上下文感知的移動(dòng)社交網(wǎng)絡(luò)好友推薦算法

孔聰聰,陳曙東

1(中國(guó)科學(xué)院大學(xué) 微電子學(xué)院,北京 100049) 2(中國(guó)科學(xué)院微電子研究所,北京 100029) 3(江蘇物聯(lián)網(wǎng)研究發(fā)展中心,江蘇 無(wú)錫 214135)

1 引 言

隨著智能移動(dòng)設(shè)備的逐漸普及和通信技術(shù)的不斷發(fā)展,移動(dòng)社交網(wǎng)絡(luò)服務(wù)也給用戶帶來(lái)了很大便利,而精準(zhǔn)的好友推薦作為社交服務(wù)的重要一部分,可以給用戶帶來(lái)更好體驗(yàn),對(duì)用戶的行為偏好分析和網(wǎng)絡(luò)服務(wù)推薦具有重要意義.雖然互聯(lián)網(wǎng)領(lǐng)域的好友推薦技術(shù)已經(jīng)趨于成熟,但是如何全面考慮移動(dòng)互聯(lián)網(wǎng)的移動(dòng)性,實(shí)時(shí)性以及移動(dòng)設(shè)備的便攜性,上下文感知能力等特點(diǎn),并將之應(yīng)用到移動(dòng)好友推薦中,提高推薦精準(zhǔn)性和用戶體驗(yàn),成為移動(dòng)好友推薦研究的重要研究方向.

在好友推薦領(lǐng)域內(nèi),傳統(tǒng)的互聯(lián)網(wǎng)領(lǐng)域推薦方法已經(jīng)有很多,例如文[1]提出的基于協(xié)同過(guò)濾的好友推薦算法,根據(jù)用戶興趣相似度來(lái)進(jìn)行推薦.文獻(xiàn)[2]提出了一種基于網(wǎng)絡(luò)圖的朋友推薦方法,分析用戶社交網(wǎng)絡(luò)中的交互數(shù)據(jù),設(shè)置權(quán)重推薦權(quán)重評(píng)分較高的用戶作為好友.但是這些并不能適應(yīng)移動(dòng)互聯(lián)網(wǎng)的特性.隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展,移動(dòng)環(huán)境下的上下文數(shù)據(jù),例如地理位置,時(shí)間,同伴等,也被用于社交關(guān)系的挖掘.文獻(xiàn)[3]使用鏈路預(yù)測(cè)的方法,綜合考慮用戶的之間的地理位置互動(dòng)頻率和時(shí)長(zhǎng),從而判斷親密度.文獻(xiàn)[4]考慮時(shí)間上下文,利用樸素貝葉斯方法計(jì)算不同項(xiàng)目屬于不同類別的概率,從而進(jìn)行移動(dòng)推薦,該算法只對(duì)時(shí)間分析,對(duì)于環(huán)境復(fù)雜的移動(dòng)互聯(lián)網(wǎng)有較大局限性.文獻(xiàn)[5]提出一種基于多維相似度的好友推薦方法,計(jì)算時(shí)間興趣等相似度通過(guò)差異距離進(jìn)行評(píng)價(jià),然而算法規(guī)則較為簡(jiǎn)單,不能很好發(fā)現(xiàn)規(guī)律.文獻(xiàn)[6]提出一種基于相似度和信任度的關(guān)聯(lián)規(guī)則算法STA,在時(shí)間和準(zhǔn)確度上做了提升.文獻(xiàn)[7]對(duì)移動(dòng)領(lǐng)域好友推薦方面的研究進(jìn)展進(jìn)行了綜述性介紹,指出上下文信息對(duì)提高推薦準(zhǔn)確度有重要作用.然而很多方法在移動(dòng)好友推薦中存在考慮因素單一,無(wú)法客觀反映現(xiàn)實(shí)好友影響因素的不足.

