近年来,异质网络中的社区发现逐渐成为人们关注的研究热点,然而现有大多数非重叠或重叠的社区发现方法都局限于考虑单一类型的网络结构,而无法适用于包含多模实体及其多维关系的异质网络,基于位置的社交网络(location based social network,LBSN)作为最近兴起的一种新型异质网络,如何有效发现其含有多维关系的复杂社区结构对现有研究来说是一个挑战性的难题.为此,提出了一种融合用户与位置实体及其多维关系的社区发现方法MRNMF(multi-relational nonnegative matrix factorization),该方法通过建立基于非负矩阵分解的联合聚类目标函数,并考虑融入用户社交关系、用户位置签到关系以及兴趣点特征等多维度的影响因素,能同时获得紧密关联的用户模糊社区与兴趣点聚簇结构,以有效缓解推荐中的数据稀疏问题.在2种真实LBSN数据集上的实验结果表明,所提出的MRNMF方法同时在兴趣点与朋友这双重推荐上比其他传统方法具有更优越的推荐性能.
如何发现高质量的社区结构对于深刻研究和分析基于位置的社交网络(location-based social networks,简称LBSN)这种新型复杂网络具有重要意义,然而,现有的面向社交网络的社区发现方法都无法适用于具有多维异构关系的LBSN.为此,提出了一种基于联合聚类的用户社区发现方法Multi-BVD,该方法首先给出了融合用户社交网络与地理位置标签网络中多模实体及其异构关系的社区划分目标函数,然后使用拉格朗日乘子法得到目标函数极小值的迭代更新规则,并运用块值矩阵分解技术来确定最优的社区划分结果.仿真实验结果表明,Multi-BVD方法能够有效地发现LBSN中具有地理特征的用户社区结构,该社区结构在社交关系和地理兴趣标签上都有更优的内聚性,并能更紧密地体现用户社区与地理标签簇间的兴趣关联性.
近年来,异质信息网络特别是基于位置的社交网络(Location-Based Social Networks,LBSN)中的社区发现已成为新兴的研究热点.然而,目前大多数社区发现研究仅考虑基于同质结构的社交网络,显然都已无法有效融合LBSN这种异质网络所包含的多模实体及其多维关系.为了应对该挑战性问题,本文提出了一种新的双重社区聚类与关联方法(Communities Clustering and Associating Method,CCAM),该方法先在LBSN的社交媒体层上,通过信息熵度量用户发布主题之间的相似性,进而再将相似用户兴趣聚类问题转换成求解基于模糊聚类的目标函数以获得重叠的兴趣主题簇结构.然后在地理位置层中,将用户-位置签到关系网络形成的二分图转换为超图模型,并采用超边聚类方式得到用户关于地理位置的兴趣点特征簇.最后,在兴趣主题簇与地理位置簇之间借助中间用户层的社交关系建立这两层异质簇间的关联性表示模型,并通过随机梯度下降法求解模型的局部最优解.在两个真实数据集Foursquare(NYC)和Yelp上的实验结果表明,本文提出的CCAM方法有效融合了用户-媒体发布关系、用户间社交关系、用户-位置签到关系等多维度关系,能准确获得LBSN中紧密关联的用户兴趣主题簇与地理位置簇,使得这双层社区结构不仅在外部结构特征与兴趣内聚性指标上都优于传统算法,并且还在兴趣主题推荐与位置兴趣点推荐方面的平均准确率提高至少32%.
