CN107749034A - 社交网络中一种安全的朋友推荐方法 - Google Patents
社交网络中一种安全的朋友推荐方法 Download PDFInfo
- Publication number
- CN107749034A CN107749034A CN201711146685.0A CN201711146685A CN107749034A CN 107749034 A CN107749034 A CN 107749034A CN 201711146685 A CN201711146685 A CN 201711146685A CN 107749034 A CN107749034 A CN 107749034A
- Authority
- CN
- China
- Prior art keywords
- friend
- user
- label
- mrow
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 244000097202 Rathbunia alamosensis Species 0.000 description 3
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
社交网络中一种安全的朋友推荐方法,获取某段时间内用户的全部标签信息,按照标签个数进行分类,基于Word2Vec,根据上下文内容,训练得到所有标签的词向量;基于标签匹配算法,分析用户标签的相似性,筛选用户,得到朋友候选者;第三步,***将第二步中得到的朋友候选者推荐给对应用户,用户基于隐私交换协议,自由选择对象成为朋友。本发明能很好地解决社交网络的用户隐私保护问题,为社交网络中的用户推荐志同道合且安全可靠的朋友,提高推荐方***性以及安全性、可靠性。
Description
技术领域
本发明涉及社交网络中的交友推荐方法,特别涉及社交网络中一种安全的朋友推荐方法。
背景技术
当前,随着计算机技术、现代网络技术的迅猛发展,人类社会开始进入信息化的时代,社交网络在生活中变得越来越普遍,人们开始越来越多的利用社交网络来发言、交友、聊天。预测即将出现的新的朋友关系是研究社交网络演化过程的重要途径之一。除了用户主动关注感兴趣的人之外,社交网络也会推荐可关注用户。然而,这些可关注用户大部分只是社交网络的推广,不一定符合你的兴趣。另外,社交网络也记录了大量的用户个人信息,包括用户的兴趣标签、好友互动等。通过对这些信息的详细分析,使得用户的网络形象更具象,能够确定用户真实身份的信息变得越来越多越来越明确,用户的隐私泄露问题也越来越严重。
专利[CN105740342A]公开一种基于社会关系主题模型的社交网络朋友推荐方法。专利[CN105141508A]公开了一种基于近邻关系的微博***朋友推荐方法。以上两个专利虽然结合不同用户关键字来做朋友推荐,但没有考虑到用户的隐私保护问题,因此社交网络需要一个安全可靠的朋友推荐方案。
发明内容
为解决现有技术的不足,提供社交网络中一种安全的朋友推荐方法,本发明能很好地解决社交网络的用户隐私保护问题,为社交网络中的用户推荐志同道合且安全可靠的朋友,提高推荐方***性以及安全性、可靠性。
为实现上述目的,本发明采用以下技术方案:
社交网络中一种安全的朋友推荐方法,包括以下步骤:
第一步,获取某段时间内用户的全部标签信息,按照标签个数进行分类,基于Word2Vec,根据上下文内容,训练得到所有标签的词向量;
第二步,基于标签匹配算法,分析用户标签的相似性,筛选用户,得到朋友候选者,具体步骤如下:
S21:基于第一步中得到的词向量,根据余弦相似度,计算得到与目标标签最相似的前n个标签,并且获取目标标签与他们的相似度;余弦值的范围在[-1,1]之间,值越趋近于1,代表两个向量的方向越趋近于0,他们的方向更加一致,相应的相似度也越高;余弦相似度:
其中xi为词向量的横坐标,yi为词向量的纵坐标,m为词向量的维数;
S22:选取合适的相似度阈值αi;
对每标签用户组进行以下操作:
S221:在每个标签组中,每个用户以自己的标签集为原始标签集,进行组内匹配,得到以αi为阈值的标签集合交集的大小,该阈值是用来判断两个标签是否满足相似的标准;阈值αi即为S21中得到的与原始标签最为相似的前n个标签的相似度,i的取值范围为1—n;
S222:统计每组标签组交集大小的数据,得到S=k时的个数NUMs,其中S表示交集的大小,k的取值范围为0—p,其中p为原始标签集的标签个数;
S223:分别统计S=0,S=1,…,S=p时,NUMs的大小,分析NUMs得到合适的相似度阈值;
S23:基于S22中的相似度阈值αi,进行用户之间的标签匹配,得到朋友候选者,将S22中所有的用户混合在一起,组成一个新的数据集D,进行以下操作:
S231:计算主动匹配者输入的标签个数p;
p为奇数时,只有当相似标签个数大于等于时,匹配成功;
p为偶数,只有当相似标签个数大于时,匹配成功;
S232:将主动匹配者的标签集中每个标签依次作为原始标签,与被匹配用户的每一个标签去比较,用αi作为阈值,如果与其中某个标签的相似度值大于αi,停止比较,跳到步骤S233;
S233:判断主动匹配者的标签是否匹配完,如果没有则继续执行S232,如果匹配完,则停止,跳到S234;
S234:判断S的值是否满足S231中的要求,若满足,则成为朋友候选者,若不满足则过滤掉;
第三步,***将第二步中得到的朋友候选者推荐给对应用户,用户基于隐私交换协议,自由选择对象成为朋友;
