论文摘要
随着社交时代的来临,基于社会网络的研究越来越受到人们的关注,例如社会化的推荐系统和社团发现。社会网络为这些研究领域带来全新的信息。研究者希望通过对社会网络的挖掘,能够得到更加合理的结果,为人们的决策提供更多的帮助。本文就社会化推荐系统的构建和社团发现问题进行了研究,并提出了相关的算法。本文针对社会化推荐系统构建的问题,提出了一个基于信任关系的协同过滤算法框架,将用户可信度和传统的评分相似度有机地结合在一起,以此为用户做出更加合理的推荐。本文认为现代推荐系统应该充分考虑社会因素的影响,而人与人之间的信任关系正是一个重要的社会因素。由于数据稀疏性的问题,本文对信任网络进行聚类,并赋予每个用户一个类层级的可信度。在Epinions数据集上的实验,证明了利用用户信任关系可以有效提高推荐质量,缓解冷启动问题给推荐系统带来的困扰。近年来,由于计算复杂度上的优势,标签传播算法表现出了其在解决大规模网络的社团发现问题上的巨大潜力。受这一思想的启发,本文提出了一个新颖的标签传播算法来解决社会网络的社团划分问题。首先,我们认为网络中的每个节点具有大小不同的影响力,并给出计算节点影响力的公式。其次,我们采用分层传播的方式来进行标签传播,优先传播影响力大的节点所拥有的标签。这种处理方式综合了同步和异步更新策略的优势,使得算法能够更快地收敛,社团划分的结果也更加稳定。在几个数据集上的实验证明了该算法能够把社会网络合理地划分出非重叠和重叠社团,并且能够保证小社团的独立性,有效地解决了标签传播类算法社团划分不稳定的问题。和COPRA算法结果的对比,证明了我们提出的算法的有效性。