基于非负张量分解的动态社交网络链路预测

随着社交网络规模的快速增长,网络链路数据之间的发现与补全,已经是学界与工业界共同关注的一项课题。但是,传统链路分析算法多聚焦于历史链路的发现,难以准确预测社交链路中随时间变化的趋势和适应动态社交网络上的预测要求。针对以上问题,该研究提出了一种结合非负张量分解(Non-negative Tensor Factorization,NTF)和霍尔特-温特(Holt-Winters,HW)时序数据预测方法的社交网络链路预测模型。该模型使用NTF从历史图中提取节点特征,再利用HW预测方法感知节点特征随时间变化的趋势,从而实现对未来图中的链路结构的预测。结果表明该模型的AUC值相较于现有的方法提升了2.2%～12.75%,具有较好的适用性,为社交网络的链路预测问题提供了一个较好的解决方案。     

基于动态矩阵分解模型的电影推荐系统研究

推荐系统已成为电子商务企业吸引客户、实现盈利的有效技术支持,它能够根据用户的网络点击数据预测其偏好,做出个性化推荐。研究了一个基于动态矩阵分解模型的NETFLIX电影推荐系统。该系统通过训练一个来自NETFLIX平台、包含9 000部电影历史评分的数据集进行预测评分。核心算法包括运用矩阵分解(Matrix Factorization, MF)建立有效的数据处理模型,以及使用随机梯度下降(Stochastic Gradient Descent, SGD)训练该模型。数据集采用稀疏矩阵存储,以节省空间。在训练过程中,对预测评分增加了特定的偏向值。该系统与市场同类产品相比拥有更高的预测准确度,并向电影观众推荐符合他们喜好的电影,能极大地提高电影观看票房值。     

基于类别转移加权张量分解模型的兴趣点分区推荐

基于位置社交网络的兴趣点(POI)推荐是人们发现有趣位置的重要途径,然而,现实中用户在不同区域的地点偏好侧重的差异,加之高维度的历史签到信息,使得精准而又个性化的POI推荐极富挑战性。对此,该文提出一种新型的基于类别转移加权张量分解模型的兴趣点分区推荐算法(WTD-PR)。通过结合用户连续行为和时间特征,来充分利用用户的历史访问信息,从而得到类别转移权重因子;接着改进用户-时间-类别张量模型,在此张量中加入类别转移权重,预测用户的喜好类别;最后,根据用户的历史访问区域划分出本地和异地,并基于用户的当前位置找出推荐区域范畴,进而引入位置因素和社交因素,结合候选类别作兴趣点分区推荐。通过在真实数据集上进行对比实验,实验结果表明,所提算法不仅具有通用性,而且在推荐性能上也优于其他对比算法。     

一种基于用户动态兴趣和社交网络的微博推荐方法

针对为微博用户推荐符合其兴趣取向的个性化微博信息的问题,结合LDA主题模型,提出了一种基于用户动态兴趣和社交网络（DISN）的微博推荐方法.DISN方法首先引入时间函数,推断出用户的兴趣向量,通过对新发布的微博数据内容进行聚类分组,以用户兴趣向量筛选与用户最匹配的分组,随后以网格索引的形式对选定的分组中微博进行查询,计算微博发布者被目标用户关注的可能性并进行排序,最终形成推荐列表.实验验证了DISN方法较之传统方法更具有效性和高效性.     

一种基于二部图和节点角色划分的社交网络推荐方案

针对现有社交网络用户推荐方案中大规模网络个体相似性计算复杂度高以及个体节点无差异对待的问题,本文提出一种基于二部图和节点角色划分的推荐方案.首先,通过划分重叠群体简化原生社交网络结构,并进一步构建群体-个体二部图模型;其次,通过群体-个体二部图所反映的拓扑特征,结合节点自身属性特征,对个体进行角色划分,提出一种基于群体-个体二部图的角色划分模型;最后,针对大规模网络中计算个体相似性复杂度高的问题,构建基于角色差异下的个体-个体二部图模型,实现层次化、个性化的推荐.实验表明,该方案适用于对社交网络中兴趣广泛度存在差异的个体间进行好友推荐,并在较小规模的二部图上生成目标个体推荐列表,降低了计算个体相似性的复杂度.     

