社交网络中基于图排序的好友推荐机制研究与实现(郑佳佳)
基于用户好友关系的社交推荐算法研究
基于用户好友关系的社交推荐算法研究社交推荐算法旨在为用户提供个性化的推荐内容，以提升用户的社交体验和互动效果。
传统的推荐算法主要基于用户行为数据（如点击、收藏、评论等），然而用户的好友关系也是影响用户兴趣和需求的重要因素之一。
因此，基于用户好友关系的社交推荐算法成为了研究热点之一。
基于用户好友关系的社交推荐算法的研究意义在于充分挖掘用户社交关系的潜力，提升推荐系统的精准性和用户满意度。
本文将对该领域的研究进行概述，并介绍其中常用的算法模型和评估指标。
一、研究背景社交网络的兴起，使得用户之间的交流和互动越来越频繁。
在社交网络中，用户之间的好友关系表达了他们的互动和兴趣相似性。
因此，基于用户好友关系的社交推荐算法能够更加准确地分析用户的需求和兴趣，为用户提供有针对性的推荐内容。
二、算法模型1. 基于邻域的推荐算法基于邻域的推荐算法是最简单且广泛应用的方法之一。
它基于用户的好友网络，通过检索用户好友关系来推荐可能感兴趣的内容。
例如，常用的算法包括基于用户好友关系的用户协同过滤算法和基于图的推荐算法。
这些算法在社交推荐系统中被广泛应用，其核心思想是通过分析用户与好友之间的相似度，找到与用户兴趣相似的好友，然后根据好友的行为和兴趣向用户进行推荐。
2. 基于隐语义模型的推荐算法基于隐语义模型的推荐算法通过挖掘用户和好友之间的隐藏特征来进行推荐。
该算法通过对用户和好友之间的关系进行建模，学习到它们之间的潜在兴趣和关联性。
例如，矩阵分解算法和深度学习算法等都是基于隐语义模型的推荐算法。
这些算法能够更加准确地捕捉用户和好友之间的潜在关系，从而提高推荐的准确性和精度。
三、评估指标为了评估基于用户好友关系的社交推荐算法的效果，需要借助一些评估指标来衡量算法的准确性和效果。
1. 精确率和召回率精确率是指推荐结果中真正相关的用户项目个数占用户项目个数的比例，而召回率是指推荐结果中真正相关的用户项目个数占真正相关的用户项目个数的比例。
基于图注意力网络的关系度量社交推荐算法研究
基于图注意力网络的关系度量社交推荐算法研究摘要：社交推荐算法的目标是从社交网络中发掘用户之间的关系，为用户推荐合适的项目或关系。
目前常见的推荐算法主要是基于用户历史行为和用户兴趣标签等信息进行推荐。
但是这种推荐方法忽略了用户之间的社交关系，传统算法往往难以充分利用社交网络进行推荐。
为了解决这个问题，本论文提出了一种基于图注意力网络的关系度量社交推荐算法，在相互影响的用户之间建立具有权重的社交关系图，并利用图注意力网络来计算不同社交关系之间的权重，从而更加准确的捕捉用户之间的关系。
同时，我们将用户的属性信息和社交关系信息结合起来，通过马尔可夫决策过程来推荐适合的社交关系和项目。
在数据集上的实验结果表明，与传统的推荐算法相比，我们的算法能够更好地利用用户之间的社交关系，在推荐准确度和多样化方面都有了显著的提升。
关键词：社交推荐；关系度量；图注意力网络；马尔可夫决策过程一、引言社交网络的普及和发展为推荐算法带来了新的机遇和挑战。
社交推荐算法已经成为社交网络上一项重要的研究方向。
社交推荐算法的目标是从社交网络中发掘用户之间的关系，为用户推荐合适的项目或关系。
人们往往会信任朋友或共同体内的用户更多，因此推荐算法需要考虑用户之间的社交关系才能更加准确地推荐。
传统的推荐算法主要是基于用户历史行为和用户兴趣标签等信息进行推荐。
但是这种推荐方法忽略了用户之间的社交关系，传统算法往往难以充分利用社交网络进行推荐。
因此，提高社交推荐算法的准确度和多样化，成为当前研究的重点。
本论文提出了一种基于图注意力网络的关系度量社交推荐算法。
我们的算法在相互影响的用户之间建立具有权重的社交关系图，并利用图注意力网络来计算不同社交关系之间的权重，从而更加准确的捕捉用户之间的关系。
同时，我们将用户的属性信息和社交关系信息结合起来，通过马尔可夫决策过程来推荐适合的社交关系和项目。
