基于二分网络社团划分的推荐算法

doi:10.12068/j.issn.1005-3026.2018.08.008

东北大学学报:自然科学版 ›› 2018, Vol. 39 ›› Issue (8): 1103-1107.DOI: 10.12068/j.issn.1005-3026.2018.08.008

基于二分网络社团划分的推荐算法

陈东明，严燕斌，黄新宇，王冬琦

(东北大学软件学院，辽宁沈阳110169)

收稿日期:2017-03-30 修回日期:2017-03-30 出版日期:2018-08-15 发布日期:2018-09-12
通讯作者: 陈东明
作者简介:陈东明(1968-)，男，安徽怀宁人，东北大学教授.冯明杰(1971-)，男，河南禹州人，东北大学副教授; 王恩刚(1962-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
辽宁省自然科学基金资助项目(20170540320)；辽宁省教育厅科学研究项目(L20150167).国家自然科学基金资助项目(51171041).

Recommendation Algorithm Based on Community Detection in Bipartite Networks

CHEN Dong-ming， YAN Yan-bin， HUANG Xin-yu， WANG Dong-qi

School of Software， Northeastern University， Shenyang 110169， China.

Received:2017-03-30 Revised:2017-03-30 Online:2018-08-15 Published:2018-09-12
Contact: HUANG Xin-yu
About author:-
Supported by:
-

摘要/Abstract

摘要： 传统的基于用户的协同过滤(User-based CF)推荐算法的推荐效率随着数据的不断增加而降低.本文在User-based CF算法中引入二分网络社团发现理论，提出一种基于二分网络社团划分的推荐算法(RACD).首先通过用户与项目之间的关系建立用户-项目二分网络，然后通过RACD对该网络进行社团划分，得到用户的社团信息，最后通过同一社团中的其他用户对目标用户进行项目的推荐.在经典网络数据集上的实验结果表明，RACD能够有效提高推荐系统实时推荐效率.

关键词: 推荐算法, 二分网络, 社团划分, 协同过滤, 复杂网络

Abstract: The efficiency of traditional user-based collaborative filtering (user-based CF) recommendation algorithm is reduced with data increasing. This paper proposes a recommendation algorithm based on community detection (RACD) in bipartite networks by introducing bipartite network community detection theory into user-based CF recommendation algorithm. Firstly， the user-item rating matrix is mapped into user-item bipartite network. Then， the community information of each user is obtained by using RACD to divide the user-item network. Finally， the items are recommended to the target user according to other users in the same community. Experiments on real-world classic network datasets show that the RACD can effectively improve real-time recommendation efficiency of the recommendation system.

Key words: recommendation algorithm, bipartite network, community detection, collaborative filtering, complex network

中图分类号:

TP391

陈东明，严燕斌，黄新宇，王冬琦. 基于二分网络社团划分的推荐算法[J]. 东北大学学报:自然科学版, 2018, 39(8): 1103-1107.

CHEN Dong-ming， YAN Yan-bin， HUANG Xin-yu， WANG Dong-qi. Recommendation Algorithm Based on Community Detection in Bipartite Networks[J]. Journal of Northeastern University Natural Science, 2018, 39(8): 1103-1107.

