面向移動社會網(wǎng)絡(luò)的好友推薦方法

王珊珊　冷甦鵬

摘要：

針對移動社會網(wǎng)絡(luò)（MSN）的好友推薦問題，提出了一種基于多維相似度的好友推薦方法。該方法隸屬于基于內(nèi)容的好友推薦，但與現(xiàn)有方法相比，不再局限于單一維度的匹配信息，而是從空間、時間和興趣三個維度出發(fā)，判斷用戶在各個維度上的相似度，最終通過“差異距離”進(jìn)行綜合評判，向目標(biāo)用戶推薦與之在地理位置、在線時間和興趣愛好上更具一致性的其他用戶成為其好友。由實(shí)驗(yàn)結(jié)果表明，該方法應(yīng)用于移動社會網(wǎng)絡(luò)中的好友推薦服務(wù)時，其推薦結(jié)果查準(zhǔn)率接近80%，查準(zhǔn)效率接近60%，性能遠(yuǎn)高于只基于單一維度的好友推薦方法；同時，通過對三維權(quán)重值的調(diào)整，該方法可應(yīng)用于多種特性的移動社會網(wǎng)絡(luò)中。

關(guān)鍵詞：

移動社會網(wǎng)絡(luò)；個性化服務(wù)；好友推薦；多維度；相似度

中圖分類號：

TP393.07

文獻(xiàn)標(biāo)志碼：A

Abstract：

In view of the friend recommendation in Mobile Social Network （MSN）， a new method based on multidimensional similarity was proposed. The method is a kind of method based on content， but not confined to single dimension matching information， it judges users similarity of various dimensions from three aspects of space， time and interest， then gets a comprehensive judgment by “difference distance”. The proposed method can recommend other users to target audience when they are consistent in geographical position， onlinetime and interest. The experimental results show that when the method is used in the friend recommendation of mobile social networks， its precision and efficiency are up to 80% and 60% respectively， the performance is much better than the other friend recommendation methods based on single dimension； at the same time， by adjusting the value of three dimensional weights， the method can be used in a variety of mobile social networks with different characteristics.

英文關(guān)鍵詞Key words：

Mobile Social Network （MSN）； personalized service； friend recommendation； multidimensional； precisionsimilarity

0引言

隨著無線通信技術(shù)和智能終端設(shè)備的大力發(fā)展，一種新型的社交網(wǎng)絡(luò)形態(tài)，即移動社會網(wǎng)絡(luò)（Mobile Social Network， MSN）已經(jīng)興起。根據(jù)消息投遞形式的不同，移動社會網(wǎng)絡(luò)可細(xì)分為兩個分支，一是由傳統(tǒng)在線社會網(wǎng)絡(luò)（Online Social Network）發(fā)展而來的移動社會網(wǎng)絡(luò)[1]，其消息投遞形式延用在線社會網(wǎng)絡(luò)的服務(wù)器轉(zhuǎn)發(fā)模式，但在終端設(shè)備上進(jìn)行了革新，由傳統(tǒng)的PC端變成了移動智能終端，手機(jī)QQ、微信、FourSquare等為廣大互聯(lián)網(wǎng)用戶所熟知的網(wǎng)絡(luò)社交平臺都屬于該范疇；二是由多個具有相同興趣愛好或其他共同特點(diǎn)的用戶通過移動終端設(shè)備互聯(lián)形成的移動社會網(wǎng)絡(luò)[2]，其消息投遞形式一般采用存儲轉(zhuǎn)發(fā)模式，該種形式的移動社會網(wǎng)絡(luò)可擺脫Internet的限制，用戶可通過自身的移動性和智能終端設(shè)備的存儲性達(dá)到消息傳遞的目的。移動社會網(wǎng)絡(luò)兼有社交網(wǎng)絡(luò)的社會性和移動網(wǎng)絡(luò)的移動性，它創(chuàng)造了一種新的社交方式，使虛擬社交和現(xiàn)實(shí)社交更為接近，為虛擬世界和現(xiàn)實(shí)世界構(gòu)筑了一座交互的橋梁。