本文面向移動(dòng)互聯(lián)網(wǎng)領(lǐng)域,考慮移動(dòng)環(huán)境下的多種因素,在一種傳統(tǒng)互聯(lián)網(wǎng)好友推薦算法[2]上進(jìn)行改進(jìn),提出一種基于移動(dòng)上下文和影響力的好友推薦算法,首先根據(jù)通信數(shù)據(jù)計(jì)算用戶間的通信社交信任度,之后利用用戶之間的地理位置數(shù)據(jù)計(jì)算位置信任度,根據(jù)兩方面的數(shù)據(jù)得到用戶間的綜合社交信任度,同時(shí)利用PageRank算法計(jì)算好友的影響力因子,最后使用一種基于社交圖的好友推薦方法進(jìn)行計(jì)算好友的推薦評(píng)分,得出用戶的好友推薦列表.本方法創(chuàng)新性的考慮了移動(dòng)上下文信息和影響力因子,并基于社交圖進(jìn)行算法實(shí)現(xiàn),相對(duì)于傳統(tǒng)協(xié)同過(guò)濾和關(guān)聯(lián)規(guī)則等算法更好的反映好友之間的信息和關(guān)系網(wǎng)絡(luò),提高了推薦準(zhǔn)確率.

2 基于圖的移動(dòng)好友推薦算法

本文面向移動(dòng)互聯(lián)網(wǎng)領(lǐng)域,提出一種基于移動(dòng)上下文信息和用戶影響力的好友推薦算法,一方面根據(jù)通信數(shù)據(jù)計(jì)算用戶間的通信社交信任度,另一方面根據(jù)用戶之間的地理位置數(shù)據(jù)計(jì)算位置信任度,結(jié)合兩方面的數(shù)據(jù)得到用戶間的綜合社交信任度,并且利用改進(jìn)后的PageRank算法計(jì)算好友的影響力因子,最后在優(yōu)化的社交網(wǎng)絡(luò)圖上的進(jìn)行好友的推薦評(píng)分計(jì)算,得出用戶的好友推薦列表.

2.1 移動(dòng)用戶特征選取

移動(dòng)互聯(lián)網(wǎng)的用戶特征一方面是通信數(shù)據(jù),包括通話時(shí)長(zhǎng),通話頻率,短信頻率等;一般用戶之間聯(lián)系越頻繁,則表示雙方關(guān)系越緊密.然而現(xiàn)實(shí)社會(huì)中,單方面的高頻通信并不能代表兩者熟識(shí),也可能是廣告等騷擾信息,所以本文在數(shù)據(jù)選取時(shí)只選擇用主動(dòng)通信的數(shù)據(jù),在構(gòu)建網(wǎng)絡(luò)時(shí),也選取雙方均有交互的關(guān)系鏈,剔除只有單方通信的數(shù)據(jù).

而移動(dòng)場(chǎng)景不同于一般互聯(lián)網(wǎng)場(chǎng)景的特征在于其移動(dòng)性,及其移動(dòng)上下文信息.因此,在做好友推薦時(shí)應(yīng)加入移動(dòng)上下文信息,本文選取用戶的移動(dòng)地理位置交互數(shù)據(jù),來(lái)更全面的進(jìn)行網(wǎng)絡(luò)構(gòu)建.現(xiàn)在大多數(shù)用戶都會(huì)隨身攜帶手機(jī),無(wú)線通信技術(shù),GPS等技術(shù)可以方便記錄用戶的地理位置數(shù)據(jù),而當(dāng)兩個(gè)用戶在一段時(shí)間內(nèi)處于同一位置,并且有經(jīng)常性的這種交互,我們也可以認(rèn)為兩者之間存在一定的社交關(guān)系.

同時(shí)本文考慮好友之間的影響力因素,一般來(lái)講,與其他人交互越多,影響力越大的人,其好友越多,也越容易與他人成為好友,因此用適當(dāng)方法衡量好友的影響力因子,加入好友推薦中,也是本文的研究所在.因此,本文創(chuàng)新地將地理位置交互時(shí)長(zhǎng),交互頻率作為參數(shù)加入的社交網(wǎng)絡(luò)的構(gòu)建中,考慮影響力因子,從而進(jìn)行更合理的好友推薦.

2.2 移動(dòng)社交信任度

移動(dòng)場(chǎng)景由于其特殊性,具有很多因素可以考慮,因此本文的移動(dòng)社交信任度,主要考慮兩個(gè)方面,包括通信數(shù)據(jù)信任度與地理位置信任度,其中通信數(shù)據(jù)信任度包括了通話頻率,通話時(shí)長(zhǎng),短信頻率這三方面,而地理位置信任度包括了地理交互頻率,交互時(shí)長(zhǎng)這兩個(gè)指標(biāo).

