基于HMM模型的網(wǎng)絡(luò)社區(qū)推薦技術(shù)

李培

（西安郵電大學(xué)計(jì)算機(jī)學(xué)院，陜西西安710121）

目前，隨著各類網(wǎng)絡(luò)應(yīng)用的普及，在網(wǎng)絡(luò)環(huán)境下，具有類似興趣偏好、個(gè)人愛(ài)好等特征的人群聚集在一起，就其共同感興趣的問(wèn)題進(jìn)行互動(dòng)，從而形成了具有歸屬感及認(rèn)同感的群體即網(wǎng)絡(luò)社區(qū)。根據(jù)各類統(tǒng)計(jì)，目前各類網(wǎng)絡(luò)社區(qū)成為網(wǎng)民上網(wǎng)的主要關(guān)注點(diǎn)，而網(wǎng)絡(luò)社區(qū)具有主題鮮明以及互動(dòng)性強(qiáng)等特點(diǎn)，可以滿足不同社區(qū)成員的信息獲取及表達(dá)，且社區(qū)成員又具有較高的凝聚力和平臺(tái)粘性。因此，個(gè)性化網(wǎng)絡(luò)社區(qū)推薦技術(shù)成為了各類應(yīng)用平臺(tái)上滿足用戶個(gè)性化需求的核心技術(shù)[1-5]。

由于網(wǎng)絡(luò)社區(qū)相關(guān)數(shù)據(jù)具有海量、強(qiáng)噪音、實(shí)時(shí)變化性大等特點(diǎn)。因此，如何滿足網(wǎng)絡(luò)用戶高質(zhì)量和實(shí)時(shí)性的社區(qū)推薦需求，使得用戶獲得準(zhǔn)確的推薦服務(wù)成為備受關(guān)注的研究熱點(diǎn)。在網(wǎng)絡(luò)社區(qū)識(shí)別的基礎(chǔ)上，目前的社區(qū)推薦技術(shù)有基于群組間相似度的社區(qū)推薦算法、基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)根據(jù)個(gè)體間鏈接情況進(jìn)行分析的決策樹(shù)算法以及通過(guò)對(duì)社會(huì)網(wǎng)絡(luò)進(jìn)行群組聚類的社區(qū)推薦算法[6-8]等。

但是現(xiàn)有的網(wǎng)絡(luò)社區(qū)推薦算法普遍存在信息過(guò)載、準(zhǔn)確度差以及擴(kuò)展性差等問(wèn)題，而大部分網(wǎng)絡(luò)社區(qū)推薦算法都是基于用戶的瀏覽及發(fā)帖等內(nèi)容信息來(lái)確定用戶興趣和需求，沒(méi)有將用戶的主動(dòng)行為和所在社區(qū)考慮在內(nèi)[9-10]。文中則將用戶的個(gè)人行為考慮進(jìn)來(lái)，并對(duì)其社區(qū)成員群體行為進(jìn)行分析，再結(jié)合其瀏覽內(nèi)容，更為準(zhǔn)確地描述用戶興趣，從而有針對(duì)性的進(jìn)行社區(qū)推薦。

1 基于HMM的模型建立

前期研究中已經(jīng)證明了從一個(gè)較長(zhǎng)時(shí)期上看，一個(gè)人的興趣是在不斷變化著的，但無(wú)論其興趣改變與否，一個(gè)人的興趣必定也能夠通過(guò)他的瀏覽行為表現(xiàn)出來(lái)，其瀏覽行為在很大程度上體現(xiàn)出用戶的真實(shí)興趣，并且更為精確的描述用戶興趣[11-12]。

按照相同的思路，本課題組認(rèn)為在社會(huì)網(wǎng)絡(luò)中，具有相似興趣愛(ài)好、知識(shí)結(jié)構(gòu)、思想觀念的人一般都會(huì)喜歡和希望參與同一類的社區(qū)，而具有這些內(nèi)在相似點(diǎn)的人一般都會(huì)有類似的外在行為特征[13]。結(jié)合Web使用挖掘和內(nèi)容挖掘的思想，提出了一種描述用戶訪問(wèn)社區(qū)模式的挖掘模型，發(fā)現(xiàn)用戶訪問(wèn)社區(qū)的遷移模式，反映用戶的訪問(wèn)偏好。