S31:主动匹配者Um向权力中心发送交友请求申请,权力中心收到请求,
在***中为Um寻找朋友候选者;
S32:权力中心以Um的标签集为原始标签集,分别计算与Uc1,Uc2,Uc3,……,
Uct的标签集交集;其中Uc1,Uc2,Uc3,……,Uct为***中的其他用户;
S33:权力中心依据规则,将标签集交集大于等于个或者个的用户ID发送给Um,同时随机产生一个密钥km,一并发送;即如果Ucj的标签集与Um的标签集交集的大小大于等于个或者个,则将Ucj的ID和密钥km发送给Um;j的取值范围为1—t
S34:主动匹配者Um收到信息之后,将自己的标签集Tm加密之后发送给朋友候选者Ucj;
S35:朋友候选者Ucj收到请求,如果接受请求则向权力中心申请对应请求,权力中心收到消息,随机产生密钥kcj,将Um的ID和密钥kcj发送给Ucj;
S36:Ucj将自己的标签集Tcj加密之后发送给Um,并将S34中接收到的信息加密之后一并发送给Um;
S37:Um收到Ucj发送的加密信息之后,将S36收到的加密标签集Tcj再次加密发送给Ucj;
S38:Um和Ucj分别通过两个加密标签集,计算得到对方的密钥kcj和km,通过密钥计算得到对方的标签集信息,成为朋友。
本发明能很好地解决社交网络的用户隐私保护问题,为社交网络中的用户推荐志同道合且安全可靠的朋友,提高推荐方***性以及安全性、可靠性。
附图说明
图1为本发明相似度阈值选取流程图
图2为本发明标签匹配流程图
图3为本发明隐私交换说明图
具体实施方案:
参照附图,本实施例通过新浪微博举例来说明本发明,这种用户推荐是一种基于隐私保护的朋友推荐方案,具体包括以下具体步骤:
以新浪微博的标签为例,两个标签用户如[1415597650:"媒体","生活"],三个标签用户如[1915604355:"音乐","美食","电影"],四个标签用户如[1816199055:"旅行","美食","音乐","爱情"],五个标签用户如[3252878610:"星座","旅行","美食","交友","明星"],六个标签用户如[1844938931:"唱歌","电影","觅食","阅读","工作","交友"]。
第一步,获取某段时间内新浪微博用户的全部标签信息,按照标签个数进行分类,分成两个标签用户,三个标签用户,四个标签用户,五个标签用户,六个标签用户五大类。基于Word2Vec,根据上下文内容,训练得到所有标签的词向量。
Word2Vec是Google在2013年开源的一款将词表示为实数值向量的高效工具,它的基本思想是通过训练将每个词映射成K维实数向量,K一般为模型中的超参数,通过词之间的距离,比如cosine相似度、欧氏距离等来判断它们之间的语义相似度。
第二步,基于标签匹配算法,分析用户标签的相似性,筛选用户,得到朋友候选者,具体步骤如下:
S21:基于第一步中得到的词向量,根据余弦相似度,计算得到与目标标签最相似的前n个标签,并且获取目标标签与他们的相似度;余弦值的范围在[-1,1]之间,值越趋近于1,代表两个向量的方向越趋近于0,他们的方向更加一致,相应的相似度也越高。余弦相似度:其中xi为词向量的横坐标,yi为词向量的纵坐标,m为词向量的维数。
S22:选取合适的相似度阈值αi;
分别选取两个标签用户组,三个标签用户组,四个标签用户组,五个标签用户组,六个标签用户组,每组100个用户,对每组进行以下操作:
S221:在每个标签组中,每个用户以自己的标签集为原始标签集,进行组内匹配,得到以αi为阈值的标签集合交集的大小,该阈值是用来判断两个标签是否满足相似的标准;阈值αi即为S21中得到的与原始标签最为相似的前n个标签的相似度,i的取值范围为1—n;
S222:统计每组标签组交集大小的数据,得到S=k时的个数NUMs,其中S表示交集的大小,k的取值范围为0—p,其中p为原始标签集的标签个数,如当原始标签集为两个标签时,k的取值范围为:[0-2],S的取值为:S=0,S=1,S=2;
S223:分别统计S=0,S=1,…,S=p时,NUMs的大小,分析NUMs得到合适的相似度阈值。
S23:基于S22中的相似度阈值αi,进行用户之间的标签匹配,得到朋友候选者。将S22中所有的用户混合在一起,组成一个新的数据集D,进行以下操作:
S231:计算主动匹配者输入的标签个数p。假设p为奇数,只有当相似标签个数大于等于时,才算匹配成功,p为偶数,只有当相似标签个数大于时,才能算匹配成功。
S232:将主动匹配者的标签集中每个标签依次作为原始标签,与被匹配用户的每一个标签去比较,用αi作为阈值,如果与其中某个标签的相似度值大于αi,就将S+1,停止比较,跳到S233;
S233:判断主动匹配者的标签是否匹配完,如果没有则继续执行S232,如果匹配完,则停止,跳到S234;
S234:判断S的值是否满足S231中的要求,若满足,则成为朋友候选者,若不满足则过滤掉。
第三步,***将第二步中得到的朋友候选者推荐给对应用户,用户基于隐私交换协议,自由选择对象成为朋友。
Um为主动匹配者,ID为1915604355,他的标签集为Tm={"音乐","美食","电影"};Uc1,Uc2,Uc3,Uc4为其他用户,ID分别为1415597650,1816199055,3252878610,1844938931,他们的标签集分别为Tc1={"媒体","生活"},Tc2={"旅行","美食","音乐","爱情"},Tc3={"星座","旅行","美食","交友","明星"},Tc4={"唱歌","电影","觅食","阅读","工作","交友"}。h(x)函数为可交换加密函数。
