基于相似度和信任度的关联规则微博好友推荐
基于内容分析的微博用户关系推荐机制研究
＞……＞ｔ 它们都是按 重要程度排好的序列 。 标签权重 的差异性计算 出相似距离，最终得到用户推荐 ＞ｔ 结果，这种全新的用户关系推荐机制具有创新性。
因 为用 户 标 签 表 示 的是 标 签 与 用 户 之 间 的 关 联 性 的 紧密 程 度 ，标 签权 重 的大 小 直 接 反 映该 标 签 所 表 示
趋 于 将 现 实 生 活 中 的人 际 关 系延 伸 到 网 络 中 ，希 望 在 网上 重 建 现 实 社会 中 的人 际 关 系 网 络 ： 。然 而 ，微 文
的Ｉ Ｃ Ｔ Ｃ Ｉ Ａ Ｓ 分 词 系 统 对 用 户 博 文 进 行 分 词 和 停 用 词 处 理 ，得 出特 征 词 ，再 统 计 各 特 征 词 的 出 现 频 率 ，
个） 。即 Ｕ 一 Ｕ （ ｔ ｌ ＿ 【 １ １ ，ｕ ｎ ２ ．ｕ ¨ ，…… Ｕ ） ；Ｆ 一Ｆ ．
（ ｆ ｌ ，ｆ 。 ２， ３， … … ｆ ２ ｏ）； Ｔ ： Ｔ． （ｔ ｍ １ ，ｔ ｎ ］ ２ ， ｔ ¨
……ｔ ） 。其 中，Ｌ Ｉ ＿ ｆ １ ｌ ＞ｕ ㈣ ２ ＞ｋ ｌ ｍ ３ ＞ ……＞ Ｕ １ ；ｔ Ｊ ＞ｔ ｍ ２
的 可行 有 效 性 。将 情报 学领 域 思 想 和 方 法 应 用 到 网络 用 户 关 系推 荐机 制 的构 建 ，具 有 创新 性 。
（ 关键词］ 内容分析 ；微博 ；用户关 系；推荐机制 ；用户相似性 ；标签
［ 中图 分 类 号］ Ｇ ２ ５ ２ ． ０ （ 文 献标 识 码 ］ Ａ ［ 文 章 编 号］ １ ０ ０ ２ 一 ｌ １ ６ ７（ ２ ０ １ ８ ）０ ４ — ０ １ ０ ４ — ０ ５
（ 摘 要］微博作 为近年 广受欢迎的社交 网络平 台 ，其 用 户关系研 究一直深 受关注。 目前在通过微博 内容 特征构建 用户关 系时，基本停 留在表 象层面。 尚未深入到 用 户的兴趣 特征 层 次。文章从 用户的博 文 内容 出发 ， 通过 对博文采用传统词频 分析 生成 用户标签及标签权重 来表征用户 ，根据标签 的异 同以及相 同标 签权 重的差异 性计 算出用户间的相似距 离，提 出一种全新的用户关系推荐机制 ，并从 类别间和类别 内两种情 况验证推 荐机制
基于信任机制的社交网络中的推荐算法研究
基于信任机制的社交网络中的推荐算法研究随着社交网络的迅速发展，社交网络上的算法也变得越来越重要。
社交网络成为了人们分享思想、生活和信息的主要平台。
随着社交网络的扩大和快速增长，用户在社交网络上面受到了更多的信息推荐。
然而，不同的用户在社交网络上受到的推荐信息也不同。
因为推荐算法基于用户的兴趣、行为和其他因素，这些因素对信息推荐起重要的作用。
同时，社交网络上的推荐算法通常是基于信任机制的。
因此，本文将探讨基于信任机制的社交网络中的推荐算法研究。
第一篇: 基于信任机制的社交网络在社交网络上，用户之间的信任关系非常重要。
基于信任机制的社交网络是指用户之间建立了一种信任机制，即用户之间建立的关系。
这种信任关系有很多种表现形式，如关注、点赞、评论等。
这些行为都可以建立用户之间信任的基础，并且推荐算法可以利用这些信任关系对用户提供更好的推荐。
因此，社交网络上的基于信任机制的推荐算法可以利用信任关系对用户进行以下推荐：1. 基于用户关注的推荐社交网络上，用户之间通常会相互关注并加强社交网络中的关系。
用户之间存在关注关系时，推荐算法可以利用这种关系通过用户的关注的人来推荐内容。
这种推荐算法是基于用户关注行为的。
推荐算法可以通过分析用户的关注行为和他们的兴趣点，来找到适合的内容进行推荐。
这种信任机制的推荐算法可以更好地满足用户的兴趣和需求。
2. 基于用户行为的推荐用户在社交网络上的行为信息也能够建立信任关系并且进行推荐。
比如，一个用户在他的时间线上聊天、点赞和评论一些内容时，推荐算法可以利用这些信息并以此推荐适当的信息。
这种推荐算法是基于用户行为的。
推荐算法可以通过分析用户的行为，例如评论和点赞分析，来向用户推荐最适合的内容。
3. 基于用户社交网络的推荐用户在社交网络上不仅仅是与其他人交流，也会形成一个社交网络。
这个网络可以被看作是一口井，而这口井的水来源则是用户之间的社交联系。
基于这种社交网络关系，推荐算法可以根据用户之间的联系进行推荐。
基于关联规则的社交网络好友推荐算法
摘 要： 提 出 了一种 基于关联规则 的社交 网络好友推荐算法 ， 在进行 好友 推荐 时， 考虑 现实社交 活 动 中“ 志趣 相投” 的好 友 常常 会关注相 同的人和事 ， 网络社交 中的好友也常常会关注相 同的“ 人” 和“ 事” ， 将“ 关注” 看成 一条 交易记录 ， 把关 注 的用 户看成交 易项， 所有 交易项的集合 看成交易数据库 ， 生成 二 阶候 选项集 ， 并按 支持 数降序排 序 ， 推荐前 Ｎ 个用 户作 为好友 。以新浪微博 ９ ９ ３ ９ ５ ０条用户关注数据及 ５ ５ ２ ６ ０ ０ 条微博 关注数据作为实验 的对象 ， 实验结果表 明， 算法具有 良好 的性 能， 可 实现较高 的召 回
一种基于用户标签的社交网络好友推荐算法
第32卷第2期2 0 1 8年03月长沙大学学报JOURNAL OF CHANGSHA UNIVERSITYVol.32 No.2Mar. 2 0 18一种基于用户标签的社交网络好友推荐算法汪强，何广达，杨安桔，张臣坤(安徽新华学院信息工程学院，安徽合肥230088)摘要：随着互联网信息的迅速增加，个性化推荐算法逐渐成为一种可以体现用户兴趣，并能和系统 互动的主要手段.由于协同过滤算法的应用较广，故成为推荐算法中的重要算法之一.主要通过采集用户的 标签，并根据标签语义计算用户相似度，建立一种相似用户计算方法，为社交网络中的用户推荐有相似兴 趣的好友.实验结果表明，通过标签进行好友推荐具有一定的应用价值和意义.关键词：兴趣度;聚类；协同过滤；用户标签中图分类号:TP301.6 文献标识码:A文章编号=1008-4681 (2018) 02-0020-04随着互联网中的增加，用户需要从不同的互联 网平台中获取大量信息，但如何快速地获取用户目 标信息是目前互联网信息获取急需解决的问题[1].而且随着信息量的不断增加,信息分类混乱的现象 也日趋严重，即使是搜索引擎也很难检索到用户的 目标信息[2].因此，推荐系统[M]应运而生，信息推荐 系统是一种可以通过用户在互联网中产生的历史数 据信息，分析用户个性化偏好，向用户推荐感兴趣的 物品或信息的系统.推荐系统采用的主要推荐算法是协同过滤算 法[5,6]，协同过滤推荐算法分为：(1) 基于用户的协同过滤算法如果用户对项目、产品等的评分比较相近，则他 们可能有相同的兴趣、爱好，那么他们可能对没有产 生评分的项目评分也比较相近.寻找相似兴趣用户 作为最近邻居，把最近邻居的项目推荐给目标用户.(2) 基于项目的协同过滤算法与用户之间的性质类似,项目之间也具有相似 特征，根据已知用户对项目的评分来预测用户对未 知相似项目的评分，将评分排序，按序将项目推荐给 目标用户.协同过滤算法主要不足[7,8]有三个方面：⑴数据稀疏问题•由于目前的应用系统中用户 和项目数据规模较大，用户对项目产生的评分有限，造成评分数据稀疏，给相似性的计算和项目的推荐带来困难；(2) 冷启动问题.