基于用户行为认知的在线社交网络协同推荐

doi:10.11959/j.issn.1000-0801.2015273

电信科学 ›› 2015, Vol. 31 ›› Issue (10): 108-114.doi: 10.11959/j.issn.1000-0801.2015273

基于用户行为认知的在线社交网络协同推荐

亓晋,许斌,胡筱旋,徐匾珈,肖星琳

南京邮电大学南京 210003

出版日期:2015-10-20 发布日期:2017-07-21
基金资助:
江苏省产学研联合创新资金资助项目;南京邮电大学人才引进项目;南京邮电大学人才引进项目

Collaborative Recommendation for Online Social Networks Based on User Behavior Cognitive

Jin Qi,Bin Xu,Xiaoxuan Hu,Bianjia Xu,Xinglin Xiao

Nanjing University of Posts and Telecommunications，Nanjing 210003，China

Online:2015-10-20 Published:2017-07-21
Supported by:
Application ＆ Research Joint Innovation Funding Product of Jiangsu Province;NUPTSF;NUPTSF

摘要/Abstract

摘要：

近年来，在线社交网络成为人们工作、生活不可或缺的信息共享与交流工具，如何对海量庞杂、大范围时空关联的用户行为信息进行认知并据此提供个性化的推荐服务，已成为在线社交网络发展重点关注的问题。为此，提出了一种基于用户行为认知的在线社交网络协同推荐框架，在对用户特征、文本信息及兴趣偏好等行为进行认知的基础上，利用协同过滤算法，实现个性化的推荐服务。实验结果验证了提出的基于用户行为认知的协同推荐策略具有较好的稳定性和实际应用效果。

关键词: 在线社交网络, 行为认知, 协同推荐, 用户兴趣模型

Abstract:

Recently，online social network（OSN）has become essential tools for information sharing and communication in people’s work and life.How to cognitive massive，complex，large-area and spatiotemporal association user behavior information and provide personalized re1commendation services have become problems need special attention in development of OSN.Thus，a frame of collaborative recommendation for OSN based on user behavior cognitive was proposed which used collaborative filtering algorithm to provide personalized recommendation services on the basis of analysis of behavior of user characteristics，text information and interest preferences，etc.Experimental results verify that the proposed collaborative recommendation strategy based on user behavior cognitive has good stability and actual application effect.

Key words: online social network, behavior cognitive, collaborative recommendation, user interest model

亓晋,许斌,胡筱旋,徐匾珈,肖星琳. 基于用户行为认知的在线社交网络协同推荐[J]. 电信科学, 2015, 31(10): 108-114.

Jin Qi,Bin Xu,Xiaoxuan Hu,Bianjia Xu,Xinglin Xiao. Collaborative Recommendation for Online Social Networks Based on User Behavior Cognitive[J]. Telecommunications Science, 2015, 31(10): 108-114.

图/表 5

参考文献 14

1	徐恪，张赛，陈昊等. 在线社会网络的测量与分析. 计算机学报 2014，36（9）： 165～188 Xu K ， Zhang S ， Chen H ， et al. Measurement and analysis of online social network. Chinese Journal of computers， 2014，36（9）： 165～188
2	Burke R . Hybrid recommender systems：survey and experiments. User Modeling and User-Adapted Interaction， 2002，12（4）： 331～370
3	Herlocker，J L ， Konstan J A . Terveen K ， et al. Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems， 2004，22（1）： 5～53
4	Hofmann T . Latent semantic models for collaborative filtering. ACM Transactions on Information Systems， 2004，22（1）： 89～115
5	Adomavicius G ， Tuzhilin A . Toward the next generation of recommender systems：a survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering， 2005，17（6）： 734～749
6	Resnick P ， Varian H R . Recommender systems. Communications of the ACM， 1997（40）： 56～58
7	Sanchez G ， Faustion A ， Barrilero G ， et al. Social and content hybrid image recommender system for mobile social networks. Mobile Networks and Applications. 2012，17（6）： 782～795
8	Zanda A ， Eibe S ， Menasalvas E . SOMAR：a social mobile activity recommender. Expert Systems with Applications. 2012，39（9）： 8423～8429
9	Quijano-Sanchez L ， Diaz-Agudo B ， Recio-Garcia J A . Development of a group recommender application in a social network. Knowledge-Based Systems. 2014（71）： 72～85
10	Sun Z ， Han L ， Huang W ， et al. Recommender systems based on social networks. Journal of Systems Software. 2015（99）： 109～119
11	Kardan A A ， Hooman M . Targeted advertisement in social networks using recommender systems. Proceedings of 7th International Conference on e-Commerce in Peveloping Countries：With Focus one-Secury（ECDC）， Kish Island，Iran， 2013
12	Koren J ， Zhang Y ， Liu X . Personalized interactive faceted search. Proceedings of World Wide Web Conference Series， Beijing，China， 2008： 477～486
13	Zhang Y T ， Gong L ， Wang Y C . An improved TF-IDF approach for text classification. Journal of Zhejiang University - Science A：Applied Physics ＆ amp；Engineering， 2005，6A（1）： 49～55
14	梁天一，梁永全，樊健聪等. 基于用户兴趣模型的协同过滤推荐算法. 计算机应用与软件 2014（11） Liang T Y ， Liang Y Q ， Fan J C ， et al. Collaborative filtering recommendation algorithm based on user interest model. Computer Applications and Software， 2014（11）

推荐部数	成功率
5	37.13%
10	55.84%
15	66.23%
20	72.92%
25	77.65%

[1]	沈士根,黄龙军,胡珂立,李宏杰,韩日昇,曹奇英. 基于微分博弈的在线社交网络恶意程序传播优化控制方法[J]. 电信科学, 2015, 31(10): 66-73.
[2]	李伟超,付永华. 一种改进的基于浏览行为的用户兴趣模型[J]. 电信科学, 2011, 27(5): 77-81.

基于用户行为认知的在线社交网络协同推荐

Collaborative Recommendation for Online Social Networks Based on User Behavior Cognitive

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 14

相关文章 2

Metrics

推荐阅读 0