基于相似度赋值社会网络面向社会化标签推荐的分析

基于相似度的赋值网络的社会网络分析方法,可以有效地应用于以上构建的用户相似度赋值社会网络中,在面向社会化标签的推荐系统中产生更好的推荐结果和推荐效率。面向社会化标签推荐分析内容如下:

1.基于距离、度和相对度、密度和中心势分析

赋值社会网络中“点度”高的用户,体现了该用户与其他更多用户有标注标签上的更多近似。中心性能够找到网络中的“明星”用户,进一步分析能够抽取出网络中的“标签明星”。局部中心度,则体现了该用户在整个标签社会网络系统局部处于核心地位和支配地位。整体中心度,则体现了该用户在整个标签社会网络系统整体上处于核心地位和支配地位。密度越大,网络用户间的连线就越多,则整个社会网络中用户间的关系或联系就越紧密。

在用户的相似度赋值社会网络中,首先根据网络用户的相似度来第一次筛选网络用户,并根据这些网络用户推荐网络资源,更进一步,对第一次筛选的网络用户分析其度、整体中心度和中心势,分别根据其大小第二次筛选网络用户并推荐网络资源,同时可以进一步推荐这些网络资源的相似资源。根据用户间的相似度阈值切截法得到推荐近邻集合。再使用网络用户的“相对度”进一步筛选,推荐那些大于给定阈值的度的网络用户资源。使用中心势对网络近邻做进一步筛选,可获得更进一步的推荐用户集合,进而推荐标签或者资源。(www.zuozong.com)

2.基于成分和派系分析的个性化推荐

相似度赋值社会网络中,基于成分和派系分析来获得凝聚子群,凝聚子群成员之间具有紧密的联系,因此基于凝聚子群进行标签和网络资源推荐,能够提高有效推荐的效果。派系有许多公共成员,表示了派系之间的关联,可以依据派系之间的关联在派系间进行标签和资源的推荐。由于派系的定义比较严格,要求成员之间必须两两邻接,因此一般网络中派系存在的概率较小。通常情况下,网络中难以找到更多的派系,因此在没有派系作为推荐参考时,可以放松条件,使用n-派系、k′-核作为推荐系统的推荐参考来推荐网络资源。