好友關(guān)系作為社交網(wǎng)絡(luò)中人際關(guān)系的基本組成，其相關(guān)服務(wù)和應(yīng)用一直備受世人矚目，其中，好友推薦服務(wù)已經(jīng)成為各類社交網(wǎng)絡(luò)的個性化服務(wù)之一。目前，好友推薦方法根據(jù)基本性質(zhì)可分為兩類：一是基于內(nèi)容的好友推薦方法[3]，該方法首先對用戶的個人信息進(jìn)行總匯并對信息進(jìn)行有效過濾，然后根據(jù)用戶的特征和目標(biāo)要求預(yù)測并搜索與之匹配程度較高的其他用戶推薦成為其好友；二是基于協(xié)同過濾的好友推薦方法[4]，該方法一般采用最近鄰技術(shù)，利用目標(biāo)用戶的最近鄰用戶對其他用戶的評價來預(yù)測目標(biāo)用戶對相應(yīng)用戶的喜好程度，從而進(jìn)行好友推薦。本文提出的好友推薦方法隸屬于第一種類型。

常見基于內(nèi)容的好友推薦方法應(yīng)用于移動社會網(wǎng)絡(luò)時，存在的主要問題如下：1）移動社會網(wǎng)絡(luò)用戶在進(jìn)行注冊時，一般只需填寫極少的個人信息，而用戶信息不全將直接影響部分基于身份信息進(jìn)行好友推薦的方法產(chǎn)出結(jié)果的準(zhǔn)確性；2）大部分基于內(nèi)容的好友推薦方法只使用單一維度的用戶

特征進(jìn)行好友推薦（例如只基于用戶身份信息/用戶地理位置信息/用戶興趣等），其推薦結(jié)果存在一定的局限性。

為解決上述問題，本文提出一種更加適用于移動社會網(wǎng)絡(luò)特性的基于內(nèi)容的好友推薦方法，該方法通過分析用戶的行為日志，獲取用戶在時間、空間、興趣三個維度上的相關(guān)數(shù)據(jù)，并判斷用戶在各個維度上的相似程度，隨后通過文中提出的一種綜合指標(biāo)——“差異距離”，向目標(biāo)用戶推薦與之在地理位置、在線時間和興趣愛好上更具一致性的其他用戶成為其好友。由于該方法參考了多個維度數(shù)據(jù)，因此在好友推薦的全面性和準(zhǔn)確性上有了很大的提高；同時，根據(jù)真實(shí)的應(yīng)用場景，在計(jì)算“差異距離”時，可對三個維度的權(quán)重值進(jìn)行調(diào)整（例如在以位置為主導(dǎo)的社交網(wǎng)絡(luò)中，可提升“空間相似度”在計(jì)算“差異距離”時的權(quán)重），因此該推薦方法可適用于更多類型的移動社會網(wǎng)絡(luò)。

1相關(guān)工作

1.1基于移動社會網(wǎng)絡(luò)的應(yīng)用

目前基于移動社會網(wǎng)絡(luò)的應(yīng)用可以分為兩類：一類應(yīng)用旨在增強(qiáng)原有好友之間的互動聯(lián)系；另一類旨在為目標(biāo)用戶尋找新朋友。

在增強(qiáng)原有好友間互動聯(lián)系的應(yīng)用研究中，文獻(xiàn)[5]對純粹的分布式朋友關(guān)系進(jìn)行了研究；文獻(xiàn)[6]在進(jìn)行功能設(shè)計(jì)時考慮了支持用戶所有聯(lián)系人相互通信的問題。

在尋找新朋友的應(yīng)用研究中，文獻(xiàn)[7]對基于位置的移動社會網(wǎng)絡(luò)進(jìn)行了好友關(guān)系關(guān)系建模，并利用該模型向目標(biāo)用戶推薦新朋友。