本论文的内容安排如下，第二部分介绍相关工作和研究成果；第三部分介绍基于图注意力网络的关系度量社交推荐算法的详细设计；第四部分介绍在数据集上的实验结果以及与传统算法的对比；第五部分对本论文所提出算法的实用性和可扩展性进行讨论；最后是本论文的总结。
社交网络中基于位置的推荐算法研究
社交网络中基于位置的推荐算法研究社交网络已经成为人们日常生活中不可或缺的一部分，人们通过社交网络与朋友、家人和其他人交流、分享生活、获取信息。
社交网络中的信息量庞大，用户的需求也日益多元化，因此如何为用户提供个性化的推荐服务成为了一个重要问题。
基于位置的推荐算法作为一种有效的推荐技术，在社交网络中得到了广泛应用和研究。
基于位置的推荐算法可以根据用户的地理位置信息为其推荐与位置相关的内容、活动或服务。
这种算法可以利用用户的地理位置信息来了解用户的兴趣爱好、偏好和行为习惯，从而提供更加准确、有针对性的推荐。
下面将介绍一些常见的基于位置的推荐算法。
第一种算法是基于用户位置的推荐算法。
这种算法通过收集用户的地理位置信息，了解用户所处位置的特征，然后根据用户所在位置周边的社区、商店、景点等资源为用户推荐相应内容。
例如，在一个社交网络中，用户在某个社区中发布了一条帖子，系统可以根据用户所在的位置向其推荐该社区中其他用户的帖子或相关的社区活动。
这种算法可以帮助用户更好地了解身边的社区资源，促进社区的交流和发展。
第二种算法是基于位置相似度的推荐算法。
这种算法通过计算用户之间的位置相似度来为用户推荐内容。
位置相似度可以通过计算用户之间的地理距离或位置特征之间的相似程度来衡量。
例如，在一个社交网络中，系统可以根据用户的地理距离，将用户划分为不同的群组，然后为每个群组推荐不同的内容。
这种算法可以帮助用户发现和交流与自己位置相近的用户，促进用户之间的互动和社区的融合。
第三种算法是基于位置历史记录的推荐算法。
这种算法通过分析用户的位置历史记录，了解用户的日常活动和行为习惯，从而为用户推荐合适的内容。
例如，在一个社交网络中，系统可以根据用户的位置历史记录，为用户推荐与其历史记录相似的内容或活动。
这种算法可以帮助用户发现新的兴趣爱好、了解其他用户的日常活动，并提升用户的使用体验。
除了以上介绍的算法，还有一些其他的基于位置的推荐算法也值得关注和研究。
一些社交网络好友推荐方法概述
一些社交网络好友推荐方法概述作者：暂无来源：《发明与创新·大科技》 2018年第3期摘要：基于用户兴趣偏好是现有社交网络好友推荐中应用最广泛的一种方法，但该方法忽略了用户的网络行为和所处环境对好友推荐的潜在影响。
本文综述了基于用户行为和基于地理位置两种好友推荐方法的最新研究，旨在提高好友匹配的准确性。
关键词：好友推荐；用户行为；地理位置社交网络中的好友推荐一般是通过运用算法和构建模型来计算和预测用户之间的隐藏链接关系，并按照与当前社交圈的亲密度进行降序排列，为社交网络用户推荐他们感兴趣的或可能认识的朋友，并引导他们建立新的好友关系，这表现在社交网络模型中，即建立新的节点连边。
已有的社交网络好友推荐方法为我们提供了多种考量用户关系的思路，其中研究最广泛的是基于用户兴趣偏好的方法，其他还包括基于用户社会关系的方法、基于用户社会影响力的方法、基于好友信任度的方法等。
上述方法往往忽略了用户作为社交网络主体的一些网络行为和所处环境可能对好友推荐的结果产生潜在影响。
因此，笔者选取了社交网络好友推荐方法中研究较少的两种思路，即基于用户行为和基于地理位置的方法，对国内这两个领域已产生的最新研究进行综述。
近年来，多样化的社交网络衍生出了纷繁复杂的用户在线互动行为，除了传统的浏览、评论、转发、回复外，还增加了点赞、@、评分等。
此外，社交网络用户行为具有实时更新不易把控的特点，考量起来有一定难度，而基于用户行为的方法为社交网络好友推荐提供了很好的借鉴。