目前的应用系统产生新数据巨大,每一个新项目进进人系统时，还没有产生用户评价，采用传统的协同过滤算法就没有办法对新项 目产生推荐.(3) 可扩展性问题.应用系统中的用户和项目速增长，推荐算法的复杂度也随之快速增长,算法的 时间复杂度大大增加，导致可扩展性较差.现在大多数社交网络的系统好友推荐都是基于 共同好友的推荐.但对于新用户，无法解决冷启动的 问题.然而社交网络都为用户提供标签，由于标签由用户本人标记，所以标签可以反映用户的真实兴趣,同时标签不依赖已有的朋友圈，可以一定程序上解 决冷启动的问题.本文以新浪微博数据为基础进行 研究，提出一种基于用户标签的协同过滤算法，建立 用户推荐模型，为社交网络用户推荐具有相同兴趣 爱好的好友.在体现用户兴趣的同时，解决推荐系统 冷启动的问题.1基于用户标签的协同过滤算法1.1基于用户的协同过滤算法基于用户的协同过滤推荐又称为最近邻（Nearest-Neighbor)协同过滤推荐或者 KNN(K-Nearest- Neighbor)算法，该推荐算法主要有以下步骤：(1)数据初始化收稿日期=2018-03-05基金项目：安徽省教育厅省级质量工程项目“《Photoshop》大规模在线开放课程(M00C)示范项目”（批准号:2016moocl87);安徽新华学 院校级质量工程项目“《Photoshop》精品课程(考核方式改革示范课程)项目”（批准号:2016jpkcx20).作者简介:汪强（1982—），男，安徽休宁人，安徽新华学院信息工程学院讲师，硕士.研究方向:软件工程、计算机教育.总第142期汪强，何广达，杨安桔，等:一种基于用户标签的社交网络好友推荐算法21根据用户的评分信息建立用户-项目评分矩阵，如表1所示：表1用户-项目评分表ip iqU13U244U323用户与项目评分的关系用二部图表示，令G=丨V，E丨为用户-项目二部图，该图是一个无向图，其 中V= VUU V I，其中V U是由用户所构成的顶点 集，V I是由物品构成的顶点集，且用户对项目的评 分作为用户与项目顶点连边上的权重，构成用户- 项目二部图，如图1所示：图1户用-项目二部图表1中，用户，p，q为项目，表1中的数值为用户对项目的评分，若数值为空则表示用 户没有对项目评分.图1的二部图由表1转换而来，图的两侧为项目和用户，图1(a)和图1(b)分别对 应不带权重和带权重的二部图，前者不考虑评分多 少，只要有评分则连接对应的用户和项目，后者在连 接对应用户和项目的时候需要加上评分.(2)最近邻居集的计算采用相似度计算方法寻找目标用户的最近邻居 集，主要选择：Pearson相关系数[9]和约束Pearson 相关系数[1()]，表示如下：1)Pearson相关系数Pearson相关系数是一种衡量两个变量之间的 线性相关性的方法.用户〃的Pearson系数相似性 可由公式（1)表示：sim(u，v)=I.e/u，v——(1) i-iu,s Ruj ~i-iu,v~其中，为用户〃产生共同评分的项目，圪，t，坟为用户对于项目i的评分，^和f为用户各自所有评分项目的打分均值.2)约束Pearson相关系数约束Pearson相关系数是在Pearson相关系数 计算的基础上改进得到，由公式(2)表示：sim(u，v)=X(Ru,i - Rm ed)(Rv,i ~ Rm ed)1 e £U,V~ Rmed^^Iu,v^Rv,i ~(2)其中表示系统设定的评分中值，如M ov-ieLens系统中设置电影的评分区间为1〜5，那么 /C,的值即为3.(3)预测评分及产生推荐结果首先计算目标用户^的最近邻居集，表示为：N (u)= ，…uKl，然后选择最近邻居已评分项目，再预测目标用户对这些项目的评分，最后预测评 分按序推荐给目标用户.评分预测计算如公式(3)所示：X sim(u,i)•(Rv i- Rv) Pu,i =E l+v-^1-------------------- (3)Z I sim(u9i)Iv^N(u)其中圪和坟为用户M、l；各自所有评分项目的 打分均值.1.2基于用户标签的协同过滤算法由于标签由用户手动产生，具有较强的主观意 愿，可以表示用户的兴趣，所以本文选择应用系统中 的用户标签数据，将标签数据作为算法中的项目进 行分析、建模，目标是为了发现相同兴趣用户圈子，较准确地建立基于用户兴趣的好友推荐算法.本文 主要采用语义+标签的数据分析方法，为系统中的 用户推荐更高质量的好友服务.2实验及结果分析2.1数据来源新浪微博为数据研究人员开放了数据平台的 API[11]接口，采用Python语言抽取标签数据存入文 件便于下一步的分析.数据获取流程步骤如下：(1) 获取用户的标签数据；(2) 定时获取数据中的数据；(3) 读数据进行处理；(4) 将处理好的数据分别写入对应的文件中.如图2所示：22长沙大学学报2018年3月读数据进行处理将处理好的数据分 别写入对应的文件图2数据获取流程图根据图2，设定特定的微博用户帐号（uid )为实 验帐号，抽取实验帐号已经关注的好友（friendid )标 签.由指定实验帐号登陆微博平台，进入信息抽取页 面;再获取用户的关注列表（即follow 表）和用户标 签（即tag 表）•2.2实验步骤本文中实验帐号用户的标签有：旅行、出租车、 美食、服装、机器学习等9个标签.下面是数据预处 理的步骤：(1)计算语义距离由词语之间的相近程序来表示语义距离，相似 程度反映两个词之间关联度.用户标签一般由若干 个短语构成.本文实验帐号用户的标签由9个短语 构成，由这9个短语构成一个9x 9相似度矩阵 M 9X 9，矩阵中的每个值表示两个短语间的相似度，即 语义距离.本文采用用XS imilarity [12]语义距离计算软件进 行计算，计算结果如下矩阵：Cl "C i ^2C 4C 5c 6C 7C -8c 9^210.4200.3900000c 30.42100.500000c 400100000000.5010000.60C 5000010.60.3900.38C 600000.410.400.42c 700000.390.410.510.98C 80000.600.5110c 90.380.420.981 .图3相似度矩阵其中标签集合为 C = | clasSi ，class 2，class 3，…， class 9} , I C I = 9.(2)合并标签语义距离体现了短语之间的关联程度，所以两 个关联程度较高的短语可以合并为一类短语，可以 降低数据维度.因此，在本文中，定义语义距离的阈 值为0.5，当语义距离> =0.5时将两个短语合并成一 个短语.