留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

应用非负矩阵分解的社交网络好友推荐

贺超波 付志文 石玉强 钟松林

贺超波, 付志文, 石玉强, 钟松林. 应用非负矩阵分解的社交网络好友推荐[J]. 华南师范大学学报(自然科学版), 2016, 48(4): 100-105. doi: 10.6054/j.jscnun.2015.12.016
引用本文: 贺超波, 付志文, 石玉强, 钟松林. 应用非负矩阵分解的社交网络好友推荐[J]. 华南师范大学学报(自然科学版), 2016, 48(4): 100-105. doi: 10.6054/j.jscnun.2015.12.016
HE Chaobo*, FU Zhiwen, SHI Yuqiang, ZHONG Songlin. Friend Recommendation in Social Network Using Nonnegative Matrix Factorization[J]. Journal of South China normal University (Natural Science Edition), 2016, 48(4): 100-105. doi: 10.6054/j.jscnun.2015.12.016
Citation: HE Chaobo*, FU Zhiwen, SHI Yuqiang, ZHONG Songlin. Friend Recommendation in Social Network Using Nonnegative Matrix Factorization[J]. Journal of South China normal University (Natural Science Edition), 2016, 48(4): 100-105. doi: 10.6054/j.jscnun.2015.12.016

应用非负矩阵分解的社交网络好友推荐

doi: 10.6054/j.jscnun.2015.12.016
基金项目: 

广东省科技计划项目(2016A030303058,2015A020209178);广州市云计算安全与测评技术重点实验室开放基金(GZCSKL-1407);国家级大学生创新创业训练计划项目(201511347005)

详细信息
    作者简介:

    贺超波,副教授,Email:hechaobo@foxmail.com.

    通讯作者:

    贺超波,副教授,Email:hechaobo@foxmail.com.

  • 中图分类号: TP391

Friend Recommendation in Social Network Using Nonnegative Matrix Factorization

  • 摘要: 现有好友推荐方法只利用用户关系或内容信息进行推荐,难以获得较好的推荐质量. 针对该问题,在利用非负矩阵分解模型适合数据聚类以及数据约简的基础上,提出一种基于非负矩阵分解的好友推荐方法:FRNMF. 该方法采用基于非负矩阵分解的用户聚类为核心的好友推荐框架,利用用户好友关系网络信息和内容信息分别进行用户聚类,然后基于聚类结果计算用户间的综合相似度并进行好友推荐;不仅可以综合集成利用用户关系和内容两类信息,而且具有线性时间复杂度,还可以解决数据稀疏引起的推荐质量下降问题. 实验开发了FRNMF的原型系统,并在真实的新浪微博和学者网社交网络数据集进行对比实验,结果表明FRNMF比传统的好友推荐方法具有更好的推荐质量. 此外,对用户关系和内容两类信息的权重参数设置进行实验分析,分析表明适当提高用户关系信息的权重对于提高好友推荐质量具有促进作用.
  • 加载中
计量
  • 文章访问数:  1144
  • HTML全文浏览量:  123
  • PDF下载量:  178
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-11-10
  • 刊出日期:  2016-07-25

目录

    /

    返回文章
    返回