吴不晓[1]以用户标注行为为本，使用词频-逆向文件频率（TF-IDF）将用户标签以语义相似度聚类成不同的话题，并据此推荐具有相同兴趣爱好的潜在好友的算法——基于用户标注行为的好友推荐算法（FRBT）。
李全乐[2]研究了基于用户@行为的好友推荐问题，他使用机器学习排序框架（LearningToRank），并引入概率图模型思想，将用户@行为的好友推荐问题转化成二分类问题。
基于社会化网络的好友推荐算法研究与应用的开题报告
基于社会化网络的好友推荐算法研究与应用的开题报告一、问题的背景与意义社交网络（Social Network）是一种人与人之间直接或间接的连结关系，这种关系可以是亲情、友情、爱情等不同类型。
近年来随着移动互联网及社交媒体的逐渐发展，社交网络也逐渐成为人们日常生活的一部分，人们通过社交媒体平台寻找好友、分享信息、交流思想等。
社交网络平台中的好友关系相当于一个大的社交网络，网络节点就是每一个用户，节点之间的关系形成了一个社交关系图，这样的社交关系图通常是大规模且复杂的。
如何有效地利用社交网络中的信息，给用户推荐合适的好友关系，是社交网络中一个非常重要且具有挑战性的问题。
通过对用户所关注的人/主页以及他们的行为轨迹（如点赞、转发等）等信息的分析，可以为用户推荐潜在的好友关系，为用户提供更好的社交服务，提高用户留存和用户忠诚度。
因此，如何基于社交网络构建好友推荐系统，成为了当前的一个研究热点。
二、国内外研究现状目前，国内外学者在好友推荐算法方面积累了较多的经验。
1. 基于用户行为的好友推荐算法这类算法通常衡量两个用户之间的相似度，如果用户之间的相似度越高，则越有可能成为好友关系。
该类算法主要使用用户的行为数据进行相似度计算，如用户浏览历史、搜索历史、购买历史等信息来推荐好友。
2. 基于社交网络拓扑结构的好友推荐算法该算法主要利用社交网络中的拓扑结构进行分析，推荐与用户间距离较近的好友。
该类算法主要采用图论中的结点相似性算法、小世界网络算法和社区发现算法等来实现好友推荐。
3. 基于机器学习的好友推荐算法机器学习算法通过分析用户的行为和社交网络的拓扑结构来发现模式和规律，对潜在的好友进行预测。
该类算法主要使用基于特征工程的在线学习算法和基于深度学习的离线学习算法。
三、研究内容和方法本文针对社交网络中的好友推荐问题，对比上述算法方法的优缺点，并提出一种基于社交网络的好友推荐算法。
本文的研究内容和方法主要包括以下三个方面：1. 建立用户社交关系图并对图进行分析通过爬取社交平台的用户信息、用户关注的人物信息、用户的行为信息等，建立社交关系图，并对用户的社交地位、行为模式、兴趣点等进行分析，以便更好地提供用户感兴趣的好友推荐。
移动社交应用中的好友推荐算法研究
移动社交应用中的好友推荐算法研究一、引言现代社交网络的发展，使得移动社交应用逐渐成为人们生活中不可或缺的一部分。
移动社交应用不仅便于人们与朋友、家人交流，同时也可以连接人与群体，进行分享、互助等各种活动。
好友推荐算法是移动社交应用中一个极其重要的组成部分，它可以帮助用户寻找更多符合个人需求的好友，提升移动社交应用的用户体验。
本文将从好友推荐算法的意义、分类、研究现状、前景等方面进行论述，旨在完整地展示好友推荐算法在移动社交应用中的重要性以及未来的发展前景。
二、好友推荐算法的意义好友推荐算法的意义可以从以下几个方面说明：1.提高用户粘性好友推荐算法通过分析共同兴趣点、人际关系网络、地理位置等信息，为用户推荐更多的好友，从而让用户能够更好地融入社交网络中，增加用户的粘性。
2.增加用户价值好友推荐算法可以根据用户的个性特点、好友关系等信息，为用户推荐符合其需求和兴趣的好友，增加用户的价值感。
3.提升社交应用体验好友推荐算法使用户能够更好地找到与自己兴趣爱好相同的好友，增强社交应用的社交性质，提升用户的使用体验。
三、好友推荐算法的分类好友推荐算法的分类可分为以下几种：1.基于简单规则的推荐算法基于简单规则的推荐算法主要是通过用户的基本属性，例如兴趣、性别、地理位置等因素，来进行好友推荐。