1.2好友推薦方法

根據(jù)推薦原理的不同，好友推薦方法可分為兩類，一是基于內(nèi)容的好友推薦方法，二是基于協(xié)同過濾的好友推薦方法。

在基于內(nèi)容的好友推薦中，文獻(xiàn)[8]根據(jù)用戶的年齡、地域、收入等特征，應(yīng)用關(guān)聯(lián)規(guī)則挖掘出目標(biāo)用戶的潛在好友并進(jìn)行有效推薦；文獻(xiàn)[9]通過分析用戶的位置列表，基于與位置相關(guān)的特征集合，建立了一個好友預(yù)測模型；文獻(xiàn)[10]則提出了一種社交圈檢測算法，通過定義用戶間社交圈的相似性，為用戶推薦新朋友。這些方法都建立在這樣一個假設(shè)前提下：如果兩個用戶關(guān)于選定的特征相似，那么這兩個用戶就應(yīng)該成為好友關(guān)系。

在基于協(xié)同過濾的好友推薦中，文獻(xiàn)[11]提出基于用戶聚類的協(xié)同過濾推薦，同時加入用戶對曾經(jīng)使用過的項(xiàng)目的屬性，以縮小近鄰用戶搜索范圍；文獻(xiàn)[12]利用標(biāo)簽之間的語義關(guān)聯(lián)來衡量對象之間的相似度，從而向目標(biāo)用戶推薦新朋友；文獻(xiàn)[13]提出基于移動用戶社會化關(guān)系挖掘的協(xié)同過濾算法，通過對潛在用戶的社會化關(guān)系進(jìn)行挖掘，將用戶的好友數(shù)據(jù)加入到傳統(tǒng)的協(xié)同過濾算法中，提高了用戶偏好預(yù)測和推薦結(jié)果的準(zhǔn)確度?；趨f(xié)同過濾的好友推薦的一個通用前提即為FriendOfFriend原則。

此外，還有一些研究人員通過引入用戶在線下的親密程度，作為線上好友推薦的指標(biāo)。例如，文獻(xiàn)[8]根據(jù)用戶在現(xiàn)實(shí)世界中的會面次數(shù)與持續(xù)時間來計(jì)算用戶的親密度，并據(jù)此進(jìn)行好友推薦。

2面向移動社會網(wǎng)絡(luò)的好友推薦方法

在本節(jié)中，我們將詳細(xì)闡述面向移動社會網(wǎng)絡(luò)的好友推薦方法，其中，包括相關(guān)指標(biāo)的定義，興趣標(biāo)簽的提取與歸類和方法的具體實(shí)施步驟。

2.1指標(biāo)定義

移動性是移動社會網(wǎng)絡(luò)區(qū)別于在線社會網(wǎng)絡(luò)的一大特性，因此將用戶的位置信息作為好友推薦的依據(jù)內(nèi)容之一，能有效衡量移動社會網(wǎng)絡(luò)中兩個用戶在空間上的相似性。好友間的交互集中體現(xiàn)在實(shí)時的信息通信上，因此本文引入在線時間作為好友推薦的參考因素，用于衡量兩用戶在時間上的相似性。相似的興趣愛好是促使兩個陌生人成為朋友的關(guān)鍵因素，因此本文還使用了用戶的興趣標(biāo)簽衡量兩個用戶在興趣上的相似性。

為有效衡量移動社會網(wǎng)絡(luò)中兩個用戶在空間、時間和興趣三個維度上的相似性，本文提出了以下三個指標(biāo)：

1）離散地理位置相似度：任意用戶i和j在空間上的相似性用離散地理位置相似度li， j 表示，具體公式如下：

li， j =∑l∈P， i， j∈Npi，l pj，l‖pi‖×‖pj‖（1）

其中：P表示基站序列集合；N表示用戶序列集合；pi，l 表示用戶i在位置站點(diǎn)l出現(xiàn)的概率；pi=[pi，1，pi，2，…，pi，m]（m表示位置站點(diǎn)的總數(shù)）表示用戶i出現(xiàn)在各個基站的概率向量，‖pi‖是pi的范數(shù)，本文中優(yōu)選2范數(shù)。

