一种多关系社会网络的社区发现方案

社区发现是社会网络分析中的一个重要研究方向。针对实际社会网络中存在的多关系现象,通过计算节点之间的共有邻居相似度来实现多关系社会网络中的社区发现,并提出了设计方案。     

基于动态网络的链接分析与预测研究

复杂网络通过新节点和新链接的增加而随着时间快速演化,使用网络的静态特征难以产生精确的链接预测.通过分析动态网络特征,结合张量分解,提出了一种新的基于动态网络的链接预测方法,并应用于真实的复杂动态网络数据集中对未来链接进行分析预测,实验演示了该方法的优点和效果,取得了较好的预测结果.     

基于改进蚁群算法的社交网络好友推荐算法

针对社交网络好友推荐算法的精确度问题,提出了一种基于改进蚁群算法的社交网络好友推荐算法,通过综合考虑用户属性和交互信息,计算用户间的相似度,来进行链路预测,建立社交网络二维图。在此基础上,采用改进蚁群算法,相似性值高的用户被推荐的可能性增大。仿真实验表明,该算法准确率和召回率性能较好。     

基于社交网络的犯罪团伙发现算法研究

如何快速、有效地发现犯罪团伙是公安机关侦查办案中的关键问题之一。针对通信网络特点,改进社区发现的Louvain算法,并根据电信诈骗犯罪团伙利用通信网络实施诈骗的特点,提出基于相似度的犯罪团伙发现算法,以及基于属性的犯罪团伙发现算法。初步实验结果表明,改进后的Louvain算法可以提高通信网络社区划分效率。然后在社区中利用结构特征进行相似度判断,并结合属性特征进行聚类分析,从而为公安机关发现可疑犯罪团伙提供有效的理论与技术支撑。     

基于DB-CF算法的音乐平台个性化推荐研究

娱乐方式日益丰富,产生巨量数据,利用这些数据通过推荐系统可以让用户获得更好的体验,为此提出了DB-CF（DBSCAN-Collaborative Filtering）算法。首先,使用DBSCAN聚类算法对音乐平台的线下用户进行聚类|然后,通过协同过滤算法计算对象用户与各聚类中心的相似度,再通过对比相似度度量矩阵,遍历离对象用户最近的邻居,通过邻居作出评分预测。实验表明,采用DB-CF算法比传统算法准确率提高8%左右,可以产生更准确的推荐结果,为用户带来更好的体验。     

本体图驱动的概念相似度算法

采用本体概念映射方法,研究概念间相似度计算问题并提出本体图驱动的概念相似度算法。该算法将概念映射到本体结构图上,通过计算概念的语义、结构及属性相似度得到综合相似度。其中,结构相似度通过语义辐射圆计算模型得到,属性相似度通过概念重心向量夹角余弦得到。通过实验对比证明,该算法在一定程度上提高了相似度准确性,为数据挖掘提供了一定依据。     

社交网络拓扑结构实证研究

采用传统统计方法很难直观了解大规模社交网络的结构特点和演化特征。通过对科学网博客域名下的网页进行搜索,建立一个由244 662个博主和113 062对好友关系构成的复杂网络——科学网博客博主好友关系网络。采用复杂网络理论进行研究,测算网络度分布、平均路径长度和聚类系数,发现该网络具有无尺度属性和小世界属性,存在相对较多的集散节点,导致网络的度分布幂指数小于正常范围。通过逐步删除高连接度节点,观察网络破碎程度,分析了集散节点在维持社交网络链接中的重要性,建议重点关注10％的最高度节点,使网络更加健壮。该研究有助于阐明在线社交网络的自组织结构性质。     

一个有效融合内容和链接的社区发现算法

设计一个社区发现方法挖掘在线内容网络的潜在结构,在预处理阶段基于网络的链接和节点内容属性对内容网络进行重构,基于重构网络进行链接抽样;在社区发现阶段利用概率链接模型对采样后的网络建模,并用EM算法求解模型参数,根据参数可得内容网络的潜在结构。     