该算法的优点是简单易操作且灵活性强，但是缺点是推荐结果不够准确、不适用于复杂场景。
2.基于人际关系的推荐算法基于人际关系的推荐算法主要是通过分析用户的人际关系网络、好友的个性特点等信息，为用户推荐符合要求的好友。
该算法的优点是推荐结果比较准确，但是对于用户群体较少或者用户行为偏差较多的情况下，推荐结果不够完善。
3.基于深度学习的推荐算法基于深度学习的推荐算法主要通过分析用户的行为数据，采用深度神经网络等技术，对用户的兴趣特点进行分析，从而进行好友推荐。
该算法的优点是比较准确，同时能够处理用户行为数据较为复杂的场景。
但是，该算法对于数据量的要求较高，复杂度比较高。
好友推荐算法在社交网络中的应用
好友推荐算法在社交网络中的应用随着社交网络的发展，人们越来越依赖这些平台进行社交和交流。
与此同时，社交网络上不断涌现出各种新的应用和技术，其中最为重要的一项便是好友推荐算法。
这种算法在社交网络中起到了极为重要的作用，为人们提供了更加精准的好友推荐服务。
一、好友推荐算法的概述好友推荐算法是通过对社交网络上的用户信息进行分析和处理，从而向用户推荐适合的好友。
它的基本原理是通过搜集用户的个人信息、关注列表、兴趣爱好等数据，建立用户画像，再通过机器学习和数据挖掘等技术，对用户进行分类和推荐。
这种算法使得社交网络上的用户可以快速找到自己感兴趣的人和与自己类似的人，从而更好地进行社交和交流。
二、好友推荐算法的优点1、提高了用户黏性通过好友推荐算法，社交网络平台可以为用户提供更加个性化的推荐服务，从而大大提高了用户黏性。
用户可以更加方便地找到自己感兴趣的人和内容，从而更加愿意在社交网络上停留和交流。
2、提高了社交效率好友推荐算法可以将用户和相似的人连接在一起，大大缩短了交友的时间。
用户不必花费过多的时间和精力去寻找适合自己的好友，而是可以通过社交网络迅速找到志同道合的人，从而提高社交效率。
3、提高了社交成功率通过好友推荐算法，社交网络平台能够更加准确地匹配用户和他们潜在的好友，从而大大提高了社交成功率。
用户可以更加高效地建立自己的社交圈子，从而使得社交网络上的交流更加顺畅、愉悦。
三、好友推荐算法的局限性与挑战1、数据隐私问题好友推荐算法需要搜集用户的个人信息进行分析和处理，这使得用户的数据隐私问题成为了一个不容忽视的问题。
社交网络平台需要采取一系列措施保护用户的隐私，从而提高用户的信任度和平台的可靠性。
2、算法准确性问题好友推荐算法的准确性直接影响到用户的使用体验。
如果算法推荐出的好友不符合用户的期望，那么用户将会对社交网络产生不满和抵触情绪。
因此，社交网络平台需要不断完善和优化算法，提高算法的准确性和稳定性。
基于图论的社交网络中信息传播模型及优化
基于图论的社交网络中信息传播模型及优化社交网络已经成为人们日常生活中不可或缺的一部分，信息的传播在社交网络中起到了重要的作用。
为了更好地理解和优化社交网络中的信息传播模型，图论成为了一种重要的工具和方法。
在社交网络中，人们之间的关系可以用图的形式表示。
图论是研究图和图中的关系的数学分支。
社交网络可以用图来表示，其中图的节点代表人或实体，边代表人与人之间的联系。
通过分析这些图，可以了解和预测信息在社交网络中的传播方式和路径。
在社交网络中，信息传播模型的研究是基于图论的重要任务之一。
常见的信息传播模型包括独立级联模型、线性阈值模型和非线性阈值模型等。
这些模型可以帮助我们理解信息是如何在社交网络中传播、扩散和影响其他人的。
独立级联模型是一种常用的信息传播模型，它假设每个节点以一定的概率转发该信息给邻居节点，并且每个节点的决策是独立的。
线性阈值模型则基于每个节点的影响力阈值来判断是否转发信息，非线性阈值模型则考虑了节点之间的相互影响和关系。
这些模型能够提供信息传播的特征和规律，帮助我们预测信息在社交网络中的传播效果以及优化信息传播的策略。
对于社交网络中的信息传播模型的优化，有几个重要的方向值得关注。
首先，确定重要节点是优化信息传播的关键。
