8篇关于好友推荐的计算机毕业论文

今天分享的是关于好友推荐的8篇计算机毕业论文范文, 如果你的论文涉及到好友推荐等主题,本文能够帮助到你

复杂网络的链路预测算法研究

这是一篇关于复杂网络,链路预测,拓扑结构,图嵌入,好友推荐的论文, 主要内容为网络是贯穿一切事物的形式,随着网络科学的迅速发展,极大的便利了人类生活。链路预测作为网络科学领域的重要研究方向之一,其主要任务在于根据已有的网络拓扑结构关系,来预测网络中节点间未来可能出现的连边关系。链路预测的研究不仅在理论层面,在科研合作网络、电商网络以及生物网络等领域也存在广泛的实际应用价值。如何提高链路预测算法的精度也因此成为了当前需要解决的首要问题。传统的基于网络拓扑结构的相似性方法原理简单,容易实现,且计算速度快,但并未考虑网络数据噪声对其预测精度的影响,而复杂网络的数据往往不可避免的伴随着噪声。基于机器学习的方法大多采用Deep Walk图嵌入方法与简单的二元分类器相结合的方式,不能很好的对网络节点进行向量表示以及链路预测。针对上述问题,本文在无向无权网络的条件下进行展开研究,具体研究工作和取得的成果主要包括以下3个部分:(1)为了提高传统的基于网络拓扑结构的相似性算法预测精度,提出了一种基于K-shell分解与邻居节点度去噪(k-shell decomposition with neighbor node degree denoising,KSDNN)的链路预测方法。KSDNN算法从网络优化去噪的角度,利用K-shell分解算法与节点邻居节点的度指标,从全局和局部两个层面对网络节点的重要性进行综合性评判,通过对噪声条件的设定,将判定为噪声的网络数据删除后,再进行链路预测。实验结果表明,KSDNN算法的预测精度相比于传统的基于网络拓扑结构的相似性算法在选取的6种不同规模的网络中是要更优的。(2)为了更好的对网络节点进行向量表示,便于下游的链路预测任务,同时更精确的进行链路预测,提出了一种基于Node2vec-RF的链路预测方法。Node2vec-RF算法将网络表示效果与分类效果更好的Node2vec算法与随机森林(random forest,RF)算法相结合,通过有偏的随机游走方式,对网络节点进行表示学习后,再利用RF算法将网络中可能存在的连边与不可能存在的连边进行二元分类。实验结果表明,Node2vec-RF算法相较于之前的Deep Walk算法与一般二元分类器相结合的方法在选取的6种不同规模的网络中具有更好的准确性。(3)在基于Node2vec-RF的链路预测方法基础之上,设计并实现了一个好友推荐系统,旨在帮助用户结交更多志趣相投的好友,有助于提升自身的综合能力。在系统内输入一个用户信息之后,通过调用Node2vec-RF预测模型,就可以向输入的用户推荐与其信息相似的10个好友,并将其可视化展现给用户。