本模型是將訪問(wèn)社區(qū)的不同類型信息分為不同的興趣度來(lái)處理的，也就是建立在訪問(wèn)方式不同、感興趣的社區(qū)不同的推推薦基礎(chǔ)上的。

圖1顯示了本課題所提出的用戶訪問(wèn)社區(qū)的遷移模式挖掘模型。

圖1 用戶訪問(wèn)社區(qū)遷移模式挖掘模型

該模型中的涉及到的相關(guān)概念及定義：

定義1訪問(wèn)社區(qū)事件：我們將用戶訪問(wèn)某個(gè)社區(qū)的事件定義為其訪問(wèn)社區(qū)事件，其中包括：瀏覽信息和發(fā)表信息（包含發(fā)起新的主題討論和參與已有主題討論），但需要標(biāo)記訪問(wèn)類型，即瀏覽、發(fā)帖還是跟帖。

定義2：訪問(wèn)社區(qū)序列：我們將采集的該用戶訪問(wèn)社區(qū)事件的記錄，按發(fā)生時(shí)間的升序排列，稱為訪問(wèn)社區(qū)序列。

定義3：用戶訪問(wèn)社區(qū)序列：給定一個(gè)用戶訪問(wèn)序列，如果將這些序列中的每個(gè)頁(yè)面替換成它所屬于的社區(qū)表示，連續(xù)相同的內(nèi)容合并，那么替換后的這個(gè)序列就是用戶訪問(wèn)社區(qū)序列。

定義4：用戶訪問(wèn)社區(qū)序列遷移模式：該用戶頻繁出現(xiàn)的訪問(wèn)社區(qū)序列就是用戶訪問(wèn)社區(qū)序列遷移模式。

在該模型的基礎(chǔ)上進(jìn)行分析的步驟如下：

第一步：收集Web信息，也就是將用戶訪問(wèn)過(guò)的Web頁(yè)面收集起來(lái)，由于Web頁(yè)面中含有大量的無(wú)關(guān)信息，先要對(duì)其進(jìn)行除雜的工作，保留其能夠反映用戶訪問(wèn)社區(qū)內(nèi)容的有用信息。之后，從中分析該用戶訪問(wèn)社區(qū)事件中的參與類型，作為反映用戶社區(qū)興趣度的衡量指標(biāo)。在收集Web信息的同時(shí)，為了序列要求的需求，要加入頁(yè)面的時(shí)間屬性，即用戶訪問(wèn)社區(qū)時(shí)間。

第二步：頁(yè)面表示，這一步的工作是指將收集到的web頁(yè)面內(nèi)容轉(zhuǎn)化為我們所需要的社區(qū)信息，即建立用戶訪問(wèn)頁(yè)面和用戶訪問(wèn)社區(qū)之間的關(guān)聯(lián)。具體實(shí)現(xiàn)是將具體的Web訪問(wèn)頁(yè)面進(jìn)行處理，即發(fā)現(xiàn)該頁(yè)面內(nèi)容所屬的社區(qū)，進(jìn)而將該頁(yè)面用用社區(qū)名稱表示。

第三步：構(gòu)造訪問(wèn)頁(yè)面序列庫(kù)，這一步的構(gòu)造工作是指將采集到的符合要求并按照要求表示好的頁(yè)面按其時(shí)間屬性的依照升序排列，再根據(jù)指定的時(shí)間周期將整個(gè)序列進(jìn)行分割，將其變成訪問(wèn)序列集。

第四步：引入隱馬爾科夫模型，這是關(guān)鍵的一步，目的是為了完成把上一步得到用戶訪問(wèn)頁(yè)面序列轉(zhuǎn)換為用戶訪問(wèn)的社區(qū)序列，并最終實(shí)現(xiàn)得到預(yù)測(cè)用戶未來(lái)感興趣社區(qū)的目的。最終實(shí)現(xiàn)為其他相關(guān)用戶提供網(wǎng)絡(luò)社區(qū)推薦的目標(biāo)。

