社会网络中节点的移动特点可以归结为强移动性和弱移动性两种类型。提出的MTBR(Mobile-Tendency Based Routing)算法引入了移动倾向的概念,将人的移动习惯与节点的移动规律进行关联。该算法通过检测出社会网络中强移动性节点的移动倾向...
详细信息
社会网络中节点的移动特点可以归结为强移动性和弱移动性两种类型。提出的MTBR(Mobile-Tendency Based Routing)算法引入了移动倾向的概念,将人的移动习惯与节点的移动规律进行关联。该算法通过检测出社会网络中强移动性节点的移动倾向,并利用强移动节点来携带数据并进行数据转发。实验数据表明,节点移动性越强其移动倾向越明显;相较于同类算法,MTBR算法可以有效地将消息向较远的目的地转发,其产生的转发能耗较低,送达率更稳定。
基于社会的机会网络中,节点趋向于和自己关系亲密的节点进行接触,因此可以通过评价节点之间的亲密程度来帮助预测节点之间的接触概率。由于节点亲密性的时间相关性和区域相关性,利用节点的历史接触信息构造节点亲密程度的评价模型时,考虑节点接触区域和节点接触时间对亲密程度的影响,从而得到节点在相应区域的亲密节点——区域朋友(Regional Friends,RF)。最后结合节点当前位置和区域朋友关系提出一种基于区域朋友关系的机会路由算法(Opportunistic Routing algorithm based on Regional Friendship,ORRF)。实验数据表明,在节点分布密度以及数据可容忍时延变化的网络环境下,该算法得到较高的数据送达率和较低的转发能耗。
兴趣点(Point-Of-Interest,POI)推荐是基于位置的社交网络(Location-Based Social Networks,LBSN)中的一项重要个性化服务.由于LBSN中数据的极度稀疏性,基于协同过滤的算法推荐精度不高,文中提出基于元路径的兴趣点推荐算法.首先根据LBS...
详细信息
兴趣点(Point-Of-Interest,POI)推荐是基于位置的社交网络(Location-Based Social Networks,LBSN)中的一项重要个性化服务.由于LBSN中数据的极度稀疏性,基于协同过滤的算法推荐精度不高,文中提出基于元路径的兴趣点推荐算法.首先根据LBSN结构特征构建带权异构网络模型,其次引入元路径来描述节点间不同类型关联关系,基于三度影响力设置用户-兴趣点间元路径特征集,然后通过随机游走方法计算元路径特征值以度量实例路径中的首尾节点间关联度,并利用监督学习方法获得各特征的权值,最后计算特定用户将来在各兴趣点的签到概率从而生成推荐列表.文中在3个真实LBSN签到数据集上进行了实验,结果表明该算法可以有效缓解LBSN中的极度稀疏性问题,比传统推荐算法有更好的推荐效果.
暂无评论