本文实验中的短语经合并后变为7个标签，对 应一个R '7x7的相似矩阵，即C ' = | class " class 2, class 3，…，classn f ，丨 C ' I =7•如图 4 所7K :10.4100.390000.41100.5000001000000.501000000010.40.3800000.410.40000.380.41图4合并后的相似矩阵(3)计算各层用户之间的相似度1) 求0层和第1层的相似度2) 取1层用户的每一个标签与第0层的一个签计算相似度3) 取1层用户id4) 取1层用的每一个标签5) 计算1、2层用户间的相似度6) 计算1、2层用户间的标签相似度7) 取2层用户id 8)计算1层用户所有的标签与1层用户的某个用户的所有2层用户标签的权重.1230663070166420798711979308441671526850=119101*2674,1774978073=1191042674,1618051664=1191042674,1273610165=1191042674,1642591402=1191042674,16828 04733=119101*2674, 1401*226535=119101*2674, 1738171957=119101*2674, 1197071940=1191042674, 1628951200=119101*2674, 1282005885=1191042674, 1087770692=119101*2674, 1266321801=1191042674,16568 09190=119101*2674, 1655526104=1191042674, 1713926427=119101*2674,1722594714=119憎2674，图5 T 〇P -3推荐结果经过以上计算，最终将用户的相似矩阵导人到 txt 文件中，通过排序取出相似度排前三的用户作为定时获取数据库中的数据通过新浪微博API获取最新的公共微博新浪微博系统数据库总第142期汪强,何广达，杨安桔，等:一种基于用户标签的社交网络好友推荐算法23推荐对象.推荐结果如图5(见上一页)所示•图 5 中，1230663070、1664207987、1197930844 为与目标用户1191042674相似度前三的用户，用户 下方向为推荐结果.根据图5可以看出，本文中所采 用的推荐算法，可以根据标签信息发现朋友圈，在推 荐系统中对好友进行有效推荐.3总结本文以新浪微博的标签数据作为推荐分析数据 源，抽取了部分用户标签表（即tag表）和用户关注 表（8卩follow表）中的10个标签作语义分析，建立基 于用户标签的推荐算法.通过实验验证，通过标签的 相似计算，可以寻找到有相似兴趣爱好的朋友圈，从 而进行好友推荐，该方法可以在推荐系统中应用推 广.但由于数据的抽取受到限制，对推荐的准确性无 法进一步衡量，下一步工作将继续抽取大量数据进 行实验，进一步提高推荐的准确率•参考文献：[1]吕本富，张崇.“互联网+”环境下信息安全的挑战与机遇[J].中国信息安全，2015，（6):34-36.[2] 王元卓，贾岩涛，刘大伟，等.基于开放网络知识的信息检索与数据挖掘[J].计算机研究与发展，2015,（2):456-474.[3] 朱郁筱，吕琳媛.推荐系统评价指标综述[J].电子科技大学学报，2012, (2) :163-175.[4] 孟祥武，刘树栋，张玉洁，等.社会化推荐系统研究[J].软件学报，2015, (6): 1356-1372.[5] 丁少衡，姬东鸿，王路路.基于用户属性和评分的协同过滤推荐算法[J].计算机工程与设计，2015,(2) :487-491.[6] 硕良勋，柴变芳，张新东.基于改进最近邻的协同过滤推荐算法[J].计算机工程与应用，2015,(5) :137-141.[7] 于洪，李俊华.一种解决新项目冷启动问题的推荐算法[J].软件学报，2015,（6): 1395-1408.[8] 盛伟，王保云，何苗，等.基于评分相似性的群稀疏矩阵分解推荐算法[J].计算机应用，2017,(5) :1397-1401.[9 ]王红.改进Pearson相关系数的个性化推荐算法[J].山东农业大学学报（自然科学版），2016，（6):940-944.[10]滕少华，麦嘉俊，张巍，等.一种基于混合相似度的用户多兴趣推荐算法[J].江西师范大学学报（自然版），2016，（5):481-486. [11 ]程广东，秦一方.基于新浪微博API的话题分析系统[J].山东交通学院学报，2015，（4);78-86.[12]Silva M E V D,Nunes E. XSimilarity ；Uma Ferramenta para Con-sultas por Similaridade embutidas na Iinguagem XQuery[ R]. 2008.A Social Network Friends Recommendation Algorithm Based on User TagsWANG Qiang,HE Guangda,YANG Anju,ZHANG Chenkun(School of Inform ation Engineering,Anhui Xinhua University,Hefei Anhui 230088, China) Abstract： With the rapid increase of Internet information, personalized recommendation algorithm has gradually becomes the key means of user and system interaction. Collaborative filtering algorithm is one of the important algorithms among the recommendation algorithms for its wide application. This paper mainly uses the collaborative filtering algorithm based on user tags to analyze data of users, and establishes a model of friends recommendation to recommend similar friends for users in the system. Experimental results show that the algorithm which the paper proposed has certain application value.Key Words：degree of interest；clustering；collaborative filtering；user tags(责任编校:晴川)。
微博社交网络中的用户关联性分析
微博社交网络中的用户关联性分析第一章：引言随着社交媒体的兴起，微博作为中国最大的社交平台之一，吸引了大量用户的关注和使用。
在微博上，用户可以发布自己的动态、分享新闻、互动交流等，形成了一个庞大的社交网络。
对于微博平台来说，了解用户之间的关联性是非常重要的，因为它可以用于用户推荐、社交网络分析、广告定向等方面。
因此，本文将探讨微博社交网络中用户关联性的分析方法和应用。
第二章：相关工作在本章中，将综述微博社交网络中用户关联性分析的相关工作。
首先，介绍社交网络分析的基本概念和方法，包括节点、边、网络度量等概念。
然后，介绍一些经典的社交网络分析模型，如小世界网络、无标度网络等。
接下来，介绍一些常用的关联性分析方法，如相似性度量、社区发现等。
最后，回顾微博社交网络中用户关联性分析的研究进展和存在的问题。