2 基于HMM模型的用戶訪問(wèn)社區(qū)序列

本文的關(guān)鍵性工作就是引入隱馬爾科夫模型，最終形成用戶訪問(wèn)社區(qū)序列，進(jìn)行用戶訪問(wèn)社區(qū)工作的預(yù)測(cè)并完成網(wǎng)絡(luò)社區(qū)推薦的目標(biāo)。

文中最終得到的用戶訪問(wèn)社區(qū)序列是用社區(qū)名稱來(lái)表示的，從而用戶訪問(wèn)社區(qū)序列反映了用戶感興趣的社區(qū)轉(zhuǎn)移關(guān)系。下文中的用戶訪問(wèn)社區(qū)序列會(huì)按照下面的公式（1）進(jìn)行描述：

這里ei∈E，1≤i≤m，ei.community表示頁(yè)面ei所屬于的社區(qū)名稱，ei.time表示頁(yè)面ei采集到的時(shí)間，ei.interest表示頁(yè)面ei的興趣度。

根據(jù)以上定義，確定了對(duì)于一個(gè)給定的用戶訪問(wèn)頁(yè)面序列，只需將該序列中的每個(gè)頁(yè)面轉(zhuǎn)換為其對(duì)應(yīng)的社區(qū)名稱表示，那么轉(zhuǎn)換后得到的序列就是用戶訪問(wèn)社區(qū)序列。

同時(shí)，在分析研究的過(guò)程會(huì)發(fā)現(xiàn)頁(yè)面文檔本身具有多主題性，也就是一個(gè)頁(yè)面可能屬于多個(gè)社區(qū)，就是平時(shí)在社區(qū)發(fā)帖中可以將一個(gè)帖子發(fā)在相關(guān)的幾個(gè)社區(qū)當(dāng)中，同時(shí)，一個(gè)頁(yè)面的內(nèi)容可能會(huì)在多個(gè)社區(qū)中見(jiàn)到，因?yàn)橐肴嬲鎸?shí)的反映該頁(yè)面文檔所屬社區(qū)，應(yīng)該考慮到其多主題的歸屬特點(diǎn)，從而能夠更加真實(shí)準(zhǔn)確地反映用戶訪問(wèn)社區(qū)時(shí)的興趣所在以及用戶訪問(wèn)社區(qū)時(shí)的轉(zhuǎn)移特性。所以，從用戶訪問(wèn)頁(yè)面序列到訪問(wèn)社區(qū)序列的轉(zhuǎn)換問(wèn)題。適合采用隱馬爾可夫模型即HMM模型來(lái)解決[14]。

一般來(lái)說(shuō)，社區(qū)個(gè)數(shù)是可數(shù)的，而本文中用社區(qū)名稱來(lái)代表社區(qū)，那么，我們可以假設(shè)有N個(gè)社區(qū)名稱，而正如我們?cè)诓煌鐓^(qū)中所見(jiàn)到的，每個(gè)社區(qū)中包含1到n個(gè)頁(yè)面，同時(shí)，一個(gè)頁(yè)面可以輸入1到n個(gè)社區(qū)，那么社區(qū)和其所包含的頁(yè)面之間關(guān)系的描述可以采用一組概率分布來(lái)表示。結(jié)合隱馬爾科夫模型的特點(diǎn)，文中將訪問(wèn)頁(yè)面序列視為可以觀察到的觀察值序列，而各個(gè)頁(yè)面所屬的社區(qū)也為已知，利用隱馬爾科夫模型就可以獲得當(dāng)面觀察到的用戶訪問(wèn)頁(yè)面序列對(duì)應(yīng)的用戶訪問(wèn)社區(qū)序列。

隱馬爾可夫模型是由兩個(gè)隨機(jī)變量序列組成的模型，其中一個(gè)隨機(jī)變量序列是觀察不到的馬爾可夫鏈，稱為馬爾可夫鏈；另一個(gè)隨機(jī)變量序列是可以觀察到的隨機(jī)序列，稱為其觀察鏈[15]。

