论文部分内容阅读
社会网络相关研究领域的一个重要问题就是友谊预测问题。友谊预测问题是指通过相应算法得出用户间的友谊强度,得出友谊强度后可将该结果运用于各种推荐系统,包括社交APP的推荐好友功能,购物网站的推荐商品功能等,也可用于预测友谊的发展或真实的友谊情况。社交网上友谊强度可由用户之间互动的数据运用算法得出,主要包括用户间照片、私信、评论等行为和共同好友等方面,本文讨论的友谊预测问题有两个研究方向,一是尽可能挖掘并细分用户间互动的形式,将友谊权重分割成更详细的部分,使得最后的权重值更准确;二是优化计算友谊权重的算法,降低时间复杂度,让算法更具有普适性,无论数据集大或小,计算过程都不耗费大量时间。本文对于友谊预测问题做了相关的研究,主要研究成果及贡献如下:用户间友谊计算公式被用于解决很多问题,比如预测用户间是否会产生新的连接,找回已丢失的友谊,预测社交网中用户的朋友中哪些是其生活中的好朋友等,本文基于用户间友谊计算公式提出了一个新问题,即预测用户间未来友谊强度的变化,该研究对于提高购物网站或社交网站上推荐系统的准确度有着很大帮助。本文对原计算友谊权重公式中的组相似度问题进行了优化。原组相似度的求解方法是将用户间的一层共同好友重要性视作等同,而本文将一层共同好友分为两类,将与用户联系更频繁的共同好友赋予更高的重要性,而对于联系较少的共同好友则降低其所占比例。通过实验证明,将组相似度优化后的算法使得预测友谊增强的准确率有明显上升。本文在原计算友谊权重公式中加入了联系的方差,最近相似度和联系持续度。原算法只考虑了用户间联系的频率,但并不能保证用户间的互动是否具有稳定性。原算法也并未考虑将建立联系的时刻及互动的时刻加入到算法中,本文将这几点加入到原算法中。实验结果验证,考虑了这几点因素后预测友谊减弱的准确率有所提升,并在实验结果分析中可看出,最近相似度对于预测准确率的提高有着非常重要的作用。