2）在線時間相似度：任意用戶i和j在時間上的相似性用在線時間相似度ti， j表示，具體公式如下：

ti， j =∑l∈T， i， j∈Npi，l pj，l‖pi‖×‖pj‖（2）

其中：T表示時間段序列集合，根據(jù)具體需要，可將一個自然日劃分成若干時段，所有時段組成時間段序列集合；N表示用戶序列集合；pi，l 是用戶i在時間段l在線的概率；pi=[pi，1，pi，2，…，pi，y]（y表示時間段的總數(shù)）表示用戶i在各個時間段在線的概率向量， ‖pi‖是pi的范數(shù)，本文中優(yōu)選2范數(shù)。pi，l 的具體計(jì)算方式為：1/該用戶在一個自然日內(nèi)總在線時間段個數(shù)，所有pi，l之和為1。

同一用戶每天上、下線時間之間會存在稍許的差異，判別一個用戶在某時段是否在線可結(jié)合時段劃分?jǐn)?shù)目和實(shí)際情況確定。

3）興趣相似度：任意用戶i和j在興趣上的相似性用興趣相似度hi， j表示，具體公式如下：

hi， j =∑l∈H， i， j∈Npi，l pj，l‖pi‖×‖pj‖（3）

其中：H表示興趣標(biāo)簽序列集合；N表示用戶序列集合；pi，l是用戶擁有興趣l的概率；pi=[pi，1，pi，2，…，pi，y]（k表示興趣標(biāo)簽的總數(shù)）表示用戶i擁有的各種興趣標(biāo)簽的概率向量，‖pi‖是pi的范數(shù)，本文中優(yōu)選2范數(shù)。pi，l的具體計(jì)算方式為：1/該用戶所擁有的總興趣標(biāo)簽數(shù)，所有pi，l之和為1。

為了使三個維度上的相似度達(dá)到統(tǒng)一，共同作用于判斷移動社會網(wǎng)絡(luò)中任意兩個用戶間的相似性，本文提出了一個綜合性指標(biāo)——“差異距離”，具體公式如下：

di， j=2α（li， j-）2+β（ti， j-）2+γ（hi， j-）2（4）

di， j表示用戶i和用戶j的差異距離，其中，α、β、γ 表示三個相似度的對應(yīng)權(quán)重，取值范圍為[0，1]，三者相加等于1，可根據(jù)具體使用場景進(jìn)行權(quán)重的調(diào)整，默認(rèn)值為1/3。L 、T 和H 分別表示離散地理位置相似度li， j、在線時間相似度ti， j、興趣相似性hi， j的均值，具體計(jì)算公式為：

=n（n+1）2∑i∈N∑j∈Nli， j（5）

=n（n+1）2∑i∈N∑j∈Nti， j（6）

=n（n+1）2∑i∈N∑j∈Nhi， j（7）

其中：N表示用戶序列集合，n表示用戶人數(shù)。

2.2興趣標(biāo)簽的提取與歸納

不同于地理位置信息和在線時間信息可以直接從相關(guān)日志中直接提取，隨著用戶生成內(nèi)容（User Generated Content， UGC）在社交網(wǎng)絡(luò)中的廣泛應(yīng)用，用戶的興趣標(biāo)簽常常需要從用戶自定義文本中提取。為了更加精確地計(jì)算用戶間的興趣相似度，本文構(gòu)建了一個二級興趣標(biāo)簽分類體系，并根據(jù)該分類體系，提出了一種簡單的用戶興趣標(biāo)簽提取方法。

由于用戶興趣大類存在共通性，因此本文采用間接的方式，通過統(tǒng)計(jì)某在線社交網(wǎng)站上某些類別的公共主頁和粉絲數(shù)目預(yù)估用戶的興趣情況，以此構(gòu)建二級興趣標(biāo)簽分類體系。

首先提取公共主頁的標(biāo)簽，根據(jù)標(biāo)簽出現(xiàn)次數(shù)統(tǒng)計(jì)，刪除出現(xiàn)次數(shù)少的標(biāo)簽；然后對結(jié)果進(jìn)行人工篩選，去除無明顯意義的標(biāo)簽；最后通過合并同類別標(biāo)簽，得到二級興趣標(biāo)簽分類體系。結(jié)果示例如表1所示。