S31:主动匹配者Um向权力中心发送交友请求申请,权力中心收到请求,在***中为Um寻找朋友候选者;
S32:权力中心以Um的标签集为原始标签集,分别计算与Uc1,Uc2,Uc3,Uc4的标签集交集;
Tm∩Tc1={},S=0;
Tm∩Tc2={音乐,美食},S=2;
Tm∩Tc3={美食},S=1;
Tm∩Tc4={},S=0;
S33:权力中心依据规则,将标签集交集大于等于2个用户ID的发送给Um,同时随机产生一个密钥km,一并发送;即将Uc2的ID和密钥km发送给Um
S34:主动匹配者Um收到信息之后,将自己的标签集Tm加密之后发送给朋友候选者Uc2;
S35:朋友候选者Uc2收到请求,如果接受请求则向权力中心申请对应请求,权力中心收到消息,随机产生密钥kc2,将Um的ID和密钥kc2发送给Uc2;
S36:Uc2将自己的标签集Tc2加密之后发送给Um,并将S34中接收到的信息加密之后一并发送给Um;
S37:Um收到Uc2发送的加密信息之后,将S36收到的加密标签集Tc2再次加密发送给Uc2;
S38:Um和Uc2分别通过两个加密标签集,计算得到对方的密钥kc2和km,通过密钥计算得到对方的标签集信息,成为朋友。
Claims (1)
1.社交网络中一种安全的朋友推荐方法,其特征在于包括以下步骤:
第一步,获取某段时间内用户的全部标签信息,按照标签个数进行分类,基于Word2Vec,根据上下文内容,训练得到所有标签的词向量;
第二步,基于标签匹配算法,分析用户标签的相似性,筛选用户,得到朋友候选者,具体步骤如下:
S21:基于第一步中得到的词向量,根据余弦相似度,计算得到与目标标签最相似的前n个标签,并且获取目标标签与他们的相似度;余弦值的范围在[-1,1]之间,值越趋近于1,代表两个向量的方向越趋近于0,他们的方向更加一致,相应的相似度也越高;余弦相似度:
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mn>1</mn>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mn>1</mn>
<mi>m</mi>
</msubsup>
<msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&times;</mo>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mn>1</mn>
<mi>m</mi>
</msubsup>
<msup>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
其中xi为词向量的横坐标,yi为词向量的纵坐标,m为词向量的维数;
S22:选取合适的相似度阈值αi;
对每标签用户组进行以下操作:
S221:在每个标签组中,每个用户以自己的标签集为原始标签集,进行组内匹配,得到以αi为阈值的标签集合交集的大小,该阈值是用来判断两个标签是否满足相似的标准;阈值αi即为S21中得到的与原始标签最为相似的前n个标签的相似度,i的取值范围为1—n;
S222:统计每组标签组交集大小的数据,得到S=k时的个数NUMs,其中S表示交集的大小,k的取值范围为0—p,其中p为原始标签集的标签个数;
S223:分别统计S=0,S=1,…,S=p时,NUMs的大小,分析NUMs得到合适的相似度阈值;
S23:基于S22中的相似度阈值αi,进行用户之间的标签匹配,得到朋友候选者,将S22中所有的用户混合在一起,组成一个新的数据集D,进行以下操作:
S231:计算主动匹配者输入的标签个数p;
p为奇数时,只有当相似标签个数大于等于时,匹配成功;
p为偶数,只有当相似标签个数大于时,匹配成功;
S232:将主动匹配者的标签集中每个标签依次作为原始标签,与被匹配用户的每一个标签去比较,用αi作为阈值,如果与其中某个标签的相似度值大于αi,停止比较,跳到步骤S233;
S233:判断主动匹配者的标签是否匹配完,如果没有则继续执行S232,如果匹配完,则停止,跳到S234;
S234:判断S的值是否满足S231中的要求,若满足,则成为朋友候选者,若不满足则过滤掉;
第三步,***将第二步中得到的朋友候选者推荐给对应用户,用户基于隐私交换协议,自由选择对象成为朋友;
S31:主动匹配者Um向权力中心发送交友请求申请,权力中心收到请求,在***中为Um寻找朋友候选者;
S32:权力中心以Um的标签集为原始标签集,分别计算与Uc1,Uc2,Uc3,……,Uct的标签集交集;其中Uc1,Uc2,Uc3,……,Uct为***中的其他用户;
S33:权力中心依据规则,将标签集交集大于等于个或者个的用户ID发送给Um,同时随机产生一个密钥km,一并发送;即如果Ucj的标签集与Um的标签集交集的大小大于等于个或者个,则将Ucj的ID和密钥km发送给Um;j的取值范围为1—t
S34:主动匹配者Um收到信息之后,将自己的标签集Tm加密之后发送给朋友候选者Ucj;
S35:朋友候选者Ucj收到请求,如果接受请求则向权力中心申请对应请求,权力中心收到消息,随机产生密钥kcj,将Um的ID和密钥kcj发送给Ucj;
S36:Ucj将自己的标签集Tcj加密之后发送给Um,并将S34中接收到的信息加密之后一并发送给Um;
S37:Um收到Ucj发送的加密信息之后,将S36收到的加密标签集Tcj再次加密发送给Ucj;
