融合影响力传播的社交网络群推荐方法

doi:10.3772/j.issn.1000-0135.2022.04.004

情报学报

2022, Vol. 41

Issue (4): 364-374 DOI: 10.3772/j.issn.1000-0135.2022.04.004

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

融合影响力传播的社交网络群推荐方法

叶佳鑫, 熊回香, 易明, 刘明

华中师范大学信息管理学院，武汉 430079

Group Recommendation in Social Networks Based on Influence Spread

Ye Jiaxin, Xiong Huixiang, Yi Ming, Liu Ming

School of Information Management, Central China Normal University, Wuhan 430079

摘要
图/表
参考文献
相关文章 (12)

全文: PDF (1066 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要在社交网络中，以用户群体作为服务对象来进行个性化推荐服务，能有效提升推荐效率。已有的研究在进行群推荐时大多仅考虑用户群体的整体兴趣，忽视了群体中用户间的相互影响。为此，本文提出了一种基于影响力传播的社交网络群推荐方法，综合考虑用户自身兴趣与其受核心用户影响而产生的兴趣来进行社交网络群推荐服务。以微博“超话”上的数据为例对本文所提方法进行验证，证明了本文所提方法的有效性，从研究结果来看，加入对影响力传播的考量能显著提升群推荐效果。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	叶佳鑫
	熊回香
	易明
	刘明

关键词 ：社交网络, 影响力传播, 个性化推荐, 群推荐

收稿日期: 2021-07-12

基金资助:国家社会科学基金重点项目“在线健康社区知识共创机理及引导机制研究”（21ATQ006）。

作者简介: 叶佳鑫，男，1993年生，博士研究生，主要研究方向为网络信息组织与检索；熊回香，女，1966年生，博士，教授，博士生导师，主要研究方向为网络信息组织与检索；易明，男，1978年生，博士，教授，博士生导师，主要研究方向为信息行为与个性化服务，E-mail：yiming0415@mail.ccnu.edu.cn；刘明，男，1994年生，硕士研究生，主要研究方向为个性化推；

引用本文:

叶佳鑫, 熊回香, 易明, 刘明. 融合影响力传播的社交网络群推荐方法[J]. 情报学报, 2022, 41(4): 364-374.
Ye Jiaxin, Xiong Huixiang, Yi Ming, Liu Ming. Group Recommendation in Social Networks Based on Influence Spread. 情报学报, 2022, 41(4): 364-374.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2022.04.004 或 https://qbxb.istic.ac.cn/CN/Y2022/V41/I4/364

1 Berkovsky S, Freyne J. Group-based recipe recommendations: analysis of data aggregation strategies[C]// Proceedings of the Fourth ACM Conference on Recommender Systems. New York: ACM Press, 2010: 111-118.
2 Ardissono L, Goy A, Petrone G, et al. INTRIGUE: personalized recommendation of tourist attractions for desktop and hand held devices[J]. Applied Artificial Intelligence, 2003, 17(8/9): 687-714.
3 Kim J K, Kim H K, Oh H Y, et al. A group recommendation system for online communities[J]. International Journal of Information Management, 2010, 30(3): 212-219.
4 朱国玮, 杨玲. 基于遗传算法的群体推荐系统研究[J]. 情报学报, 2009, 28(6): 946-951.
5 李汶华, 熊晓栋, 郭均鹏. 一种基于案例推理和协商的群体推荐算法[J]. 系统工程, 2013, 31(11): 93-98.
6 何军, 刘业政, 王锦坤. 基于社会选择和社会影响的社交网络社群分类与群推荐策略研究[J]. 现代情报, 2018, 38(1): 92-99.
7 Pujahari A, Padmanabhan V. A new grouping method based on social choice strategies for group recommender system[C]// Proceedings of the Conference on Computational Intelligence in Data Mining. New Delhi: Springer, 2015, 1: 325-332.
8 王晰巍, 贾玺智, 刘婷艳, 等. 区块链环境下社交网络用户意见领袖识别与影响力研究[J]. 情报理论与实践, 2021, 44(5): 84-91.
9 Konstas I, Stathopoulos V, Jose J M. On social networks and collaborative recommendation[C]// Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM Press, 2009: 195-202.
10 Bahari Sojahrood Z, Taleai M. A POI group recommendation method in location-based social networks based on user influence[J]. Expert Systems with Applications, 2021, 171: 114593.
11 王金喆. 社交网络用户影响力分析[J]. 电子技术与软件工程, 2017(17): 28.
12 Ma H, King I, Lyu M R. Learning to recommend with social trust ensemble[C]// Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM Press, 2009: 203-210.
13 廖大强, 印鉴, 邬依林, 等. 基于兴趣传播的用户相似性计算方法研究[J]. 计算机应用与软件, 2015, 32(10): 95-100, 104.
14 丁兆云, 贾焰, 周斌, 等. 社交网络影响力研究综述[J]. 计算机科学, 2014, 41(1): 48-53.
15 张琳, 谢忠红. 基于聚类的微博用户类型与影响力研究[J]. 情报科学, 2016, 34(8): 57-61.
16 康书龙. 基于用户行为及关系的社交网络节点影响力评价——以微博研究为例[D]. 北京: 北京邮电大学, 2011.
17 刘玲, 杨长春. 一种新的微博社区用户影响力评估算法[J]. 计算机应用与软件, 2017, 34(7): 212-216, 261.
18 Hirsch J E. An index to quantify an individual’s scientific research output[J]. Proceedings of the National Academy of Sciences of the United States of America, 2005, 102(46): 16569-16572.
19 王林, 潘陈益, 朱文静. 基于h指数、g指数和p指数的微博影响力评价对比研究[J]. 现代情报, 2018, 38(6): 11-18, 61.
20 王林, 刘继源, 马安进. 基于兴趣衰减的个性化排序算法[J]. 计算机工程, 2017, 43(9): 214-219, 227.