基于位置社交網(wǎng)絡的朋友關(guān)系預測研究.pdf

1、隨著社交網(wǎng)絡的普及以及移動智能設備的發(fā)展，基于位置的社會網(wǎng)絡（Location-Based Social Network，LBSN）逐漸進入人們的生活。LBSN通過將用戶移動行為和地理位置信息關(guān)聯(lián)，充分挖掘用戶潛在行為與其日?；顒游恢玫南嚓P(guān)性，使線上虛擬世界和線下現(xiàn)實生活之間建立密切聯(lián)系，為社會關(guān)系預測等領(lǐng)域開辟新的研究方向。LBSN中的簽到數(shù)據(jù)包含用戶時間、空間等多重信息，為朋友關(guān)系預測提供了可能。
　　但是，LBSN網(wǎng)絡結(jié)構(gòu)比

2、較稀疏，難以完整反映個體簽到行為。因此，從現(xiàn)有的數(shù)據(jù)中挖掘用戶完整信息，并利用隱含知識刻畫用戶特征，成為用戶行為研究的重要方向。為了實現(xiàn)上述目標，本文提出基于支持向量機（Support Vector Machine,SVM）的朋友關(guān)系預測框架，并利用Gowalla和Brightkite兩個數(shù)據(jù)集進行仿真實驗，結(jié)果表明該方法的有效性和可行性。具體來說，本文主要研究工作包括以下四個方面：
　　1.分析Gowalla和Brightkit

3、e數(shù)據(jù)集中用戶行為特征，如用戶好友數(shù)、簽到地點以及簽到次數(shù)，發(fā)現(xiàn)其均呈長尾分布，并且兩個網(wǎng)絡中擁有好友數(shù)超過50個的用戶占極小比例。在Brightkite中簽到次數(shù)小于10的達到43.5％，進一步說明數(shù)據(jù)的稀疏性，給好友預測帶來新的挑戰(zhàn)。
　　2.利用用戶簽到時空信息，分析用戶移動區(qū)域以及移動周期，進而挖掘用戶移動規(guī)律。分析移動區(qū)域時，發(fā)現(xiàn)絕大部分用戶只在較小的范圍內(nèi)活動。相對而言，Gowalla數(shù)據(jù)集中的用戶活動半徑較大。對移動

4、周期的分析得知，用戶活動呈現(xiàn)出一定的周期性，與人們的生活規(guī)律相契合。
　　3.在上述網(wǎng)絡結(jié)構(gòu)以及用戶移動行為分析的基礎(chǔ)上進行特征提取。根據(jù)傳統(tǒng)基于節(jié)點相似性的度量方法，提出本文用戶社交關(guān)系計算方法，并提取用戶簽到距離以及簽到類型作為朋友關(guān)系預測的輸入特征。
　　4.建立基于SVM的朋友關(guān)系預測框架，融合上述特征分別對朋友關(guān)系進行分類預測，并用準確率、召回率、F1-measure以及AUC值進行評估，發(fā)現(xiàn)社交關(guān)系對朋友預測的影