LBSN中考虑用户交友偏好的好友推荐方法研究.docxVIP

? ? LBSN中考虑用户交友偏好的好友推荐方法研究 ? ? 　　doi：10.12011/1000-6788(2017)11-2975-08 　　 TP391 　　 A 　　中文引用格式：丁勇，刘菁，蒋翠清，等.LBSN中考虑用户交友偏好的好友推荐方法研究[J]系统工程理论与实践，2017，37(11)：2975-2982. 　　英文引用格式：Ding Y,Liu J,Jiang C Q,et al.A study of friends recommendation algorithm considering users preference of making friends in the LBSN[J].Systems Engineering Theory Practice,2017,37(11):2975-2982. 　　1 引言 　　基于位置的社交网络(location-based social networks，LBSN)是一种融合位置服务的新型社交网络，随着活跃用户的急剧增长，其中的海量信息必然带来“信息过载”问题[1]。个性化推荐系统被认为是当前解决信息过载问题最有效的工具之一[2-4]，在LBSN中也不例外，因此研究LBSN中的好友推荐受到工业界和学术界越来越多的关注。 　　个性化好友推荐策略可以划分为两个方面，一是基于社会关系的推荐，二是基于网络内容的推荐。基于社会关系的推荐方面，基于共同好友数的推荐原则已经被众多实际应用的社交网络系统所采纳，但这种推荐方式对于用户好友数本就比较少的用户难以产生推荐结果，Chen[5]指出仅有57%的用户可以通过这种方法得到推荐结果。基于网络内容的推荐方面，由于网络中大量存在着用户发表的内容、评分、标签，在不考虑隐私的情况下，还有丰富的人口统计学数据，通过度量这些内容的相似性为用户匹配兴趣相似度较高的好友，可以形成丰富的推荐算法[6]。相似度度量是该类算法的核心内容，一种常见的思路是将网络中的用户转化为向量，把用户相似性度量问题转化为向量的余弦相似性问题。在LBSN中，“位置”是用户签到产生的内容，用户间的相似性往往通过分析用户的签到记录产生。Zhang等人[7]通过用户的历史签到位置建模，并分析用户的行为模式，进而根据用户行为模式之间的相似性进行好友推荐。但是，位置本身也是一种情景因素，所以位置不仅可以用来衡量用户的偏好，其反映的位置距离属性对用户的行为和社交关系都会产生影响，因此很多学者都研究了位置上临近用户的社交与活动模式[8-9]的关联性。 　　综上所述，本文考虑LBSN中的好友来源于三个方面：兴趣相似性、位置上的远近和熟悉程度，从兴趣、距离和熟识度三个属性构建LBSN中的好友推荐模型。此外，不同用户在使用LBSN时的交友偏好不同，有人热衷于认识更多志趣相投的新朋友；有人更愿意寻找附近的人作为好友；也有人倾向于只关注自己在现实生活中已经认识的人。所以本文通过分析好友列表得出目标用户的交友偏好，在此基础上构建了一种能够自适应用户交友偏好的好友推荐算法(friends recommendation considering users preference，UP-FR)。 　　2 兴趣相似性属性值的确定 　　2.1 信息熵与推荐系统 　　“信息熵”是信息论之父香农提出的概念，以解决信息的度量问题。信息熵是描述信源不确定度的量[10]，熵大表明系统呈现出不受外力下的无序状态，所以携带的信息就越少；熵小表明系统呈现出越有序的状态，那么携带的信息越多。有关信息熵的两个关键计算公式如下： 　　 　　在社交网络中，用户在网络中的任何行为都会产生信息。信息过载的本质是人们面对网络中海量的信息，丧失了做决定的能力。如果信息的大小能够度量，就能有效地帮助用户筛选出对自己信息量大的信息。因此，在个性化推荐系统中，通过信息熵计算信息量，然后剔除信息量小的信息、保留信息量大的信息，是解决信息过载问题的一种思路。 　　2.2 地点信息熵的确定 　　用户在地点签到的行为本身是携带信息的，如果把用户看作信息论中的信源，则用户在不同地点签到可以理解为信源的不同种状态，因此，可以从信息论的角度度量用户签到行为所产生的信息量。 　　 　　个体移动本身是具有一定随机性或者不确定性的，把用户看作是信息论中的信源，则不确定性即为用户本身的信息熵，可以表示为： 　　 　　公式(5)中所定义的地点信息熵可以反映出地点为用户偏好带来的信息量。因此，用户在LBSN中的签到信息可以转化为用地点信息熵所表示的向量。假设LBSN中的所有地点数为n，用户的签到行为便可以表示为一个“签到信息向量”：表示地点对用户u的地点信息熵。 　　2.3 用户兴趣相似性的度量 　　通过上一小节的地点信息熵，用户在地点的签到行为便转化