基于张量Tucker分解的频谱地图构建算法

该文研究使用少量监测样本数据构建动态电磁环境频谱地图。首先,将动态电磁环境的时变频谱地图建模为3维频谱张量,通过张量Tucker分解提取出具有物理意义的核张量和因子矩阵等低维特征。其次,根据频谱张量时域、空域、频域之间的相关性以及监测样本数据的稀疏性,设计一种基于Tucker分解的低秩张量补全模型,将频谱地图构建任务转化为数据缺失的低秩张量补全问题,并提出两种无需先验信息的频谱地图构建算法：高精度频谱地图构建算法和快速频谱地图构建算法。前者采用交替最小二乘法对核张量和因子矩阵交替求解,通过“补全-分解”的迭代过程实现对频谱地图的高精度构建。后者采用序列截断高阶奇异值分解法,对潜在多个低秩近似张量加权平均,该算法具有收敛快速和计算复杂度低的优势,在牺牲少量构建精度的情况下能够快速构建频谱地图。仿真实验结果表明,该文提出的两种算法能够精确构建频谱地图,在构建精度、运行时间消耗和噪声鲁棒性上均优于对比算法。     

一种基于社交网络社区的组推荐框架

面向用户群组的推荐主要面临如何有意义地对群组进行定义并识别,以及向群组内用户进行有效推荐两大问题。该文针对已有研究在用户群组定义解释性不强等存在的问题,提出一种基于社交网络社区的组推荐框架。该框架利用社交网络结构信息发现重叠网络社区结构作为用户群组,具有较强的可解释性,并根据用户与群组间的隶属度制定了考虑用户对群组贡献与用户从群组获利的4种聚合与分配策略,以完成组推荐任务。通过在公开数据集上与已有方法的对比实验,验证了该框架在组推荐方面的有效性和准确性。     

一种基于属性值变异的动态角色访问控制模型

访问控制是信息安全中保证数据机密性和完整性的有效机制,尤其是基于角色的访问控制模型更是获得了广泛的应用。然而随着云计算、物联网等新型系统的出现,数据呈爆炸式增长,用户数也呈现出急速上升的现象,进而使得传统角色访问控制模型中用户角色的分配与管理的复杂性日益增大,其在扩展性和性能上已经不能满足此要求。文中在传统角色访问控制的基础上,提出了一种新的访问控制模型—基于属性值变异的动态角色访问控制模型。首先对角色添加属性来实现角色由静态到动态的转变,提高了角色访问控制的可扩展性,其次在对资源的操作上引入继承的概念,以避免不必要授权,简化了角色的授权,提高了访问控制系统的性能。     

一种基于云模型的社交网络推荐系统评分预测方法

本文针对评分预测中用户评分主观性及评分数据稀疏带来的预测不准确问题,围绕社交推荐的特点,设计实现一种社交网络评分预测方法.首先,针对评分主观性问题,引入并优化相关云模型理论,提出采用综合云模型生成评分标准并转化用户评分的方法.其次,针对预测不准确问题,通过引入隶属度达到数据降维和目标用户定位的作用,同时考虑到社交网络用户关系对评分结果的影响,分别利用社交关系及相似群体建立两个评分预测模型,并基于高斯变换融合两部分预测结果生成预测评分.实验表明,该方案不仅克服了用户评分主观性,同时有效改善了用户评分数据稀疏情况下传统预测方法准确度偏差的问题.     

