基于位置社交網(wǎng)絡(luò)的朋友關(guān)系預(yù)測研究.pdf

1、隨著社交網(wǎng)絡(luò)的普及以及移動智能設(shè)備的發(fā)展，基于位置的社會網(wǎng)絡(luò)（Location-Based Social Network，LBSN）逐漸進(jìn)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常活動位置的相關(guān)性，使線上虛擬世界和線下現(xiàn)實(shí)生活之間建立密切聯(lián)系，為社會關(guān)系預(yù)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(yù)測提供了可能。
　　但是，LBSN網(wǎng)絡(luò)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(shí)現(xiàn)上述目標(biāo)，本文提出基于支持向量機(jī)（Support Vector Machine,SVM）的朋友關(guān)系預(yù)測框架，并利用Gowalla和Brightkite兩個數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，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(diǎn)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(luò)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(dá)到43.5％，進(jìn)一步說明數(shù)據(jù)的稀疏性，給好友預(yù)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(jìn)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(luò)結(jié)構(gòu)以及用戶移動行為分析的基礎(chǔ)上進(jìn)行特征提取。根據(jù)傳統(tǒng)基于節(jié)點(diǎn)相似性的度量方法，提出本文用戶社交關(guān)系計(jì)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(yù)測的輸入特征。
　　4.建立基于SVM的朋友關(guān)系預(yù)測框架，融合上述特征分別對朋友關(guān)系進(jìn)行分類預(yù)測，并用準(zhǔn)確率、召回率、F1-measure以及AUC值進(jìn)行評估，發(fā)現(xiàn)社交關(guān)系對朋友預(yù)測的影