第三章：微博社交网络数据集本章将介绍微博社交网络数据集的获取和处理方法。
首先，介绍微博的基本特点和用户行为，包括微博的内容结构、用户关系等。
然后，介绍如何从微博平台获取用户信息和社交网络数据。
接下来，介绍如何对微博社交网络数据进行预处理，包括数据清洗、去重、标注等。
最后，介绍如何构建用户关联性分析所需的数据集，包括用户特征、社交关系、用户行为等。
第四章：用户关联性分析方法本章将介绍微博社交网络中用户关联性分析的方法。
首先，介绍基于用户属性的关联性分析方法，包括基于用户兴趣爱好、地理位置等属性的关联性分析方法。
然后，介绍基于社交关系的关联性分析方法，包括基于用户粉丝、关注等关系的关联性分析方法。
接下来，介绍基于用户行为的关联性分析方法，包括基于用户微博内容、评论、转发等行为的关联性分析方法。
最后，介绍如何综合多种方法进行用户关联性分析。
第五章：用户关联性分析应用本章将介绍微博社交网络中用户关联性分析的应用。
首先，介绍用户推荐系统的设计和实现，包括基于用户相似性的推荐算法、基于社交关系的推荐算法等。
然后，介绍社交网络分析与可视化工具的应用，包括用户社交关系的可视化、社交网络演化的分析等。
推荐系统中的用户与物品相似度计算方法探究(三)
推荐系统在现代社会中扮演着越来越重要的角色，帮助用户发现并满足他们的兴趣和需求。
而推荐算法则是推荐系统的核心，其中用户与物品相似度计算方法是推荐算法中的关键一环。
本文将探究用户与物品相似度计算方法在推荐系统中的应用。
一、相似度计算方法的重要性和背景相似度计算方法是推荐系统中用来评估用户与物品之间的相似程度的一种方式。
它通过分析用户和物品之间的特征和行为，将他们转化为相似性度量，从而确定用户对某个物品的兴趣程度。
在传统的推荐系统中，常用的相似度计算方法有基于内容的方法和协同过滤方法。
基于内容的方法通过分析物品的特征和用户的兴趣，计算物品间的相似度。
而协同过滤方法则根据用户与物品之间的关系，通过挖掘用户行为数据来计算相似度。
二、基于内容的相似度计算方法基于内容的推荐方法通过考虑物品的属性和特征，来计算物品间的相似度。
其中一个常见的方法是使用向量空间模型，将用户和物品表示为向量，在向量空间中计算他们之间的相似性。
而这种方法的关键在于如何选择合适的特征和权重来表示物品。
另一个常见的基于内容的相似度计算方法是通过相似度匹配来计算。
它将用户和物品分别表示为一些关键词或标签，然后通过比较他们之间的相同关键词数量或相似度来计算他们的相似度。
这种方法在有标签信息的场景下表现良好，如电影推荐系统中的电影标签。
三、协同过滤方法中的相似度计算协同过滤方法中的相似度计算是根据用户行为数据，通过挖掘用户与物品之间的关系来计算相似度。
其中最常见的方法是基于用户和基于物品的协同过滤。
基于用户的协同过滤方法是通过比较用户之间的相似度来计算用户对物品的兴趣程度。
它根据用户的行为数据，计算用户之间的相似度，并利用相似用户对物品的评分数据来推荐物品给目标用户。
这种方法的优势在于可以从用户的角度出发，考虑用户的个性化需求。
基于物品的协同过滤方法则通过比较物品之间的相似度来计算用户对物品的兴趣程度。
它根据用户的行为数据，计算物品之间的相似度，并将相似物品的评分数据作为推荐给用户的依据。
社交网络中的推荐算法研究
社交网络中的推荐算法研究随着互联网技术的发展，社交网络成为了人们日常生活的重要组成部分。
人们在社交网络中可以与亲友交流，获取信息，分享经验和见解。
然而，社交网络中的信息量往往是极大的，用户很难挑选出自己感兴趣的信息。
因此，社交网络公司需要使用推荐算法来帮助用户筛选信息。
本文将介绍社交网络中的推荐算法。
一、推荐算法的基本原理推荐算法是指通过分析用户历史行为数据，利用算法模型对用户的偏好进行预测和推荐，以提高用户体验和平台盈利的一种智能化技术。
推荐算法的基本原理是“相似原则”，即对于用户的历史行为，可以通过比较其与其他用户的相似度，对用户进行预测和推荐。
二、社交网络中的推荐算法1. 协同过滤推荐算法协同过滤算法是社交网络中最常用的推荐算法之一。
该算法主要是通过分析用户历史行为数据，对不同用户之间的相似度进行计算，然后根据相似度进行推荐。
协同过滤推荐算法分为基于用户和基于物品两种模式。
基于用户的协同过滤算法是通过比较不同用户之间的行为相似程度，推荐和该用户类似的其他用户喜欢的内容给该用户。
基于物品的协同过滤算法则是通过比较物品之间的相似度，向用户推荐该用户曾经喜欢过的相似物品。
2. 基于内容推荐算法基于内容的推荐算法是使用文本分析技术进行推荐，并且是独立于其他用户信息的推荐算法。
在社交网络中，该算法通常是通过分析用户个人信息和发布的内容来进行推荐。
基于内容的推荐算法的优势在于可以针对每个用户进行个性化推荐，并且可以减少推荐不相似的内容给用户的可能性。
然而，该算法的缺点是需要更多的文本数据来进行推荐。
3. 混合推荐算法混合推荐算法是将多个推荐算法进行整合，以获得更准确的推荐结果。
在社交网络中，混合推荐算法往往是将协同过滤算法和基于内容的推荐算法集成在一起。
混合推荐算法的优势在于可以兼顾协同过滤算法和基于内容的推荐算法的优点，并且可以处理各种类型的推荐问题。
然而，该算法的缺点是需要大量的计算和存储资源。
三、社交网络中推荐算法的实现为了实现社交网络中的推荐算法，需要分为离线计算和在线推荐两个阶段。
新媒体运营官长成记知到章节答案智慧树2023年平凉职业技术学院
新媒体运营官长成记知到章节测试答案智慧树2023年最新平凉职业技术学院第一章测试1.“新媒体”一词是戈尔德马克率先在（）提出的概念。
参考答案:19672.自媒体平台消费者有什么样的特征？（）参考答案:消费者日趋冲动3.（）是指企业努力使消费者通过其亲朋好友之间的交流将自己的产品信息、品牌信息传播开来。
参考答案:口碑营销4.社群成立的前提要素是（）参考答案:同好5.商品提供者有意调低产量，以期达到调控供求关系、制造供不应求的“假象”，维持商品较高利润率和品牌附加值的目的，这种新媒体营销模式称为（）参考答案:饥饿营销第二章测试1.新媒体的特征是（）参考答案:全部都是2.下列属于常见的新媒体平台的是（）参考答案:闲鱼;火山小视频;虎牙;微信公众号3.获取精准用户分为三个步骤，即以下选项中的哪三种？（）参考答案:给出引入理由;识别用户渠道;设计引入形式4.新媒体运营需要关注“粉丝招募”、“粉丝留存”，要加强内容原创水平、传播正能量、增强账号活跃程度，但不要过多与平台沟通，只要自己有较高粉丝量，平台就得支持。
（）参考答案:错5.现在安静地坐下来读书的人越来越少了，这说明静态沉浸式的传统阅览模式将不再成为主流，所以新媒体编辑要更强调轻松阅读的图文编排、生动趣味的短视频、价值丰富的游戏交互、形态融合的H5等新型阅读载体的呈现。
（）参考答案:对第三章测试1.基于微博用户的巨大数量，以及微博平台几十个垂直领域划分，且每个用户都有其对应的兴趣领域标签，企业可以做到针对性地触达特定偏好的用户并进行调研，这中行为被称为（）。
参考答案:微博的市场调查2.微博运营者必须及时发现热点并及时跟上，微博热搜的热度顺序为（）。
参考答案:沸＞热＞新3.大多数的博主会通过推荐其他店铺的好物来赚取佣金，这类博主在微博平台也有一个称号，“( )”，在微博平台也有其专属认证。
