融合“用戶-項(xiàng)目-用戶興趣標(biāo)簽圖”的協(xié)同好友推薦算法*

陳潔敏，李建國(guó)+，湯非易，湯 庸，陳笑凡，唐婷芳

1.華南師范大學(xué) 計(jì)算機(jī)學(xué)院，廣州 510631

2.維多利亞大學(xué) 工程與科學(xué)學(xué)院，澳大利亞 墨爾本 3011

1 引言

隨著Web 2.0網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，在線社交網(wǎng)絡(luò)（online social network，OSN）和社會(huì)化標(biāo)簽系統(tǒng)（social tagging systems，STS）得到了蓬勃的發(fā)展，例如Facebook、Twitter、Last.fm及新浪微博等網(wǎng)站。其中，如何為用戶推薦具有相同興趣愛好的好友已成為社交網(wǎng)絡(luò)推薦的研究熱點(diǎn)之一。目前大部分社交網(wǎng)站的好友推薦算法主要分為兩種：一種是利用用戶的共同興趣愛好來進(jìn)行好友推薦，主要是根據(jù)用戶提供的個(gè)人信息進(jìn)行基于內(nèi)容的協(xié)同推薦；另一種是基于用戶的社交網(wǎng)絡(luò)關(guān)系圖來進(jìn)行推薦，主要思想是將用戶好友的好友作為推薦對(duì)象。這兩種方法都存在局限性，前者當(dāng)用戶信息不完整時(shí)，特別是新注冊(cè)的用戶，那么推薦效果將受到影響；后者由于用戶的平均好友數(shù)遠(yuǎn)遠(yuǎn)小于用戶總數(shù)，而且好友的好友可能是已認(rèn)識(shí)的人，不利于拓展用戶的好友圈，同時(shí)隨著用戶數(shù)據(jù)的增加或變更，該方法難以捕捉到用戶興趣愛好的變化。

社會(huì)化標(biāo)簽（http://de.wikipedia.org/wiki/Social_Tagging）作為Web2.0的重要技術(shù)之一，它允許用戶根據(jù)自己的需要和理解自由地對(duì)各種資源進(jìn)行標(biāo)簽標(biāo)注。目前，大量的基于標(biāo)簽系統(tǒng)的網(wǎng)站都得到了用戶的青睞并取得了巨大的成功，例如YouTube、Delicious、Last.fm和豆瓣等。在Last.fm音樂網(wǎng)站中，歌曲《Roll in the Deep》被307 915人評(píng)價(jià)過，并被61個(gè)標(biāo)簽進(jìn)行了標(biāo)注，其中5 091人打了“amazing voice”標(biāo)簽，5 068人打了“best of 2011”標(biāo)簽。

在社會(huì)化標(biāo)簽中，用戶對(duì)資源標(biāo)注的標(biāo)簽及使用次數(shù)能有效地反映用戶的興趣偏好和用戶對(duì)某種資源的喜好程度，因此標(biāo)簽是用戶和資源之間的重要橋梁。文獻(xiàn)[1]提出一種新穎的推薦框架，利用用戶的標(biāo)簽信息來擴(kuò)張用戶的興趣愛好，從而提高物品的推薦準(zhǔn)確度；文獻(xiàn)[2]通過對(duì)用戶和項(xiàng)目的標(biāo)簽進(jìn)行主題建模，提出隱藏的語義信息，將其融入到矩陣分解中來提高推薦準(zhǔn)確率；文獻(xiàn)[3]將標(biāo)簽作為項(xiàng)目的特征，提出以特征為中心的推薦方法；文獻(xiàn)[4]提出一種新穎的用戶推薦框架UserRec，對(duì)用戶標(biāo)簽圖進(jìn)行社區(qū)發(fā)現(xiàn)來構(gòu)建用戶興趣模型，利用KL距離（Kullback-Leibler divergence）來計(jì)算用戶之間的相似度。雖然現(xiàn)有不少推薦方法是根據(jù)用戶標(biāo)簽標(biāo)注行為來進(jìn)行推薦，但往往著重于標(biāo)簽的主題挖掘，而沒有同時(shí)考慮用戶、項(xiàng)目和標(biāo)簽之間的關(guān)系。針對(duì)該問題，本文通過構(gòu)建用戶的興趣標(biāo)簽圖來發(fā)掘用戶的興趣主題，并在分析“用戶-項(xiàng)目-標(biāo)簽”的標(biāo)注行為的基礎(chǔ)上，提出了一種基于“用戶-項(xiàng)目-用戶興趣標(biāo)簽圖”的協(xié)同好友推薦算法（collaborative filtering recommendation algorithm by combining diffusion on user-item-tag graph and users’personal interest model，UITGCF）。

