智能會(huì)議中的社會(huì)感知推薦.pdf

1、近年來，各種學(xué)術(shù)會(huì)議、座談會(huì)、研討會(huì)等學(xué)術(shù)活動(dòng)在全球范圍內(nèi)開展地越來越廣泛，這類學(xué)術(shù)活動(dòng)蘊(yùn)含著海量的學(xué)術(shù)資源，包括參會(huì)者的信息、學(xué)術(shù)論文以及學(xué)術(shù)報(bào)告等。通過這些學(xué)術(shù)資源，參會(huì)者可以培養(yǎng)潛在的合作可能、增強(qiáng)社會(huì)感知能力并促進(jìn)彼此之間的交流，因此如何合理利用這些學(xué)術(shù)資源變得非常重要。然而，海量的學(xué)術(shù)資源同時(shí)引起了信息過載的問題，這使得參會(huì)者難以獲得自身感興趣并恰好需要的資源。
　　因此，緩解學(xué)術(shù)資源的信息過載問題，使參會(huì)者能夠準(zhǔn)確獲得

2、必要且感興趣的信息來增強(qiáng)社交關(guān)系、促進(jìn)個(gè)人學(xué)習(xí)是一個(gè)重要的研究方向，亟需被深入關(guān)注。一方面，推薦系統(tǒng)在我們的社交生活中非常普遍并占有重要的地位，適合用來解決學(xué)術(shù)會(huì)議中的信息過載問題。另一方面，與傳統(tǒng)的學(xué)術(shù)會(huì)議相比，智能會(huì)議能夠讓參會(huì)者通過移動(dòng)智能手機(jī)與其他人交互并且獲取社交推薦。
　　本文中，我們創(chuàng)新性的整合了用戶（參會(huì)者）的社會(huì)屬性（社會(huì)關(guān)系和度中心性）、用戶的興趣和研究分類，來研究智能會(huì)議中基于社會(huì)感知的推薦，并解決如下三個(gè)問

3、題:
　　(1)如何利用社會(huì)屬性為參會(huì)者推薦學(xué)術(shù)論文，以降低他們?cè)讷@取感興趣的學(xué)術(shù)論文時(shí)遇到的困難。
　　(2)如何利用社會(huì)屬性為參會(huì)者推薦學(xué)術(shù)報(bào)告會(huì)場(chǎng)和環(huán)境，使得參會(huì)者能夠根據(jù)他們與報(bào)告人的共同興趣參加合適的報(bào)告會(huì)。
　　(3)如何根據(jù)參會(huì)者的研究興趣來為他們推薦興趣相關(guān)的研究者，以增強(qiáng)學(xué)術(shù)交流和合作。
　　針對(duì)以上三個(gè)問題，我們的提出了創(chuàng)新性的解決方案，即本文的主要貢獻(xiàn)。
　　(1)針對(duì)第一個(gè)問題，我們

4、分析了用戶的社會(huì)關(guān)系屬性，提出了基于社會(huì)感知的學(xué)術(shù)論文推薦(SARSP)算法。SARSP通過計(jì)算參會(huì)者之間的接觸時(shí)間和接觸頻率來定義他們之間的社會(huì)聯(lián)系，從而有效區(qū)分參會(huì)者之間的強(qiáng)關(guān)聯(lián)和弱關(guān)聯(lián)，并且能夠使一些積極的參會(huì)者根據(jù)某個(gè)社會(huì)關(guān)聯(lián)閾值來決定把他們的學(xué)術(shù)論文推薦給其他強(qiáng)關(guān)聯(lián)的參會(huì)者。另外，SARSP進(jìn)一步計(jì)算參會(huì)者的眾分類，并利用歸一化的方法生成參會(huì)者的分組屬性。通過眾分類和組屬性使積極的參會(huì)者將他們的學(xué)術(shù)論文推薦給其他同組參會(huì)者（同

