上下文感知的移动社交网络社会化挖掘与推荐技术研究

Mobile social network, with individual users sharing similar interest of social services, can supply mobile users with the convenient interactive experience. Now, traditional socialization mining and recommendation technologies can hardly meet the unique and individual needs for dynamic context information awareness and social attributes mining. And the relevant research is only in its infancy. This project will focus on a study on the socialization mining and recommendation technology of mobile social network to provide strong support for social relationship centric individual services. Based on fuzzy sequential pattern mining model and relevant theories and foreign engineering testing platform (JiST/SWANS), feasible strategies for socialization mining and recommendation will be put forward, which can be applied to deeper hidden relationship and dynamic context information for the environment in mobile social network. The research will firstly put forward sociality-based routing strategies for lightweight energy-awareness to realize rational use of energy and privacy preserving at the same time. Three algorithms which include user community aware method of frequent pattern tree and interactive relationship hypergraph, key users discovery of fuzzy sequential pattern mining and association rule optimization based on the interest degree will be designed in order to ensure the efficiency and real-time performance for mobile social behaviour among users. Moreover, for the first time the proposals is put forward, namely, application model of MicroBlog and building algorithm evaluation platform with integration of different network pattern for mobile social network to optimize rapid adaptive evolution of algorithm and strengthen its autoregulation capability.

移动社交网络是多个有着相似兴趣个体组成的社交网络，为用户提供便捷的移动交互体验。面对移动用户动态上下文信息感知、社会属性挖掘等需求，传统互联网的社会化信息挖掘及推荐技术面临巨大挑战，目前，该问题的研究处于起步阶段。本课题将研究移动社交网社会化挖掘与推荐技术，为以社交关系为中心的个性化服务实现提供有力的支持。我们将基于模糊序列模式挖掘等理论和国外测试实验平台（JiST/SWANS），研究适用于关系隐藏较深、上下文变化快的移动社交社会化挖掘与推荐策略。研究主要包括：提出基于社会信息的轻量级能量感知路由策略，同时达到合理使用能量和保护隐私等目标；设计基于频繁特征模式树与交互关系超图的社群发现、模糊序列模式挖掘下的关键成员挖掘、基于兴趣度的关联优化推荐策略，保证用户的移动社交行为的实时性和有效性。也将构建移动社交微博应用原型和融合不同网络模式的算法评估平台等，可优化算法的快速适应性演化和调整能力。

本课题研究移动社交网络社会化挖掘与推荐技术，为以社交关系为中心的个性化服务提供有力的支持。面对具有动态变化的网络拓扑结构、有限的无线传输带宽、移动终端的能量限制、具有社会属性的移动服务等特点的移动社交网络，针对移动社交网的个性化服务需求和移动用户间的社会关系挖掘等问题，我们进行了以上下文感知的移动社交网络社会化挖掘与推荐技术为主题的相关技术研究。我们通过研究频繁特征模式树、动态网络社团发现、移动用户行为分析与偏好挖掘、模糊序列模式挖掘理论、关联规则挖掘理论、兴趣度规则优化算法，以及当前相关的最新理论技术，重点研究基于上下文感知的社会化挖掘与推荐的相关问题，并探索适合移动网络环境下的社会化挖掘与推荐策略的多网络模式测试评估平台。我们提出了基于FPMAX和数组前缀树的频繁模式挖掘改进算法，改进后的算法面对海量移动社交数据时更加高效；我们通过引入了标签传播的思想，结合网络的动态特性，即同时考虑时间开销和历史开销，提出了基于标签传播的多目标优化的进化聚类算法LDMGA，有效解决了动态网络社团发现的准确率低和效率低的问题；我们将机器学习中的ε-greedy高斯策略引入AC算法，提出一种新的ε-greedy高斯策略，解决了AC算法在决策时难以获得很好的收敛速度与质量等问题，使得能更快速地得到更准确的推荐决策；我们还提出一系列针对移动对象的隐私保护方法，有效地从数据端和移动终端解决了移动社交的隐私保护问题；我们通过将最小二乘时间差（LSTD）算法和正则化相结合，提出了两种新的在线LSTD算法OSKRLSTD-2 和OSKRLSTD-1，新的算法利用在线稀疏的特点，可以较好地处理未知区域并用于移动社交的在线学习。最后，我们结合移动群智感知技术，设计了一个完整、健全、高效的移动社交网络社会化挖掘推荐框架。这个基于移动情景感知的推荐系统框架充分利用用户丰富的上下文信息(如位置、偏好、社交圈等)，实现不同的有归属感的社交服务，个性化地满足移动用户的服务需求，带来更好的移动社交体验，在以人际关系为基础的服务通信融合、社交关系的挖掘和信息推荐、服务个性化支持等移动社交网服务建设目标的基础上，为用户打造全新的移动社交生活。