2 相關(guān)工作

2.1 基于社會(huì)化標(biāo)簽的三部圖物質(zhì)擴(kuò)散算法

基于社會(huì)化標(biāo)簽的三部圖物質(zhì)擴(kuò)散算法（collaborative filtering with diffusion-based similarity on tripartite graphs，DTGCF）[5]是利用物質(zhì)擴(kuò)散的過程來獲得用戶之間的相似度，主要分為“用戶-項(xiàng)目”和“用戶-標(biāo)簽”兩個(gè)二部圖的計(jì)算。具體的資源-分配過程為目標(biāo)用戶u將其資源值的能量平均分配到所評(píng)分或購(gòu)買過的項(xiàng)目中，同時(shí)也將能量平均分配到其使用過的標(biāo)簽上。項(xiàng)目i從用戶u處獲得的資源為riu:

其中，k(u)為用戶u在“用戶-項(xiàng)目”二部圖中的度；α′ui為1表示用戶u購(gòu)買或點(diǎn)評(píng)了項(xiàng)目i，否則為0。同理標(biāo)簽t從用戶u處獲得的資源為rtu:

其中，k′(u)為用戶u在“用戶-標(biāo)簽”二部圖中的度；α′ut為1表示用戶u使用了標(biāo)簽t，否則為0。

然后資源從項(xiàng)目和標(biāo)簽再流回到用戶u。設(shè)“用戶-項(xiàng)目”二部圖所得到的資源分配矩陣為S，用戶u到用戶v的資源分配權(quán)重suv可以表示為：

在“用戶-標(biāo)簽”二部圖中也有對(duì)應(yīng)的資源分配矩陣為 S′,用戶u到用戶v的資源分配權(quán)重s′uv可以表示為：

最后將從項(xiàng)目和標(biāo)簽中擴(kuò)散回來的能量進(jìn)行線性整合作為最后的資源分配矩simDTG。simDTG(u,v)代表用戶v從目標(biāo)用戶u所能獲得的能量，體現(xiàn)了用戶間的相似度。

2.2 基于用戶興趣的建模

目前用戶興趣建模還沒有明確的定義，大多文獻(xiàn)[6-7]認(rèn)為用戶興趣建模是通過對(duì)用戶個(gè)人資料、行為等信息的收集和分析，形成用戶個(gè)人的興趣模型。在社會(huì)化標(biāo)簽系統(tǒng)中，用戶可以自由地使用標(biāo)簽對(duì)項(xiàng)目進(jìn)行標(biāo)注，同時(shí)不同的標(biāo)簽也表達(dá)了用戶自身多樣化的興趣偏好，因此可利用標(biāo)簽的使用情況來為用戶興趣建模，并應(yīng)用到協(xié)同推薦中，從而提高推薦效果[8-11]。然而大部分基于標(biāo)簽的協(xié)同推薦算法主要有兩種：一是利用用戶或物品擁有共現(xiàn)標(biāo)簽的數(shù)目來計(jì)算用戶或物品的相似度[12]，然而會(huì)忽略標(biāo)簽本身所具有的語義以及標(biāo)簽之間的關(guān)聯(lián)關(guān)系；二是利用LDA（latent Dirichlet allocation）等模型來為用戶進(jìn)行興趣建模，但當(dāng)標(biāo)簽數(shù)量稀疏時(shí)，將影響到模型的效果。因此文獻(xiàn)[4]提出了一種新穎的用戶推薦框架（user recommendation，UserRec），對(duì)用戶標(biāo)簽圖進(jìn)行社區(qū)發(fā)現(xiàn)來構(gòu)建用戶興趣模型，利用KL距離來計(jì)算用戶之間的相似度。