2.2.1 通信數(shù)據(jù)信任度計(jì)算

在移動(dòng)通信領(lǐng)域中,用戶主要通過(guò)語(yǔ)音通話和短信短信交流兩種方式進(jìn)行通信通信,因此用戶之間的通信頻率和時(shí)長(zhǎng)是衡量好友關(guān)系緊密度的重要指標(biāo).而根據(jù)上文的分析,本文在數(shù)據(jù)選取時(shí)只選擇用戶主動(dòng)通信的數(shù)據(jù),即主動(dòng)通話或短信的數(shù)據(jù),在構(gòu)建網(wǎng)絡(luò)時(shí),也選取雙方均有交互的關(guān)系鏈,剔除只有單方通信的數(shù)據(jù).

定義1.一定時(shí)間周期內(nèi),用戶i對(duì)用戶j 的通話次數(shù)為Vofrei,通話時(shí)長(zhǎng)為Voduri,短信次數(shù)為Smsfrei,而用戶i對(duì)所有用戶的通話次數(shù)為∑Vofre,通話時(shí)長(zhǎng)為∑Vodur,短信次數(shù)為∑Smsfre,則用戶i對(duì)用戶j的通信數(shù)據(jù)信任度CommTri定義如下:

(1)

2.2.2 地理位置信任度計(jì)算

在移動(dòng)通信領(lǐng)域中,由于移動(dòng)設(shè)備的隨身性,移動(dòng)性,使得我們可以利用地理位置信息分析真實(shí)用戶的的社交關(guān)系成為可能.即用戶之間處于同一位置交互次數(shù)越多,時(shí)間越長(zhǎng),則越有顯著的社交關(guān)系.本文基于用戶之間移動(dòng)設(shè)備的藍(lán)牙交互頻率和時(shí)長(zhǎng)來(lái)構(gòu)建地理位置信任度.由于藍(lán)牙設(shè)備的短距離交互性,設(shè)備之間交互頻率越高、時(shí)長(zhǎng)越長(zhǎng)說(shuō)明用戶處于同一位置的次數(shù)越多、交流時(shí)間也越長(zhǎng),關(guān)系可能越親密.

定義2.一定時(shí)間周期內(nèi),用戶i對(duì)用戶j的處于同一位置的交互次數(shù)為L(zhǎng)ocFrei,交互時(shí)長(zhǎng)為L(zhǎng)ocDuri,而用戶i對(duì)所有用戶的交互次數(shù)為∑LocFre,交互時(shí)長(zhǎng)為∑LocDur,則用戶i對(duì)用戶j的地理位置信任度LocTri定義為:

(2)

本文中α,β定為0.5,0.5.

2.2.3 綜合社交信任度

綜上,通過(guò)通信數(shù)據(jù)信任度和地理位置信任度計(jì)算得到綜合社交信任度,如下

定義3.用戶i對(duì)用戶j 的通信數(shù)據(jù)信任度為CommTri,地理位置信任度為L(zhǎng)ocTri,則綜合社交信任度MulTri為:

MulTri=λ*CommTri+(1-λ)*LocTri

(3)

2.3 構(gòu)建網(wǎng)絡(luò)評(píng)分預(yù)測(cè)

2.3.1 構(gòu)建網(wǎng)絡(luò)

在傳統(tǒng)社交網(wǎng)絡(luò)的研究中,一般可以用圖來(lái)表示社交網(wǎng)絡(luò)關(guān)系,其中節(jié)點(diǎn)代表用戶,邊代表用戶之間的社交聯(lián)系,以此來(lái)清晰的描述用戶的社交關(guān)系.因此,圖論在也廣泛應(yīng)用于社交網(wǎng)絡(luò)的分析中.本文對(duì)一種傳統(tǒng)互聯(lián)網(wǎng)領(lǐng)域的好友推薦方法進(jìn)行改進(jìn)[2],利用上文計(jì)算出的綜合社交信任度,推導(dǎo)出用戶的好友列表.

由上文得出的綜合社交信任度和社交關(guān)系,可以構(gòu)建原始的有向帶權(quán)網(wǎng)絡(luò)圖,其中節(jié)點(diǎn)表示用戶,邊表示用戶之間的聯(lián)系,箭頭指向接收方.有向邊的權(quán)重為發(fā)起方對(duì)接收方的綜合社交強(qiáng)度,由此可以構(gòu)建下頁(yè)圖1的原始有向社交網(wǎng)絡(luò)圖.