基于用户属性偏好与时间因子的服装推荐研究

针对服装推荐方法推荐精度不高、覆盖率低,不能充分挖掘用户潜在兴趣的问题,提出一种基于用户图像内容属性偏好与时间因子的服装推荐（UIACF）算法。通过构建深度卷积神经网络,提取服装图像中的服装属性,并据此形成用户属性向量,将基于用户属性偏好的相似度与基于时间因子的用户兴趣偏好相似度融合,构建用户偏好模型。将其与基于用户的协同过滤（UCF）算法、基于项目的协同过滤（ICF）算法及基于项目偏好的协同过滤（UCSVD）算法进行比较,结果显示,UIACF 算法准确率提高 14%。该算法为基于用户的服装协同过滤个性化推荐提供了一种新思路,用户潜在兴趣挖掘效率更高。     

程序相似度判定算法研究与实现

有效检测程序设计类课程作业抄袭现象具有重要的现实意义。传统的代码相似度检测方法主要利用代码属性或结构信息判定代码之间的相似性。基于已有的属性度量与最长公共子序列算法,提出一种代码相似度检测算法,算法将属性度量的结构无关性与最长公共子序列算法的结构依赖性有机结合。实验结果表明,该算法可以有效降低程序源代码的评测难度,得到较为可信的综合相似度值,增强了评测人员对抄袭现象的监测力度。     

协同过滤推荐算法稳定性研究

协同过滤推荐算法应用广泛,容易遭到外来系统攻击。用9种相似度指标计算用户相似度,研究协同过滤推荐算法在遭受攻击时的稳定性。实证结果表明：在恶意打分时,相似度指标中改进的热传导相似度指标比其它相似度指标的推荐结果稳定,而皮尔森(Pearson)系数和公共邻居(Common Neighbor)的表现非常不稳定;在随机连边中,相似度指标Leicht Holme Newman (LHN)的推荐结果非常稳定,而其它相似度指标则表现非常不稳定。研究结果表明用户的相似度度量对于协同过滤推荐算法至关重要。     

融合用户相似度与信任度的协同过滤推荐算法

传统的协同过滤算法难以解决“稀疏性”和“冷启动”等问题。鉴于此,提出一种融合用户相似度和信任度的方法。首先根据用户对共同项目的评分创建初始信任度,通过信任关系的传递规则,建立没有直接信任关系的用户之间的信任关系,然后融合用户相似度与信任度,用于传统的协同过滤推荐系统,找出用户的最近邻居集,进行项目的评分预测,从而产生推荐列表。实验表明,改进后的算法能有效提高系统推荐的准确性。     

一种基于节点相似度的标签传播算法

互联网技术的发展使诸如微博等社会网络的规模迅速增长,对这些网络进行挖掘分析,揭示网络特性对研究人们之间的联系具有重要意义。因此,发现高质量的网络社区结构是当前社会网络分析研究中的重要方向。传统的关系圈挖掘算法复杂度高,在大规模网络结构中性能下降。相比于传统社区发现算法,标签传播算法（LPA）具有时间复杂度上的巨大优势,而且其改进的SLPA还具有挖掘重叠社区的能力,但是标签传播算法内在的随机策略使得算法稳定性不高。针对标签传播算法的缺点,提出一种基于节点相似度的标签传播算法（NS-SLPA）,根据节点相似度进行节点标签的初始化过程,以降低传播过程中的随机选择性。实验结果证明,NS-SLPA相比于SLPA,具有更高的稳定性和有效性。     

