EBSN(Event-based Social Networks)与传统社交网络有所不同,它不仅包含传统社交网中的线上交互(Online Interactions),还包含颇具价值的线下交互(Offline Interactions),是一种异构型复杂社交网络。如何有效利用这种虚拟与物理相融合...
详细信息
EBSN(Event-based Social Networks)与传统社交网络有所不同,它不仅包含传统社交网中的线上交互(Online Interactions),还包含颇具价值的线下交互(Offline Interactions),是一种异构型复杂社交网络。如何有效利用这种虚拟与物理相融合的交互关系来提高活动推荐服务的质量,是目前学术界和工业界共同关注的热点研究问题之一。传统社交活动推荐算法,如基于用户偏好或线上好友关系的活动推荐算法,除了考虑活动和用户的基本属性外,大多基于显式好友关系EF(Explicit Friendship)进行活动推荐,但EBSN不具备显式好友关系,因此上述算法均不能直接用于EBSN活动推荐。为此,定义了一种新的潜在好友关系LF(Latent Friendship),LF关系将线上同组、线下同活动综合纳入活动评分计算中,以体现LF对EBSN活动推荐的影响;同时,基于此提出了一种基于潜在好友关系的EBSN活动推荐算法(Activity Recommendation Algorithm based on Latent Friendships,ARLF),该算法在寻找潜在好友关系时,创新性地运用元路径思想,使得EBSN中的异构信息得到了充分利用。最后,利用Meetup事件社交网中的真实数据对ARLF算法进行了性能测试,可扩展性实验证明了该算法是可行且有效的。
基于活动的社交网络(Event-based Social Network, EBSN)是一种新型的复杂异构社交网络,其中的个性化活动推荐具有一定的应用价值。近年来,随着EBSN的快速发展,传统方法利用数据挖掘技术有效解决了活动推荐的信息过载问题。然而,仅利用...
详细信息
基于活动的社交网络(Event-based Social Network, EBSN)是一种新型的复杂异构社交网络,其中的个性化活动推荐具有一定的应用价值。近年来,随着EBSN的快速发展,传统方法利用数据挖掘技术有效解决了活动推荐的信息过载问题。然而,仅利用单特征属性或少量线性组合进行计算,且预定义固定权重将降低活动推荐的准确度,此外大多数方法忽略了用户反馈信息对后续推荐的影响。针对上述问题,提出了一种两阶段构成的多因素特征融合的活动推荐方法。查询预处理阶段,将EBSN中的活动、历史用户及其之间的关系抽象为有向异构图,并提取节点及边的特征信息进行辅助存储;利用该辅助数据过滤无效节点及边,进而获得相对较小的候选集;根据查询语境,将查询语义转化为查询图。在线查询阶段,融合潜在好友关系、基于活动的协同过滤以及用户对活动的兴趣这3方面特征进行活动推荐,并接收用户是否接受活动的反馈信息作为后续推荐的参考因素。在真实数据集和模拟数据集上进行了大量实验,结果表明所提方法相比对比算法在EBSN中活动推荐的精确度和用户的满意度方面更优。
暂无评论