积分商城

最新搜索： zynq 例程 player 水文监测数据通信规约 S7 200 PCB天线 ATMEGA32
您现在的位置是：首页 > 技术资料 > LBSN上基于兴趣圈中社会关系挖掘的推荐算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

LBSN上基于兴趣圈中社会关系挖掘的推荐算法

更新时间：2019-12-30 13:42:28 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：LBSNGPS 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

随着带有GPS定位功能的智能手机越来越普遍,人们喜欢分享他们的地理位置或者通过评论某个地方的商品从而留下用户的足迹,这引发了以共同的兴趣点(POIs)为中心,基于地理位置信息的社交网络研究(location based social network,LBSN).社交网络中的一类典型应用是推荐系统,而推荐系统中最常见的问题是冷启动,即在用户很少点评商家或分享评论时如何为他推荐感兴趣的商家.为解决冷启动问题,提出了一种在社交网络中基于兴趣圈的社会关系挖掘推荐算法.兴趣圈是由所有访问某一类别商品的用户群及他们之间的社会关系构成的社交联系,不同的用户访问同一类别商品表明他们对此类别具有相似兴趣.该方法在传统矩阵分解模型的基础上考虑不同的兴趣圈上的社会关系,使用的社会关系包括朋友关系(显性关系)和相关专家(隐性关系),并用它们作为规则化项来优化矩阵分解模型.实验数据集来自第5届Yelp挑战赛和自己爬取的Foursquare数据集,提出的方法与已有模型进行了充分的实验对比分析,结果表明,我们的模型特别是在解决冷启动问题方面优于多种现有的方法.