通过识别社交网络中的重要人物或节点，可以帮助信息更快地传播，达到更大的影响力。
其次，研究社交网络中信息传播的路径和路径选择的优化，可以帮助我们更好地理解信息的扩散方式，并且提出相应的策略来加速信息传播。
最后，优化信息传播的时间和速度也是一个重要的问题。
通过合理的时间间隔和速度控制，可以更好地控制信息传播的效果，提高信息传播的效率。
针对这些优化问题，研究者提出了一些解决方法和策略。
例如，通过分析社交网络中节点的中心性指标，如度中心性、接近度中心性和介数中心性等，可以识别出重要节点，并在信息传播中优先考虑这些节点。
此外，设计合适的启发式算法和策略，可以有效地选择信息传播的路径和路径节点，提高信息扩散效果。
社交网络好友推荐的方法及系统[发明专利]
![社交网络好友推荐的方法及系统[发明专利]](https://img.taocdn.com/s3/m/57ee66f4c5da50e2534d7fa7.png)
专利名称：社交网络好友推荐的方法及系统专利类型：发明专利
发明人：郑战海
申请号：CN201410714499.2
申请日：20141127
公开号：CN104462308A
公开日：
20150325
专利内容由知识产权出版社提供
摘要：本发明公开的社交网络好友推荐的方法及系统。
所述方法包括：采集用户的行为特征数据，发送所述行为特征数据到社交网络，分析所述行为特征数据得出该用户的个人信息，比对该用户与其他社交网络用户的个人信息，找出与该用户的个人信息匹配的社交网络用户。
通过本发明的技术方案，能够提高社交网络中用户个人信息的真实性，提高好友匹配的准确性。
申请人：广东小天才科技有限公司
地址：523860 广东省东莞市长安镇乌沙步步高大道126号二楼
国籍：CN
代理机构：北京品源专利代理有限公司
更多信息请下载全文后查看。
基于社交网络和协同过滤的微博好友推荐算法
基于社交网络和协同过滤的微博好友推荐算法
汪毓铎;黄太波
【期刊名称】《北京交通大学学报》
【年(卷),期】2016(040)005
【摘要】微博作为近年来用户数量较多的社交应用,其用户的信息压力也相对较大,推荐技术对于微博用户的体验和推广有很明显的帮助.本文将针对微博平台的好友推荐进行研究,分别采用基于社交网络分析和基于协同过滤技术的推荐算法.经过两种算法的实验对比得出结论:基于协同过滤的好友推荐算法具有较好的性能,在推荐好友数量较多的情况下依然具有较高的综合评价指标,提高了好友推荐的质量.【总页数】6页(P70-75)
【作者】汪毓铎;黄太波
【作者单位】北京信息科技大学信息与通信工程学院,北京100101;北京信息科技大学信息与通信工程学院,北京100101
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于社交网络中双重好友及用户偏好的协同过滤推荐 [J], 胡致杰;印鉴
2.一种基于用户标签的社交网络好友推荐算法 [J], 汪强;何广达;杨安桔;张臣坤
3.基于标签改进社交网络好友推荐算法研究与应用 [J], 章讯;龙华;周芝民
4.基于网络结构改进社交网络好友推荐算法研究 [J], 章讯;龙华;周芝民
5.基于用户交互的社交网络好友推荐算法 [J], 龙增艳;陈志刚;徐成林
因版权原因，仅展示原文概要，查看原文内容请购买。
在线社交网络好友推荐方法的研究——基于非对称相似性方法
在线社交网络好友推荐方法的研究——基于非对称相似性方
法
徐少杰;孙仁诚;吴舜尧;王晓杰
【期刊名称】《青岛大学学报（自然科学版）》
【年(卷),期】2016(029)001
【摘要】考虑用户间影响的差异,从用户关注的兴趣点出发,及其他用户的消息或行为通过最短路径影响该用户的最大可能性,提出了基于非对称相似性的半局部拓扑指标,并将其应用于在线社交网络好友推荐.通过Facebook数据集验证了该方法,实验结果证明,考虑了非对称相似性的好友推荐算法在准确率与召回率上都明显优于其他方法,从而证实了该方法的有效性.
