论文部分内容阅读
基于位置的移动社交网络正在成为日益流行的信息共享媒体,越来越多的人通过拥有基于位置的服务来与他人互动。作为一种信息分享与交流的平台,用户不仅可以在签到位置分享自己每时每刻的想法,而且还可以根据自己的偏好和要求来添加其他用户为好友。然而,如何根据用户的相关信息来判断用户间是否合适成为好友,就成了当前移动社交网络研究中普遍存在的问题。当前大多数好友推荐的范围仍然只针对全网络用户,然而全网络中的每个用户只能连接到移动社交网络的一小部分,用户关系的强弱在全网络好友推荐中体现的不够明显。为解决相关问题,本文立足于社区发现的研究基础上,通过建立好友相似度模型来实现好友推荐,主要内容和研究价值如下:1.本文提出一种基于位置信息加权的社区发现方法。该方法首先根据用户签到位置经纬度来计算网络中某一用户的活动中心经纬度与另一用户所有签到位置的球面距离,对用户间签到位置的球面距离进行优化处理得到网络拓扑图中节点间的物理位置邻近度。融合节点之间的物理位置邻近度和改进的Jaccard相似系数作为LFM算法的共享函数。其次,综合考虑网络拓扑图中节点度和节点之间的物理位置邻近度作为网络节点局部张力,再选择拥有最大局部张力的节点作为社区的种子节点。最后,将拥有较小稠密子图节点数一半以上相同节点的两社区融合。在这样的社交网络上进行社区划分可以提高好友推荐的精度性。2.本文提出了一种基于社区发现的移动社交网络好友推荐方法。该方法首先对用户签到时间概率进行信息熵处理,减少低概率签到事件对整体时间相似度计算的影响,且使用核密度估计算法,估算用户在一天24小时的整体签到概率密度,再使用余弦相似度公式计算用户间的签到时间相似度。其次,分析用户的签到位置信息,构造用户签到位置概率矩阵,通过用户的概率矩阵来评估用户间的签到位置相似度。最后,通过对用户签到时间相似度和签到位置相似度取合适的权值来划分其所占的比例,以此来计算用户间的整体偏好相似度。对于老用户,融合签到时间相似度和以上两个属性的相似度,进一步提升好友推荐结果的准确性。