基于用户相似度的随机游走社交网络事件推荐算法

doi:10.12068/j.issn.1005-3026.2019.11.003

东北大学学报:自然科学版 ›› 2019, Vol. 40 ›› Issue (11): 1533-1538.DOI: 10.12068/j.issn.1005-3026.2019.11.003

基于用户相似度的随机游走社交网络事件推荐算法

马铁民^1,2，周福才¹，王爽¹

(1. 东北大学计算机科学与工程学院，辽宁沈阳110169; 2. 黑龙江八一农垦大学电气与信息学院，黑龙江大庆163319)

收稿日期:2019-01-22 修回日期:2019-01-22 出版日期:2019-11-15 发布日期:2019-11-05
通讯作者: 马铁民
作者简介:马铁民(1980-)，男，黑龙江大庆人，东北大学博士研究生，黑龙江八一农垦大学讲师; 周福才(1964-)，男，吉林长春人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(61872069，61772127，61703088); 黑龙江八一农垦大学博士启动基金资助项目(XDB-2016-21).

Social Network Event Recommendation Algorithms Based on User Similarity Random Walk

MA Tie-min^1,2， ZHOU Fu-cai¹， WANG Shuang¹

1. School of Computer Science & Engineering， Northeastern University， Shenyang 110169， China; 2. College of Electrical and Information， Heilongjiang Bayi Agricultrual University， Daqing 163319， China.

Received:2019-01-22 Revised:2019-01-22 Online:2019-11-15 Published:2019-11-05
Contact: ZHOU Fu-cai
About author:-
Supported by:
-

摘要/Abstract

摘要： 针对基于社交网络的事件推荐覆盖性和准确性不够高的问题，提出了基于用户相似度Si-user Walker算法.该算法利用基于事件的社交网络特征，将线上用户群组数据抽象为图，以重启随机游走算法为基础，改变了传统的完全基于图的拓扑结构进行随机游走的策略.根据地理位置划分事件类型，提出了新的用户相似度计算方法，然后根据用户相似度矩阵作为随机游走的转移概率，既保留了图的传递性，又保证了图节点游走的真实性.与其他推荐算法在真实的数据集上实验表明，该算法在均方根误差、准确率及覆盖率上均得到提升.

Abstract: Aimed at the problem of insufficient coverage and accuracy of event recommendation based on social network， a user similarity-based Si-user Walker algorithm was proposed. The algorithm abstracts online user group data into graphs through event-based social network features and changes the traditional strategy of random walk based on graph-based topology structure on the basis of restart random walk algorithm. According to geographical location， event types were divided and a new calculation method of user similarity was proposed. Then， the user similarity matrix works as transition probability of random walk. Transfer probability not only preserves the transitivity of graph， but also guarantees the authenticity of graph node walk. Compared with other recommendation algorithms， it is shown that the proposed algorithm experiments on real data sets can improve root mean square error， accuracy and coverage.

Key words: event recommendation, social network, user similarity, topological structure, restart random walk

中图分类号:

TP181

马铁民，周福才，王爽. 基于用户相似度的随机游走社交网络事件推荐算法[J]. 东北大学学报:自然科学版, 2019, 40(11): 1533-1538.

MA Tie-min， ZHOU Fu-cai， WANG Shuang. Social Network Event Recommendation Algorithms Based on User Similarity Random Walk[J]. Journal of Northeastern University Natural Science, 2019, 40(11): 1533-1538.