盡管UserRec框架能根據(jù)標(biāo)簽為用戶進(jìn)行興趣建模，但缺少了用戶和項(xiàng)目之間的考慮。而DTGCF算法雖然考慮了“用戶-項(xiàng)目”和“用戶-標(biāo)簽”之間的關(guān)系，但忽略了標(biāo)簽之間的共現(xiàn)及語義的問題，在不同程度上造成信息損失。針對(duì)以上問題，本文首先利用基于“用戶-項(xiàng)目-標(biāo)簽”的三部圖物質(zhì)擴(kuò)散推薦算法來計(jì)算用戶之間的相似度；同時(shí)借鑒了UserRec用戶興趣建模的方法，增加了標(biāo)簽預(yù)處理；通過構(gòu)建用戶的興趣標(biāo)簽圖來發(fā)掘用戶的興趣主題，并根據(jù)用戶主題分布，利用KL距離來計(jì)算用戶之間的相似度；最后將兩組結(jié)果利用調(diào)和平均數(shù)方式融合得到最終的用戶相似度，并進(jìn)行好友推薦。

3 融合“用戶-項(xiàng)目-用戶興趣標(biāo)簽圖”的協(xié)同好友推薦

3.1 標(biāo)簽預(yù)處理

由于標(biāo)簽是用戶自主用來標(biāo)注項(xiàng)目和個(gè)性化分類的，在語義上可能存在同義性、歧義性和不確定性（http://en.wikipedia.org/wiki/General_semantics）。例如，用戶給項(xiàng)目a打了“purchasing”標(biāo)簽，用戶v用標(biāo)簽“buying”標(biāo)注了項(xiàng)目a，這兩個(gè)標(biāo)簽是同義詞，如果只考慮標(biāo)簽使用的次數(shù)，而忽略標(biāo)簽之間語義的相似度，將會(huì)造成推薦不準(zhǔn)確。同時(shí)由于標(biāo)簽是用戶自發(fā)標(biāo)注的，可能存在無意義的標(biāo)簽，例如//@，????等。因此，需要對(duì)標(biāo)簽進(jìn)行預(yù)處理。首先對(duì)標(biāo)簽進(jìn)行符號(hào)正則化處理，符合Regular expressionR=[a-z,A-Z]{2,}的標(biāo)簽保留。然后利用JWS（Java WordNet similarity）開發(fā)包（http://search.cpan.org/dist/WordNet-Similarity/doc/intro.pod）[13]中的 Lin 算法對(duì)標(biāo)簽進(jìn)行語義處理。

3.2 用戶標(biāo)簽興趣圖

標(biāo)簽網(wǎng)絡(luò)圖是一種共現(xiàn)網(wǎng)絡(luò)[14]，節(jié)點(diǎn)是標(biāo)簽，如果兩個(gè)標(biāo)簽被標(biāo)注在同一資源上則存在共現(xiàn)的情形，它們之間存在著重要的內(nèi)在關(guān)聯(lián)，用邊連接兩個(gè)標(biāo)簽節(jié)點(diǎn)來體現(xiàn)共現(xiàn)的情況。標(biāo)簽網(wǎng)絡(luò)圖不僅能反映用戶的興趣偏好，同時(shí)也能體現(xiàn)資源的主題，因此可以通過它來構(gòu)建用戶的興趣模型。

首先，用UG=(T,E,W)表示用戶的標(biāo)簽圖，其中集合T為用戶u使用過的標(biāo)簽集合，T={t1,t2,…,tr}，r為標(biāo)簽的總數(shù)；E是標(biāo)簽之間邊的集合；ekm代表標(biāo)簽tk和標(biāo)簽tm的共現(xiàn)關(guān)系；W是連接邊的權(quán)重集合，w(tk,tm)代表標(biāo)簽tk和tm的共現(xiàn)次數(shù)；然后采用Louvain社區(qū)發(fā)現(xiàn)算法[15]對(duì)用戶個(gè)人標(biāo)簽圖進(jìn)行社區(qū)發(fā)現(xiàn)，原來的用戶標(biāo)簽圖會(huì)被劃分成若干個(gè)社區(qū)，每個(gè)社區(qū)可以看作是用戶的興趣主題，用C表示所有用戶主題的集合。

定義1UC(u)表示用戶u的興趣主題集合，其定義如下：

Fig.1 Tag graph of one user圖1 用戶個(gè)人標(biāo)簽圖

3.3 用戶相似度計(jì)算

通過社區(qū)發(fā)現(xiàn)后，每個(gè)用戶都能得到自己的興趣主題集合UC(u)，利用概率分布的原理來量化每個(gè)興趣主題對(duì)用戶的影響程度。如果用戶對(duì)某個(gè)興趣主題的標(biāo)簽使用越多，意味著用戶對(duì)該主題越感興趣?；谶@個(gè)假設(shè)，興趣主題對(duì)用戶的影響如式（6）所示：