部分文件列表

文件名 大小
ＬＢＳＮ上基于兴趣圈中社会关系挖掘的推荐算法.pdf 2M

【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）
DOI: 10． 7544issn1000-1239． 2017． 20150788  
54( 2) : 394 － 404，2017  
计算机研究与发展  
Journal of Computer Research and Development  
LBSN  
上基于兴趣圈中社会关系挖掘的推荐算法  
1，2  
1
3
4
1
李
鑫
刘贵全  
李
琳
吴宗大 丁君美  
1
(
(
(
(
230022)  
中国科学技术大学计算机科学与技术学院 合肥  
2
3
4
230088)  
科大讯飞股份有限公司大数据研究院 合肥  
430070)  
武汉理工大学计算机科学与技术学院 武汉  
温州大学瓯江学院计算机科学与技术学院 浙江温州  
( xinli2@ iflytek． com)  
325035)  
Circle-Based and Social Connection Embedded Recommendation in LBSN  
1，2  
1
3
4
1
Li Xin ，Liu Guiquan ，Li Lin ，Wu Zongda ，and Ding Junmei  
1
( School of Computer Science and Technology，University of Science and Technology of China，Hefei 230022)  
2
3
( Big Data Research Institute，iFlytek Co． ，Ltd，Hefei 230088)  
( School of Computer Science and Technology，Wuhan University of Technology，Wuhan 430070)  
( School of Computer Science and Technology，Oujiang College Wenzhou University，Wenzhou，Zhejiang 325035)  
4
Abstract With the pervasiveness of GPS-enabled smart phones，people tend to share their locations online or  
check in at somewhere by commenting on the merchants，thus arousing the prevalence of LBSN ( location  
based social network) ，which takes POIs ( point-of-interests) as the center． A typical application in social  
networks is the recommendation system，and the most common problem in recommendation system is cold  
start，that is，how to recommend for the users who rarely comment on the item or share comments． In this  
paper，we propose a recommendation algorithm based on circle and social connections in social networks． The  
circle is made up by all users who visit a particular category of items and their social connections． It means he  
is interested in this category that a user accesses the category of items． Our algorithm considers different social  
connections and circles on tradition matrix factorization． The social connections we use include the relationship  
between friends( explicit relation) and relevant experts( implicit) ，which are used as the rule to optimize the  
matrix factorization model． Experiments are conducted on the datasets from the 5th Yelp Challenge Round and  
Foursquare． Experimental results demonstrate that our approach outperforms traditional matrix factorization  
based methods，especially in solving cold-start problem．  
Key words point-of-interests ( POIs) ; recommendation; interest circle; social connection; cold-start  
GPS  
，
摘
要
随着带有  
某个地方的商品从而留下用户的足迹 这引发了以共同的兴趣点  
( location based social network，LBSN) ．  
定位功能的智能手机越来越普遍 人们喜欢分享他们的地理位置或者通过评论  
，
( POIs)  
，
为中心 基于地理位置信息的  
，
社交网络中的一类典型应用是推荐系统 而推荐系  
社交网络研究  
， ．  
统中最常见的问题是冷启动 即在用户很少点评商家或分享评论时如何为他推荐感兴趣的商家 为解决  
－ －  
: 2015 09 01;  
－ －  
: 2016 06 30  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金项目  
( 61202171) ;  
( LY15F020020) ; “ ”  
国家 八六三 高技术研究发展计划基金项目  
浙江省自然科学基金项目  
( 2015AA015403)  
This work was supported by the National Natural Science Foundation of China ( 61202171) ，the Natural Science Foundation of Zhejiang  
Province ( LY15F020020 ) ， and the National High Technology Research and Development Program of China ( 863 Program )  
( 2015AA015403) ．  
:
通讯作者 刘贵全  
( gqliu@ ustc． edu． cn)  
: LBSN  
395  
李
鑫等  
上基于兴趣圈中社会关系挖掘的推荐算法  
， ．  
冷启动问题 提出了一种在社交网络中基于兴趣圈的社会关系挖掘推荐算法 兴趣圈是由所有访问某一  
，
类别商品的用户群及他们之间的社会关系构成的社交联系 不同的用户访问同一类别商品表明他们对  
． ，  
此类别具有相似兴趣 该方法在传统矩阵分解模型的基础上考虑不同的兴趣圈上的社会关系 使用的社  
( ) ( ) ，  
会关系包括朋友关系 显性关系 和相关专家 隐性关系 并用它们作为规则化项来优化矩阵分解模  
．
型 实验数据集来自第  
5
Yelp  
Foursquare ，  
数据集 提出的方法与已有模型进行  
届
挑战赛和自己爬取的  
， ，  
了充分的实验对比分析 结果表明 我们的模型特别是在解决冷启动问题方面优于多种现有的方法  
．
; ; ; ;  
关键词 兴趣点 推荐 兴趣圈 社会关系 冷启动  
TP181  
中图法分类号  
，
POI ．  
模型准确率 兴趣圈是由所有访问某  
近年来兴起了基于地理位置信息服务的热潮  
Foursquare Yelp  
息来提高  
．
挑战赛 用户在这种在线服务  
如
和
一类别商品的用户群及他们之间的社会关系构成的  
．
，
社交联系 不同的用户访问同一类别商品表明他们  
上可以通过评论或者给商家评分分享他们的经验  
， ，  
同时 他们可以加好友或者成为别人的粉丝 从而形  
．
对此类别具有相似兴趣 模型同时采用了朋友和专  
． 2  
成了社交网络 上面的 个特性是基于位置的社交  
2 2  
种社会关系作为矩阵分解的 个正则化约束  
家
( location based social network，LBSN)  
．
． ，  
项 对一个具体用户而言 朋友或者专家的正则化项  
网络  
的基础  
中找到自己感兴趣  
的商家 成为学术界和工业界关注和研究的热点  
LBSN  
，
对他的影响可能有所不同 所以对它们的处理也完  
推荐算法可以帮助用户在  
，
． ，  
全不同 尤其对于解决冷启动情况 用户评分数比较  
．
，
少很可能朋友数也不多 所以同一类商品下的专家  
问题  
， 2  
众所周知 影响推荐系统性能的 个主要问题  
．
用户可能对推荐有很大帮助 这些朋友和专家都根  
，
是用户冷启动和数据稀疏 而冷启动问题研究的是  
据历史评分记录以及评论被划分成不同的兴趣圈  
， ．  
后 他们对系统推荐都发挥着重要的作用 我们根据  
在用户很少点评商家或分享评论时如何为他推荐感  
．
兴趣的商家 解决这类问题的可行性方案之一是将  
LBSN POI  
信息提出基于兴趣圈中社会关系挖掘的  
．
社会关系融入到推荐模型中 一个用户的品味跟与  
( circle-based and social connection embedded  
推荐算法  
，
他有社会关系的人比较相似或受他们影响 这被称  
recommendation in LBSN，CSCR) ． CSCR  
算法使用朋  
2
友和专家 种社会关系作为规则化项来优化目标函  
．
为社会学中的同质性 本文使用的社会关系包括朋  
． ，  
友和专家关系 尽管现有的推荐系统在不断改进 但  
．
数的学习 在真实数据集上的实验结果表明我们的  
LBSN  
． ，  
方法优于多种基于矩阵分解的经典方法 综上所述  
在
上对社会关系的挖掘还存在很大的空间可  
． ，  
以提升推荐系统的性能 其一 当位置信息嵌入到社  
:
本文的贡献如下  
1)  
LBSN  
， ．  
时 社会联系将会扩大 除  
，
交网络中形成新的  
提出了一种基于不同兴趣圈的推荐算法 同  
LBSN  
上显性和隐性的社会关系来提高推荐  
2 ，  
了现有的 个用户之间的关系外 另一个联系则是  
时利用  
系统的性能 尤其对于解决冷启动问题效果显著  
2)  
． 2  
用户的位置信息 如 个用户访问了同一个商品时  
，
，
．
，
说明他们共处于同一地理位置 那么他们很可能会  
2
设计了基于朋友关系和基于专家用户的  
［1］  
．
， ，  
其二 除了受自身朋友影响外 用户  
，
个正则化项 用它们作为矩阵分解目标函数的约束  
被联系起来  
，
条件 并考虑到它们对不同的用户的差异性影响  
．
也可能会受到访问过同类商品的专家的评分和评论  
． ，  
影响 这是因为在某个商品的网页上 专家的评论在  
3)  
2 ． 2  
证明了 个等价定理 ①无论 个用户的相  
， ．  
这类商品中总是排名很高 从而影响后面的用户 最  
似性是以独立方式还是平均值结合到正规化项中  
，
后 传统利用社会关系的方法解决冷启动问题的假  
， ;  
的 它们本质都是一样的 ②目标函数中所有正则化  
: ，  
设是 虽然用户访问的商品比较少 但是他有足够的  
．
项可以被视为是不同高斯分布的组合  
4) Yelp Foursquare  
，
社会关系 我们可以通过学习他的朋友或者这方面  
在
和
数据集上进行了充分  
CSCR  
的实验 结果表明 算法优于现有的基于社会  
．
专家的意见来给他们推荐 但当用户访问商品很少  
，
，
时 他很可能也没有丰富的社会关系  
．
．
信息的推荐算法  
，
本文针对上述冷启动和稀疏问题 提出一种基  
，
于相同兴趣圈的推荐系统 使用社交网络为辅助信  

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