S38:Um和Ucj分别通过两个加密标签集,计算得到对方的密钥kcj和km,通过密钥计算得到对方的标签集信息,成为朋友。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711146685.0A CN107749034A (zh) | 2017-11-17 | 2017-11-17 | 社交网络中一种安全的朋友推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711146685.0A CN107749034A (zh) | 2017-11-17 | 2017-11-17 | 社交网络中一种安全的朋友推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107749034A true CN107749034A (zh) | 2018-03-02 |
Family
ID=61251446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711146685.0A Pending CN107749034A (zh) | 2017-11-17 | 2017-11-17 | 社交网络中一种安全的朋友推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107749034A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875023A (zh) * | 2018-06-20 | 2018-11-23 | 郑州村村联网络技术有限公司 | 动态属性的生成方法及装置 |
CN109816545A (zh) * | 2019-03-26 | 2019-05-28 | 长安大学 | 一种校园交友***及方法 |
CN112733067A (zh) * | 2020-12-22 | 2021-04-30 | 上海机器人产业技术研究院有限公司 | 一种面向机器人目标检测算法的数据集选择方法 |
CN115333768A (zh) * | 2022-06-29 | 2022-11-11 | 国家计算机网络与信息安全管理中心 | 一种面向海量网络攻击的快速研判方法 |
CN117235381A (zh) * | 2023-10-10 | 2023-12-15 | 南京邮电大学 | 一种基于同态加密时空同位计算的朋友推荐方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080040313A1 (en) * | 2006-08-11 | 2008-02-14 | Yahoo! Inc. | System and method for providing tag-based relevance recommendations of bookmarks in a bookmark and tag database |
CN105871869A (zh) * | 2016-04-28 | 2016-08-17 | 湖南科技学院 | 移动社交网络中基于单项散列函数和伪身份匿名双向认证方法 |
CN106095737A (zh) * | 2016-06-07 | 2016-11-09 | 杭州凡闻科技有限公司 | 文档相似度计算方法及相似文档全网检索跟踪方法 |
-
2017
- 2017-11-17 CN CN201711146685.0A patent/CN107749034A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080040313A1 (en) * | 2006-08-11 | 2008-02-14 | Yahoo! Inc. | System and method for providing tag-based relevance recommendations of bookmarks in a bookmark and tag database |
CN105871869A (zh) * | 2016-04-28 | 2016-08-17 | 湖南科技学院 | 移动社交网络中基于单项散列函数和伪身份匿名双向认证方法 |
CN106095737A (zh) * | 2016-06-07 | 2016-11-09 | 杭州凡闻科技有限公司 | 文档相似度计算方法及相似文档全网检索跟踪方法 |
Non-Patent Citations (1)
Title |
---|
奉珊: "社交网络的好友推荐算法研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875023A (zh) * | 2018-06-20 | 2018-11-23 | 郑州村村联网络技术有限公司 | 动态属性的生成方法及装置 |
CN109816545A (zh) * | 2019-03-26 | 2019-05-28 | 长安大学 | 一种校园交友***及方法 |
CN112733067A (zh) * | 2020-12-22 | 2021-04-30 | 上海机器人产业技术研究院有限公司 | 一种面向机器人目标检测算法的数据集选择方法 |
CN115333768A (zh) * | 2022-06-29 | 2022-11-11 | 国家计算机网络与信息安全管理中心 | 一种面向海量网络攻击的快速研判方法 |