参考答案:微博好物发现官4.一项微博活动策划的常规方法和手段有以下（）形式。
微博认证提高信任度的案例
微博认证提高信任度的案例摘要：1.微博认证的重要性2.微博认证的案例分析3.如何提高微博认证的信任度4.微博认证的未来发展趋势正文：微博作为国内最受欢迎的社交媒体平台之一，每天有数亿的用户在上面分享、交流信息。
然而，随着微博用户的快速增长，也出现了越来越多的虚假信息和欺诈行为。
为了提高微博用户的信任度，微博认证应运而生。
微博认证的重要性微博认证是通过对用户身份的核实，来提高用户在微博平台上的信任度。
通过认证的用户，会被赋予更高的权威性和公信力，其发布的信息也会更容易被其他用户接受。
对于企业、名人、政府机构等微博用户来说，认证更是至关重要，因为这些用户往往需要建立和维护自己的品牌形象。
微博认证的案例分析以知名歌手周杰伦为例，他的微博认证为“歌手、演员、导演”。
通过对周杰伦的身份进行核实，微博确保了他是真正的周杰伦，而非冒充者。
这样一来，周杰伦发布的信息就具有了较高的可信度，粉丝们也更愿意关注他的动态，互动交流。
如何提高微博认证的信任度除了对用户身份进行核实之外，微博还可以采取其他措施来提高认证的信任度。
例如，实行严格的审核制度，对认证用户的言行进行监管，一旦发现有违规行为，立即取消认证。
此外，微博还可以引入第三方信用评级机构，对认证用户进行信用评级，为用户提供参考。
微博认证的未来发展趋势随着互联网的发展，微博认证的应用场景将越来越广泛。
除了个人用户之外，企业、政府机构、社会组织等也将纷纷加入微博认证的行列，以提高自身在微博平台上的公信力。
微博认证将成为各类用户在网络空间建立和维护自己品牌形象的重要手段。
总之，微博认证对于提高用户信任度具有重要意义。
系统智能推荐的原理
系统智能推荐的原理
系统智能推荐的原理是基于机器学习和数据分析的。
它通过分析用户的历史行为、偏好和兴趣，利用相似用户的行为数据以及物品的特征信息，来预测用户对特定物品的喜好度，并通过推荐算法将最可能符合用户兴趣的物品推荐给用户。
具体来说，系统智能推荐的原理可以分为以下几个步骤：
1. 数据收集和处理：系统会收集用户的历史行为数据，如点击记录、购买记录、评价记录等，并对这些数据进行处理和清洗，以便后续的分析和建模。
2. 特征提取和表示：系统会提取用户和物品的特征，并将其表示为向量形式。
用户特征可以包括性别、年龄、地理位置等，物品特征可以包括类型、价格、评分等。
3. 相似度计算：系统会计算用户之间的相似度和物品之间的相似度。
用户相似度可以通过计算用户特征向量之间的距离或相似度指标来得到，物品相似度可以通过计算物品特征向量之间的距离或相似度指标来得到。
4. 喜好度预测：系统会利用相似用户的行为数据和物品的特征信息，来预测用户对特定物品的喜好度。
常用的方法包括基于用户的协同过滤、基于物品的协同过滤、基于内容的推荐等。
5. 推荐结果生成和排序：系统会根据用户的喜好度预测结果，生成一份推荐列表，并根据一定的排序策略，将最符合用户兴趣的物品推荐给用户。
常用的排序策略包括基于喜好度的排序、基于热度的排序等。
6. 反馈和迭代：系统会根据用户对推荐结果的反馈，不断优化和调整推荐算法，提高推荐的准确性和个性化程度。
基于共同用户和相似标签的好友推荐方法
Ｉ Ｓ Ｓ Ｎ １ ０ ０１ — ９ ０８ １
２ Ｏ１ ３ ． ０ ８— ０ｌ
计算机应 用， ２ ０ １ ３ ， ３ ３ （ ８ ） ： ２ ２ ７ ３— ２ ２ ７ ５ 文章编号 ： １ ０ ０ １ — ９ ０ ８ １ （ ２ ０ １ ３ ） ０ ８ — ２ ２ ７ ３ — ０ ３
ＣＯ ＤＥＮ Ｊ ＹＩ Ｉ ＤＵ
ｈ ｔ ｔ ｐ ： ／ ／ ｗ ｗ ｗ ． ｊ ｏ ｃ ａ ． ｃ ｎ
ｄ ｏ ｉ ： １ ０ ． １ １ ７ ７ ２ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ － ９ ０ ８ １ ． ２ ０ １ ３ ． ０ ８ ． ２ ２ ７ ３
基岳丽华 ， 张义飞 ， 李 青 ， 程 家兴
（ １ ． 安徽新华学院 信息 系统软件研究所， 合肥 ２ ３ ０ ０ ８ ８ ； ２ ． 中国科学技术大学 计算机科学与技术学 院， 合肥 ２ ３ ０ ０ ２ ７ ） （ 通信作者 电子邮箱 ｃ ａ ｔ ｌ ｖ ＿ ６ ０ ３ ＠ｙ ａ ｈ ｏ ｏ ． ｃ ｏ ｎ ． ｃ ｎ ）
Ｚ Ｈ Ａ Ｎ Ｇ Ｙ ｉ ｗ ｅ ｎ ，Ｙ Ｕ Ｅ Ｌ ｉ ｈ ｕ ａ ，Ｚ ＨＡ Ｎ Ｇ Ｙ ｉ ｆ ｅ ｉ ，Ｌ Ｉ Ｑ ｉ ｎ ｇ ，Ｃ Ｈ Ｅ Ｎ Ｇ Ｊ ｉ ａ ｘ ｉ ｎ ｇ
ｆ １ ． Ｉ ｎ ｓ ｔ ｉ ｔ ｔｅ ｕ ｏ ｆＩ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄＳ ｏ ｔｗ ｆ ａ ｒ ｅ ，Ａ ｎ ｈ ｕ ｉ Ｘ ｉ ｎ ｈ ｕ ａ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｈ ｅ ｆ ｅ ｉ Ａ ｎ ｈ ｕ ｉ ２ ３ ０ ０ ８ ８ ，Ｃ ｈ ｉ ｎ ａ； ２ ． Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｆＣ ｏ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｆＳ ｏ ｃ ｅ ｉ ｎ ｃ ｅ ａ ｄ ｎ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ｏ ｆＣ ｈ ｉ ｎ ａ ，Ｈ ｅ ｆ ｅ ｉ Ａ ｎ ｈ ｕ ｉ ２ ３ ０ ０ ２ ７ ，Ｃ ｈ ｉ ｎ ａ ）
基于社交圈发现与用户信任度传播的微博朋友推荐方法
基于社交圈发现与用户信任度传播的微博朋友推荐方法朱明玮;唐莫鸣
【期刊名称】《软件导刊》
【年(卷),期】2018(017)006
【摘要】微博的普及导致微博平台数据量日益增长,因此从海量微博中快速准确地为微博用户推荐好友成为了巨大挑战.用户的社交网络和微博文本在一定程度上体现了用户的价值观和兴趣爱好,有相似兴趣的微博用户更有可能成为朋友.基于上述事实,以用户微博文本相似度为似然函数,使用K-means聚类对微博用户聚类,得到微博用户社交圈;在社交圈内部迭代计算用户之间的相似度,同时计算用户对其所在社交圈中其余用户的信任度;最后,根据用户之间的相似度和信任度完成微博好友推荐.实验结果表明,该算法优于传统的基于社交网络拓扑图的好友推荐方法.
【总页数】5页(P62-66)
【作者】朱明玮;唐莫鸣
【作者单位】昆明理工大学信息工程与自动化学院,云南昆明650504;昆明理工大学信息工程与自动化学院,云南昆明650504
【正文语种】中文
【中图分类】TP301
【相关文献】
1.基于社区发现及主题分析的微博用户推荐 [J], 余紫丹;虞慧群
2.基于核心用户对发现的微博好友推荐算法 [J], 侯秀艳;刘培玉;王智昊;朱振方
3.基于用户综合信任度与社区信任传播的推荐算法 [J], ZHOU Ya;CHAI Wang;HAN Junyang;ZHANG Guoliang
4.基于社交圈发现与用户信任度传播的微博朋友推荐方法 [J], 朱明玮;唐莫鸣