而真實(shí)社交關(guān)系中,一般交互應(yīng)該為雙向的,如果某方單方面主動(dòng)聯(lián)系,很有可能只是廣告或騷擾行為,因此由于通信的不對(duì)稱,單方高強(qiáng)度并不能表示雙方熟識(shí),所以去掉只有單向的邊,并把雙向有向邊改為無(wú)向邊,去最小權(quán)重為無(wú)向邊權(quán)重.由此可構(gòu)建無(wú)向帶權(quán)信息圖,見下頁(yè)圖2.

由于根節(jié)點(diǎn)用戶到各個(gè)目標(biāo)用戶聯(lián)系是層間直接聯(lián)系的,同一層之間的聯(lián)系顯然是沒有用的,例如A到C,是直接聯(lián)系C,而不是經(jīng)過(guò)B到C.因此同一層之間的邊也可以去掉.由此得到最小無(wú)向帶權(quán)信息圖,見下頁(yè)圖3.

2.3.2 影響力因子

本文考慮好友之間的影響力因素,一般來(lái)講,影響力越大的人,其好友越多,與好友互動(dòng)聯(lián)系也越多,也越容易與他人成為好友,因此用適當(dāng)方法衡量好友的影響力因子,加入好友推薦中,也是本文的研究所在.PageRank算法[9]是為了衡量網(wǎng)頁(yè)的相對(duì)重要性,它是基于網(wǎng)絡(luò)中的圖,計(jì)算每個(gè)網(wǎng)頁(yè)的重要性排名.而在社交網(wǎng)絡(luò)中評(píng)估一個(gè)用戶的影響力,就是評(píng)估該用戶在網(wǎng)絡(luò)中的重要性排名.社交網(wǎng)絡(luò)與網(wǎng)頁(yè)之間形成的網(wǎng)絡(luò)非常類似,PageRank同樣也可以應(yīng)用到社交網(wǎng)絡(luò)影響力評(píng)估中去.因此本文提出的基于圖的社交網(wǎng)絡(luò)利用PageRank算法來(lái)進(jìn)行用戶影響力因子的評(píng)定,即每個(gè)節(jié)點(diǎn)j計(jì)算的影響力因子inf(j)為:

圖1 原始帶權(quán)網(wǎng)絡(luò)圖Fig.1 Original directed weighted graph

圖2 無(wú)向帶權(quán)信息圖Fig.2 Undirected weighted graph

圖3 最小無(wú)向帶權(quán)圖Fig.3 Minimum undirected weighted graph

inf(j)=Pr(j)*(1/level)

(4)

其中Pr(j)為節(jié)點(diǎn)的PageRank分?jǐn)?shù),level為節(jié)點(diǎn)j的層數(shù).

2.3.3 評(píng)分預(yù)測(cè)

得到圖3的網(wǎng)絡(luò)圖后,可以根據(jù)公式(4)對(duì)每個(gè)好友進(jìn)行推薦評(píng)分.

(5)

其中Pk(j).Csum表示根節(jié)點(diǎn)i到節(jié)點(diǎn)j第k條最短路徑上所有權(quán)值的和,W(Sl-1,Sl)表示節(jié)點(diǎn)Sl-1和Sl之間的移動(dòng)社交強(qiáng)度,同第l層與第l-1層中所有相關(guān)節(jié)點(diǎn)間的權(quán)重之和的比值.其中l(wèi)evel表示節(jié)點(diǎn)j的層數(shù),即距離根節(jié)點(diǎn)的條數(shù),Pr(j)表示節(jié)點(diǎn)j的 PageRank值.由于權(quán)值表示社交強(qiáng)度所以推薦評(píng)分應(yīng)與之成正比,而層數(shù)代表了好友間的關(guān)系層次,層數(shù)越小,距離越近則關(guān)系越近,故評(píng)分應(yīng)與之成反比;且每條路徑代表i和j之間有一條關(guān)系鏈,故每條關(guān)系鏈都會(huì)貢獻(xiàn)推薦評(píng)分,故需要將所有關(guān)系鏈的評(píng)分加起來(lái).而節(jié)點(diǎn)的影響力只與節(jié)點(diǎn)自身相關(guān),節(jié)點(diǎn)本身影響力越大,越容易與他人成為好友,故不需要涉及到路徑上其他節(jié)點(diǎn)的影響力.