结合情感特征计算的用户推荐技术研究与应用

这是一篇关于好友推荐,情感词典,左右熵与互信息,情感分析,Jaccard相似度的论文, 主要内容为随着互联网的快速发展,网络社交成为人们拓展社交圈的新方式。社交网络平台中大量用户和海量数据容易造成信息过载问题,用户无法及时获得有效信息。潜在好友推荐是大多数社交网络平台具备的功能,平台中用户好友关系越丰富,平台与用户的黏度越高。如何向目标用户推荐与其最相关、最有吸引力的其他用户,是目前仍需不断研究并解决的问题。用户在网络平台产生的文本内容反映了用户的兴趣及情感倾向。当前基于内容的用户好友推荐,利用语义分析进行推荐,却忽略了情感分析的准确性对推荐结果的影响。论文结合文本的情感特征,研究了基于情感分析的用户推荐相关技术。高质量的情感词典可以有效改善情感倾向的正确分类。通过改进左右熵与互信息新词发现算法,研究了融入新词的情感词典构建方法,构建的新词情感词典(Sentiment Lexicon of New Words,SLNW)能够提高情感分析的准确率。传统的文本相似度计算方法,依靠词语共现却忽略了同义词语义多样性。论文利用同义词词典进行语义转换,依据关键词对应的同义词编号,生成同义词列表。通过融入时间因素的文本相似度算法,利用同义词列表计算文本相似度,提高了相似度计算的准确性。结合论文构建的SLNW词典,通过计算相似文本间的情感特征短语的情感值,实现了基于情感倾向一致性的用户好友推荐。论文进一步对情感词典SLNW及改进的文本相似度计算方法进行实验评估,验证了其在情感分析和好友推荐中的有效性。综合相关技术,论文最后设计并实现了针对微博的用户推荐系统。具体来讲,论文包括以下几个方面的工作。(1)通过整合现有的情感词典、程度词典、否定词典和网络词典,同时使用改进的左右熵与互信息新词发现算法获得新词,构建了融入新词的情感词典SLNW。该方法通过动态划分N-gram模型获取字符串,对以字典树为数据结构的左右熵与互信息新词发现算法进行改进,克服了N-gram模型固定滑窗依赖。使用基于拉普拉斯平滑的面向情感点互信息算法,计算数据集中新词的情感倾向,并依情感倾向类别将新词融入基础情感词典中,实现了融入新词的情感词典构造。(2)研究了结合同义词语义特征的文本相似度计算方法。通过特征提取方法得到关键词,使用《同义词词林》对关键词进行同义词语义转换,利用编号生成同义词列表。依据层次分析法为不同时间的文本分配不同权重值,将权重值与基于word2vec的Jaccard相似度计算方法动态结合,这能够减弱时间衰减性对文本相似度计算的影响。基于融入时间因素的相似度算法,利用同义词列表计算文本相似度,从而降低了同义词辨析不明确对相似度计算结果造成的偏差。(3)基于文本相似性度量,结合情感词典SLNW计算文本情感值,实现了结合情感分析的用户推荐。中文语法结构复杂,论文通过设置语义规则计算短语情感值,依据连词得到文本情感值,从而得到文本情感倾向,实现了依据情感倾向一致性的用户好友推荐。(4)分别在两个不同的数据集上进行实验,评估了情感词典SLNW对情感分析和用户推荐的有效性。采用SLNW词典进行文本情感值计算,在此基础上设置相似度计算方法的对比实验,证明了融入同义词语义的相似度计算方法能够提高用户推荐的准确性。论文进一步将好友推荐算法应用到实际系统中,设计并实现了微博好友推荐系统,说明了相关技术的实用性。

面向社交好友推荐的链接预测模型设计与管理

这是一篇关于社交媒体,图神经网络,链接预测,好友推荐,模型管理的论文, 主要内容为近年来,随着互联网技术的迅速发展,在线社交网络已经成为人们交流的重要平台。通过社交好友推荐可以扩展用户的社交网络,帮助用户找到兴趣相投的好友,获得更好的社交体验。在社交网络中,用户不仅具有自身的基本属性信息和兴趣内容信息,还有社交好友网络拓扑结构信息和浏览、点赞、转发等异质社交行为活动信息。本文基于以上社交用户复杂的信息特征,研究了基于同质图神经网络的社交网络链接预测算法和基于异质图神经网络的社交网络链接预测算法来有效的挖掘用户内容属性特征和网络拓扑结构特征,基于以上研究基础上设计并实现了一个面向社交好友推荐的链接预测模型管理系统。本文主要完成的工作如下:(1)针对只有用户好友网络拓扑结构的好友推荐场景,本文设计了一种基于重叠邻域与图神经网络模型设计空间的链接预测模型。本模型首先通过图神经网络模型空间搜索组合生成针对目标数据集的最优图神经网络模型学习节点特征表示,然后通过预测边重叠邻域特征学习得到预测节点对之间拓扑结构特征,将以上学到的两种特征的预测边得分使用目标用户级别的注意力机制结合到一起实现端到端的链接预测并进行好友推荐。在多个公开的社交网络数据集中BlogCataLog、Twitter、Slashdot等,本文提出的链接预测算法在好友推荐任务上均优于当前流行的链接预测算法,最高有4%的准确率的提升。(2)针对具有多种属性特征与多种社交行为网络拓扑结构的好友推荐场景,本文提出了一种基于异质图神经网络的多维度用户特征融合链接预测模型。通过异质图神经网络模型来学习用户多种社交网络拓扑结构特征和异质数据信息,本模型还设计了多维度用户特征注意力算法,通过对不同维度的用户特征进行加权,将学习到的多维度用户表示进行融合,从而得到最终的用户向量表示来进行社交好友推荐。在腾讯微博和LDBC-SNB数据集中,本文提出的模型取得了最优的推荐效果。(3)针对实际场景中社交网络拓扑结构与链接预测模型多种多样,缺少对于链接预测模型规范化管理的问题,本文设计与实现了面向社交好友推荐的链接预测模型管理系统。该系统以上面链接预测模型的研究为算法基础,主要实现了图数据集管理与分析功能,模型设计、管理与训练功能,模型日志信息管理与分析功能,模型自动参数调优功能,好友推荐功能。该系统可以帮助用户分析社交网络结构特征,快速实现最优的链接预测模型并管理起来,用户可使用最优推荐模型快速进行社交好友推荐。