5.“大数据时代，朋友近在咫尺”——基于用户相似计算的潜在好友及位置推荐方法研究 [J], 曹瑛典
因版权原因，仅展示原文概要，查看原文内容请购买。
基于主题的微博二级好友推荐模型研究_唐晓波
。 由于好友推
荐模型是随着 21 世纪初社交网络领域研究兴起后产 生的一个热点研究新课题， 面向用户的潜在好友推荐 研究仍处于雏形阶段 。目前国内外的研究人员对好友 推荐模型的研究主要集中在面向好友社会关系网络 、 资源内容属性以及多维度用户特点等进行好友推荐的 方向。基于社会关系的好友推荐模型是一种通过好友 社会关系网络将用户不同的好友进行信息互联和好友 推荐， 形成一个信息非闭环通路拓扑网络体系 。2011 年社会网络学家 J． Naruchitparames 等在 IEEE 大会上
总特征词部分序号特征词序号特征词序号特征词序号特征词序号特征词序号特征词皮肤21印度41河南61黄山81樱花101综述饮食22于谦42大连62芜湖82麒麟102张爱玲酸奶23武大43小米63司法83刀削面103营销菠菜24铁路44数据64安徽84师弟104笔试蜂蜜25澡堂45校庆65导演85足球105文学减肥26部队46摄像头66玩偶86实验室106写作脂肪27录取47华为67创意89律师89师兄109龙虾10柠檬30警察50思科70月饼90社交110实习11咳嗽31武器51销售71蜈蚣91里脊111苦瓜12西红柿32钓鱼岛52程序72板鸭92实证112麻将13维生素33澳大利亚53谷歌73免费93光棍11314健康34越南54平板74电影票94武汉114剧本15蔬菜35警犬55亚马逊75特种兵95欧洲115毕业16保健36美国56双鱼座76景区96挖掘116策划17免疫力37旅客57程序员77土豪97情报117舆情18天秤座38仓鼠58用户78福利98出版117画展19射手座39作家59中国移动79寝室99书店119演唱会20星座40媒体6080郑州100论文120零食lda聚类结果分析经过lda290个特征词分布在100个主题上得到了对应的词题概率分布矩阵
基于多源信息相似度的微博用户推荐算法
基于多源信息相似度的微博用户推荐算法姚彬修;倪建成;于苹苹;李淋淋;曹博【期刊名称】《计算机应用》【年(卷),期】2017(37)5【摘要】针对传统的协同过滤(CF)推荐算法中存在的数据稀疏性和推荐准确率不高的问题,提出了基于多源信息相似度的微博用户推荐算法(MISUR).首先,根据微博用户的标签信息运用K最近邻(KNN)算法对用户进行分类;然后,对得到的每个类中的用户分别计算其多源信息(微博内容、交互关系和社交信息)的相似度;其次,引入时间权重和丰富度权重计算多源信息的总相似度,并根据其大小进行TOP-N用户推荐;最后,在并行计算框架Spark上进行实验.实验结果表明,MISUR算法与CF算法和基于多社交行为的微博好友推荐算法(MBFR)相比,在准确率、召回率和效率方面都有较大幅度的提升,说明了MISUR算法的有效性.%Focusing on the data sparsity and low accuracy of recommendation existed in traditional Collaborative Filtering (CF) recommendation algorithm,a micro blog User Recommendation algorithm based on the Similarity of Multi-source Information,named MISUR,was proposed.Firstly,the micro blog users were classified by K-Nearest Neighbor (KNN) algorithm according to their tag information.Secondly,the similarity of the multi-source information,such as micro blog content,interactive relationship and social information,was calculated for each user in each class.Thirdly,the time weight and the richness weight were introduced to calculate the total similarity of multi-source information,and the TOP-N recommendation was used in adescending order.Finally,the experiment was carried out on the parallel computing framework Spark.The experimental results show that,compared with CF recommendation algorithm and micro blog Friend Recommendation algorithm based on Multi-social Behavior (MBFR),the superiority of the MISUR algorithm is validated in terms of accuracy,recall and efficiency.【总页数】5页(P1382-1386)【作者】姚彬修;倪建成;于苹苹;李淋淋;曹博【作者单位】曲阜师范大学信息科学与工程学院,山东日照276826;曲阜师范大学软件学院,山东曲阜273100;曲阜师范大学信息科学与工程学院,山东日照276826;曲阜师范大学信息科学与工程学院,山东日照276826;曲阜师范大学信息科学与工程学院,山东日照276826【正文语种】中文【中图分类】TP301.6【相关文献】1.融合用户信任度和相似度的基于核心用户抽取的鲁棒性推荐算法 [J], 赵明;闫寒;曹高峰;刘昕鸿2.一种基于用户和物品相似度的融合协同过滤推荐算法 [J], 邓亚文;罗可3.基于用户习惯偏好相似度的Slope One推荐算法 [J], 杨嫘4.基于改进用户相似度的协同过滤推荐算法研究 [J], 张利5.一种基于用户偏好分析和论坛相似度计算的改进LFM推荐算法 [J], 巨星海;周刚因版权原因，仅展示原文概要，查看原文内容请购买。
融合标签关联关系与用户社交关系的微博推荐方法