用隱馬爾科夫模型來(lái)構(gòu)造用戶訪問(wèn)社區(qū)序列，構(gòu)造過(guò)程如下：

首先，將用戶訪問(wèn)社區(qū)的過(guò)程可以看作是一個(gè)隨機(jī)過(guò)程{Xn}，其中，若當(dāng)前瀏覽的社區(qū)為i，下一個(gè)瀏覽社區(qū)即為j，它們之間的條件概率為Pi，j=P（i|j），符合一階Markov鏈的定義。也就說(shuō)假定用戶當(dāng)前瀏覽的社區(qū)是Ci，同時(shí)，前期已經(jīng)瀏覽了社區(qū)Cin-1，…，Ci0，那么下一個(gè)瀏覽的社區(qū)j的條件概率Pij（k）就取決于社區(qū)類可以用公式（2）表示如下：

然后，可以用一個(gè)五元組=（C，P，A，B，Y）表示社區(qū)訪問(wèn)序列，其中，C是用戶所有可能訪問(wèn)的社區(qū)集合，P是用戶訪問(wèn)的所有頁(yè)面的集合，A是社區(qū)到社區(qū)的轉(zhuǎn)移概率，B是在某一狀態(tài)下用戶訪問(wèn)頁(yè)面隸屬于該社區(qū)的概率，Ψ是初始狀態(tài)的選擇概率。

基于上述定義，對(duì)于用戶訪問(wèn)的某個(gè)社區(qū)節(jié)點(diǎn)Cj，屬于該社區(qū)節(jié)點(diǎn)的頁(yè)面集合P′與該節(jié)點(diǎn)之間的概率分布可用表示，就得到了隱馬爾科夫模型中狀態(tài)節(jié)點(diǎn)觀測(cè)序列中的概率值。

同時(shí)，我們可以計(jì)算得到每個(gè)社區(qū)節(jié)點(diǎn)Cj與該社區(qū)對(duì)應(yīng)主題Mj間的相似度值，見(jiàn)公式（3）。

最終，只需要前面的基礎(chǔ)上對(duì)公式進(jìn)行歸一化處理后的取值便是的值。

基于以上數(shù)據(jù)準(zhǔn)備，結(jié)合隱馬爾科夫模型的定義，可以建立針對(duì)網(wǎng)絡(luò)用戶社區(qū)訪問(wèn)的HMM模型，用O=O1，O2，…，OT來(lái)表示用戶訪問(wèn)序列，用λ=（A，B，Ψ）來(lái)構(gòu)造隱馬爾科夫模型，借助

在此，借鑒隱馬爾可夫模型中的解碼問(wèn)題的描述，即己知用戶訪問(wèn)序列O=O1，O2，…，OT和模型λ=(A，B，π)，借助Viterbi算法進(jìn)行序列選擇，得到最能輔助觀察的用戶訪問(wèn)社區(qū)序列。Q*=q1*，q2*，…，qT*，其中，Q*為具有訪問(wèn)社區(qū)序列的最大概率。

3 基于序列模式挖掘的用戶訪問(wèn)社區(qū)模式發(fā)現(xiàn)

采用HMM模型得到網(wǎng)絡(luò)用戶訪問(wèn)社區(qū)序列后，需要對(duì)其生成序列進(jìn)行數(shù)據(jù)挖掘額，從而得到其訪問(wèn)模式。在本研究中的序列數(shù)據(jù)從組織到處理都將時(shí)間因素考慮其中，也就是在序列發(fā)掘把時(shí)間屬性加入到了關(guān)聯(lián)模型當(dāng)中，那么也就是在考慮數(shù)據(jù)之間關(guān)聯(lián)特征時(shí)考慮到了時(shí)間的因素，處理事物序列時(shí)時(shí)考慮到了時(shí)間的先后次序。因此，前期得到的訪問(wèn)序列都是具有時(shí)間特征的。并且可以從中觀察到數(shù)據(jù)隨時(shí)間變化的趨勢(shì)[16-19]。