一种优化共同邻居影响的动态距离社区发现算法

在众多社区发现算法中,Attractor算法是一种快速的社区发现算法,具有社区检测准确率高的优点。为解决Attractor算法在距离更新过程中节点对度值相差太大,影响小度节点所属社区判断问题,提出一种优化共同邻居影响的Attractor社区发现算法。该算法在Attractor算法提出的动态距离节点交互模型基础上,考虑节点对两者度值差异,通过在节点对与共同邻居交互模式中增加一个大度节点不利系数,以增加小度节点对邻居的吸引作用。采用LFR基准网络,在不同结构网络上验证改进算法的有效性。实验结果表明,改进算法与Attractor算法相比社区发现准确度更高。     

基于时间和共同评分项目数的协同过滤算法研究

针对协同过滤系统中数据稀疏导致推荐质量下降的问题,提出了一种基于时间和共同评分项目数的协同过滤算法。其基本思想是：首先定义关于时间信息函数来降低预测误差,两个用户对共同评分的物品产生行为的时间间隔越远,他们之间的相似度就会越小;其次,定义和共同评分项目数量有关的函数,惩罚数量很少的两个用户之间相似度。实验表明,改进的算法通过调整用户相似度,比传统的协同过滤算法具有更好的推荐质量。     

基于影响力扩散内容模型的舆论领袖识别方法

以影响力为衡量标准的影响力扩散模型,广泛用于挖掘和分析社交网络舆论领袖及热门话题,但因其在计算影响力时没有考虑文本内容相似度,导致舆论领袖识别的准确率不高,为此,提出一种影响力扩散内容模型。根据帖子回复关系构建帖子之间的外部链接结构;使用向量空间模型计算帖子间的内容相似度,构建内部链接结构;根据所含高频关键词个数比赋予每个帖子相应的影响力值。该过程整合了帖子回复结构网络特性及帖子内容相似度等信息,提高了舆论领袖的识别准确率。实验结果表明,该方法比影响力扩散模型效果更好。     

协同过滤算法应用于景点推荐研究

旅游电子商务与网络社交媒体发展导致旅游信息爆炸式增长,用户面临信息过载问题。为使用户快速获取并甄别信息,将传统协同过滤推荐算法应用于景点推荐,游客对景点评分构成评分矩阵,计算景点之间相似度,根据相似景点评分预测游客对目标景点评分。实验结果显示,景点预测评分平均绝对误差为0.696,Item-based景点推荐算法能根据游客偏好推荐景点。     

PageRank算法改进研究

PageRank算法是Google商业应用的关键技术之一。探讨PageRank算法的原理、优缺点,基于连接本身的属性特点,赋予链接不同的权重,提出基于链接本身属性的算法改进思想。数据验证表明,改进的算法可以使得重要的网页排名提前,改进搜索结果。     

基于项目特征的协同过滤推荐算法

协同过滤算法是最常用、最经典的个性化推荐算法之一。在算法计算中相似度计算是影响算法质量的关键因素,该算法中相似度计算根据用户评分差值作为距离来衡量,忽略了项目自身特征属性对相似性计算的制约。因此提出一种基于项目特征的协同过滤推荐算法(IFCF),结合项目评分相似度,利用Logistic二分类算法思想将用户对项目的偏好分为喜爱与不喜爱两类,再利用贝叶斯概率原理将用户对各项目特征的喜爱程度差值作为相似度调整度,以达到提高项目相似性度量准确度的目的。实验结果表明,该算法能够有效提高推荐算法的精度。     

基于十字链表与三元组表的稀疏矩阵压缩存储实例研究

十字链表和带行链接信息的三元组表是稀疏矩阵的两种压缩存储方法。十字链表为链式存储结构,带行链接信息的三元组表为顺序存储结构。在MovieLens数据集上设计了分别采用十字链表和带行链接信息的三元组表对以用户为行、项目为列、用户评分为矩阵元的稀疏矩阵进行压缩存储,并在这两种存储结构上实现用户相似度计算算法。通过测试分析和比较了两种不同的压缩存储方法在创建及相似度计算上的执行效率,并探讨了各自的特点及适用条件。