社交-推荐网络中的隐式朋友挖掘

With the accounts incorporation boom of social networks and the traditional e-commerce networks, the social recommendation network with purpose of commodity recommendation has been emerging by the ways of social interaction. In this research, the implicit recommendation relationships among target user's social friends were mined hierarchically by fully integrating user's social behavior and commodity's buying history. For friends within one hop, we calculate the social activity number by the co-occurrence, timing and mutual friend relationships.And mesure the influence in the circle of friends by topological potential model.The similarities of buying histories among users were also calculated.Then we can abtain the dominant group for recommendation by incorporate the above three factors.For friends within two hops, we modelled the chance meeting relationship. With the guide of buying histories similarity among uses, the indirect friends who were much more influential were predicted by machine learning methods to infer the associations between the number of chance meeting and recommendation influence. For the external friends, we find the friends with common interests by comparing similarities between commodity and user's buying histories. The cold-start problem was resolved by this case. The research goal is to mine the most influential groups for the target user which is meanful to reveal the construction, measurement and diffusion of user recommendation influence in social recommendation network. This work can provide ideas for the construction of commodity recommendation system in the emerging social recommendation network.

伴随着社交网络与传统电子商务网络账户合并的热潮，以社交为手段、以商品推荐为目的的社交-推荐网络已经形成。本研究充分结合用户社交行为和商品行为历史,对目标用户的社交好友隐式推荐关系进行分层次挖掘：对一跳朋友，用同现、时序和共同朋友关系统计社交活动量，用拓扑势模型度量朋友圈内威望，另结合用户间商品行为历史相似度，综合三个因素挖掘其中的推荐主导群体；对二跳朋友，建模用户的偶遇关系，以用户间的商品行为相似性为指导，通过机器学习方法推导偶遇行为次数与推荐影响力的关联，预测隐藏的具有较强推荐影响的间接朋友；对外围用户，通过商品相似性与商品行为历史相似性比较，挖掘共同兴趣朋友，作为社交网络冷启动情况下推荐依据的补充。研究目标是挖掘社交-推荐网络中对目标用户最具影响力的用户群体，其结果对揭示社交-推荐网络中用户推荐影响力的构成、度量与传播规律有重要意义，可为新兴的社交-推荐网络的商品推荐系统构建提供思路。

本研究针对隐式社交网络中的隐式交互模型、隐式朋友的推荐影响研究和共同兴趣模型建模与推荐算法等问题展开研究。取得了三个方面的成果：.社交网络中的标签具有稀疏性特征，由于缺少“标签”信息，影响用户影响力建模。其中一个解决方法是使用虚拟数据。为了生成虚拟数据，需要对系统进行建模。已有的社会标注模型考虑用户之间的模仿关系，却忽略了用户的主体属性。因此，本研究通过构建用户模型，并且融入用户之间的相似度，借助拓扑势思想对用户重要性进行度量，提出了对社会标注系统建模的增长模型。该模型中使用隐式交互图表示用户之间的关系，使用标签向量表示用户的属性，通过隐式交互图的增长描述标注系统的演化规律。研究结果表明，利用所提出方法得到的标签使用频率分布和现实数据中的分布保持一致；与偏好依附方法相比，该方法生成的隐式交互图具有更高的平均集聚系数和更小的平均最短路径，因此，该方法能够更好地将用户聚集成兴趣社团。.提出了一个两步预测方法来挖掘隐式同现标签关系，缓解了兴趣标签同现的稀疏性问题。首先，本研究基于权重网络元结构构建了一个异构的信息网络并且从这个网络中提取出了基于权重路径的拓扑特征；然后，用然后用一个半监督算法来学习标签同现关系中对应不同拓扑特征的最优参数值。该方法在Flickr数据集上进行了相关实验，结果表明了两步预测方法优于SVM、PLP-FGM 、TriFGM和PathPredict等当前流行的链路预测算法。.提出了一种基于融合用户相似性的推荐算法。本文提出了一个数据场的聚类方法（DFCM），把大规模的基于兴趣标签的项目按照项目属性聚类成兴趣点；然后，为每一个兴趣点生成更加友好的、可理解的兴趣概览；之后，提出了一种融合的用户相似性度量方法，这个方法不仅考虑了概览语义的相似性，还考虑了行为相似性；最后，提出了一个基于融合用户相似性的兴趣项目推荐算法。更进一步地，本研究探讨了提升兴趣地点推荐算法的两个方面：融入隐式标签同现的语义信息和通过高斯云变换的方法加强兴趣项目列表的多样性。