因此，對(duì)該序列進(jìn)行挖掘后得到的是時(shí)間序列共用模式，既反映了用戶訪問(wèn)網(wǎng)絡(luò)社區(qū)序列中最具可能性的訪問(wèn)模式，同時(shí)，也對(duì)于其他具有類似訪問(wèn)模式的用戶，后續(xù)對(duì)網(wǎng)絡(luò)社區(qū)的訪問(wèn)具有指導(dǎo)作用，也就是可以通過(guò)適當(dāng)?shù)奶幚砗捅容^對(duì)未來(lái)出現(xiàn)的情況進(jìn)行一定程度的預(yù)測(cè)。

針對(duì)網(wǎng)絡(luò)用戶社區(qū)訪問(wèn)序列的特征，在引入時(shí)間屬性的序列模式挖掘算法中，考慮到在GSP算法中，引入了時(shí)間約束、滑動(dòng)時(shí)間窗技術(shù)，增加了掃描的約束條件，有效地減少了需要掃描的候選序列的數(shù)量，同時(shí)還克服了基本序列模型的局限性，更切合實(shí)際，減少多余的無(wú)用模式的產(chǎn)生。另外，GSP利用哈希樹(shù)來(lái)存儲(chǔ)候選序列，減少了需要掃描的序列數(shù)量。選取了GSP算法作為序列模式挖掘算法。

具體步驟如下：

1）獲取網(wǎng)絡(luò)用戶訪問(wèn)頁(yè)面，形成用戶訪問(wèn)頁(yè)面序列。

2）標(biāo)記該頁(yè)面所屬社區(qū)，將用戶訪問(wèn)頁(yè)面序列轉(zhuǎn)化為用戶訪問(wèn)社區(qū)序列。

3）用GSP算法處理訪問(wèn)社區(qū)序列得到頻繁訪問(wèn)社區(qū)序列。

①掃描用戶訪問(wèn)社區(qū)序列數(shù)據(jù)庫(kù)，得到長(zhǎng)度為1的用戶訪問(wèn)社區(qū)序列模式L1，作為初始的種子集。

②根據(jù)長(zhǎng)度為i的種子集Li，通過(guò)連接操作和修剪操作生成長(zhǎng)度為i+1的候選序列模式Ci+1；然后掃描用戶訪問(wèn)社區(qū)序列數(shù)據(jù)庫(kù)，計(jì)算每個(gè)候選序列模式的支持度，產(chǎn)生長(zhǎng)度為i+1的序列模式Li+1，并將Li+1作為新的種子集。

注：產(chǎn)生候選序列模式主要分連接階段和修切階段兩步完成，可查看相關(guān)文獻(xiàn)，在這里就不贅述了。

③重復(fù)第二步，直到?jīng)]有新的序列模式或新的候選序列模式產(chǎn)生為止。

4）在上述基礎(chǔ)上進(jìn)行分析，從而得到訪問(wèn)社區(qū)隨時(shí)間推移的訪問(wèn)模式。

最終，得到這些訪問(wèn)模式就是研究的目的即用戶訪問(wèn)社區(qū)遷移模式，也就是對(duì)相應(yīng)客戶形成了網(wǎng)絡(luò)社區(qū)的訪問(wèn)推薦。

4 分析驗(yàn)證

對(duì)于上述的理論分析，我們采用對(duì)實(shí)際獲取的網(wǎng)絡(luò)用戶數(shù)據(jù)進(jìn)行處理分析的方法來(lái)驗(yàn)證其正確性。

具體采用的實(shí)驗(yàn)詩(shī)句是使用抓包程序?qū)τ趯?shí)驗(yàn)室內(nèi)部用戶3個(gè)月的網(wǎng)絡(luò)訪問(wèn)數(shù)據(jù)進(jìn)行獲取，考慮到數(shù)據(jù)量過(guò)大，同時(shí)，結(jié)合后期分析處理方便，提取其各自瀏覽校園BBS論壇的頁(yè)面信息，同時(shí)按照論壇社區(qū)劃分進(jìn)行標(biāo)記，結(jié)合時(shí)間因素得到頻繁訪問(wèn)序列。