5、時(shí)間內(nèi)更多的參會(huì)者），我們?cè)谙嚓P(guān)數(shù)據(jù)集上進(jìn)行了一系列基準(zhǔn)實(shí)驗(yàn)，以評(píng)估SARSP推薦效果，分別稱為:社會(huì)關(guān)聯(lián)推薦和社會(huì)組推薦。評(píng)估指標(biāo)包括召回率、準(zhǔn)確率和F值。實(shí)驗(yàn)結(jié)果表明，SARSP在上述評(píng)估指標(biāo)方面優(yōu)于其他最優(yōu)對(duì)比算法。另外，通過引入社會(huì)屬性信息，SARSP有效地減少了冷啟動(dòng)和數(shù)據(jù)稀疏帶來的挑戰(zhàn)。
　　(2)針對(duì)第二個(gè)問題，我們根據(jù)社交群體和上下文來分析用戶的社會(huì)關(guān)聯(lián)和度中心性，提出了基于社會(huì)感知的會(huì)議場(chǎng)景和環(huán)境推薦(SARVE

6、)算法。SARVE通過參會(huì)者與報(bào)告者之間接觸的時(shí)間和頻率來計(jì)算他們之間的社會(huì)關(guān)聯(lián)性，并計(jì)算報(bào)告者的度中心性來度量他們的知名度，來表示參會(huì)者與報(bào)告者之間的弱關(guān)聯(lián)和強(qiáng)關(guān)聯(lián)。從而，基于參會(huì)者與報(bào)告者的強(qiáng)關(guān)聯(lián)性，并結(jié)合社會(huì)關(guān)聯(lián)強(qiáng)度閾值和報(bào)告者受歡迎程度來給參會(huì)者推薦學(xué)術(shù)報(bào)告。同時(shí)，SARVE進(jìn)一步計(jì)算參會(huì)者和報(bào)告者在研究興趣方面的關(guān)聯(lián)強(qiáng)度，并利用一個(gè)合適的模型來適配上下文關(guān)系，形成有效的推薦。我們?cè)谙嚓P(guān)數(shù)據(jù)集上進(jìn)行了的一系列基準(zhǔn)實(shí)驗(yàn)，評(píng)估了SA

7、RVE推薦結(jié)果，分別稱為:社會(huì)關(guān)聯(lián)推薦和社會(huì)上下文推薦。評(píng)估指標(biāo)包括準(zhǔn)確率、召回率和F值。實(shí)驗(yàn)結(jié)果表明，SARVE在上述評(píng)估指標(biāo)方面優(yōu)于其他最優(yōu)對(duì)比算法。另外，由于引入社會(huì)屬性和上下文環(huán)境，SARVE有效的減少了冷啟動(dòng)和數(shù)據(jù)稀疏帶來的挑戰(zhàn)。
　　(3)針對(duì)第三個(gè)問題，我們分析了預(yù)估的社會(huì)關(guān)聯(lián)和用戶的個(gè)性化特征，提出了基于社會(huì)和個(gè)性化感知的參會(huì)者推薦(SPARP)算法。該算法利用參會(huì)者之間的接觸時(shí)間和接觸頻率來計(jì)算他們之間的預(yù)估（精

8、確）社會(huì)關(guān)聯(lián)強(qiáng)度。為了促進(jìn)學(xué)術(shù)合作，SPARP利用強(qiáng)個(gè)性化特征和社會(huì)關(guān)聯(lián)性加權(quán)混合的方法，計(jì)算并向參會(huì)者推薦不認(rèn)識(shí)（弱關(guān)聯(lián)性）的其他參會(huì)者。我們?cè)谙嚓P(guān)數(shù)據(jù)集上進(jìn)行了一系列基準(zhǔn)實(shí)驗(yàn)，來評(píng)估SPARP推薦結(jié)果，分別稱為:合并相似系數(shù)與不同權(quán)值參數(shù)。評(píng)估指標(biāo)包括準(zhǔn)確性、平均絕對(duì)誤差(MAE)、和歸一化的平均絕對(duì)誤差(NMAE)。實(shí)驗(yàn)結(jié)果表明，與其他最優(yōu)算法相比，在上述評(píng)估指標(biāo)方面，SPARP表現(xiàn)更好。另外，由于利用了社交信息和個(gè)性化特征整合的