CN113836444B - 一种线性时间好友推荐方法、***、终端以及存储介质 - Google Patents
一种线性时间好友推荐方法、***、终端以及存储介质 Download PDFInfo
- Publication number
- CN113836444B CN113836444B CN202111159485.5A CN202111159485A CN113836444B CN 113836444 B CN113836444 B CN 113836444B CN 202111159485 A CN202111159485 A CN 202111159485A CN 113836444 B CN113836444 B CN 113836444B
- Authority
- CN
- China
- Prior art keywords
- users
- community
- target user
- user
- social
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000003997 social interaction Effects 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000009191 jumping Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- KJNFMGMNZKFGIE-UHFFFAOYSA-N n-(4-hydroxyphenyl)acetamide;5-(2-methylpropyl)-5-prop-2-enyl-1,3-diazinane-2,4,6-trione;1,3,7-trimethylpurine-2,6-dione Chemical compound CC(=O)NC1=CC=C(O)C=C1.CN1C(=O)N(C)C(=O)C2=C1N=CN2C.CC(C)CC1(CC=C)C(=O)NC(=O)NC1=O KJNFMGMNZKFGIE-UHFFFAOYSA-N 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种线性时间好友推荐方法、***、终端以及存储介质。方法包括：基于社交网络中用户发布的文本内容数据估算每个用户的主题兴趣度，并根据主题兴趣度计算用户间的兴趣相似性；根据用户的社交互动行为计算用户间的社交亲密性；根据兴趣相似性和社交亲密性为目标用户构建加权异构网络；采用自底向上模块度增值的社区发现方法挖掘目标用户在加权异构网络中的社区集合，并计算出目标用户归附相关社区集合中各个社区的隶属度值；根据社区隶属度值从加权异构网络中提取出设定数量的用户，生成目标用户的好友推荐集。本申请实施例通过融合用户间的兴趣相似性和社交亲密性，明显改善了好友推荐的准确度，显著提高了好友推荐的效率。
Description
技术领域
本申请属于社交网络技术领域，特别涉及一种线性时间好友推荐方法、***、终端以及存储介质。
背景技术
社交网络中，好友推荐随处可见。好友推荐算法能够帮助目标用户快速地从众多其他用户中找到适合自己的好友，从而协助目标用户迅速扩充社交圈以便改良使用体验。
现有的好友推荐方法主要包括：
一、基于语义相似性的方法；该方法为每个用户构建一个用户模型，以描述其统计信息或者问卷调研答案等特征属性，根据特征属性进行好友推荐。然而，该方法的好友推荐机制完全忽略了用户间的社交关系，从而未能进行高精准的链路预测。
二、基于社交互动性；该方法利用用户间的社交网络结构(如共同好友的数量)向目标用户推荐好友。然而，该方法并没有考虑社交媒体中丰富的语义内容，其推荐精度有待进一步提高。
三、基于协同过滤性的方法；该方法提供分析用户间的社交关系和项目间的依赖关系，以估计新的用户关联。然而，该方法仅将社交关系作为机器学习的众多因素之一，未能实现社交互动关联在好友推荐中的重要作用，使得链路预测精度不够理想。
发明内容
本申请提供了一种线性时间好友推荐方法、***、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本申请提供了如下技术方案：
一种线性时间好友推荐方法，包括：
基于社交网络中用户发布的文本内容数据估算每个用户的主题兴趣度，并根据所述主题兴趣度计算用户间的兴趣相似性；
根据社交网络中用户的社交互动行为计算用户间的社交亲密性；
根据所述兴趣相似性与社交亲密性为目标用户构建加权异构网络；所述加权异构网络中包括与目标用户具备共同兴趣或共同好友的潜在好友候选人；
采用自底向上模块度增值的社区发现方法挖掘所述目标用户在加权异构网络中的社区集合，并计算出所述目标用户归附所述社区集合中各个社区的社区隶属度值；
根据所述社区隶属度值从加权异构网络中提取出设定数量的用户，生成所述目标用户的好友推荐集。
本申请实施例采取的技术方案还包括：所述基于社交网络中用户发布的文本内容数据估算每个用户的主题兴趣度包括：
将用户在社交网络上发布的文本集合视为相关主题的概率分布，表示为将每个主题视为大量词语的概率分布，表示为/> 和/>分别具有狄利克雷先验的超参数/>和
采用吉布斯采样估算D个文本集合在主题上的分布以及T个主题在词语上的分布/>用户的主题兴趣度估算结果矩阵表示为：
|D|×|T|矩阵，标记为DT，其中|D|表示用户数量，|T|表示主题数量，DTij表示用户ui的文本集合中被划分到主题tj的词语个数；
|W|×|T|矩阵，标记为WT，其中|W|表示文本中唯一性词语的个数，WTij表示唯一性词语wi被划分到主题tj的次数；
将矩阵DT规范化为DT′，使得每行DT′i·都能使等式||DT′i·||1＝1成立；DT′中的元素DT′ij表示用户ui对主题tj感兴趣的概率；
将矩阵WT规范化为WT′，使得每行WT′i·都能使等式||W′i·||1＝1成立；WT′中的元素WT′ij表示唯一性词语wi隶属主题tj的概率。
本申请实施例采取的技术方案还包括：所述基于社交网络中用户发布的文本内容数据估算每个用户的主题兴趣度还包括：
结合社交关系拓扑结构计算每个用户在感兴趣主题上的领域影响力；用户si在主题tj上的领域影响力rj(i)为：
其中，DT′ij表示用户si在主题tj上的兴趣度；μ是一个可调参数，“+1”为常数。
本申请实施例采取的技术方案还包括：所述根据所述主题兴趣度计算用户间的兴趣相似性包括：