Table 1 Topics of user's interests表1 用戶的興趣主題

除了要考慮單個(gè)興趣主題對(duì)用戶的影響，還要考慮所有興趣主題對(duì)用戶的整體影響，通過計(jì)算每個(gè)興趣主題的概率值，可以得到用戶的主題分布，如式（7）所示：

然后根據(jù)兩個(gè)用戶的興趣主題分布，利用KL距離計(jì)算兩個(gè)用戶之間的相似度：

通過KL距離計(jì)算兩個(gè)用戶的興趣主題分布來體現(xiàn)用戶間的相似度，值越大，距離越遠(yuǎn)，相似度越低。為了方便計(jì)算，對(duì)其進(jìn)行歸一化轉(zhuǎn)換，simUIG(u,v)值越大，用戶之間的相似程度越高。

除了考慮用戶興趣主題的相似度，還需要考慮用戶和項(xiàng)目之間及項(xiàng)目和標(biāo)簽之間的關(guān)系，因此本文采用調(diào)和平均數(shù)方式將DTGCF算法所獲得的用戶相似度simDTG(u,v)與通過用戶興趣主題分布獲得的用戶相似度simUIG(u,v)進(jìn)行融合產(chǎn)生最終用戶相似度sim(u,v)。

將與用戶u非好友關(guān)系的用戶按用戶綜合相似度大小降序排列，取相似度最高的前N個(gè)用戶進(jìn)行好友推薦。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境

本文實(shí)驗(yàn)采用hetrec2011-delicious-2k數(shù)據(jù)集和hetrec2011-last.fm-2k數(shù)據(jù)集（http://grouplens.org/datasets/hetrec-2011/）。 Delicious（https://delicious.com/）是目前網(wǎng)絡(luò)上最大的書簽類站點(diǎn)，可幫助用戶共享他們喜歡網(wǎng)站鏈接的流行網(wǎng)站，而Last.fm（http://www.last.fm/）是全球最大的社會(huì)音樂平臺(tái)，提供網(wǎng)絡(luò)電臺(tái)與音樂社群功能。數(shù)據(jù)詳細(xì)描述如表2所示。

Table 2 Datasets statistics表2 數(shù)據(jù)集的統(tǒng)計(jì)信息

4.2 評(píng)測(cè)指標(biāo)

本文主要研究的是Top-N的推薦問題，采用準(zhǔn)確率（Precision）和召回率（Recall）作為推薦質(zhì)量的評(píng)測(cè)指標(biāo)。R(u)是推薦系統(tǒng)根據(jù)用戶在訓(xùn)練集上的行為給用戶提供的推薦列表，T(u)是用戶在測(cè)試集上的行為列表。

在實(shí)驗(yàn)中，算法將用20種不同的推薦長(zhǎng)度N∈[5,100]進(jìn)行計(jì)算。

4.3 結(jié)果分析

為了評(píng)價(jià)基于“用戶-項(xiàng)目-用戶興趣標(biāo)簽圖”推薦算法（UITGCF）的推薦質(zhì)量，將其與以下推薦算法進(jìn)行比較：（1）UserRec算法；（2）DTGCF算法；（3）CosTag，根據(jù)用戶使用標(biāo)簽的歷史記錄，采用余弦相似度計(jì)算出用戶相似度。

4.3.1 用戶興趣圖劃分結(jié)果

為Delicious和Last.fm數(shù)據(jù)集中的用戶進(jìn)行用戶個(gè)人興趣圖構(gòu)建，并通過Louvain算法進(jìn)行社區(qū)發(fā)現(xiàn)，其結(jié)果如表3所示。

Table 3 Statistics of datasets'communities表3 數(shù)據(jù)集的社區(qū)統(tǒng)計(jì)信息

4.3.2 參數(shù)λ的權(quán)重設(shè)置

式（5）中參數(shù)λ決定了從項(xiàng)目和標(biāo)簽中擴(kuò)散回來的能量以多大的比例進(jìn)行線性整合作為最后的資源分配矩陣simDTG。當(dāng)λ為0時(shí)，相當(dāng)于只使用純粹的基于項(xiàng)目-標(biāo)簽二部圖的信息，當(dāng)λ為1時(shí)，相當(dāng)于退化為基于用戶-標(biāo)簽二部圖的算法。設(shè)置λ值在[0,1]范圍內(nèi)以0.1遞增，通過在不同數(shù)據(jù)集上的實(shí)驗(yàn)獲取λ的最佳閾值。圖2和圖3分別為λ在選取不同值的情況下，UITGCF算法在Delicious數(shù)據(jù)集和Last.fm數(shù)據(jù)集上進(jìn)行TOP5、TOP10和TOP15推薦的實(shí)驗(yàn)結(jié)果。可以看出，λ=0.4為Delicious數(shù)據(jù)集的最佳值，而λ=0.5為L(zhǎng)ast.fm數(shù)據(jù)集的最佳值。