2.3方法實(shí)施步驟

面向移動社會網(wǎng)絡(luò)的好友推薦算法的具體實(shí)施步驟如圖2所示如下：

步驟1導(dǎo)入用戶的地理位置日志，計(jì)算任意兩個用戶之間的離散地理位置相似度；

步驟2導(dǎo)入用戶的在線時間日志，計(jì)算任意兩個用戶之間的在線時間相似度；

步驟3導(dǎo)入用戶自定義文本日志，提取并歸納用戶興趣標(biāo)簽，計(jì)算任意兩個用戶之間的興趣相似度；

步驟4根據(jù)離散地理位置相似度、在線時間相似度和興趣相似度計(jì)算任意兩個用戶之間的差異距離；

步驟5選定目標(biāo)用戶，根據(jù)目標(biāo)用戶與其他用戶的差異距離，將排名在topN（N的數(shù)值可根據(jù)具體的應(yīng)用場景進(jìn)行確定）范圍內(nèi)的其他用戶推薦給目標(biāo)用戶，成為其好友候選人。

3實(shí)驗(yàn)結(jié)果與分析

3.1實(shí)驗(yàn)數(shù)據(jù)和方法

為有效對本文提出的面向移動社會網(wǎng)絡(luò)的好友推薦方法

進(jìn)行驗(yàn)證，實(shí)驗(yàn)選取了來自Foursquare這一移動社交網(wǎng)絡(luò)的真實(shí)數(shù)據(jù)集。該數(shù)據(jù)集包括2011年2月位于紐約的501940個匿名用戶數(shù)據(jù)和位于洛杉磯的717382個匿名用戶數(shù)據(jù)，具體包含用戶的基本信息、簽到信息和好友關(guān)系信息。

由于數(shù)據(jù)集中的數(shù)據(jù)并不獨(dú)立存在本文提出好友推薦方法中所需的三個參數(shù)——地理位置、在線時間、興趣標(biāo)簽，因此在開始實(shí)驗(yàn)驗(yàn)證前，需要對三個參數(shù)進(jìn)行提取。

用戶簽到信息的格式如圖2所示，其中User ID表示用戶ID，Tip表示用戶每次簽到的具體內(nèi)容，用戶每簽到一次，就會產(chǎn)生一個Tip數(shù)據(jù)，主要信息字段包括Venue ID，Text和Create Time，其中：Venue ID表示街道ID，Text是用戶對本次簽到的文本描述信息，Create Time是用戶簽到時間。

本文將Venue ID作為地理位置信息，將Create Time作為在線時間信息，并利2.2節(jié)中提出的興趣標(biāo)簽提取和歸類方法從Text短文本中提取關(guān)鍵字作為用戶的興趣標(biāo)簽。

為驗(yàn)證推薦方法在具體應(yīng)用場景中的推薦性能，本文以上述兩個城市的實(shí)驗(yàn)數(shù)據(jù)為例，將推薦方法計(jì)算產(chǎn)生的待推薦用戶與目標(biāo)用戶的真實(shí)好友比較，待推薦用戶中包含越多目標(biāo)用戶的真實(shí)好友，說明推薦方法的效果越好。本文采用R/N和R/A作為推薦方法的優(yōu)化和評價指標(biāo)。R/N由查準(zhǔn)率（Precision）演變而來，反應(yīng)推薦結(jié)果的查準(zhǔn)率，其中（R/N）single表示推薦方法作用于單個用戶的查準(zhǔn)率，（R/N）average表示推薦方法作用于全部用戶的平均查準(zhǔn)率。