用户si和sj之间的兴趣相似度S(i,j)为：
S(i,j)＝Sc(i,j)×Sd(i,j)
其中，Sc(i,j)代表用户si和sj的主题概率相似性，Sd(i,j)代表用户si和sj的主要兴趣相似性；
用户si和sj之间的主题概率相似性Sc(i,j)的值为：
其中，T表示主题集合；为用户si在所有主题上的兴趣度均值；/>指两个相关值的调和平均数，可按如下公式计算：
其中，η表示归一化因子，用以确保的值属于区间[0,1]，可设置其等于主题数；为目标用户在主题tz上的兴趣度值；/>意指主题tz的出现概率，可按照矩阵WT′中唯一性词语归附主题tz的次数计算得到；
用户si和sj间的主要兴趣相似性Sd(i,j)计算公式为：
其中，Di和Dj分别表示用户si和sj的主要兴趣集合。
本申请实施例采取的技术方案还包括：所述根据社交网络中用户的社交互动行为计算用户间的社交亲密性包括：
计算用户si指向sj的社交互动强度：
如果用户si“关注”sj，则F(i,j)＝1；否则F(i,j)＝0；Nc(i,j)和Nf(i,j)分别表示用户si针对sj所发布的文本内容所执行的评论和转发操作次数；τ为正则化参数。
本申请实施例采取的技术方案还包括：所述根据所述兴趣相似性与社交亲密性为目标用户构建加权异构网络具体为：
根据所述兴趣相似性与社交亲密性从社交网络中找出与目标用户具备共同兴趣或者共同好友的潜在好友候选人；所述潜在好友候选人包括设定数量的具有最多共同好友的好友之好友以及具有最多共同兴趣的领域高影响力用户；
根据所述潜在好友候选人生成加权异构网络G(V,ES,WS,EI,WI)，其中，V表示节点集合，由目标用户本身、目标用户的好友集合以及潜在好友候选人集合组成；ES和EI分别代表无向边和有向边的集合，对应于V中用户间的兴趣相似性和社交亲密性；WS和WI分别指示ES和EI上的连边权值。
本申请实施例采取的技术方案还包括：所述采用自底向上模块度增值的社区发现方法挖掘所述目标用户在加权异构网络中的社区集合包括：
针对所述加权异构网络中的每个节点，将其从原始社区中移出并添加到相邻社区中，并评估社区模块度的增量，如果模块度增量为正值，将所述节点转移到模块度最大增值的邻接社区中；否则，将所述节点保留在其原始社区中；
对所有节点依次重复执行上述过程，直到社区模块度的值不再增长，从而得到目标用户所在的社区集合。
本申请实施例采取的技术方案还包括：所述计算目标用户归附所述社区集合中不同社区的隶属度值包括：
假设是与节点so关联的第i个社区，/>是/>中与so相邻的节点集，则so归附的隶属度/>表述为：
其中，和/>分别代表节点so和su之间的无向边权值以及从so指向su的有向边权值；/>代表连接到so上的无向边权值之和；/>和/>分别代表so的出边权之和和su的入边权之和；/>且/>
本申请实施例采取的技术方案还包括：所述根据目标用户的社区隶属度值从加权异构网络中提取出设定数量的用户，生成目标用户的好友推荐集包括：
针对与目标用户关联的每一个社区，通过LeaderRank排序算法在社区内部对节点集进行优先级排序；
根据目标用户的社区隶属度值以及各个社区内节点排序得分值，从每个社区中提取出恰当数量的高影响力用户，生成目标用户的好友推荐集。
本申请实施例采取的另一技术方案为：一种线性时间好友推荐***，包括：
兴趣计算模块：用于基于社交网络中用户发布的文本内容数据估算每个用户的主题兴趣度，并根据所述主题兴趣度计算用户间的兴趣相似性；
互动计算模块：用于根据社交网络中用户的社交互动行为计算用户间的社交亲密性；
网络构建模块：用于根据所述兴趣相似性与社交亲密性为目标用户构建加权异构网络；所述加权异构网络中包括与目标用户具备共同兴趣或共同好友的潜在好友候选人；
社区挖掘模块：用于采用自底向上模块度增值的社区发现方法挖掘所述目标用户在加权异构网络中的社区集合，并计算出所述目标用户归附所述社区集合中各个社区的社区隶属度值；
好友推荐模块：用于根据所述社区隶属度值从加权异构网络中提取出设定数量的用户，生成所述目标用户的好友推荐集。
本申请实施例采取的又一技术方案为：一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中：
所述存储器存储有用于实现上述的线性时间好友推荐方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制线性时间好友推荐。
本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述线性时间好友推荐方法。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的线性时间好友推荐方法、***、终端以及存储介质通过将用户之间的兴趣相似性和社交亲密性进行融合，为每个目标用户构建一个加权异构网络，该网络包含了绝大多数与目标用户具备共同兴趣或者共同好友的潜在好友候选人，并针对每个目标用户的加权网络执行聚类算法，挖掘出相关的社区集合，再从不同社区中选取恰当比例的与目标用户的兴趣爱好和社交关系相匹配的个体构建好友推荐集。本申请实施例通过融合用户间的兴趣相似性和社交亲密性，大大提高了好友推荐的准确度；通过为每个目标用户构建一个加权异构网络，缩小了好友推荐的搜索范围，提高好友推荐的效率，并满足了大规模社交网络对线性时间复杂度的要求。
附图说明
图1是本申请实施例的线性时间好友推荐方法的流程图；
图2为本申请实施例基于潜在狄利克雷分布模型对文本分析的示意图；
图3为本申请实施例的潜在好友候选人获取过程示意图；
图4为本申请实施例的加权异构网络构建过程示意图；
图5为本申请实施例的多维异构网络中社区发现方法的流程图；
图6为本申请实施例的好友推荐集构建过程示意图；
图7为本申请实施例的线性时间好友推荐***结构示意图；
图8为本申请实施例的终端结构示意图；
图9为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
请参阅图1，是本申请第一实施例的线性时间好友推荐方法的流程图。本申请第一实施例的线性时间好友推荐方法包括以下步骤：
S10：获取社交网络上用户所发布的文本内容数据集和用户间的社交互动数据集；