参考文献

[1]Goldberg D，Nichols D，Oki B M，et al.Using collaborative filtering to weave an information tapestry［J］.Communications of ACM，1992，35(12):61-70.
[2]Konstan J A，Miller B N，Maltz D，et al.GroupLens:applying collaborative filtering to Usenet news［J］.Communications of ACM，1997，40(3):77-87.
[3]Sarwar B，Karypis G，Konstan J，et al.Item-based collaborative filtering recommendation algorithms［C］// International Conference on World Wide Web.Hong Kong:ACM Press，2001:285-295.
[4]Salakhutdinov R，Mnih A.Probabilistic matrix factorization［C］// International Conference on Neural Information Processing Systems.Washington D C:ACM Press，2007:1257-1264.
[5]Oard D W，Kim J.Implicit feedback for recommender system［C］// The Fifteenth National Conference on Artificial Intelligence.Madison:AAAI Press，1998:81-83.
[6]Jamali M，Ester M.TrustWalker:a random walk model for combining trust-based and item-based recommendation［C］// ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.Paris:ACM Press，2009:397-406.
[7]Wasserman S，Faust K.Social network analysis:methods and applications［J］.Contemporary Sociology，1995，91(435):219-220.
[8]Iglesias J A，García-Cuerva A，Ledezma A，et al.Social network analysis:evolving Twitter mining［C］//IEEE International Conference on Systems，Man，and Cybernetics.Lberta:IEEE Press，2017:1809-1814.
[9]Bhattacharyya D，Seth S，Kim T.Social network analysis to detect inherent communities based on constraints［J］.Social Science Electronic Publishing，2016，8(1):385-396.
[10]Tang L，Liu H.Relational learning via latent social dimensions［C］// ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.Paris:ACM Press，2009:817-826.
[11]Sun Y Z，Han J W.Mining heterogeneous information networks:a structural analysis approach［J］.ACM SIGKDD Explorations Newsletter，2012，14(2):20-28.
[12]O’Malley A J，Onnela J P.Introduction to social network analysis［M］.Dartmouth:Springer-Verlag，2017:1-44.
[13]Alhajj R，Rokne J.Encyclopedia of social network analysis and mining［M］.Dartmouth:Springer-Verlag，2014:1-50.
[14]Tang J L，Wang S H，Hu X，et al.Recommendation with social dimensions［C］// Thirtieth AAAI Conference on Artificial Intelligence.Phoenix:AAAI Press，2016:251-257.
[15]Ma H，Yang H，Lyu M R，et al.SoRec:social recommendation using probabilistic matrix factorization［C］//ACM Conference on Information & Knowledge Management.New York:ACM Press，2008:931-940.
[16]Backstrom L，Leskovec J.Supervised random walks:predicting and recommending links in social networks［C］// ACM International Conference on Web Search & Data Mining.Hong Kong:ACM Press，2011:635-644.
[17]Gao B，Liu T Y，Wei W，et al.Semi-supervised ranking on very large graph with rich metadata［C］// Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.San Diego:ACM Press，2011:96-104.
[18]Lee S，Song S I，Kahng M.Random walk based entity ranking on graph for multidimensional recommendation［C］// ACM Conference on Recommender Systems.Chicago:ACM Press，2011:93-100.
[19]Golbeck J A.Computing and applying trust in web-based social networks［D］.Maryland:University of Maryland at College Park，2005.
[20]Massa P，Avesani P.Trust-aware recommender systems［C］// ACM Conference on Recommender Systems.Minnesota:ACM Press，2007:17-24.
[21]Tang L，Liu H.Scalable learning of collective behavior based on sparse social dimensions［C］//Proceedings of the 18th ACM Conference on Information and Knowledge Management.Hong Kong:ACM Press，2009:1107-1116.
[22]Pham T A N，Li X，Cong G，et al.A general graph-based model for recommendation in event-based social networks［C］// IEEE International Conference on Data Engineering.Winston-Salem:IEEE Press，2015:567-578.

基于用户相似度的随机游走社交网络事件推荐算法

Social Network Event Recommendation Algorithms Based on User Similarity Random Walk

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]	韩东红，张宏亮，朱帅伟，齐孝龙. 面向新浪微博的情感社区检测算法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 21-31.
[2]	王馨，王婧，李金锋. 基于贝叶斯网络的企业社交网络招聘风险评价[J]. 东北大学学报:自然科学版, 2020, 41(9): 1356-1362.
[3]	黄玮强，李方，姚爽. 中国金融机构波动溢出动态关联网络研究[J]. 东北大学学报:自然科学版, 2019, 40(4): 596-601.
[4]	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.
[5]	张伟平，庄新田，李延双. 股指极端波动下中国股票市场网络拓扑结构[J]. 东北大学学报:自然科学版, 2018, 39(10): 1511-1515.
[6]	李贞妮，李晶皎，王爱侠，张壬申. 一种新型片上网络拓扑结构及其自适应路由算法[J]. 东北大学学报:自然科学版, 2017, 38(9): 1217-1221.
[7]	张锡哲，孟庆虎，张斌. 一种动态社交网络上的传播源点定位方法[J]. 东北大学学报:自然科学版, 2017, 38(2): 219-223.
[8]	张聿博，张锡哲，徐超，张斌. 社交网络信息源快速定位方法[J]. 东北大学学报:自然科学版, 2016, 37(4): 467-471.
[9]	张锡哲，张聿博，陈章禄，张斌. 面向大规模在线社交网络的社团抽取算法[J]. 东北大学学报:自然科学版, 2015, 36(3): 342-345.
[10]	张聿博，张锡哲，张斌. 基于观察点的信息源定位方法的准确率分析[J]. 东北大学学报:自然科学版, 2015, 36(3): 350-353.
[11]	刘精宇，常勇. 拓扑结构在钢铁企业发电节点网络的应用[J]. 东北大学学报:自然科学版, 2015, 36(2): 241-244.
[12]	赵海，林川，李大舟，彭海霞. 基于IEEE802154协议的虚拟仪器的设计与实现[J]. 东北大学学报(自然科学版), 2013, 34(3): 344-347.
[13]	黄玮强;姚爽;庄新田;. 上证指数和交易量波动的网络动力学模型[J]. 东北大学学报(自然科学版), 2010, 31(10): 1516-1520.
[14]	关守平;郝立颖;. 太阳能光伏系统中的低压电网拓扑结构优化[J]. 东北大学学报(自然科学版), 2009, 30(12): 1698-1701.
[15]	王琪;刘永贤;臧戈平;郭凯;. 适应协同设计的产品模型的表示方法[J]. 东北大学学报(自然科学版), 2006, 27(7): 798-801.