本文選題：LBSN(location-based　切入點：mobile　出處：《軟件學(xué)報》2017年08期

【摘要】：隨著社交網(wǎng)絡(luò)的不斷發(fā)展,朋友推薦已成為各大社交網(wǎng)絡(luò)青睞的對象,在能夠幫助用戶拓寬社交圈的同時,可以通過新朋友獲取大量信息.由此,朋友推薦應(yīng)該著眼于拓寬社交圈和獲取信息.然而,傳統(tǒng)的朋友推薦算法幾乎沒有考慮從獲取信息的角度為用戶推薦潛在好友,大多是依賴于用戶在線的個人資料和共同的物理空間中的簽到信息.而由于人們的活動具有空間局部性,被推薦的好友分布在用戶了解的地理空間,并不能滿足用戶通過推薦的朋友獲取更多理信息的需求.采用用戶在物理世界中的簽到行為代替虛擬社交網(wǎng)絡(luò)中的用戶資料,挖掘真實世界中用戶之間簽到行為的相似性,為用戶推薦具有相似的簽到行為且地理位置分布更廣泛的陌生人,能夠增加用戶接受被推薦的陌生人成為朋友的可能性,在保證一定的推薦精度的基礎(chǔ)上,增加用戶的信息獲取量.采用核密度估計估算用戶簽到行為的概率分布,用時間熵度量簽到行為在時間上的集中程度,選擇可以為用戶帶來更多新的地理信息的陌生人作為推薦的對象,通過大規(guī)模Foursquare的用戶簽到數(shù)據(jù)集,驗證了該算法能夠在精度上保證與目前已有的LBSN上陌生人推薦算法的相似性,在信息擴大程度上高于上述已有算法.
[Abstract]:With the continuous development of social networks, friend recommendation has become a favorite of social networks, which can help users broaden their social circle and get a lot of information through new friends. Friend referrals should be aimed at broadening the social circle and getting information. However, traditional friend recommendation algorithms rarely consider recommending potential friends to users from the point of view of getting information. Most rely on online personal data and check-in information in a common physical space. Because people's activities are spatially localized, recommended friends are distributed in the geographic space the user understands. It can not meet the need for users to obtain more information through recommended friends. The user's check-in behavior in the physical world is used instead of user data in virtual social networks, and the similarity of check-in behavior among users in the real world is mined. Recommendation of strangers with similar check-in behaviors and wider geographical distribution can increase the likelihood that users will accept recommended strangers as friends and ensure a certain recommendation accuracy. The kernel density estimation is used to estimate the probability distribution of the user's check-in behavior, and the time entropy is used to measure the concentration of the check-in behavior in time. Select strangers who can bring users more new geographic information as recommendation objects, and sign in data sets through large scale Foursquare users, It is verified that the proposed algorithm can guarantee the similarity with the existing strangers' recommendation algorithm on LBSN in accuracy, and is higher in the degree of information expansion than that of the existing algorithms.
【作者單位】： 哈爾濱工業(yè)大學(xué)計算機科學(xué)與技術(shù)學(xué)院;哈爾濱理工大學(xué)軟件學(xué)院;
【基金】：國家自然科學(xué)基金(61370214,61300210)~~
【分類號】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機系統(tǒng)應(yīng)用;2006年10期

2 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計算機應(yīng)用;2007年06期

3 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

4 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

5 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強;;智能博物館環(huán)境下的個性化推薦算法[J];計算機工程與應(yīng)用;2010年19期

6 王文;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

7 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評價估計的混合推薦算法研究[J];微計算機信息;2010年36期

8 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機工程與應(yīng)用;2011年16期

9 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(自然科學(xué)版);2011年03期

10 尹長青;楊單稷;;基于視頻的智能推薦算法[J];科技傳播;2011年22期

相關(guān)會議論文 前7條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應(yīng)用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 梁莘q，

本文編號：1690712