本步骤中，社交网络包括但不限于微博、QQ说说、微信等社交软件。为便于说明，本申请实施例以获取腾讯微博数据集(Real-world Network of Tencent Weibo，RN-TW)和推特数据集(Real-World network of Twitter，RN-TT)为例。其中，腾讯微博数据集获取方式为：从指定个体作为数据集的初始人员开始，将该个体的所有粉丝作为新成员添加进数据集；之后，以相同的方式纳入所有新成员的所有粉丝；依此类推，直至数据集中的人员数量满足实验要求为止。同时，剔除拥有粉丝数量超过设定数量(1000)的用户，将其认定为明星或者滥用“关注”关系的人员。腾讯微博数据集中选取121名活跃成员作为好友推荐的目标用户，目标用户需满足：在2个月的间隔时间内，至少主动建立或者终止5条“关注”关系。
推特数据集包括清理过的Tweet(推文)内容、用户信息和链路结构三个部分，具体包括107660个用户以及相应的4020199条“关注”链路信息，没有参与“关注”关系的孤立用户以及拥有超过1000个粉丝或者好友的活跃用户会被事先剔除。为方便起见，本申请实施例从107660个用户中选取45名具有200个(精确数值)已有好友的人员作为好友推荐的目标用户，推荐集采用交叉验证的训练集大小为
S20：采用LDA(Latent Dirichlet Allocation，潜在狄利克雷分布)模型对文本内容数据集进行语义兴趣分析，估算每个用户的主题兴趣度；
本步骤中，LDA模型是一种无监督的机器学习技术，用于从文本内容数据集中识别潜在主题信息，并估算用户对不同主题的兴趣度。LDA模型将每个文本集视为一个“词袋”，每个文本集都被视为相关主题的概率分布，其中每个主题又被视为大量词语的概率分布。用户感兴趣的主题，其对应概率值相对较大。LDA模型中，文本集生成过程包括如下三个步骤：
(1)对于每个文本集，从相关主题分布概率中选择一个主题；
(2)从与所选主题相关的词语分布概率中抽取一个词语；
(3)重复步骤(1)和(2)，直至文本集中的所有词语被采样完毕。
请参阅图2，其为本申请实施例基于贝叶斯网络(Bayesian Network)对文本分析过程的图形化表示示意图。其中，D个文本集合中的每一个文本集与T个主题上的多项分布相关，其表示为每个主题都与大量词语的多项式概率分布有关，表示为/> 和/>分别具有Dirichlet(狄利克雷)先验的超参数/>和/>在图2中，双线圆和单线圆平板分别表示观测值和潜在变量。有向连边对应于两个变量之间的条件依赖关系，而方框表示重复采样过程，其次数由方框右下角的变量给出。z是从与文本集相关联的多项式分布/>上采样取得的主题，w表示从与该主题相关联的多项式分布/>上采样获取的词语，Nd表示文本集中词语的数量。
进一步地，本申请实施例采用吉布斯采样(Gibbs Sampling)从文本内容数据集中估算D个文本集在主题上的分布以及T个主题在词语上的分布/>用户感兴趣的主题估算结果以矩阵形式表示：
(1)|D|×|T|矩阵，标记为DT，其中|D|表示用户数量，|T|表示主题数量，DTij表示用户ui的文本集中被划分到主题tj的词语个数。
(2)|W|×|T|矩阵，标记为WT，其中|W|表示唯一性词语(Unique Word)的个数，WTij表示唯一性词语wi被划分到主题tj的次数。
不失一般性，将矩阵DT规范化为DT′，使得每行DT′i·都能使等式||DT′i·||1＝1成立。DT′的每一行都对应于一名用户在所有主题上的兴趣概率分布，即元素DT′ij表达用户ui对主题tj感兴趣的概率。同理，将矩阵WT规范化为WT′，使得每行WT′i·都能使等式||WT′i·||1＝1成立；WT′中的元素WT′ij表示文本中的唯一性词语wi隶属于主题tj的概率。
在本申请实施例中，LDA模型的参数取值为：T＝100、 具体可根据实际应用进行设定。
S30：结合社交关系拓扑结构计算出每个用户在感兴趣主题上的领域影响力，分别在每个主题上提取一定数量的高影响力用户作为进行好友推荐的候选用户，并按照领域影响力高低对每个主题上的所有候选用户进行降序排序；
本步骤中，用户的领域影响力取决于用户在各主题上的兴趣概率值以及其社交关系拓扑结构，用户的领域影响力计算主要包括：用户对相关领域的兴趣度、关注该用户的粉丝数量以及该用户的粉丝在该领域内认可其为好友的程度。因此，用户si在主题tj上的领域影响力rj(i)可定量地表述为：
其中，DT′ij表示用户si在主题tj上的兴趣度；μ是一个可调参数，本申请实施例设置其为主题数|T|和对数底的乘积；常数“+1”是为了避免对数式出现负值。
计算出每个用户在各个主题的领域影响力后，将每个主题中一定数量(本申请实施例设定该数量为200)的高影响力用户按降序排列并保存为一个矩阵|T|×Nr，标记为TNr，其中|T|和Nr分别表示用户的感兴趣主题数目以及每个主题上预定义的领域高影响力用户数量，元素(TNr)ij为第i个主题上的第j个高影响力用户。
S40：计算用户间的兴趣相似性与社交亲密性，根据兴趣相似性与社交亲密性从社交网络中找出与每个目标用户具备共同兴趣或者共同好友的潜在好友候选人，并分别为每个目标用户构建一个无向边和有向边共存的加权异构网络；
本步骤中，用户之间的兴趣相似度计算方式具体包括：将具有较大概率值的主题定义为用户的主要兴趣，将用户si的主要兴趣集合表示为Di，Di需满足以下条件：
(1)集合内所有主题的概率之和大于预定义的阈值λ；优选地，本申请实施例设置λ＝0.5，具体可根据实际应用进行调节，该参数的取值不会严重影响好友推荐精度。
(2)集合内任一主题的概率大于或者等于集合外的任一主题概率；
(3)集合内的主题数目保持最小。
假设用户si的主题概率向量表示为Pi＝[p(z1|si),p(z2|si),...,p(zZ|si)]，按概率降序重排这些向量元素可以得到其中/>(如果m＜n)，从而，该用户主要兴趣集合的元素个数可被推导为：
最后，得到该用户的主要兴趣集合
进一步地，用户之间的兴趣相似度不仅受主题概率分布影响，还与每个用户的主要兴趣有关。用户si和sj之间的兴趣相似度S(i,j)计算公式如下：
S(i,j)＝Sc(i,j)×Sd(i,j)(3)
其中，Sc(i,j)代表用户si和sj的主题概率相似性，Sd(i,j)代表用户si和sj的主要兴趣相似性。
考虑到主题流行度(即话题热度)和目标用户的兴趣所在，本申请实施例采用皮尔逊相关系数(Pearson Correlation Coefficient)的微调版本按如下公式计算用户si和sj之间的主题概率相似性Sc(i,j)的值：