例如當(dāng)網(wǎng)絡(luò)圖如圖3時(shí),目標(biāo)節(jié)點(diǎn)為G,那么根節(jié)點(diǎn)A到G有兩條路徑,(A,B,G),(A,C,G),那么評(píng)分就是

(6×(3/7)+6×(4/7))×(1/2)=3,加上算出的PageRank評(píng)分值,即為綜合推薦評(píng)分.

2.4 算法描述

綜上,本文在文獻(xiàn)[2]的WMR算法基礎(chǔ)上進(jìn)行的改進(jìn)算法CFRM,步驟如下:

輸入:表示用戶關(guān)系的最小無(wú)向信息圖

輸出:用戶的推薦好友列表

步驟1.根據(jù)最小無(wú)向信息圖構(gòu)建的以目標(biāo)用戶為源節(jié)點(diǎn)的層次關(guān)系樹Tree,其中l(wèi)ayer表示當(dāng)前層次節(jié)點(diǎn)的集合,level表示當(dāng)前指向的層次.

步驟2.找出根節(jié)點(diǎn)i到目標(biāo)節(jié)點(diǎn)j的所有路徑,對(duì)每條路徑計(jì)算其權(quán)值總和,并乘上節(jié)點(diǎn)Sl-1和Sl之間的移動(dòng)社交強(qiáng)度,同第l層與第l-1層中所有相關(guān)節(jié)點(diǎn)間的權(quán)重之和的比值,之后將每條路徑的計(jì)算結(jié)果進(jìn)行求和,乘上當(dāng)前層數(shù)level的倒數(shù).

步驟3.計(jì)算目標(biāo)節(jié)點(diǎn)的PageRank值,同時(shí)也乘上當(dāng)前層數(shù)的倒數(shù),與步驟2的結(jié)果做和,得出最終推薦評(píng)分ReScore.

步驟4.對(duì)每個(gè)節(jié)點(diǎn)計(jì)算其到其他節(jié)點(diǎn)的推薦評(píng)分,即重復(fù)步驟2、3,對(duì)結(jié)果進(jìn)行排序,得出每個(gè)節(jié)點(diǎn)推薦列表.

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)集及環(huán)境介紹

基于隱私和商業(yè)數(shù)據(jù)安全的考慮,因此本文利用MIT現(xiàn)實(shí)挖掘項(xiàng)目所提供的真實(shí)數(shù)據(jù)集reality mining[10]進(jìn)行實(shí)驗(yàn)分析.該數(shù)據(jù)集包含了94個(gè)用戶半年間的手機(jī)使用記錄,其中有移動(dòng)通話數(shù)據(jù)、短信數(shù)據(jù)、位置交互數(shù)據(jù)、應(yīng)用程序使用數(shù)據(jù)等.該數(shù)據(jù)集同時(shí)還包括94個(gè)用戶間的真實(shí)好友關(guān)系,可做實(shí)驗(yàn)正確性比對(duì)等.

本文用MATLAB處理原始數(shù)據(jù)集,由于原數(shù)據(jù)集包含通話信息,位置信息,mac信息,電量,應(yīng)用軟件等五十多項(xiàng)屬性,還有一些數(shù)據(jù)關(guān)鍵屬性缺失,所以需要進(jìn)行清洗過(guò)濾,提取包含了通話、短信、位置、藍(lán)牙交互等信息的屬性,并且剔除缺失屬性的數(shù)據(jù).利用Python,及networkx包進(jìn)行算法實(shí)現(xiàn).硬件環(huán)境:window7系統(tǒng),intel core i5 CPU,4G內(nèi)存.

3.2 評(píng)價(jià)指標(biāo)

好友推薦的結(jié)果分析一般用準(zhǔn)確率與查全率對(duì)算法進(jìn)行合理性和有效性的評(píng)估[11],其中準(zhǔn)確率(Precision)為推薦出的已經(jīng)成為好友的用戶與推薦出的好友用戶的比值,反映了推薦算法的準(zhǔn)確程度.查全率(Recall)為推薦出的已經(jīng)成為好友的個(gè)數(shù)與好友總個(gè)數(shù)的比值,反映了推薦方法的推薦廣度.

在實(shí)驗(yàn)過(guò)程中,使用不同推薦比率評(píng)估性能,并取全部用戶準(zhǔn)確率和查全率的平均值作為算法在當(dāng)前推薦比率下的性能表現(xiàn).