融合标签关联关系与用户社交关系的微博推荐方法马慧芳;贾美惠子;张迪;蔺想红【期刊名称】《电子学报》【年(卷),期】2017(045)001【摘要】通过分析微博特点及现有微博推荐算法的缺陷,提出一种融合了标签间关联关系与用户间社交关系的微博推荐方法.采用标签检索策略对未加标签和标签较少的用户进行加标,构建用户-标签矩阵,得到用户标签权重,为了解决该矩阵中稀疏的问题,通过挖掘标签间的关联关系,继而更新用户-标签矩阵.考虑到多用户之间社交关系对挖掘用户兴趣并进行微博推荐的重要性,构建用户-用户社交关系相似度矩阵,并与更新后的用户-标签矩阵进行迭代,得到最终的用户兴趣并进行相关推荐.实验证明了该算法针对微博信息推荐是有效的.%A novel microblog recommendation method combining the tag correlation with the user social relation is proposed via analyzing microblog features and the deficiencies of existing microblog recommendationalgorithm.Specifically,we establish a tag retrieval strategy to add tags for unlabeled users and users with few tags,and then build the user-tag matrix and obtain user-tag weights.In order to solve the problem of sparsity of the matrix,we investigate the correlation between the tags to update the user-tag matrix.Considering the significance of user social relation for microblog recommendation,a user-user social relation similarity matrix is constructed and a mechanism is designed to iteratively obtain userinterest.Experimental results show that the algorithm is effective in microblog recommendation.【总页数】7页(P112-118)【作者】马慧芳;贾美惠子;张迪;蔺想红【作者单位】西北师范大学计算机科学与工程学院,甘肃兰州730070;西北师范大学计算机科学与工程学院,甘肃兰州730070;西北师范大学计算机科学与工程学院,甘肃兰州730070;西北师范大学计算机科学与工程学院,甘肃兰州730070【正文语种】中文【中图分类】TP393.092【相关文献】1.结合用户关系网和标签共现网的微博用户标签推荐研究1$ [J], 吴小兰;章成志2.一种基于标签关联关系的微博推荐方法 [J], 马慧芳;贾美惠子;李晓红;鲁小勇3.基于多标签语义关联关系的微博用户兴趣建模方法 [J], 王艳茹;马慧芳;刘海姣;魏家辉4.融合用户历史行为与社交关系的个性化社交事件推荐方法 [J], 孙鹤立;徐统;何亮;贾晓琳5.融合社交关系和标签信息的混合新闻推荐算法 [J], 夏鸿斌;刘春芹;刘渊因版权原因，仅展示原文概要，查看原文内容请购买。
nearlink 原理
nearlink 原理
Nearlink 是一种基于链接推荐算法的社交网络推荐系统，它的
原理主要包括以下几个步骤：
1. 数据收集：Nearlink 会收集用户的行为数据，包括浏览历史、点赞、评论等，以及用户的个人资料和好友关系等。
2. 用户特征提取：通过分析用户的行为数据和个人资料，提取出用户的特征向量。
这些特征可以包括用户的兴趣、群体关系、活跃度等。
3. 社交网络建模：Nearlink 会根据用户的好友关系，构建一个
社交网络模型。
这个模型可以用图的形式表示，其中用户是节点，好友关系是边。
4. 相似度计算：Nearlink 会计算用户之间的相似度。
这里通常
使用一些相似度计算方法，如基于用户的协同过滤、基于内容的推荐等。
5. 链接推荐：根据用户的相似度和社交网络结构，Nearlink 可
以给用户推荐适合的链接。
推荐算法会利用相似用户的行为历史和社交网络中节点的链接关系，来预测用户对某个链接的喜好程度。
6. 推荐优化：Nearlink 会不断优化推荐结果，通过收集用户的
反馈信息和实时更新算法模型，提升推荐的准确性和个性化程度。
总之，Nearlink 利用用户的行为数据和社交网络结构，通过链接推荐算法来给用户推荐适合的链接。
通过不断优化算法和模型，Nearlink 可以提供个性化、精准的链接推荐服务。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
0
引言
随着 Web 2． 0 技术的发展， 微博已经成为了继博客之后，
关联规则的个性化推荐技术
［2 ］
具有能够发现用户的新兴趣
“跨类型 ” 点、 无需领域知识和可实现 的推荐等优点， 在电子 商务等领域得到了广泛应用 。 本文基于现有推荐技术， 对目 前关联规则好友推荐算法存在的规则挖掘效率较低及推荐有 效性不高的问题展开进一步研究 。
|过一个例子来说明 BHA 的计算过程。 给定事务数据 集， 计算对应的频 如表 1 所示。 设定最小支持度 min_sup 为 2 ， 繁项集： 1 ） 首先遍历事务数据集， 生成各项对应的位图数据， 如 B， C， D， E｝ ， 表 2 所示， 得到候选 1 项集 C1 = ｛ A， 统计各项目 并与最小支持度 min_sup 进行比较， 生成 对应的支持度计数， L1 = ｛ A ， B， C， D， E｝ 。
摘
要： 针对关联规则个性化好友推荐中规则挖掘效率及推荐有效性不高的问题， 首先提出基于散列及位图的
减少了频繁 2 项集挖掘所需的时间； 利用位图及相关性质， 压缩 改进关联规则算法 BHA。该算法通过引入散列技术， 无关候选项， 减少了数据集所需的遍历次数 。另外， 在 BHA 的基础上， 提出基于相似度及信任度的推荐算法 STA， 利 用出、 入相似度定义信任度， 有效解决了新浪微博未提供显示信任关系的问题， 同时弥补了相似度推荐未考虑用户间 BHA 挖掘所需的平均时间 远近层次关系的缺陷。采集新浪微博用户数据进行实验， 在关联规则挖掘效率的对比上， 仅为改进 AprioiriTid 算法的 47% ； 在好友推荐的有效性上， 推荐算法 STA 较 SNFＲBOAＲ 算法在准确率及召回率上分 STA 能够有效降低规则挖掘所需的平均时间， 别提升了 15． 2% 和 9． 8% 。实验结果表明， 并使实际好友推荐的有效性 。 得到提升 关键词： 好友推荐； 关联规则； 出相似度； 入相似度； 信任度 中图分类号： TP181 文献标志码： A
Journal of Computer Applications 计算机应用，2016，36( 8) : 2262 － 2267 文章编号： 1001-9081 （ 2016 ） 08-2262-06
ISSN 1001-9081 CODEN JYIIDU
2016-08-10 http: / / www． joca． cn doi： 10． 11772 / j． issn． 1001-9081． 2016． 08． 2262
一种新的交流共享平台 。 由此， 基于微博的线上交友逐渐成 为了一种流行的交友方式， 用户可以利用它将现实生活中的 也能建立单纯的线上好友关系 。然而， 随 人际关系搬至网络， 着社交网站用户呈现爆炸式的增长， 如何为用户寻找合适的 好友成为了基于社交网络的好友推荐需解决的重要问题 。 目前， 个性化推荐系统中常用的推荐技术主要有基于内 协同过滤推荐， 及关联规则推荐等 容的推荐，