基于主题模型和关联规则的好友推荐方法研究

这是一篇关于好友推荐,主题模型,相似度计算,关联规则的论文, 主要内容为在社交网络SNS(Social Network Service)中,用户可以通过添加、关注好友等方式拓展自己的朋友圈。然而随着社交网络规模的扩大,用户间的链路结构将变得更加复杂,用户很难迅速找到兴趣相似的好友。因此,好友推荐系统应运而生,旨在帮助用户高效获取感兴趣的好友。传统的社交网络好友推荐,一般通过粉丝量,点赞数关注好友,结果知名度高的好友被优先推荐。但是这种推荐方法无法挖掘隐藏于文本内容的观点或兴趣相似的好友关系,存在一定的局限性。针对以上问题,本文提出一种结合用户发布文本内容分析的关联规则挖掘好友推荐方法。主要研究的内容如下:(1)设计基于UserLDA的用户聚类模型,实现相似兴趣用户聚类。用户发布的短文本数据过于稀疏,传统主题模型抽取的文档主题将不具有代表性,UserLDA拓展主题模型可以将用户所发布的短文本进行聚合,形成用户文档集,有效解决数据稀疏问题。通过对用户文档集数据预处理、特征提取后作为模型的输入,训练后获得用户-主题偏好矩阵,对目标用户做相似度计算生成主题相近的用户。(2)提出基于主题模型和关联规则的好友推荐(FP-LDA)模型,推荐目标用户感兴趣的好友。由于基于UserLDA聚类的用户缺乏关联性和多样性。因此引入关联规则算法,将聚类用户匹配用户间关注关系作为项集,通过设定支持度,挖掘用户项集的频繁模式,得到具有关联性的好友列表。(3)通过对微博数据集多组对比实验,验证了FP-LDA模型在召回率,准确率和F1值上都有所提高。最后,依据本文提供的FP-LDA模型设计并实现了一个基于B/S架构的推荐好友系统证明该模型的有效性。

移动上下文感知好友推荐研究

这是一篇关于好友推荐,情境感知,推荐系统,移动数据的论文, 主要内容为移动技术的进步使得人们可以使用社交网络服务相互连接、共享内容、获取信息并购买商品。不同的社交网络会提供不同的推荐,如朋友、商品、工作、电影、书籍等。但是,它们都需要不断建立活跃用户的信誉。这些社交网络提供某种关注用户主要偏好或兴趣选择的推荐服务。现有系统需要很长时间来识别新用户与其他人的正确联系。大多数网站使用简单的朋友推荐算法,如流行度、相似度或者朋友的朋友是我的朋友这些方法,这些都非常直观。在接收到请求后,朋友推荐系统进入数据进行查询,并给出具有最高推荐分数的好友列表。本文建立了一个基于社交网络的朋友推荐系统。第一,该系统计算用户活跃的频率,并根据活跃频率和强度更新数据集。然后使用K-最近邻算法,可以较容易地根据用户活跃情况进行分类。第二,实现了用户的日常生活日记。通过使用具有阈值算法的K-最近邻算法来从中提取用户的生活偏好。系统使用类似的方法来计算用户之间的生活方式或偏好的相似性,并根据公共-私人图形的兴趣来确定用户的影响。本文提出的推荐系统,对小型实验和大规模模拟进行了评估。结果表明,这些建议反映了用户在选择朋友时的偏好。本文提出的一种基于上下文感知的朋友推荐的创新方法,该方法将移动计算与人的关系结合起来,以提高用户的喜好度。