基于上下文相似度和社会网络的移动服务推荐方法

针对传统的基于协同过滤的移动服务推荐方法存在的数据稀疏性和用户冷启动问题,提出一种基于上下文相似度和社会网络的移动服务推荐方法(Context-similarity and Social-network based Mobile Service Recommendation,CSMSR).该方法将基于用户的上下文相似度引入个性化服务推荐过程,并挖掘由移动用户虚拟交互构成的社会关系网络,按照信任度选取信任用户;然后结合基于用户评分相似度计算发现的近邻,分别从相似用户和信任用户中选择相应的邻居用户,对目标用户进行偏好预测和推荐.实验表明,与已有的服务推荐方法TNCF、SRMTC及CF-DNC相比,CSMSR方法有效地缓解数据稀疏性并提高推荐准确率,有利于发现用户感兴趣的服务,提升用户个性化服务体验.     

基于张量分解的子空间频率估计及应用

为了提高短时序列的频率估计精度,提出一种基于张量分解的适用于多通道接收数据的子空间高分辨率的频率估计算法。该方法将接收到的多通道采样信号按照一定的形式构建三维数据结构,利用子空间的移不变性,采用张量的高阶奇异值分解直接对数据进行频率估计。仿真表明在低信噪比的情况下,基于张量分解的频率估计算法性能要优于基于矩阵奇异值分解的频率估计算法,将此算法应用于目标轨迹测量中,可以获得高精度的目标轨迹参数。     

融入音乐子人格特质和社交网络行为分析的音乐推荐方法

为了可以实时推荐符合人们情感状态的音乐,提出了一种融入音乐子人格特质的社交网络行为分析的音乐推荐算法,该算法通过分析用户发表在微博等社交媒体上的状态,计算用户在该情感状态下对音乐的偏好程度;选择在该情感状态下音乐偏好相似的最近邻用户,最后融入音乐子人格特质进行偏好度计算,为用户推荐最适合其情感状态的音乐。实验结果表明,该算法可以缓解用户数据稀疏性对推荐结果的影响,能够提高推荐系统的推荐质量。     

A Novel Multichannel Audio Signal Compression Method Based on Tensor Representation and Decomposition

Multichannel audio signal is more difficult to be compressed than mono and stereo ones. A novel multichannel audio signal compression method based on tensor representation and decomposition is proposed in this paper. The multichannel audio is represented with 3-order tensor space and is decomposed into core tensor with three factor matrices in the way of channel, time and frequency. Only the truncated core tensor is transmitted which will be multiplied by the pre-trained factor matrices to reconstruct the original tensor space. Objective and subjective experiments have been done to show a very noticeable compression capability with an acceptable output quality. The novelty of the proposed compression method is that it enables both high compression capability and backward compatibility with limited signal distortion to the hearing.     

基于用户行为认知的在线社交网络协同推荐

近年来,在线社交网络成为人们工作、生活不可或缺的信息共享与交流工具,如何对海量庞杂、大范围时空关联的用户行为信息进行认知并据此提供个性化的推荐服务,已成为在线社交网络发展重点关注的问题。为此,提出了一种基于用户行为认知的在线社交网络协同推荐框架,在对用户特征、文本信息及兴趣偏好等行为进行认知的基础上,利用协同过滤算法,实现个性化的推荐服务。实验结果验证了提出的基于用户行为认知的协同推荐策略具有较好的稳定性和实际应用效果。     

基于用户兴趣和推荐信任域的微博推荐

向用户推荐其感兴趣的微博,是改善用户体验的重要途径.为使推荐的微博更加符合用户的兴趣和品味,提出的微博推荐方法不仅考虑用户自身的特点,而且还考虑所在社区对微博的评价.在技术实现上,采用支持向量机进行文本分类,以便发现用户的兴趣偏好;通过多维Newman算法进行用户社区的发现,并将社区视为推荐信任域.最后采用改进的协同过滤算法综合用户兴趣偏好和推荐信任域进行微博推荐,以此提高微博推荐的质量.实验结果表明,提出的微博推荐方法是切实有效的.