其中，T表示主题集合；为用户si在所有主题上的兴趣度均值；/>指两个相关值的调和平均数(Harmonic Mean)，/>的计算公式为：
其中，η表示归一化因子，用以确保的值属于区间[0,1]，优选地，本申请实施例中，设置η值等于主题数；/>为目标用户so在主题tz上的兴趣度值；/>指主题tz的出现概率，可按照矩阵WT′中唯一性词语归附主题tz的次数计算得到。
如果用户si和sj的主要兴趣不同，那么他们之间的兴趣相似性也相应较小。用户间的主要兴趣相似性Sd(i,j)计算公式为：
Di和Dj分别表示用户si和sj的主要兴趣集合。如果Sd(i,j)小于设定的相似性阈值(本申请设置该阈值为0.01，具体可根据实际应用进行调节)，则对其进行忽略处理。
进一步地，本申请实施例根据用户间的互动行为以及“关注”关系进行社交亲密性计算。社交网络中用户之间的互动模式包括评论、转发等。每种用户间的互动模式包括互动频率和最近性两个重要特征。其中，互动频率表示用户在给定时间段内以特定模式与好友进行交互的次数；最近性表示该互动模式自上次发生以来已经过去的时间。同时，即使用户间没有任何互动行为，“关注”关系对用户间的社交亲密性也起着决定性的作用，它明确表达了相应用户之间的社交关系。“关注”关系的重要性通过为其分配适当的权值来体现。
基于以上分析，本申请实施例基于用户之间的一系列互动操作根据如下公式计算从用户si指向sj的社交亲密强度：
如果用户si“关注”sj，则F(i,j)＝1；否则F(i,j)＝0。Nc(i,j)和Nf(i,j)分别表示用户si针对sj的社交内容所执行的评论和转发操作次数。正则化参数τ平衡了“关注”关系与互动行为对社交亲密强度的贡献大小。在计算了每个用户与其好友之间的社交互动强度后，将社交互动强度值同比缩放，使得其中的最大值等于1。
进一步地，请参阅图3，为本申请实施例的潜在好友候选人查找过程示意图。其具体包括：
(01)指定目标用户so、需要被推荐的好友数目k；
(02)潜在好友候选人集合具有社交亲密性的潜在好友候选人数目的期望值Nf(o)＝2k；具有兴趣相似性的潜在好友候选人数目的期望值Ns(o)＝2k；
(03)具有社交亲密性的潜在好友候选人集合
(04)从目标用户so的好友之好友中选取Nf(o)个用户构建CSf，CSf构建规则为其中用户的粉丝被so“关注”的数目最多；如果so的好友之好友数目少于Nf(o)，则允许|CSf|＜Nf(o)成立；
(05)CS＝CS∪CSf；
(06)定义Do表示so的主要兴趣集；
(07)具有兴趣相似性的潜在好友候选人集合
(08)定义循环次数r＝1；
(09)定义
(10)判断Ns(o)-|CSs|≥Nsr(o)是否成立，如果成立，执行第(11)步；如果不成立，执行第(12)步；
(11)从主题上选取领域影响力最高的Nsr(o)个用户，将其添加进CSs；此处的新用户选取规则为：被选取新用户不在CS∪CSs中；然后跳转至第(14)步执行；
(12)判断0＜Ns(o)-|CSs|＜Nsr(o)是否成立，如果成立，执行第(13)步；如果不成立，执行第(16)步；
(13)从主题上选取领域影响力最高的(Ns(o)-|CSs|)个用户，将其添加进CSs；此处的新用户选取规则为：被选取新用户不属于集合CS∪CSs；
(14)r＝r+1；
(15)定义qo表示so主要兴趣集的元素个数，判断r＞qo是否成立，如果成立，执行第(16)步；如果不成立，执行第(09)步；
(16)得到潜在好友候选人集合CS＝CS∪CSf。
本申请实施例中，目标用户的潜在好友候选人包括具有共同好友(即好友的好友)以及具有共同兴趣的高影响力用户两个部分。在社交网络中，每个用户都可以被认为是自己的好友。因此，具备共同兴趣的潜在好友候选人不少于50％。优选地，本申请实施例设置目标用户的潜在好友候选人中具有共同兴趣和共同好友的人数各占一半。
本申请实施例中，加权异构网络中包含了绝大多数与目标用户具备共同兴趣或者共同好友的潜在好友候选人，加权异构网络的无向边表示用户间的兴趣相似性，有向边表示用户间的社交亲密性。加权异构网络G的构建过程如图4所示，具体包括：
(01)指定目标用户so、调整兴趣相似性和社交亲密性权值的正则化参数w，给定潜在好友候选人集合CS；
(02)定义V1＝CS；
(03)定义V2＝so∪FS，FS表示so的好友集合；
(04)遍历无序对(si∈V1,sj∈V2)；
(05)计算用户si和sj之间的兴趣相似度值S(i,j)(公式(3))；
(06)设置threshold＝0.01，如果S(i,j)≥threshold，执行第(07)步；否则，执行第(08)步；
(07)在节点si和sj之间***一条无向连边，其权值为w×S(i,j)；
(08)定义V＝CS∪so∪FS；
(09)遍历“好友-粉丝”对(su,sv)∈V；
(10)计算从用户su到sv的社交互动强度I(u,v)(公式(7))；
(11)***一条从su到sv的有向连边，其权值为I(u,v)；
(12)生成加权异构网络G(V,ES,WS,EI,WI)，其中，V表示节点集合，由目标用户本身、目标用户的好友集合以及所有潜在好友候选人组成；ES和EI分别代表无向边和有向边的集合，对应于V中用户间的兴趣相似性和社交亲密性；WS和WI则分别指示ES和EI上的连边权值。
S50：采用自底向上模块度增值的社区发现方法挖掘出目标用户所在的社区集合，对每个目标用户的加权异构网络进行社区划分，并计算出目标用户归附不同社区的隶属度值；
通过比较社区集合中连线的实际密度与期望的连线密度(假定节点间连线没有模块结构)，进而将无向无权网络中的社区模块度推广至无向边和有向边共存的加权异构网络，推导出该加权异构网路中的模块度Q值。Q值越大，表示该网络具有很强的社区结构。模块度Q值推导公式如下：
其中，和/>分别表示节点si和sj之间的无向边权值以及从si指向sj的有向边权值；/>表示连接到si上的无向边权值之和；/>和/>分别意指si的出边权之和和sj的入边权之和；δ(ci,cj)算是一个脉冲函数，如果ci＝cj则δ(ci,cj)＝1；否则，δ(ci,cj)＝0；/>且/>
本步骤中，自底向上模块度增值的社区发现方法通过将每个节点隶属于一个孤立节点社区开始，针对每个节点，将其从原始社区中移出并添加到相邻社区中，并评估模块度增量，如果模块度增量为正值，将该节点转移到模块度最大增值的邻接社区中；否则，将该节点保留在其原始社区中。对所有节点依次重复执行此过程，直到无法获得进一步的模块度增量，得到目标用户所在的社区集合。图5所示为本申请实施例的多维异构网络中社区发现方法的流程图，具体包括：
