【技术实现步骤摘要】
本专利技术涉及一种面向信任度社交网络的社区发现技术,属于信息
技术介绍
社交网络中的用户以及用户与用户之间的关系是很重要的,能够揭示整个社交网络的结构特征,挖掘用户之间的潜在特征。社交网络中的社区是指包含有部分用户的子图,这些子图内部用户之间权重较高或者连接紧密,而属于不同社区的用户之间权重普遍较低或者连接稀疏。社区的划分一定程度上表明了社交网络中的规律和特征,这对基于社交网络为基础的数据挖掘有着重要的促进作用。因此划分出社交网络中的社区对于设计推荐系统有着重要意义。社交网络中的社区是客观存在的,一个用户可能因为某个兴趣爱好只与少数几个邻居用户有联系、交集,这在社交网络中对应着用户之间存在着直接相连的边,虽然这个用户没有与其他用户有直接联系了,但是这个用户的邻居用户也因为这个共同的兴趣爱好与社交网络中的其他用户有着联系,因此这个用户与社交网络中的许多用户都存在着一定的相似度。社区发现技术可以分为局部优化以及全局优化。全局优化需要用到整个网络的所有信息,从整体上对网络进行划分。局部优化方法主要利用社交网络的局部结构特征来揭示全局的网络特征,与全局优化方法相比,不需要全局的社交网络信息或者先验知识。全局优化方法的一个常用方法是谱聚类,被广泛使用来发现社交网络中的社区。谱聚类用于将给定的样本点按照一定的规则划分为若干个簇,每个簇内样本点之间权重较高,不同簇的样本点间的权重较低。相比于k-means等传统算法只能在凸球形的样本空间上进行计算,谱聚类可以针对任何形状的样本空间取得良好效果,不会出现k-means那样的局部最优问题。目前基于社交网络的社区发 ...
【技术保护点】
一种面向信任度社交网络的社区发现技术方法,其特征在于,包括以下步骤:步骤1,针对信任度社交网络G(U,T,R)中的用户和信任度参数(U,T),计算社交网络中用户之间的信任度;步骤2,针对信任度社交网络G(U,T,R)中的用户、信任度和用户物品评分矩阵参数(U,T,R),计算社交网络中用户之间的相似度;步骤3,根据步骤1和2,计算用户之间的权值;步骤4,根据社交网络中所有用户间的权值,产生|U|×|U|规模的权值矩阵,其中|U|=N,表示信任度社交网络中用户数量;步骤5,对步骤4中产生的权值矩阵使用谱聚类产生最终的k个社区G1(U1,T1,R1),…,Gk(Uk,Tk,Rk),其中k为用户给定的参数值。
【技术特征摘要】
1.一种面向信任度社交网络的社区发现技术方法,其特征在于,包括以下步骤:步骤1,针对信任度社交网络G(U,T,R)中的用户和信任度参数(U,T),计算社交网络中用户之间的信任度;步骤2,针对信任度社交网络G(U,T,R)中的用户、信任度和用户物品评分矩阵参数(U,T,R),计算社交网络中用户之间的相似度;...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。