论文部分内容阅读
Web2．0技术将世界带入了一个社交网络时代，社交网络如中国的新浪微博，Facebook，MySpace，Twitter等都已经成为极具影响力的平台。SNS（SocialNetworking Services）结合了用户群和信息，不仅使用户可以方便快捷地获取和分享信息的，而且也拓展了用户的社交范围，增加了用户的社交圈子。社交网络中的大部分信息都是沿着用户的好友关系传播的，所以好友关系已经成为社交网站的重要构成模块。利用社交网络，用户建立起与线下好友关系相对的线上关系的基础上，开始慢慢产生单纯的线上好友关系，这种单纯的线上好友关系很大程度上弥补了现代人的情感空虚。潜在好友推荐功能能够帮助用户更加快速的建立起良好的社交网络好友关系圈子，使其更快速融入社交网络的信息服务当中，是一种十分实用且流行的社交网络服务。当前存在许多社交网络个性化推荐算法，但大部分都是依据社交网络拓扑结构或者是用户个人注册文件信息等来设计的，不具备时效性。为改善上述不足，本文在普通协同过滤算法诸多方面提出相应改进的基础上，设计了一种较新颖的推荐方法来为用户生成个性化推荐列表。算法采用了基于遗传算法的用户兴趣圈子软化分，改进了用户相似度计算方法，提供了一种适应用户兴趣变化和基于双边兴趣推荐的算法。对于刚加入社交网络的新用户，由于在社交网上尚未有任何社交记录系统无法为其产生个性化好友推荐，本文设计了基于兴趣圈子专家推荐的方法来解决该问题。本文算法首先利用Google PageRank算法计算出某个兴趣圈子内各用户的“权威性”，那些具有较高权威值的用户即为专家用户，然后依据专家用户经验来为刚刚加入系统的新用户产生推荐。本文最后通过实验验证了本文算法的有效性。