(1)给定异构网络G(V,ES,WS,EI,WI)，目标用户so；
(2)将so从G中移出；
(3)将G中的每个节点指派给不同的孤立节点社区；
(4)遍历V中的每一个节点si，此处要求V中的节点按邻居节点数升序排列；
(5)尝试性将si从原始社区转移到相邻社区并评估模块度增值，如果模块度增值为正数，则将si转移到模块度最大增值的邻接社区中；
(6)判断模块度的值是否得到了增长，如果得到了增长，执行第(4)步；否则，执行第(7)步；
(7)遍历初始网络中so的邻接社区Ci，将so添加至Ci中，然后将Ci添加至CG；
(8)生成目标用户所在的社区集合CG。
进一步地，好友推荐的目标用户隶属于多个社区，其隶属度呈现出非均匀分布的状态。假设是与节点so关联的第i个社区，而/>是/>中与so相邻的节点集，则so归附的隶属度(Membership Degree)/>可用数学公式表述为：
其中，和/>分别表示节点si和sj之间的无向边权值以及从si指向sj的有向边权值；/>表示连接到si上的无向边权值之和；/>和/>分别意指si的出边权之和和sj的入边权之和；/>且/>
当出现时，本申请实施例设置/>从而避免将一个负数赋值给社区隶属度。不失一般性，同一目标用户的不同社区隶属度被等比缩放，使得其和值等于1。
S60：对于每个目标用户的社区集合，执行LeaderRank排序算法对同一社区内的节点进行优先级排序，并根据隶属度值以及节点排序分值从每个社区中提取出恰当数量的高影响力用户，生成目标用户的好友推荐集。
本步骤中，针对与目标用户关联的每一个社区，通过LeaderRank排序算法在社区内部对节点进行优先级排序，为构建好友推荐集创造了有利条件。LeaderRank排序算法采用了一种基于随机游走的排序机制，利用两条权值减半方向相异的有向边临时性替换原始网络的每条无向边。通过引入一个地面节点sg，LeaderRank为原始网络中的每个节点su添加两条有向连边egu和eug，给其分配原始网络中所有连边的平均权值(在替换无向边之后)。离散时刻t节点si的排序分值qi(t)按如下公式计算：
其中，Aj′i表示从sj指向si的有向边权值之和，表示sj的出边权。
最初，本申请实施例设置地面节点g的分数为rg(0)＝0，而其他每一个节点k的分数为rk(0)＝1。达到稳定状态之后，地面节点的分数被均等分配给其他所有节点。因此，节点j的最终排序分数被定义为：
其中，rj(t∞)表示稳定状态时节点j的分数。
本申请实施例同时考虑了目标用户与潜在好友候选人之间的兴趣相似性以及社交亲密性，进而基于目标用户归附相关社区的隶属度，从目标用户对应的加权异构网络中挑选出预定数量的好友，最终生成目标用户的好友推荐集。具体的，好友推荐集构建过程如图6所示，具体包括：
(01)给定目标用户so，已有好友集FS，社区集CG，隶属度集Φ，社区内节点优先权值集Ψ，好友推荐集的大小k；
(02)好友推荐集未被处理的社区对应的隶属度之和RM＝1；
(03)将目标用户so的所有社区隶属度值按降序排列；
(04)遍历Φ中的每一个元素
(05)判断k-|RS|＝0是否成立，如果成立，跳至第(14)步执行；否则，执行第(06)步；
(06)判断是否成立，如果成立，执行第(07)步；否则，跳至第(08)步执行；
(07)定义ki＝k-|RS|，并跳至第(09)步执行；ki表示应从社区中挑选的被推荐好友个数；
(08)定义
(09)判断是否成立，如果成立，执行第(10)步；否则，跳至第(11)步执行；其中，|Λ|表示集合Λ中的元素个数；
(10)从中挑选ki个优先权值最高的节点并添加至RS，再跳至第(13)步执行；
(11)判断是否成立，如果成立，执行第(12)步；否则，跳至第(13)步执行；
(12)将中的所有元素添加至RS；
(13)
(14)生成最终的好友推荐集RS；
本申请实施例的执行时间与网络用户数量成线性关系，分析如下：
经过LDA模型训练后，吉布斯采样的时间消耗与用户数量呈线性关系。针对每个LDA主题，本申请实施例只保存少量的相关领域高影响力用户，避免了对所有用户按降序进行排列的操作。因此，针对所有目标用户选取具有相似兴趣度的潜在好友候选人的运行时间是O(n)，其中n表示社交网络中的用户数目。
为每个目标用户构建一个小型异构网络，需要计算已有好友与潜在好友候选人之间的兴趣相似度，以及每对“关注”关系的好友和粉丝之间的互动数量，其运行时间与小型网路中的节点数成线性关系。然而，与大规模网络的节点数相比，该小型异构网络的节点数几乎可以忽略不计。因此，针对所有目标用户构建各自的异构网络所花费的时间与社交网络节点数成线性关系。
通过迭代试探性将节点在相邻社区间转移而最大增值社区模块度，本申请实施例中社区发现方法的时间复杂度为O(m′)，此处m′表示包含n′个节点的小型网络连边数且m′∝n′2。此外，小型网络中的节点数量不多(通常不超过1000)，导致针对每个目标用户进行社区发现的时间消耗几乎是恒定的。因此，针对所有目标用户进行社区发现的时间复杂度为O(n)。
好友推荐中最耗时的部分莫过于LeaderRank算法的优先级排序问题求解，其可通过迭代相乘获取答案，时耗为O(n′2)。同样地，针对每个目标用户构建的异构网络只占很少一部分节点，这使得整个排序过程的时间复杂度为O(n)。
基于以上分析可知，本申请实施例本质上是线性执行的，即其时间复杂度为O(n)。
基于上述，本申请实施例的线性时间好友推荐方法通过将用户之间的兴趣相似性和社交亲密性进行融合，为每个目标用户构建一个加权异构网络，该网络包含了绝大多数与目标用户具备共同兴趣或者共同好友的潜在好友候选人，并针对每个目标用户的加权网络执行聚类算法，挖掘出相关的社区集合，再从不同社区中选取恰当比例的与目标用户的兴趣爱好和社交关系相匹配的个体构建好友推荐集。本申请实施例通过融合用户间的兴趣相似性和社交亲密性，大大提高了好友推荐的准确度；通过为每个目标用户构建一个加权异构网络，缩小了好友推荐的搜索范围，提高好友推荐的效率，并满足了大规模社交网络对线性时间复杂度的要求。
请参阅图7，为本申请实施例的线性时间好友推荐***结构示意图。本申请实施例的线性时间好友推荐***70包括：
兴趣计算模块71：用于基于社交网络中用户发布的文本内容数据估算每个用户的主题兴趣度，并根据所述主题兴趣度计算用户间的兴趣相似性；