CN115333768B (zh) * | 2022-06-29 | 2024-06-04 | 国家计算机网络与信息安全管理中心 | 一种面向海量网络攻击的快速研判方法 |
CN117235381A (zh) * | 2023-10-10 | 2023-12-15 | 南京邮电大学 | 一种基于同态加密时空同位计算的朋友推荐方法 |
CN117235381B (zh) * | 2023-10-10 | 2024-05-10 | 南京邮电大学 | 一种基于同态加密时空同位计算的朋友推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107749034A (zh) | 社交网络中一种安全的朋友推荐方法 | |
Romero et al. | On the interplay between social and topical structure | |
Bhattacharya et al. | Why does a visual question have different answers? | |
Cheng et al. | Who is the barbecue king of texas? A geo-spatial approach to finding local experts on twitter | |
Zhang et al. | Multimodal marketing intent analysis for effective targeted advertising | |
CN107169063A (zh) | 一种基于社交信息的用户属性预测方法与*** | |
Li et al. | Meta learning for task-driven video summarization | |
Li et al. | Semantics-enhanced privacy recommendation for social networking sites | |
Wang et al. | Memetic algorithm based location and topic aware recommender system | |
Han et al. | Linking social network accounts by modeling user spatiotemporal habits | |
Palmer et al. | Spectral clustering for directed networks | |
CN111552865A (zh) | 用户兴趣画像方法及相关设备 | |
Sankhe et al. | Skill based course recommendation system | |
CN109271609A (zh) | 标签生成方法、装置、终端设备及计算机存储介质 | |
Huo et al. | Semantic relevance learning for video-query based video moment retrieval | |
Wang et al. | An improved clustering method for detection system of public security events based on genetic algorithm and semisupervised learning | |
CN110175283B (zh) | 一种推荐模型的生成方法及装置 | |
Wu et al. | A dynamic information dissemination model based on implicit link and social influence | |
Yang et al. | User behavior fingerprinting with multi-item-sets and its application in IPTV viewer identification | |
Kong | Research on Enterprise Digital Precision Marketing Strategy Based on Big Data | |
CN110472071A (zh) | 多媒体文件推荐方法、装置、网络设备及存储介质 | |
Pramanik et al. | Predicting group success in meetup | |
Eldaw et al. | Collective suffix tree-based models for location prediction | |
Zhang | Research on collaborative filtering recommendation algorithm based on social network | |
Sahu et al. | Topical authoritative answerer identification on q&a posts using supervised learning in cqa sites |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180302 |