3.3 實(shí)驗(yàn)步驟及結(jié)果分析

實(shí)驗(yàn)中,首先對(duì)原始數(shù)據(jù)集進(jìn)行處理,剔除無(wú)效數(shù)據(jù),提取有用的數(shù)據(jù)信息,本文用MATLAB處理原始數(shù)據(jù)集,提取mac,device_list,device_macs,device_names,neighborhood,comm,com_voice,comm_voice_date,comm_sms,comm_sms_date等屬性,包括了有用的通話數(shù)據(jù)、短信數(shù)據(jù),地理位置數(shù)據(jù)等,之后按照公式(1),(2),(3),(4)進(jìn)行數(shù)據(jù)處理,并對(duì)公式(3)中λ進(jìn)行測(cè)定,從測(cè)定結(jié)果準(zhǔn)確率和查全率分析,發(fā)現(xiàn)當(dāng)為0.6的時(shí)候準(zhǔn)確率,查全率均較高,故選定λ為0.6.之后得出最小無(wú)向信息圖.最后實(shí)驗(yàn)過(guò)程利用Python2.7進(jìn)行算法實(shí)現(xiàn).

由于本文是在文獻(xiàn)[2]中提出的WMR算法上進(jìn)行改進(jìn)的,加入了移動(dòng)上下文因素等,為驗(yàn)證本文算法的有效性和創(chuàng)新性,本文對(duì)WMR算法以及文獻(xiàn)[3]提出的Friend Sensing(FS) 方法和文獻(xiàn)[6]的STA算法進(jìn)行對(duì)比實(shí)驗(yàn).分析四種算法的準(zhǔn)確率和查全率表現(xiàn),對(duì)各個(gè)算法進(jìn)行效果分析.

3.3.1 準(zhǔn)確率分析

準(zhǔn)確率反映了推薦算法的準(zhǔn)確程度,圖4位四種好友推薦算法準(zhǔn)確率的對(duì)比圖,可以看出,本文提出的算法CFRM(Context-aware Friend Recommendation algorithm based on Mobile network),準(zhǔn)確率總體上明顯高于原始算法WMR、FS和STA算法,尤其是當(dāng)推薦比率較小時(shí),由于本文算法因素考慮更全,以及所用圖算法效率更高,準(zhǔn)確度更高,例如當(dāng)推薦比率為20%時(shí),本文算法準(zhǔn)確率達(dá)到52.63%,高于WMR算法的43.74%、FS算法的41.5%和STA算法的50.23%.而實(shí)際推薦時(shí),為保證準(zhǔn)確率,推薦比率一般不高于20%.而由于每個(gè)用戶的好友數(shù)固定,當(dāng)推薦比率增加時(shí),準(zhǔn)確率也會(huì)隨之降低,并最終穩(wěn)定下來(lái),因此推薦比率60%之后,四種算法推薦的準(zhǔn)確率差異不再明顯.

圖4 準(zhǔn)確率Fig.4 Precision

3.3.2 查全率分析

算法的查全率反映了推薦算法挖掘出好友關(guān)系的廣度.圖5是四種算法查全率的對(duì)比圖,可以看出在推薦比率較低時(shí),本文算法CFRM查全率顯著高于原算法WMR、FS算法和STA算法,例如當(dāng)推薦比率為20%時(shí),本文算法CFRM的查全率是41.2%,高于原算法WMR的30.19%、FS算法的34.89%和STA算法的35.25%.同樣真實(shí)系統(tǒng)中中往往較低的推薦比率才是有效的.同時(shí)由于移動(dòng)互聯(lián)網(wǎng)環(huán)境獲取用戶信息的不完整性,當(dāng)推薦比率較高時(shí),4種算法查全率性能方面表現(xiàn)差異不再明顯.

圖5 查全率Fig.5 Recall

4 結(jié) 論

本文面向移動(dòng)互聯(lián)網(wǎng)領(lǐng)域,提出一種基于移動(dòng)上下文和用戶影響力的好友推薦算法CFRM,首先根據(jù)通信數(shù)據(jù)計(jì)算用戶間的通信社交信任度,之后利用用戶之間的地理位置數(shù)據(jù)計(jì)算位置信任度,根據(jù)兩方面的數(shù)據(jù)得到用戶間的綜合社交信任度,同時(shí)利用PageRank算法計(jì)算好友的影響力因子,最后在優(yōu)化的社交網(wǎng)絡(luò)圖上的進(jìn)行好友的推薦評(píng)分計(jì)算,得出用戶的好友推薦列表,進(jìn)行社交網(wǎng)絡(luò)構(gòu)建.