互动计算模块72：用于根据社交网络中用户的社交互动行为计算用户间的社交亲密性；
网络构建模块73：用于根据所述兴趣相似性和社交亲密性为目标用户构建加权异构网络；加权异构网络中包括与目标用户具备共同兴趣或共同好友的潜在好友候选人；
社区挖掘模块74：用于采用自底向上模块度增值的社区发现方法挖掘目标用户在加权异构网络中的社区集合，并计算出目标用户归附社区集合中各个社区的社区隶属度值；
好友推荐模块75：用于根据社区隶属度值从加权异构网络中提取出设定数量的用户，生成目标用户的好友推荐集。
请参阅图8，为本申请实施例的终端结构示意图。该终端80包括处理器81、与处理器81耦接的存储器82。
存储器82存储有用于实现上述线性时间好友推荐方法的程序指令。
处理器81用于执行存储器82存储的程序指令以控制线性时间好友推荐。
其中，处理器81还可以称为CPU(Central Processing Unit，中央处理单元)。处理器81可能是一种集成电路芯片，具有信号的处理能力。处理器81还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图9，为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件91，其中，该程序文件91可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(Processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种线性时间好友推荐方法，其特征在于，包括：
基于社交网络中用户发布的文本内容数据估算每个用户的主题兴趣度，并根据所述主题兴趣度计算用户间的兴趣相似性；
根据社交网络中用户的社交互动行为计算用户间的社交亲密性；
根据所述兴趣相似性和社交亲密性为目标用户构建加权异构网络，所述加权异构网络中包括与目标用户具备共同兴趣或共同好友的潜在好友候选人；
采用自底向上模块度增值的社区发现方法挖掘所述目标用户在加权异构网络中的社区集合，并计算出所述目标用户归附不同社区的隶属度值；
根据所述隶属度值从加权异构网络中提取出设定数量的用户，生成所述目标用户的好友推荐集；
所述基于社交网络中用户发布的文本内容数据估算每个用户的主题兴趣度包括：
将用户在社交网络上发布的文本集合视为相关主题的概率分布，表示为将每个主题视为大量词语的概率分布，表示为/>和/>分别具有狄利克雷先验的超参数/>和/>
采用吉布斯采样估算D个文本集合在主题上的分布以及T个主题在词语上的分布/>用户的主题兴趣度估算结果矩阵表示为：
|D|×|T|矩阵，标记为DT，其中|D|表示用户数量，|T|表示主题数量，DTij表示用户ui的文本集合中被划分到主题tj的词语个数；
|W|×|T|矩阵，标记为WT，其中|W|表示文本中唯一性词语的个数，WTij表示唯一性词语wi被划分到主题tj的次数；
将矩阵DT规范化为DT′，使得每行DT′i·都能使等式||DT′i·||1＝1成立；DT′中的元素DT′ij表示用户ui对主题tj感兴趣的概率；
将矩阵WT规范化为WT′，使得每行WT′i·都能使等式||WT′i·||1＝1成立；WT′中的元素WT′ij表示唯一性词语wi隶属主题tj的概率。
2.根据权利要求1所述的线性时间好友推荐方法，其特征在于，所述基于社交网络中用户发布的文本内容数据估算每个用户的主题兴趣度还包括：
结合社交关系拓扑结构估算每个用户在感兴趣主题上的领域影响力：
用户si在主题tj上的领域影响力rj(i)为：
其中，DT′ij表示用户si在主题tj上的兴趣度；μ是一个可调参数，“+1”为常数。
3.根据权利要求2所述的线性时间好友推荐方法，其特征在于，所述根据主题兴趣度计算用户间的兴趣相似性包括：
用户si和sj之间的兴趣相似度S(i,j)为：
S(i,j)＝Sc(i,j)×Sd(i,j)
其中，Sc(i,j)代表用户si和sj的主题概率相似度，Sd(i,j)代表用户si和sj的主要兴趣相似度；
用户si和sj之间的主题概率相似性Sc(i,j)的值为：
其中，T表示主题集合；为用户si在所有主题上的兴趣度均值；/>指两个相关值的调和平均数，可按如下公式计算：
其中，η表示归一化因子，用以确保的值属于区间[0,1]，可设置其等于主题数；/>为目标用户在主题tz上的兴趣度值；/>意指主题tz的出现概率，可按照矩阵WT′中唯一性词语归附主题tz的次数计算得到；
用户si和sj间的主要兴趣相似性Sd(i,j)计算公式为：
其中，Di和Dj分别表示用户si和sj的主要兴趣集合。
4.根据权利要求1所述的线性时间好友推荐方法，其特征在于，所述根据社交网络中用户的社交互动行为计算用户间的社交亲密性包括：
计算用户si指向sj的社交互动强度：
如果用户si“关注”sj，则F(i,j)＝1；否则F(i,j)＝0；Nc(i,j)和Nf(i,j)分别表示用户si针对sj所发布的文本内容所执行的评论和转发操作次数；τ为正则化参数。
5.根据权利要求4所述的线性时间好友推荐方法，其特征在于，所述根据兴趣相似性与社交亲密性为目标用户构建加权异构网络具体为：
根据所述兴趣相似性与社交亲密性从社交网络中找出与目标用户具备共同兴趣或者共同好友的潜在好友候选人；所述潜在好友候选人包括设定数量的具有最多共同好友的好友之好友以及具有最多共同兴趣的领域高影响力用户；
根据所述潜在好友候选人生成加权异构网络G(V,ES,WS,EI,WI)，其中，V表示节点集合，由目标用户本身、目标用户的好友集合以及潜在好友候选人集合组成；ES和EI分别代表无向边和有向边的集合，对应于V中用户间的兴趣相似性和社交亲密性；WS和WI分别指示ES和EI上的连边权值。
6.根据权利要求5所述的线性时间好友推荐方法，其特征在于，所述采用自底向上模块度增值的社区发现方法挖掘所述目标用户在加权异构网络中的社区集合包括：
针对所述加权异构网络中的每个节点，将其从原始社区中移出并添加到相邻社区中，并评估社区模块度的增量，如果模块度增量为正值，将所述节点转移到模块度最大增值的邻接社区中；否则，将所述节点保留在其原始社区中；
对所有节点依次重复执行上述过程，直到社区模块度的值不再增长，从而得到目标用户所在的社区集合。
7.根据权利要求6所述的线性时间好友推荐方法，其特征在于，所述计算目标用户归附所述社区集合中不同社区的隶属度值包括：