参考文献

[1]Adomavicius G，Zhang J.Stability of recommendation algorithms ［J］.ACM Transactions on Information Systems，2010，30(4):47-54.
[2]Schedl M，Hauger D，Farrahi K，et al.On the influence of user characteristics on music recommendation algorithms［C］//European Conference on Information Retrieval.Vienna，2015:339-345.
[3]郑祥云，陈志刚，黄瑞，等.基于主题模型的个性化图书推荐算法［J］.计算机应用，2015，35(9):2569-2573.(Zheng Xiang-yun，Chen Zhi-gang，Huang Rui，et al.Personalized book recommendation algorithm based on topic model ［J］.Journal of Computer Applications，2015，35(9):2569-2573.)
[4]Cai X，Bain M，Krzywicki A，et al.Collaborative filtering for people to people recommendation in social networks［C］//AI 2010:Advances in Artificial Intelligence.Berlin:Springer，2010:476-485.
[5]Chee S H S，Han J，Wang K.RecTree:an efficient collaborative filtering method ［J］.Lecture Notes in Computer Science，2001，2114:141-151.
[6]Balabanovi M，Shoham Y.Fab:content-based，collaborative recommendation ［J］.Communications of the ACM，1997，40(3):66-72.
[7]Lops P，de Gemmis M，Semeraro G.Content-based recommender systems:state of the art and trends ［M］//Recommender Systems Handbook.［S.l.］:Springer US，2011:73-105.
[8]Soboroff I M，Nicholas C K.Combining content and collaboration in text filtering ［C/OL］//Proceedings of the IJCAI’99 Workshop on Machine Learning in Information Filtering，1999.［2017-01-23］.http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.640.3677 & rep=rep1& type=pdf.
[9]Girardi R，Marinho L B.A domain model of Web recommender systems based on usage mining and collaborative filtering［J］.Requirements Engineering，2007，12(1):23-40.
[10]Papagelis M，Plexousakis D.Qualitative analysis of user-based and item-based prediction algorithms for recommendation agents ［J］.Engineering Applications of Artificial Intelligence，2005，18(7):781-789.
[11]Zhao Z D，Shang M.User-based collaborative-filtering recommendation algorithms on hadoop［C］// IEEE International Conference on Knowledge Discovery and Data Mining.Phuket，2010:478-481.
[12]孟桓羽，刘真，王芳，等.基于图和改进K近邻模型的高效协同过滤推荐算法［J］.计算机研究与发展，2017，54(7):1426-1438.(Meng Huan-yu，Liu Zhen，Wang Fang，et al.An efficient collaborative filtering algorithm based on graph model and improved KNN［J］.Journal of Computer Research and Development，2017，54(7):1426-1438.)
[13]Wang Q，Li W，Zhang X，et al.Academic paper recommendation based on community detection in citation-collaboration networks［C］//Asia-Pacific Web Conference:Web Technologies and Applications.Suzhou，2016:124-136.
[14]Chen D M，Yan Y B，Wang D Q，et al.Community detection algorithm based on structural similarity for bipartite networks［C］// Proceedings of 7th IEEE International Conference on Software Engineering and Service Science.Beijing，2016:173-177.
[15]Vozalis M G，Margaritis K G.Using SVD and demographic data for the enhancement of generalized collaborative filtering［J］.Information Sciences，2007，177(15):3017-3037.

基于二分网络社团划分的推荐算法

Recommendation Algorithm Based on Community Detection in Bipartite Networks

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	孔芝，孙琦，寇晓宇，王立夫. 基于属性信息和结构特性的网络节点重要度研究[J]. 东北大学学报（自然科学版）, 2022, 43(5): 625-631.
[2]	丁来旭，刘洪娟. 复杂网络上基于多维特征表示学习的推荐算法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 359-367.
[3]	王立夫，李欢，赵国涛. 基于节点最大剩余容量的改进负荷再分配策略[J]. 东北大学学报:自然科学版, 2020, 41(9): 1223-1230.
[4]	李延双，庄新田，王健，张伟平. 极端行情下中国股市社团结构及系统性风险分析[J]. 东北大学学报:自然科学版, 2020, 41(10): 1500-1508.
[5]	孙艳蕊，陈月. 基于Timed-HITS与协同过滤的混合推荐算法[J]. 东北大学学报:自然科学版, 2019, 40(4): 467-473.
[6]	陈东明，王云开，黄新宇，王冬琦. 基于社团密合度的复杂网络社团发现算法[J]. 东北大学学报:自然科学版, 2019, 40(2): 186-191.
[7]	刘海博，冯时，于戈. 一种基于旁信息增强的协同过滤自动编码器模型[J]. 东北大学学报:自然科学版, 2019, 40(11): 1527-1532.
[8]	赵海，李雄峰，朱宏博，王彬. 基于分形维数特征的肺结节形状建模[J]. 东北大学学报:自然科学版, 2018, 39(11): 1545-1551.
[9]	徐艳杰，任涛，齐义. 基于时空影响域的加权地震网络拓扑特性分析[J]. 东北大学学报:自然科学版, 2018, 39(11): 1551-1555.
[10]	何璇，王卢阳，赵海，刘晓. 地震数据关系网络的空间尺度[J]. 东北大学学报:自然科学版, 2018, 39(10): 1385-1389.
[11]	徐久强，宋佳，何璇，赵海. 基于OFC的仿真地震序列网络化特征对比分析[J]. 东北大学学报:自然科学版, 2017, 38(2): 205-209.
[12]	李婕，王兴伟，郭静，于超. 面向移动通信网络的局部扩张群组构造方法[J]. 东北大学学报:自然科学版, 2017, 38(12): 1691-1696.
[13]	李鹤群，徐久强，王进法，赵海. Internet分形特征研究[J]. 东北大学学报:自然科学版, 2016, 37(12): 1691-1695.
[14]	赵海，窦圣昶，蔡巍，陈星池. 脉搏波的复杂网络分析[J]. 东北大学学报:自然科学版, 2016, 37(12): 1696-1699.
[15]	王进法，赵海，刘晓，李鹤群. 基于空间影响域的虫害关系网络构造与分析[J]. 东北大学学报:自然科学版, 2016, 37(12): 1700-1704.