【总页数】5页(P66-70)
【作者】徐少杰;孙仁诚;吴舜尧;王晓杰
【作者单位】青岛大学信息工程学院,青岛266071;青岛大学信息工程学院,青岛266071;青岛大学信息工程学院,青岛266071;青岛大学信息工程学院,青岛266071
【正文语种】中文
【中图分类】TP18
【相关文献】
1.一些社交网络好友推荐方法概述 [J], 孟璐
2.基于用户潜在特征的社交网络好友推荐方法 [J], 肖迎元;张红玉
3.在线社交网络中好友亲密度判定方法研究 [J], 刘峰
4.基于角色协同的在线社交网络好友推荐机制 [J], 刘冬宁;刘艳;滕少华;朱海滨;梁路
5.在线社交网络中好友亲密度判定方法研究 [J], 刘峰
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
分类号： TP391.1 单位代码：10335学号：20821043硕士学位论文论文题目社交网络中基于图排序的好友推荐机制研究与实现作者姓名郑佳佳指导教师王强副教授学科(专业) 计算机软件与理论__所在学院计算机科学与技术学院提交日期2011年1月A Dissertation Submitted to ZhejiangUniversity for the Degree ofMaster of EngineeringTITLE:Friends Recommendation Based onGraph Ranking on Social Network Site Author: Jiajia ZhengSupervisor: Associate Professor Qiang Wang Subject: Computer Software and Theory College: College of Computer ScienceSubmitted Date: 2011-01浙江大学研究生学位论文独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。
除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得浙江大学或其他教育机构的学位或证书而使用过的材料。
与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。
学位论文作者签名：签字日期：年月日学位论文版权使用授权书本学位论文作者完全了解浙江大学有权保留并向国家有关部门或机构送交本论文的复印件和磁盘，允许论文被查阅和借阅。
本人授权浙江大学可以将学位论文的全部或部分内容编入有关数据库进行检索和传播，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。
（保密的学位论文在解密后适用本授权书）学位论文作者签名：导师签名：签字日期：年月日签字日期：年月日浙江大学硕士学位论文摘要摘要随着web2.0技术的蓬勃发展，全球互联网进入了SNS时代。
各种不同的SNS 网站不断涌现，如Facebook，twitter，Myspace，Flickr等。
在这类网站上，用户可以添加其他用户为好友。
对于一个用户，特别是新加入的用户，添加哪些用户为自己的好友成了一个困难的问题。
社交网站中好友推荐系统就是针对这一难题而出现的。
本文深刻分析了社交网络上好友推荐机制，研究了热点好友推荐和个性化好友推荐两类问题。
在热点好友推荐部分，我们提出了社交网络中用户的行为模式，从用户档案的创建、内容创建和关系建立三方面来描述用户的行为模式。
其次，我们提出了社交网络中网页访问模型。
在此基础上，我们设计了一个评价指标来衡量用户的热点度，热点度高的用户被推荐为热点好友的概率大。
最后，通过实验，分析了Flickr网站上用户的信息传播贡献值，即热点度的分布。
实验发现，热点度的分布成幂分布型。
这一结果表明，大多数用户拥有比较小的热点度，只有少部分用户拥有比较大的热点度。
在个性化好友推荐部分，本文将三种算法用于个性化好友推荐问题，三个算法分别是naive算法、Personalized PageRank算法、基于图的多类关联对象降维算法。
通过实验分析三个算法在好友推荐中的效果，实验结果表明多类关联对象的降维算法要优于前两种方法。
这主要是由于多类关联对象的降维算法利用了更多的用户信息。
关键词：社交网络，信息传播贡献值，热点好友推荐，个性化好友推荐i浙江大学硕士学位论文AbstractAbstractWith the rapid development of web2.0 technology, the global Internet goes into the SNS era. A variety of SNS sites are emerging, such as Facebook, twitter, Myspace, Flickr and so on. In these sites, users can add other users as friends. For a user, in particular, a new user, how to find friends for him becomes a difficult problem. Friends recommendation system is the emergence of this problem on social networking sites.In this dissertation, we analyze friends recommendation mechanism, and propose two sets of issues: hot friends recommendation and personalized friends recommendation.In hot friends recommendation section, we propose the concept of user's behavior patterns in social networking sites. Firstly, we describe the user behavior patterns from three aspects: the user