假设是与节点so关联的第i个社区，/>是/>中与so相邻的节点集，则so归附/>的隶属度/>表述为：
其中，和/>分别代表节点so和su之间的无向边权值以及从so指向su的有向边权值；/>代表连接到so上的无向边权值之和；/>和/>分别代表so的出边权之和和su的入边权之和；/>且/>
8.根据权利要求7所述的线性时间好友推荐方法，其特征在于，所述根据目标用户的社区隶属度值从加权异构网络中提取出设定数量的用户，生成目标用户的好友推荐集包括：
针对与目标用户关联的每一个社区，通过LeaderRank排序算法在社区内部对节点集进行优先级排序；
根据目标用户的社区隶属度值以及各个社区内节点排序得分值，从每个社区中提取出恰当数量的高影响力用户，生成目标用户的好友推荐集。
9.一种利用权利要求1所述一种线性时间好友推荐方法的线性时间好友推荐***，其特征在于，包括：
兴趣计算模块：用于基于社交网络中用户发布的文本内容数据估算每个用户的主题兴趣度，并根据所述主题兴趣度计算用户间的兴趣相似性；
互动计算模块：用于根据社交网络中用户的社交互动行为计算用户间的社交亲密性；
网络构建模块：用于根据所述兴趣相似性与社交亲密性为目标用户构建加权异构网络；所述加权异构网络中包括与目标用户具备共同兴趣或共同好友的潜在好友候选人；
社区挖掘模块：用于采用自底向上模块度增值的社区发现方法挖掘所述目标用户在加权异构网络中的社区集合，并计算出所述目标用户归附所述社区集合中各个社区的隶属度值；
好友推荐模块：用于根据所述隶属度值从加权异构网络中提取出设定数量的用户，生成所述目标用户的好友推荐集。
10.一种终端，其特征在于，所述终端包括处理器、与所述处理器耦接的存储器，其中：
所述存储器存储有用于实现权利要求1至8任一项所述的线性时间好友推荐方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制线性时间好友推荐。
11.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1至8任一项所述线性时间好友推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111159485.5A CN113836444B (zh) | 2021-09-30 | 2021-09-30 | 一种线性时间好友推荐方法、***、终端以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111159485.5A CN113836444B (zh) | 2021-09-30 | 2021-09-30 | 一种线性时间好友推荐方法、***、终端以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113836444A CN113836444A (zh) | 2021-12-24 |
| CN113836444B true CN113836444B (zh) | 2024-04-19 |
Family
ID=78967708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111159485.5A Active CN113836444B (zh) | 2021-09-30 | 2021-09-30 | 一种线性时间好友推荐方法、***、终端以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113836444B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116541617B (zh) * | 2023-06-29 | 2023-09-19 | 安徽大学 | 参会用户及地点推荐方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740342A (zh) * | 2016-01-22 | 2016-07-06 | 天津中科智能识别产业技术研究院有限公司 | 一种基于社会关系主题模型的社交网络朋友推荐方法 |
| CN106506183A (zh) * | 2015-09-06 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 网络社区的发现方法及装置 |
| CN107526850A (zh) * | 2017-10-12 | 2017-12-29 | 燕山大学 | 基于多重个性化特征混合架构的社交网络好友推荐方法 |
| CN108460153A (zh) * | 2018-03-27 | 2018-08-28 | 广西师范大学 | 一种混合博文与用户关系的社交媒体好友推荐方法 |
| WO2019205795A1 (zh) * | 2018-04-26 | 2019-10-31 | 腾讯科技（深圳）有限公司 | 兴趣推荐方法、计算机设备及存储介质 |
| CN111143704A (zh) * | 2019-12-20 | 2020-05-12 | 北京理工大学 | 一种融合用户影响关系的在线社区好友推荐方法及*** |
-
2021
- 2021-09-30 CN CN202111159485.5A patent/CN113836444B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106506183A (zh) * | 2015-09-06 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 网络社区的发现方法及装置 |
| CN105740342A (zh) * | 2016-01-22 | 2016-07-06 | 天津中科智能识别产业技术研究院有限公司 | 一种基于社会关系主题模型的社交网络朋友推荐方法 |
| CN107526850A (zh) * | 2017-10-12 | 2017-12-29 | 燕山大学 | 基于多重个性化特征混合架构的社交网络好友推荐方法 |
| CN108460153A (zh) * | 2018-03-27 | 2018-08-28 | 广西师范大学 | 一种混合博文与用户关系的社交媒体好友推荐方法 |
| WO2019205795A1 (zh) * | 2018-04-26 | 2019-10-31 | 腾讯科技（深圳）有限公司 | 兴趣推荐方法、计算机设备及存储介质 |
