近年來,基于活動的社交網(wǎng)絡(luò)越來越流行,比如,Meetup,Facebook Events和豆瓣同城等。這些社交網(wǎng)絡(luò)允許個人或組織創(chuàng)建、發(fā)布、管理各種類型的活動。用戶既可在線上溝通交流、分享體驗,又可通過參與線下活動結(jié)識新的朋友,拓展社交關(guān)系。有效的活動參與不僅豐富了用戶體驗,也使得活動組織者能夠受到更多人的關(guān)注。精確的活動推薦對組織或參與活動具有指導(dǎo)作用。因此,研究活動推薦問題具有現(xiàn)實(shí)意義。但是,由于活動社交網(wǎng)絡(luò)是一種異構(gòu)型復(fù)雜網(wǎng)絡(luò),且活動不同于一般物品,傳統(tǒng)的推薦算法難以直接應(yīng)用于活動推薦領(lǐng)域。針對活動推薦的特點(diǎn),本文提出了一種基于特征提取與融合技術(shù)的活動推薦方法并對其有效性進(jìn)行了驗證。本文的工作主要包括以下三個方面:（1）設(shè)計了社交活動推薦模型。在統(tǒng)籌考慮可能影響推薦結(jié)果的多方面因素的基礎(chǔ)上設(shè)計了社交活動推薦模型。（2）給出了社交活動推薦方法。該方法首先從影響用戶活動參與行為的時間因素、空間因素、內(nèi)容因素和社交因素出發(fā),分別建模并計算用戶與活動的相似性特征值。然后根據(jù)不同相似性特征值分別產(chǎn)生候選活動集并對所有候選集融合疊加得到總的候選集。最后,借鑒對級排序?qū)W習(xí)思想設(shè)計了深度排序網(wǎng)絡(luò)... 

【文章來源】：中國礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

豆瓣同城中的社交關(guān)系

圖 3-1 豆瓣同城中的活動示例Figure 3-1 Example of Event in Douban圖 3-1 可以看出，豆瓣同城中與活動相關(guān)的信息主要有以下幾個 地點(diǎn)：活動舉辦的地理位置。通常，活動舉辦的場所是某個比地方。 時間：活動的開始、結(jié)束時間�，F(xiàn)實(shí)中，活動的開始和結(jié)束時型有關(guān)。比如聚會一般發(fā)生在晚上，而攝影則一般在白天。 活動成員：成員包括“要參加”和“感興趣”的兩類用戶。對文主要考慮“要參加”的用戶。 主辦方/發(fā)起人：活動的主辦方表示注冊為主辦方的用戶，而發(fā)用戶。從發(fā)起活動的角度考慮，二者可歸為同一類。 活動須知：活動須知通常包括活動的補(bǔ)充信息和其它重要信息。 活動內(nèi)容：本文將活動詳情和活動標(biāo)題作為活動的內(nèi)容信息。 活動類型：活動類型往往體現(xiàn)了活動的主題與內(nèi)容，豆瓣同城

圖 4-1 同一用戶參加活動的時間間隔概率分布 4-1 Distribution of time duration between two consecutive events participated by t圖 4-1 中可以看出，用戶參與活動每 7 天有一個高峰，而在高峰期較小，這表明用戶參與活動的行為在時間上傾向于一個規(guī)則的周模于以上的分析，本文把每個活動的時間用一個向量te 表示，該向量維度。例如，如果一個活動從星期一 18:00 開始，那么在它的活動第 42（24+18=42）個維度的值是 1，其他維度的值為 0。每個用戶以通過其隨時間衰減的過去參加活動的時間向量的和來表示： 11 ut tee Eu e 中，β 代表時間衰減因子， e 代表過去的天數(shù)。隨時間衰減的積用戶的偏好建模，因為用戶的偏好可能隨時間變化并且近期的信息映用戶的偏好。最后，用戶 u 和活動 e 在時間上的相似性特征可以


本文編號：3102855