Instagram社交網中好友和位置推薦算法的研究與實現.pdf

1、在線社交網絡快速發(fā)展，促使人們越來越多的進行信息記錄和共享。推薦系統(tǒng)通過挖掘用戶歷史數據識別出用戶興趣偏好，為用戶推薦其可能感興趣信息。隨著基于位置社交網絡LBSNs(Location Based Social Networks)逐步將地理位置引入在線社交網絡，使得在LBSNs中進行信息推薦面臨更大挑戰(zhàn)，用戶屬性特征復雜、位置表現形式多樣使得在基于位置社交網絡中進行好友和位置推薦成為學術界和工業(yè)界的研究熱點之一。
　　傳統(tǒng)LBSN

2、s中，好友推薦主要是基于用戶共同好友數量、年齡職業(yè)等基本屬性相似性等方式實現，位置推薦主要是基于地理位置聚類、訪問序列相似等途徑實現，由于均很少涉及對用戶活動興趣偏好和用戶之間信任關系的考量，導致推薦質量不高。針對此問題，本文通過綜合考慮用戶活動偏好、社交信任關系、位置合成評分和物理位置距離等因素，實現LBSNs中的好友和位置推薦。
　　針對目前好友推薦算法存在的虛假推薦和未考慮用戶興趣偏好問題，本文提出FRBTA(Friend

3、Recommendation Based on Trust and Activity)算法，該算法主要是利用用戶社交信任值和活動偏好相似性來實現基于位置社交網絡中好友推薦。由于活動可以體現用戶興趣偏好，因此通過用戶間活動相似性可以發(fā)現與其偏好相似的好友，由于社交信任能反映用戶間交互緊密程度，因此根據不同程度信任關系進行好友推薦具有更合理的可解釋性。針對目前位置推薦算法存在的評分數據稀疏和新用戶冷啟動問題，本文提出LRBTA(Locati

4、on Recommendation Based on Trust and Activity)算法，該算法主要是利用基于位置活動相似性和用戶社交信任值的矩陣分解方法，來緩解用戶位置評分矩陣的稀疏性，從而實現基于位置社交網絡中位置推薦。同時，利用用戶所信任好友位置訪問歷史記錄，解決新用戶冷啟動問題，進而對其進行有效位置推薦。
　　通過Instagram數據集進行實驗測試，分別從準確率、召回率、F指標和整體平均精度四個方面進行實驗分析對