论文部分内容阅读
朋友推荐是社交网站最关键的服务之一,也一直是学术界和工业界的重点研究对象。一个好的朋友推荐算法不仅能扩大用户的交际圈,增强用户对社交网站的粘性,反过来也能增强一个网站的稳定性和活跃度。近年来随着智能移动终端设备的广泛普及,获取用户位置信息变得容易,基于位置的社交网络(Location-Based Social Network,LBSN)也随之兴起。LBSN通过提供基于位置的服务将用户线上与线下生活联系在一起,使得位置信息在社交网络好友关系建立的过程中起到不可忽视的作用。而传统的社交网络朋友推荐算法只考虑用户在线上的信息(朋友关系信息,用户简介等)为用户推荐朋友,忽略了用户在现实世界的信息(地理位置,距离等)对朋友推荐的影响。本研究针对当前LBSN的新特性,在充分挖掘和分析一个真实的基于位置的社交网站(Gowalla)的朋友关系数据集以及签到数据集的基础上,综合考虑用户在线上的朋友关系相似度和线下的位置偏好相似度,使用马尔科夫链、基于位置聚类、余弦相似度、距离权重以及阈值评估等理论和方法提出了基于位置偏好的在线社交网络的朋友推荐算法,为用户推荐在现实世界有相似位置偏好的朋友,并对算法进行正确性、时间复杂性等分析。实验数据表明该算法是合理且有效的,在保持被推荐的朋友与目标用户在线上有一定相似性的基础上,为目标用户推荐在线下有相似位置偏好的朋友。最后,进一步分析距离对朋友关系的影响,并尝试在线上朋友关系相似度计算中加入线下的距离权重,提出基于距离权重的朋友推荐算法,实验结果证明该算法进一步增加被推荐的朋友与目标用户在现实世界成为朋友的可能性。