4.3.3 性能對(duì)比

為了驗(yàn)證本文UITGCF算法的推薦質(zhì)量，與其他算法進(jìn)行對(duì)比，結(jié)果如圖4和圖5所示。對(duì)比4種算法在Delicious數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果，如圖4所示，UITGCF算法的準(zhǔn)確率和查全率明顯要比其他3種算法高。隨著Top-N值增大，4種算法在準(zhǔn)確率上呈下降趨勢(shì)，但是UITGCF算法仍有一定的提高。在Precision@5、Precision@20和Precision@50上，UITGCF算法相對(duì)于DTGCF算法分別提高了6.95%、13.07%和11.14%，而在Recall@50、Recall@75和Recall@100上，比DTGCF算法分別提高了8.89%、7.29%和5.08%。

Fig.2 Impact of parameterλon Delicious dataset圖2 參數(shù)λ在Delicious數(shù)據(jù)集上的權(quán)重設(shè)置

Fig.3 Impact of parameter λ on Last.fm dataset圖3 參數(shù)λ在Last.fm數(shù)據(jù)集上的權(quán)重設(shè)置

同樣在Last.fm數(shù)據(jù)集上，UITGCF算法的準(zhǔn)確率和查全率比其他3種算法也有所提高。在Preci-sion@5、Precision@20和Precision@50上，UITGCF算法比DTGCF算法分別提高了18.60%、9.29%和7.59%，而在 Recall@50、Recall@75和 Recall@100上，比DTGCF算法分別提高了7.53%、5.73%和6.69%。

Fig.4 Comparison of performance on Delicious dataset圖4 算法在Delicious數(shù)據(jù)集上的性能對(duì)比

Fig.5 Comparison of performance on Last.fm dataset圖5 算法在Last.fm數(shù)據(jù)集上的性能對(duì)比

4.4 推薦模型的應(yīng)用

通過上述的實(shí)驗(yàn)分析得知，UITGCF算法具有良好的推薦質(zhì)量。因此可以將該算法應(yīng)用于在線學(xué)術(shù)信息服務(wù)平臺(tái)——學(xué)者網(wǎng)上，為用戶推薦更多的權(quán)威用戶。核心用戶具有詳細(xì)的個(gè)人信息（論文、項(xiàng)目和教學(xué)等）、豐富的好友關(guān)系等。在實(shí)際應(yīng)用中，將用戶的論文關(guān)鍵字和研究領(lǐng)域作為用戶的標(biāo)簽，由于不存在用戶對(duì)項(xiàng)目評(píng)分，將simDTG(u,v)改為利用文本向量空間模型（text vector space model，TVSM）對(duì)學(xué)者網(wǎng)用戶u和用戶v的個(gè)人信息進(jìn)行用戶相似度simprofile(u,v)計(jì)算，公式如下：

與基于用戶個(gè)人信息相似度的推薦相比，本文算法能提高同一研究領(lǐng)域中核心用戶的推薦度。圖6是學(xué)者網(wǎng)向研究領(lǐng)域?yàn)閿?shù)據(jù)庫方向的用戶203進(jìn)行用戶推薦的結(jié)果分析，用戶66為數(shù)據(jù)庫領(lǐng)域中的核心用戶，可以發(fā)現(xiàn)，該推薦算法明顯提高了權(quán)威用戶66對(duì)用戶203的推薦度。