社交网络中的链路预测算法设计与系统实现

这是一篇关于社交网络,数据挖掘,链路预测,Apriori算法,好友推荐,校园服务的论文, 主要内容为随着信息的快速发展与人们物质生活水平的不断提高,尤其是互联网的广泛应用,网络社交已成为日常,它促进了人与人之间的交流与沟通,而且随着社交网络的不断演进,一个人在网络上的形象还会通过人们之间的交流沟通和附加在身上的标签而更加趋于完整。社交网络是由一个或多个关系连接的一组具有社会相关性的点,点或网络成员是由关系连接着的单元,而复杂网络就是作为研究蕴藏巨大信息量的链接关系的一个分析工具。链路预测是组成数据挖掘领域的其中关键部分,将复杂网络与信息科学联系起来,不但能够处理信息科学中的基本问题,即缺失信息的还原和预测,还能挖掘出网络中潜在的结构信息,从而更加深入了解网络结构的演化规律。而数据挖掘中的Apriori算法也是一项根据频繁项集和关联规则对事物发展趋势进行预测的强有力工具。论文首先对链路预测中的基于节点属性的相似度指标和三类基于结构信息的相似性指标进行了简要概述,并综合它们的优缺点进行了关于理论知识的深入探究。然后,对数据挖掘中的Apriori算法的思想与步骤作详细说明,并且将其与案例分析相结合,使理论知识不再枯燥,而是形象生动,便于理解。但是由于经典的Apriori算法太过耗时耗力,于是通过分析改进的Apriori算法发现不仅减少了数据库的扫描次数,而且不需要连接操作,通过对数据库的优化,在提高数据挖掘的效率和质量的同时,还提高了系统的性能。利用SpringMVC框架搭建的校园服务与好友推荐的系统平台,解决了校园服务中的“疑难杂症”,例如寻物启事、失物招领等问题。对于校园建设中存在的问题,可匿名提出建议或发表意见,最后通过节点相似性筛选出属性相似的用户,再结合Apriori算法挖掘出强关联规则后实现其好友推荐,真正体现了便利师生这一特性。

基于SSD和时序模型的微博好友推荐系统的设计与实现

这是一篇关于爬虫,目标检测,好友推荐,时序模型的论文, 主要内容为随着互联网的持续发展,在社交平台上进行交友聊天逐渐成为人们日常生活的一部分。用户每天都会产生海量数据,对这些数据信息进行爬取、分析,也是各社交平台中常见的商业行为。在社交应用平台中,由于用户产生的数据信息量大、复杂多变,导致商户无法有效、合理利用。因此,如何利用用户信息进行分析处理,优化平台的好友推荐策略是课题研究的主要内容。论文通过对微博用户群研究发现:对用户而言,考虑的推荐因素往往在发表的微博中,而图片能传达出的信息不亚于文字,并且兴趣爱好会随着时间而消逝。结合以上特点,通过使用目标检测技术提取图中信息,结合时序模型对提取结果做进一步时间处理,设计并实现了一个基于用户个人信息和图片信息的微博好友推荐系统。论文的主要工作如下:(1)微博用户数据集的获取:针对新浪微博这一社交平台,本文完成了基于Scrapy框架爬虫系统的实现。该系统采取了模拟登录手段解决微博用户身份认证的问题,使用代理池、Cookies池解决反爬虫的困扰,通过对微博中各页面的Ajax链接进行剖析,组建待爬URL,基于Scrapy框架设计爬虫代码以进行递归爬取,实现对用户个人资料、好友信息、微博数据的收集。(2)提出基于SSD和时序模型的好友推荐算法:对采集到的用户性别、年龄等身份信息构建基于人口统计学的好友推荐模块,得出用户间相似度;对于采集到的微博信息,提取其中的图片,通过多目标检测算法SSD(Single Shot MultiBox Detector)进行处理得出兴趣分类结果,提取用户发表时间,设置时间间隔,结合时序模型,对兴趣分类结果进一步处理,从而得出各兴趣的评分数值,再根据协同过滤思想计算相似度得到最近邻居集合,最后将上述两个模块线性融合,得出最终的相似度值,利用TOP-K的思想进行好友推荐。通过采集的新浪微博真实数据集进行实验验证,对比了准确率、召回率、F值这三项数值,验证了论文提出的好友推荐算法的有效性以及准确性。(3)微博的好友推荐系统的设计与实现:前端使用Vue.js进行系统页面的可视化开发,后端使用微博爬虫、MySQL数据库等实现对数据的处理,并将基于SSD和时序模型的好友推荐算法应用于系统之中,使得推荐结果得以更好的展示,便于用户查看。