（R/N）single=R/N（8）

其中：R表示待推薦用戶中包含的目標(biāo)用戶真實(shí)好友數(shù)，N表示目標(biāo)用戶的真實(shí)好友總數(shù)。

（R/N）average=1M∑Mi=1[（R/N）single]i（9）

其中：M表示用戶總數(shù)。

R/A反映推薦方法的效率，其中（R/A）single表示推薦方法作用于單個用戶的效率，（R/A）average表示推薦方法作用于全部用戶的平均效率。

（R/A）single=R/A（10）

其中：R表示待推薦用戶中包含的目標(biāo)用戶真實(shí)好友數(shù)，A表示待推薦好友總數(shù)。

（R/A）average=1M∑Mi=1[（R/A）single]i（11）

其中：M表示用戶總數(shù)。

3.2實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)首先選取了以下四種情況，將與目標(biāo)用戶差異距離值排名在前百分之一的其他用戶作為待推薦用戶，它們是：case1（α=1/3， β=1/3，γ=1/3）、case2（α=1， β=0，γ=0 ）、case3（α=0， β=1，γ=0 ）和case4（α=0， β=0，γ=1 ）。其中，case1代表基于多維度信息的好友推薦方法，而case2～4分別代表了只以于地理位置信息、在線時間信息和興趣信息為導(dǎo)向的基于單一維度信息的好友推薦方法。四種情況應(yīng)用在紐約和洛杉磯兩個城市數(shù)據(jù)集上的（R/N）average和（R/A）average如表2所示。

α=1/3， β=1/3，γ=1/3時，其推薦結(jié)果的平均查準(zhǔn)率接近80%，查準(zhǔn)效率接近60%，明顯優(yōu)于其他三種情況。產(chǎn)生該結(jié)果的主要原因是實(shí)驗(yàn)數(shù)據(jù)來自Foursquare，而Foursquare是一個以位置為主導(dǎo)的移動社交平臺，因此相比只依據(jù)在線時間或用戶興趣進(jìn)行好友推薦的情況，只依據(jù)用戶地理位置進(jìn)行好友推薦時，其推薦結(jié)果要令人滿意得多；但是也應(yīng)該看到，當(dāng)在地理位置的基礎(chǔ)上引入在線時間和用戶興趣后，好友推薦結(jié)果的平均查準(zhǔn)率和平均查準(zhǔn)效率有著將近15%的提升。由此可見，依據(jù)多維度數(shù)據(jù)產(chǎn)生的好友推薦結(jié)果明顯優(yōu)于只依據(jù)單一維度數(shù)據(jù)產(chǎn)生的好友推薦結(jié)果。

為了進(jìn)一步驗(yàn)證本文提出的面向移動社會網(wǎng)絡(luò)的好友推薦方法的有效性，將其與文獻(xiàn)[8]提出的基于用戶基本信息的好友推薦方法和文獻(xiàn)[13]提出的基于移動用戶社會化關(guān)系挖掘的好友推薦方法進(jìn)行對比，實(shí)驗(yàn)時將三種方法作用于紐約用戶的數(shù)據(jù)集上，具體實(shí)驗(yàn)結(jié)果如表3所示。

由表3可知，基于三維相似度的好友推薦方法明顯優(yōu)于基于用戶基本信息的好友推薦方法和基于社會化關(guān)系挖掘的好友推薦方法，其主要原因是Foursqaure用戶在進(jìn)行用戶注冊時，只需要填寫郵箱、性別和所在城市三個基本信息，基本信息的缺乏導(dǎo)致傳統(tǒng)的基于用戶基本信息進(jìn)行好友推薦的方法應(yīng)用于移動社會網(wǎng)絡(luò)時，出現(xiàn)推薦結(jié)果極差的情況；基于社會化關(guān)系挖掘的好友推薦方法相比基于用戶基本信息進(jìn)行好友推薦方法在推薦查準(zhǔn)率和推薦效率上有很大的提升，但因?yàn)樵摲椒ㄖ粎⒖加脩糸g的社會關(guān)系，而實(shí)驗(yàn)數(shù)據(jù)集上又缺乏對好友親密度進(jìn)行進(jìn)一步確定的數(shù)據(jù)，因此在推薦結(jié)果上還是遜色于基于三維相似度的好友推薦方法。

從實(shí)驗(yàn)結(jié)果可知，本文提出的好友推薦方法在應(yīng)用于移動社會網(wǎng)絡(luò)時，可以取得較好的推薦結(jié)果；而且由于三維權(quán)重值可根據(jù)具體應(yīng)用場景靈活調(diào)整，該方法可以應(yīng)用于多種特性的移動社會網(wǎng)絡(luò)。

