基于主題和關系的社交網(wǎng)絡潛在好友推薦研究.pdf

1、社交網(wǎng)絡（Social Network Site, SNS）作為Web2.0時代的典型應用，在世界各地迅速流行起來，現(xiàn)已成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠?。在社交網(wǎng)絡中，用戶通過添加、關注好友等方式建立和拓展屬于自己的社交圈，從而進行互動交流以及信息分享。然而隨著社交網(wǎng)絡規(guī)模的擴大以及用戶數(shù)量的急劇增長，尋找好友、拓展自己的社交圈對普通用戶來說變得越來越困難。為了解決社交網(wǎng)絡信息過載問題，社交網(wǎng)絡好友推薦系統(tǒng)應運而生。研究表明，社交網(wǎng)絡

2、中的用戶不僅與現(xiàn)實生活中認識的朋友建立聯(lián)系，還希望通過社交網(wǎng)絡這個平臺添加、關注一些有著相同興趣愛好的新朋友。然而目前對于這類興趣相似的“潛在好友”的推薦研究較少，且沒有SNS網(wǎng)站提供潛在好友推薦的功能，這極大程度上抑制了社交網(wǎng)絡的發(fā)展。為進一步滿足用戶基于興趣的交友需求，本文以微博為例，將研究重點放在“潛在好友”的推薦上。
　　目前社交網(wǎng)絡好友推薦的方法中，基于關系的好友推薦所推薦的好友數(shù)量和范圍非常有限，而基于內(nèi)容的好友推薦所

3、推薦好友的接受率和認可率較低。因此本文提出一種混合推薦模型，以期提高推薦效果。本文將主題模型引入到基于內(nèi)容的推薦中，以解決傳統(tǒng)向量空間模型（VSM）存在的不足。在主題推薦模塊中，采用一種適用于社交網(wǎng)絡的UserLDA模型，將同一位用戶的所有微博文本聚集成一個用戶文檔，并采用Collapsed吉布斯抽樣方法估計參數(shù)，將用戶文檔的在特征詞上的向量轉(zhuǎn)換成該用戶在主題上的概率分布，以此體現(xiàn)其在隱藏“主題”上的興趣偏好，從而根據(jù)用戶的主題概率分布

4、進行興趣相似度的計算。在關系推薦模塊中，將根據(jù)用戶的鏈接關系網(wǎng)絡計算關系相似度的過程看作是鏈接預測問題，對RA指數(shù)和Jaccard系數(shù)進行改進，使其適用于有向網(wǎng)絡中，從計算用戶之間的關系相似度。最后對兩個推薦模塊產(chǎn)生的相似度進行線性加權，根據(jù)得到的綜合相似度向目標用戶進行TOP-N潛在好友推薦。
　　為了驗證本文提出模型的有效性，將其應用于真實的新浪微博數(shù)據(jù)中，并與基于內(nèi)容的傳統(tǒng)向量空間模型以及基于關系的兩階段好友推薦模型進行實驗