科研社交网络中基于复合相似度的混合好友推荐方法
近年来，随着Web 2.0技术和社交网络的蓬勃发展，科研社交网络为科研人员之间进行交流和协作提供了一个新的便捷平台.大量的科研人员选择在科研社交网络中与其他用户建立关系，或是分享自己的科研成果.由于科研社交网络上的信息过载问题，科研人员难以高效地寻找到与自已兴趣符合的好友，因此，使用好友推荐方法可以有效地促进科研人员之间的学术交流与知识共享.现有的针对社交网络的好友推荐研究主要是从单一的角度考虑用户的历史行为，忽略了对科研社交网络中广泛存在的文本和情感信息的充分挖掘，导致好友推荐精度不高.为此，本文提出一种基于用户复合相似度的混合好友推荐方法，不仅在基于内容的推荐方法基础上结合文本挖掘技术，考虑用户文本和情感信息对推荐结果的双重影响；还对传统的矩阵分解方法进行改进，选取用户之间的复合相似度对原始的用户-好友关系进行约束，旨在构建精度更高的好友推荐模型.首先，全面分析研究者的博文文本和情感信息，计算研究者间的复合相似度；其次，将研究者间的复合相似度融入矩阵分解方法中，得到研究者对好友的预测评分；最后，根据预测的评分矩阵对好友进行排序，产生最终的好友推荐列表.为了验证方法的有效性，选取了科学网上的真实数据进行实验.实验结果表明，所提方法在多个评价指标上均取得了较好的推荐结果，能够在一定程度上提高好友推荐的准确率.
好友推荐 科研社交网络 矩阵分解 混合推荐方法
杨颖 韩雪 王刚
合肥工业大学 管理学院,安徽 合肥 230009
国内会议
福州
中文
194-200
2018-11-30（万方平台首次上网日期，不代表论文的发表时间）