Fig.6 Comparison of recommended results圖6 推薦結(jié)果對(duì)比

5 結(jié)束語

本文在基于“用戶-項(xiàng)目-標(biāo)簽”的三部圖物質(zhì)擴(kuò)散推薦算法基礎(chǔ)上，提出了一種基于“用戶-項(xiàng)目-用戶興趣標(biāo)簽圖”的混合協(xié)同過濾推薦算法。利用“用戶-項(xiàng)目-標(biāo)簽”三部圖計(jì)算用戶之間的相似度，同時(shí)引入用戶興趣主題，根據(jù)用戶主題分布，利用KL距離來計(jì)算用戶之間的相似度，將兩種結(jié)果進(jìn)行融合得到最終的用戶相似度，并根據(jù)相似度進(jìn)行用戶好友的推薦。實(shí)驗(yàn)證明，本文算法能有效提高Top-N推薦的準(zhǔn)確度。在下一步的研究中，將考慮提取更多的用戶行為信息來提高推薦的效果，同時(shí)采用不同方法進(jìn)行信息融合。

[1]Zhang Zhu,Zheng Xiaolong,Zeng D D.A framework for diversifying recommendation lists by user interest expansion[J].Knowledge-Based Systems,2016,105:83-95.

[2]Chen Chaochao,Zheng Xiaolin,Wang Yan,et al.Capturing semantic correlation for item recommendation in tagging systems[C]//Proceedings of the 30th Conference on Artificial Intelligence,Phoenix,Feb 12-17,2016.Menlo Park:AAAI,2016:108-114.

[3]Zhang Chenyi,Wang Ke,Lim E P,et al.Are features equally representative?A feature-centric recommendation[C]//Proceedings of the 29th Conference on Artificial Intelligence,Austin,Jan 26-30,2015.Menlo Park,AAAI,2015:389-395.

[4]Zhou T C,Ma Hao,Lyu M R,et al.UserRec:a user recommendation framework in social tagging systems[C]//Proceedings of the 24th Conference on Artificial Intelligence,Atlanta,Jul 11-15,2010.Menlo Park:AAAI,2010:1486-1491.

[5]Shang Mingsheng,Zhang Zike,Tao Zhou,et al.Collaborative filtering with diffusion-based similarity on tripartite graphs[J].Physica A:Statistical Mechanics and Its Applications,2010,389(6):1259-1264.

[6]Stamou S,Ntoulas A.Search personalization through query and page topical analysis[J].User Modeling and User-Adapted Interaction,2009,19(1/2):5-33.

[7]Lipczak M.Tag recommendation for folksonomies oriented towards individual users[C]//Proceedings of the 2008 European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases Discovery Challenge,Antwerp,Sep 15-19,2008.Berlin,Heidelberg:Springer,2008:84-95.

[8]Zhang Yantao,Wang Guoyin,Yu Hong.A users'interest similarity calculating method in Folksonomy[J].Journal of Nanjing University:Natural Sciences,2013,49(5):588-594.

[9]Shepitsen A,Gemmell J,Mobasher B,et al.Personalized recommendation in social tagging systems using hierarchical clustering[C]//Proceedings of the 2008 Conference on Recommender Systems,Lausanne,Oct 23-25,2008.New York:ACM,2008:259-266.

[10]Liu Chuang,Yeung C H,Zhang Zike.Self-organization in social tagging systems[J].Physical Review E:Statistical Nonlinear&Soft Matter Physics,2011,83(2):066104.

[11]Jelassi M N,Ben Yahia S B,Nguifo E M.A personalized recommender system based on users'information in Folksonomies[C]//Proceedings of the 22nd International Conference on World Wide Web,Rio de Janeiro,May 13-17,2013.New York:ACM,2013:1215-1224.

[12]Halpin H,Robu V,Shepherd H,The complex dynamics of collaborative tagging[C]//Proceedings of the 16th International Conference on World Wide Web,Banff,May 8-12,2007.New York:ACM,2007:211-220.

[13]Pedersen T,Patwardhan S,Michelizzi J.WordNet:similaritymeasuring the relatedness of concepts[C]//Proceedings of the 19th National Conference on Artificial Intelligence,San Jose,Jul 25-29,2004.Menlo Park:AAAI,2004:1024-1025.

[14]Li Xin,Guo Lei,Zhao Y E.Tag-based social interest discovery[C]//Proceedings of the 17th International Conference on World Wide Web,Beijing,Apr 21-25,2008.New York:ACM,2008:675-684.

[15]Blondel V D,Guillaume J L,Lambiotte R,et al.Fast unfolding of communities in large networks[J].Journal of Statistical Mechanics:Theory and Experiment,2008,10:155-168.

附中文參考文獻(xiàn)：

[8]張艷桃,王國(guó)胤,于洪.面向Folksonomy的用戶興趣相似性度量方法[J].南京大學(xué)學(xué)報(bào):自然科學(xué)版,2013,49(5):588-594.