本文搭建了實(shí)驗(yàn)環(huán)境,利用MIT reality mining數(shù)據(jù)集進(jìn)行算法的功能和性能測(cè)試.實(shí)驗(yàn)結(jié)果表明該算法具有良好的性能,具有很好的正確性和查全率,在移動(dòng)領(lǐng)域的好友推薦,充分考慮社交關(guān)系,影響力和地理位置等綜合信息在移動(dòng)領(lǐng)域會(huì)取得更好的推薦效果.

本文算法的功能和性能測(cè)試是在模擬環(huán)境中進(jìn)行的,特別過(guò)濾掉了時(shí)間場(chǎng)景對(duì)算法的影響,在接下來(lái)的工作中,會(huì)進(jìn)一步完善時(shí)空綜合場(chǎng)景的分析.同時(shí)會(huì)將本文的CFRM算法擴(kuò)展應(yīng)用到移動(dòng)互聯(lián)網(wǎng)的應(yīng)用服務(wù)推薦中,結(jié)合本文構(gòu)建的好友社交關(guān)系和時(shí)空信息等,進(jìn)行個(gè)性化的服務(wù)推薦等.

[1] Guy I,Ur S,Ronen I,et al.Do you want to know?:recommending strangers in the enterprise[C].Proceedings of the ACM 2011 Conference on Computer Supported Cooperative Work,ACM,2011:285-294.

[2] Lo S,Lin C.WMR-A graph-based algorithm for friend recommendation[C].Proceedings of the 2006 IEEE/WIC/ACM International Conference on Web Intelligence,IEEE Computer Society,2006:121-128.

[3] Quercia D,Capra L.FriendSensing:recommending friends using mobile phones[C].Proceedings of the Third ACM Conference on Recommender Systems,ACM,2009:273-276.

[4] Yu Z,Zhou X,Zhang D,et al.Supporting context-aware media recommendations for smart phones[J].Pervasive Computing,IEEE,2006,5(3):68-75.

[5] Wang Shan-shan,Leng Su-peng.Friend recommendation method for mobile social networks[J].Journal of Computer Applications,2016,36(9):2386-2389,2395.

[6] Wang Tao,Qin Xi-zhong,Jia Zhen-hong,et al.Association rules recommendation of microblog friend based on similarity and trust[J].Journal of Computer Applications,2016,36(8):2262-2267.

[7] Meng Xiang-wu,Hu Xun,Wang Li-cai,et al.Mobile recommender systems and their applications[J].Journal of Software,2013,24(1):91-108.

[8] Liu Shu-dong,Meng Xiang-wu.Approach to network services recommendation based on mobile users′ location[J].Journal of Software,2014,25(11):2556-2574.

[9] Page L,Brin S,Motwani R,et al.The PageRank citation ranking:bringing order to the web[J].Technical Report.Stanford InfoLab,USA,1998.

[10] Eagle N,Pentland A.Reality mining:sensing complex social systems[J].Personal and Ubiquitous Computing,2006,10(4):255-268.

[11] Meng Xiang-wu,Shi Yan-cui,et al.Review on learning mobile user preferences for mobile network services[J].Journal on Communications,2013,34(2):147-155.

[12] Qiao X,Su J,Zhang J,et al.Recommending friends instantly in location-based mobile social networks[J].China Communications,2014,11(2):109-127.

[13] Zhao G,et al.Service rating prediction by exploring social mobile Users′ geographic locations.IEEE Trans[J].Big Data,March.2016,DOI:10.1109/TBDATA.2016.2552541.

附中文參考文獻(xiàn)：

[5] 王珊珊,冷甦鵬.面向移動(dòng)社會(huì)網(wǎng)絡(luò)的好友推薦方法[J].計(jì)算機(jī)應(yīng)用,2016,36(9):2386-2389,2395.

[6] 王 濤,覃錫忠,賈振紅,等.基于相似度和信任度的關(guān)聯(lián)規(guī)則微博好友推薦[J].計(jì)算機(jī)應(yīng)用,2016,36(8):2262-2267.

[7] 孟祥武,胡 勛,王立才,等.移動(dòng)推薦系統(tǒng)及其應(yīng)用[J].軟件學(xué)報(bào),2013,24(1):91-108.

[8] 劉樹棟,孟祥武.一種基于移動(dòng)用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法[J].軟件學(xué)報(bào),2014,25(11):2556-2574.