。本文以新浪微博好友推荐作为应用背景， 首先针对
规则挖掘效率较低的不足， 通过基于位图的数据格式， 引入散 列优化技术， 并利用相关性质删除无关候选项， 对其进行了改 为提升关联规则好友推荐的准确性， 围绕以用户间 进。其次， 关系为主的推荐策略进行研究， 通过计算用户的出相似度和 入相似度， 推荐与用户具有共同兴趣且微博社交关系较为相 似的好友。在此基础上， 结合信任度计算， 使好友推荐在推荐 结果的有效性方面有更进一步的提升 。
第8 期
王涛等： 基于相似度和信任度的关联规则微博好友推荐
［3 ］
2263
关联规则算法的研究成为了当前研究的重点
。如文献［ 4］
证明
i2 ， …， ik ｝ ， 假设 A 为频繁 k 项集， 且 A = ｛ i1 ， 即A
通过考虑各项目的重要程度， 对关联规则算法进行改进 。 文 5］ 6］首先 献［ 提出了针对新兴趣点发现的协作算法 。 文献［ 利用模糊聚类进行数据预处理， 在此基础上再进行频繁项集 的挖掘。 根据不同的应用场景， 基于关联规则的个性化推荐策略 7］对面向大规 研究同样也是一个重要的研究领域 。如文献［ 模定制的个性化推荐的相关特性进行分析， 提出了面向不同 8］以电子商务为应 客户群体的关联规则个性化模型 。文献［ 提出了一套个性化的电子商务推荐系统 。 用背景， 针对基于社交网络的好友推荐， 其推荐策略主要围绕两 个方面展开： 一方面是以用户间的关系作为推荐依据进行好 友推荐 友
( 1 ． School of Information Science and Engineering， Xingjiang University， Urumqi Xinjiang 830046 ， China； 2 ． Department of Network Monitoring， China Mobile Group Xinjiang Company Limited， Urumqi Xinjiang 830063 ， China)
Association rules recommendation of microblog friend based on similarity and trust
WANG Tao1 ， QIN Xizhong1 ， JIA Zhenhong1 ， NIU Hongmei2 ， CAO Chuanling2
［9 － 11 ］
中包含项目 i1 ，i2 ，…，i k ， 它由 L k －1 （ i） 中的 a 项集产生， 可知 a 为 A 的一个 k － 1 维子集， 由于 i ∈ a， 故 i ∈ A， i ∈ A， | L k －1 （ i） 集。 性质 2 若频繁 k － 1 项集所包含的项集个数小于 k， 则 频繁 k 项集不存在。 证明 A 为频繁 k 项集， 则 A 必包含 k 个频繁 k － 1 项集， 因此， 对于频繁 k － 1 项集， 若其项集个数小于 k， 则必不可能 存在频繁 k 项集。 利用上述性质减少候选项的生成在项目数大于 2 时， 效 k 2 果较为明显， 但对于 为 的情况却无明显改善， 为此引入散 列技术
*
Abstract: Since the efficiency of rule mining and validity of recommendation are not high in personalized friends recommendation based on association rules， an improved association rule algorithm based on bitmap and hashing， namely BHA， was proposed． The mining time of frequent 2itemsets was decreased by introducing hashing technique in this algorithm， and the irrelevant candidates were compressed to decrease the traversal of data by using bitmap and relevant properties． In addition， on the basis of BHA， a friend recommendation algorithm named STA was proposed based on similarity and trust． The problem of no displayed trust relationship in microblog was resolved effectively through trust defined by similarity of outdegree and indegree; meanwhile， the defect of the similarity recommendation without considering users' hierarchy distance was remedied． Experiments were conducted on the user data of Sina microblog． In the comparison experiment of digging efficiency， the average minging time of BHA was only 47% of the modified AprioriTid; in the comparison experiment of availability in friend recommendation with SNFＲBOAＲ ( Social Network Friends Ｒecommendation algorithm Based On Association Ｒules) ， the precision and recall of BHA were increased by 15． 2% and 9． 8% respectively． The theoretical analysis and simulation results show that STA can effectively decrease average time of mining rules， and improve the validity of friend recommendation． Key words: friend recommendation; association rule; similarity of outdegree; similarity of indegree; trust
［1 ］
1
相关工作
针对关联规则个性化推荐的研究主要围绕三个方面进
行： 1 ） 个性化推荐关联规则算法的研究； 2 ） 推荐模型及策略 等方面的研究； 3 ） 减少挖掘产生的冗余规则研究 。 其中对于