基于位置的社交网络链接预测特征研究-论文.pdf

《基于位置的社交网络链接预测特征研究-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、计算机与现代化2015年第4期jISUANJIYUXIANDAIHUA总第236期文章编号：1006~475(2015)04-0026-05基于位置的社交网络链接预测特征研究王莹，郭宇春(北京交通大学电子信息工程学院，北京100044)摘要：基于位置的社交网络(Location．BasedSocialNetwork，LBSN)提供了用户在线网络关系和签到行为双重信息，连接了虚拟网络和现实生活。本文结合传统的基于网络结构和空间位置相似性的LBSN链接预测方法，从签到时间和频率2方面提出新的链接预测特征，通过Brightkite网络数据统计分析证明其预

2、测有效性。综合多种指标建立LBSN链接预测框架，实验结果表明加入这2类指标后预测准确率有明显提高。关键词：数据挖掘；链接预测；基于位置的社交网络；节点相似性中图分类号：TP391文献标识码：Adoi：10．3969／j．issn．1006—2475．2015．04．006ResearchonLinkPredictionFeaturesonLocation．basedSocialNetworksWANGYing，GUOYu—ehun(CollegeofElectronicandInformationEngineering，BeijingJiaoton

3、gUniversity，Beijing100044，China)Abstract：Inadditiontofriendshipinformationinthetraditionalsocialnetwork，LBSNrecordsusers’check—ininformation．whichconnectsthevirtualnetworkandreallife．Combinedwiththetraditionallinkpredictionmethodsbasedonnetworkstructureandlocationsimilarity，we

4、proposetwokindsoflinkpredictionfeaturesbasedonusers’check—intimeandfrequency，provetobeeffectivebythestatisticalanalysisoftheBrightkitedataset，andestablishaLBSNlinkpredictionframeworkwithseveralkindsoffeatures．Theexperimentalresultsshowthatthesetwotypesoflinkpredictionfeaturesi

5、mprovedthepredictionprecision．Keywords：datamining；linkprediction；LBSN；nodesimilarity的区别在于属性空间和分类器选择的不同。Salvatore0引言Scellato等人研究发现，Gowalla网络中一段时问内近年来，基于地理位置的社交网络(Location—30％的新朋友关系是在拥有相同签到地点的用户BasedSocialNetwork，LBSN)服务快速发展，结合(place—friends)中建立的J。因此，除了传统链接预GPS、Web2．0与移动终端技术，允许用

6、户登录签到测中基于用户相似性的共同邻居(CommonNeigh—(check．in)并在线分享当前位置信息，丰富了人们的bours)、Jaccard、Adamic—AdarSorenson指标、LHN—城市生活。典型的LBSN如微信朋友圈、FoursquareI指标等指标，还可以使用共同签到地点数、地理和Brightkite，形成了一种“3+1”框架即地理网络层、距离等空间相似性。许多研究结果表明，相对于社交网络层、信息内容层和一个时间轴。相对于单纯采用社会特性，综合空问特性和全局特性的预测传统社交网络，LBSN包含地理位置方面的独特信息，方法效果

7、更好。更真实地反映了用户的现实生活行为，为网络行为分传统的LBSN链接预测方法主要关注地理空间析提供了更多的机遇与挑战。信息【7-101，本文从签到时问和频率2方面提出新链接与传统社交网络相同，LBSN也可以通过朋友关预测特征，并结合多种预测指标建立LBSN链接预测系推荐提高产品质量和用户体验。分析表明，用户对系统。这些发现对LBSN链接预测、朋友推荐及位置社交网络服务的使用率会随着其在网络中朋友数量推荐的相关研究提供了新的思考方向。的增加而提高。LBSN中的朋友关系推荐主要采1数据集用监听式学习的链接预测方法，从历史数据中提取每对目标用户的属性，

8、利用分类器进行预测。不同方法Brightkite网络最初由BradyBecker、MartinMay收稿日期：2015-0