| CN111143704A (zh) * | 2019-12-20 | 2020-05-12 | 北京理工大学 | 一种融合用户影响关系的在线社区好友推荐方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| "基于社区划分和用户相似度的好友信息服务推荐研究";张继东等;《情报理论与实践》;20190109;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113836444A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AlNuaimi et al. | Streaming feature selection algorithms for big data: A survey | |
| Umer et al. | Sentiment analysis of tweets using a unified convolutional neural network‐long short‐term memory network model | |
| CN109508385B (zh) | 一种基于贝叶斯网的网页新闻数据中的人物关系分析方法 | |
| CN111241421A (zh) | 基于社交上下文信息的用户转发行为预测方法 | |
| CN108427756B (zh) | 基于同类用户模型的个性化查询词补全推荐方法和装置 | |
| CN109933720B (zh) | 一种基于用户兴趣自适应演化的动态推荐方法 | |
| Zhou et al. | Using hybrid normalization technique and state transition algorithm to VIKOR method for influence maximization problem | |
| Lung et al. | Game theory and extremal optimization for community detection in complex dynamic networks | |
| CN113011471A (zh) | 一种社交群体的划分方法、划分***及相关装置 | |
| Komkhao et al. | Incremental collaborative filtering based on Mahalanobis distance and fuzzy membership for recommender systems | |
| Ni et al. | Comparative convolutional dynamic multi-attention recommendation model | |
| Lu et al. | Graph‐Based Collaborative Filtering with MLP | |
| CN113836444B (zh) | 一种线性时间好友推荐方法、***、终端以及存储介质 | |
| Varpa et al. | Genetic algorithm based approach in attribute weighting for a medical data set | |
| Huang et al. | Identifying influential individuals in microblogging networks using graph partitioning | |
| Salam et al. | Optimizing extreme learning machine using GWO algorithm for sentiment analysis | |
| Khan et al. | Multi-objective feature subset selection using mRMR based enhanced ant colony optimization algorithm (mRMR-EACO) | |
| CN114842247A (zh) | 基于特征累加的图卷积网络半监督节点分类方法 | |
| CN114443948A (zh) | 基于多场景数据的排序模型训练方法、排序方法及装置 | |
| Yan et al. | Tackling the achilles heel of social networks: Influence propagation based language model smoothing | |
| He et al. | A novel graph-based feature interaction model for click-through rate prediction | |
| Wang et al. | Nit: Searching for rumors in social network through neighborhood information transmission | |
| Shen et al. | Developing Machine Learning and Deep Learning Models for Customer Churn Prediction in Telecommunication Industry | |
| Devi et al. | An innovative word embedded and optimization based hybrid artificial intelligence approach for aspect-based sentiment analysis of app and cellphone reviews | |
| Sridhar et al. | Extending Deep Neural Categorisation Models for Recommendations by Applying Gradient Based Learning |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |