ui  
Ui  
U
U ．  
的 好 友 集 合 共 同 群 体 相 似 性 定 义 为  
j
大于等于该类物品数占全部物品数比例  
体
和
j
i
sim ( U ，U ) = | C  
j
C | ，  
其中  
Uj  
C
C
U
C ．  
ij  
isInCommunity ( U ，C )  
函数 决定  
k
∩
和
分别是个体  
把个体加入群体  
i
Ui  
Ui  
Uj  
i
ij  
U
．
U
是否加入  
k
C :  
ij  
和
所加入的群体集合  
j

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号