基于隨機游動的社會網(wǎng)絡(luò)個性化排名關(guān)鍵技術(shù)研究.pdf

1、隨著即時通信工具、微博、微信、論壇、博客、維基以及內(nèi)容共享的在線社交網(wǎng)絡(luò)的迅猛發(fā)展，人們獲取信息的方式已經(jīng)從簡單的信息搜索和網(wǎng)頁瀏覽轉(zhuǎn)向網(wǎng)上社會關(guān)系的構(gòu)建與維護，并且基于社會關(guān)系的信息共享、交流和創(chuàng)造。如今，各式各樣的在線社交網(wǎng)絡(luò)已經(jīng)深入到了人們生活中的方方面面。社會網(wǎng)絡(luò)是一種由個人或組織以及他們之間的聯(lián)系構(gòu)成的復雜的網(wǎng)絡(luò)結(jié)構(gòu)。除了在線社交網(wǎng)絡(luò)以外，Web網(wǎng)絡(luò)、文獻引用網(wǎng)絡(luò)，甚至基因網(wǎng)絡(luò)等都可以看成社會網(wǎng)絡(luò)。在社會網(wǎng)絡(luò)中，個性化排名主要

2、用于識別網(wǎng)絡(luò)中相對重要的節(jié)點，對于網(wǎng)絡(luò)的鏈接預測，個性化搜索和推薦都有重要的研究意義。本研究主要內(nèi)容包括：
　?、裴槍ι鐣W(wǎng)絡(luò)的數(shù)據(jù)海量性，在轉(zhuǎn)移概率矩陣理論及鏈式隨機游動方法的基礎(chǔ)上，提出了一種MapReduce環(huán)境下的基于二叉樹隨機游動的并行化節(jié)點個性化排名方法。首先，建立二叉樹隨機游動模型。接著，基于該模型以每個節(jié)點為根節(jié)點生成一系列相互獨立的二叉樹陣列。最后，在MapReduce環(huán)境下，并行地實現(xiàn)相對于某根節(jié)點的迭代排名算

3、法，不同節(jié)點在同一根節(jié)點的二叉樹中出現(xiàn)的比例便是相應節(jié)點相對于該根節(jié)點的排名值。理論分析表明，與鏈式隨機游動節(jié)點個性化排名算法相比，本文提出的算法在排名精度相同的情況下，具有迭代次數(shù)少、輸入輸出數(shù)據(jù)量小和運算速度快等明顯優(yōu)勢。節(jié)點規(guī)模為百萬量級的社會網(wǎng)絡(luò)實驗驗證了本算法的有效性。
　?、漆槍σ苿由鐣W(wǎng)絡(luò)的位置動態(tài)性，提出了一種基于鏈式隨機游動的面向位置屬性的個性化排名方法。首先，在移動社會網(wǎng)絡(luò)中，篩選出那些包含指定位置的節(jié)點及其鄰

4、居節(jié)點，以及節(jié)點間的相互聯(lián)系，得到一個子網(wǎng)絡(luò)。接著，在子網(wǎng)絡(luò)中引入反映節(jié)點熱度的權(quán)威值和反映節(jié)點通暢程度的樞紐值，基于鏈式隨機游動方法在子網(wǎng)絡(luò)中對這兩個相互影響的值進行統(tǒng)計分析，用最終計算出的權(quán)威值來確定該節(jié)點在該指定位置下的排名值。進而，在某些不同的重要位置下進行個性化排名并保存所有排名結(jié)果，便可以根據(jù)個性化節(jié)點位置屬性的動態(tài)變化查詢到相對于該位置下所有節(jié)點的排名值。最后，經(jīng)真實的社會網(wǎng)絡(luò)數(shù)據(jù)實驗表明，與著名的HubRank算法相比，

5、本文提出的方法具有查詢命中率高和執(zhí)行速度快等優(yōu)點。
　?、翘岢隽艘环N基于鏈式隨機游動的反向影響力排名方法。反向影響力指其他節(jié)點對某個性化節(jié)點的影響力。由于社會網(wǎng)絡(luò)通常存在大網(wǎng)絡(luò)小世界現(xiàn)象，網(wǎng)絡(luò)中的每個節(jié)點往往都可以在很少步長內(nèi)（例如6步）到達任一節(jié)點。根據(jù)這一現(xiàn)象，在有向的社會網(wǎng)絡(luò)中，以其他節(jié)點為初始點進行鏈式隨機游動，用每個節(jié)點在有限步長內(nèi)到達個性化節(jié)點的概率之和表示該節(jié)點相對于個性化節(jié)點的反向影響力，本文提出了一種基于鏈式隨機

6、游動的反向影響力近似計算方法。通過對真實社會網(wǎng)絡(luò)數(shù)據(jù)的鏈接預測實驗，驗證了本文提出的方法的有效性。
　　⑷提出了一種基于鏈式隨機游動的用戶對商品的社會推薦方法。在社會推薦系統(tǒng)中，關(guān)鍵是要確定其他相關(guān)用戶相對于某個性化用戶的不同的推薦權(quán)重。為此，首先將用戶之間的社會網(wǎng)絡(luò)與用戶對商品的評價網(wǎng)絡(luò)中的相同的用戶節(jié)點進行合并，從而構(gòu)成一個社會推薦圖，接著在社會推薦圖上從個性化用戶出發(fā)，通過反復進行用戶-商品-用戶的鏈式隨機游動，以不同用戶出