profile creation, content creation and relationship building. Secondly, we propose a model of social network siting surfering. And, we design an evaluation indicators to measure the user's hot degree. Hot users are recommended with high probability. Finally, we analyze the distribution of the users' information propagation contribution in the experiment. It was found that the distribution of hot degree is the power-law distribution. The results show that most users have relatively small hot degree, and only a few users have the relatively large hot degree.In personalized friends recommendation part, we use three algorithms for personalized friends recommendation problem. The three algorithms inlcude the naive algorithm, Personalized PageRank algorithm, and Multi-type Interrelated Objects Embedding(MIOE) algorithm. We anaysize the effect of friends recommendation of three algorithms in experiments. The experimental results show that MIOE algorithm is better than the first two methods. This is mainly because MIOE can use more user information.Keywords：social network site, information propagation contribution, hot friends recommendation, personalized friends recommendationii浙江大学硕士学位论文目录目录摘要 (i)Abstract (ii)第1章绪论 (1)1.1 引言 (1)1.2 社交网络发展现状 (1)1.3 本文工作 (3)1.4 本文组织 (4)1.5 本章小结 (4)第2章好友推荐关键技术综述 (5)2.1 问题描述 (5)2.2 推荐算法综述 (6)2.2.1 协同过滤推荐算法 (6)2.2.2 基于内容的推荐算法 (8)2.3 图排序技术综述 (11)2.3.1 PageRank算法 (11)2.3.2 HITS算法 (13)2.3.3 Manifold Ranking算法 (14)2.4 本章小结 (14)第3章社交网络中热点好友推荐 (15)3.1 问题描述 (15)3.2 热点好友评价指标 (16)3.2.1 社交网络中用户行为 (16)3.2.2 社交网络中网页访问模型 (18)3.2.3 评价指标 (20)3.3 实验 (21)3.4 本章小结 (25)第4章社交网络中个性化好友推荐 (26)4.1 问题描述 (26)4.2 个性化好友推荐算法 (27)4.2.1 Naïve算法 (27)4.2.2 Personalized PageRank算法 (27)4.2.3 基于图的多类关联对象降维算法（MIOE） (28)4.3 实验 (31)4.3.1 实验数据 (31)4.3.2 评价指标 (32)II浙江大学硕士学位论文目录4.3.3 算法实验 (32)4.4 本章小结 (34)第5章系统设计与实现 (35)5.1 总体设计 (35)5.2 数据获取模块 (36)5.3 推荐算法模块 (37)5.3.1 热点好友推荐算法 (37)5.3.2 个性化好友推荐算法 (37)5.4 界面显示模块 (39)5.5 推荐结果及讨论 (41)5.6 本章小结 (42)第6章总结与展望 (43)6.1 总结 (43)6.2 下一步工作 (43)参考文献 (45)攻读硕士学位期间主要的研究成果 (50)致谢 (51)II浙江大学硕士学位论文目录图目录图1-1社交网站用户年龄构成 (2)图1-2网络中用户概念增强图 (3)图2-1简单PageRank的计算 (12)图3-1人人网热点好友推荐 (16)图3-2Jack，Bill，Tom之间主要的关系 (18)图3-3信息传播贡献值分布图 (23)图3-4基于收藏关系的信息传播贡献值分布图 (24)图3-5基于好友关系的信息传播贡献值分布图 (25)图4-1人人网个性化好友推荐 (26)图4-2MIOE算法考虑的图结构 (29)图5-1好友推荐系统框图 (35)图5-2数据获取模块示意图 (36)图5-3热点好友推荐算法流程图 (37)图5-4naïve算法流程图 (37)图5-5Personalized PageRank算法流程图 (38)图5-6热点好友推荐界面 (40)图5-7个性化好友推荐界面 (41)图5-8个性化好友推荐界面 (41)IV浙江大学硕士学位论文目录表目录表2-1评分矩阵 (9)表3-1 Flickr数据统计特征 (24)表4-1 Friends表 (33)表4-2 Favorites表 (33)表4-3 Photo表 (33)表4-4 数据统计特征 (34)表4-5 Naïve算法的准确率和查全率 (35)表4-6 Personalized PageRank算法的准确率和查全率 (35)表4-7 MIOE算法的准确率和查全率 (36)IV浙江大学硕士学位论文第1章绪论第1章绪论1.1引言随着web2.0技术的蓬勃发展，全球互联网进入了SNS时代。