4結(jié)語

本文對移動社會網(wǎng)絡(luò)下的好友推薦問題進(jìn)行了研究，結(jié)合用戶在移動社會網(wǎng)絡(luò)中所表現(xiàn)的特性和現(xiàn)實(shí)生活中人們交友的一般前提，從空間、時間和興趣愛好三個維度出發(fā)，為目標(biāo)用戶推薦與其匹配度較高的其他用戶成為其好友。由于該方法在進(jìn)行相似度計(jì)算時，并未考慮在同一地點(diǎn)、同一時間段的重復(fù)出現(xiàn)或上線的情況，在接下來的工作中，可將頻率引入相似度的計(jì)算，進(jìn)一步提升推薦好友的質(zhì)量。另外，由于該方法中需要使用用戶的興趣標(biāo)簽數(shù)據(jù)，而很多社交網(wǎng)絡(luò)的后臺數(shù)據(jù)中并不直接包含此項(xiàng)，常常需要從用戶的自定義信息、行為信息或是關(guān)注信息中進(jìn)行提取，而在本次實(shí)驗(yàn)數(shù)據(jù)處理時，只使用了依據(jù)自定義二級興趣標(biāo)簽分類體系的興趣標(biāo)簽提取和歸類方法，因此在今后的工作中，可引入移動社交網(wǎng)絡(luò)中用戶興趣挖掘的相關(guān)方法，在擴(kuò)展該推薦方法的應(yīng)用場景的同時，也進(jìn)一步提升推薦結(jié)果的可靠性和準(zhǔn)確性。

參考文獻(xiàn)：

[1]

PALLIS G， ZEINALIPOURYAZTI D， DIKAIAKOS M D. Online social networks： status and trends [M]// VAKALI A， JAIN L C. New Directions in Web Data Management 1. Berlin： Springer， 2011： 213-234.

[2]

PAN H， CROWCROFT J， YONEKI E. BUBBLE rap： socialbased forwarding in delaytolerant networks [J]. IEEE Transactions on Mobile Computing， 2011， 10（11）： 1576-1589.

[3]

吳不曉，肖菁.基于用戶標(biāo)注行為的潛在好友推薦[J].計(jì)算機(jī)應(yīng)用，2015，35（6）：1663-1667.（WU B X， XIAO J. Potential friend recommendation based on user tagging [J]. Journal of Computer Applications， 2015， 35（6）： 1663-1667.）

[4]

何靜，潘善亮，韓露.基于雙邊興趣的社交網(wǎng)好友推薦方法研究[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（6）：108-113.（HE J， PAN S L， HAN L. Recommendation algorithm of SNS friends based on bilateral interest[J]. Computer Engineering and Applications， 2015， 51（6）： 108-113.）

[5]

ARB M V， BADER M， KUHN M， et al. VENETA： serverless friendoffriend detection in mobile social networking [C]// WIMOB 08： Proceedings of the 2008 IEEE International Conference on Wireless and Mobile Computing， Networking and Communication. Washington， DC： IEEE Computer Society， 2008： 184-189.

[6]

COUNTS S. Groupbased mobile messaging in support of the social side of leisure [J]. Computer Supported Cooperative Work， 2007， 16（1/2）： 75-97.

[7]

LI N， CHEN G. Multilayered friendship modeling for locationbased mobile social networks [C]// MobiQuitous 09： Proceedings of the 2009 6th Annual International Mobile and Ubiquitous Systems： Networking and Services， MobiQuitous. Piscataway， NJ： IEEE， 2009： 1-10.

[8]

GUO B， YU Z， ZHOU X， et al. Hybrid SN： interlinking opportunistic and online communities to augment information dissemination [C]// UICATC 12： Proceedings of the 2012 9th International Conference on Ubiquitous Intelligence and Computing and 9th International Conference on Autonomic and Trusted Computing. Washington， DC： IEEE Computer Society， 2012： 188-195.

[9]

CRANSHAW J， TOCH E， HONG J， et al. Bridging the gap between physical location and online social networks [C]// UbiComp 10： Proceedings of the 12th ACM International Conference on Ubiquitous Computing. New York： ACM， 2010： 119-128.