處理結(jié)果如表1所示。訪問(wèn)ID表示用戶的標(biāo)識(shí)符。

表1 用戶訪問(wèn)社區(qū)序列挖掘的結(jié)果

經(jīng)過(guò)基于HMM模型的數(shù)據(jù)處理，我們得到了用戶訪問(wèn)網(wǎng)絡(luò)社區(qū)的序列，并把這些序列構(gòu)成為序列庫(kù)，進(jìn)一步從中挖掘中用戶訪問(wèn)社區(qū)遷移序列。

具體實(shí)現(xiàn)時(shí)，將GSP算法運(yùn)行時(shí)的最小支持度可分別設(shè)置為3、4、5時(shí)，算法執(zhí)行結(jié)果如表2所示。

表2 用戶訪問(wèn)社區(qū)遷移序列

挖掘出的用戶訪問(wèn)社區(qū)遷移序列表示在所有用戶訪問(wèn)興趣序列中，至少有4天的時(shí)間用戶在Web上都有這樣一個(gè)訪問(wèn)路線：軍事→經(jīng)濟(jì)→環(huán)境→計(jì)算機(jī)。該序列模式挖掘出來(lái)的結(jié)果反映了普遍的網(wǎng)絡(luò)用戶對(duì)訪問(wèn)社區(qū)的選擇。

同時(shí)，針對(duì)該訓(xùn)練結(jié)果在實(shí)驗(yàn)室內(nèi)部做了測(cè)試分析，評(píng)估本文中提出社區(qū)推薦算法的性能，定義算法精確度：

精確度=用戶采納推薦數(shù)/系統(tǒng)推薦社區(qū)總數(shù)。

考慮到用戶的喜好是主觀的，不能提供精確的定量分析，內(nèi)部測(cè)試該算法的精確度為0.8左右，供大家參考。

事實(shí)證明，按照按社區(qū)訪問(wèn)序列進(jìn)行社區(qū)推薦，得到大家的普遍認(rèn)可。進(jìn)一步證明該方法在進(jìn)行網(wǎng)絡(luò)社區(qū)推薦方面是能起到一定效果的。

5 結(jié)束語(yǔ)

網(wǎng)絡(luò)上的資源如此眾多，在進(jìn)行上網(wǎng)瀏覽時(shí)能夠得到有效的推薦是非常必須的一項(xiàng)服務(wù)。我們的研究把目前熱門(mén)的網(wǎng)絡(luò)社區(qū)作為研究的對(duì)象，同時(shí)結(jié)合HMM模型進(jìn)行序列模式的挖掘，最終得到了對(duì)網(wǎng)絡(luò)社區(qū)推薦方案。該方法引入了具有時(shí)間屬性的序列模式數(shù)據(jù)挖掘，與現(xiàn)有的網(wǎng)絡(luò)社區(qū)推薦相比可以說(shuō)是一個(gè)嘗試，更是一個(gè)探索，也是一個(gè)創(chuàng)新。目前采用的GSP算法在實(shí)驗(yàn)階段序列模式長(zhǎng)度較短的應(yīng)用時(shí)效率不錯(cuò)，但該算法在序列模式長(zhǎng)度較長(zhǎng)時(shí)就不易處理，還需要對(duì)該算法進(jìn)行改進(jìn)?？傊?，我們還會(huì)繼續(xù)研究下去，在網(wǎng)絡(luò)用戶進(jìn)行網(wǎng)絡(luò)訪問(wèn)時(shí)提供更有針對(duì)性，更加符合需求的社區(qū)推薦，減少上網(wǎng)的垃圾時(shí)間，提高學(xué)習(xí)生活及工作的效率，更多更好的享受網(wǎng)絡(luò)資源的豐富。

參考文獻(xiàn)：

[1]王國(guó)霞，劉賀平.個(gè)性化推薦系統(tǒng)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（7）:66-76.

[2]Linyuan Lü，Matú? Medo，et al.Recommender systems[J].Physics Reports，2012，519（1）:1-49.

[3]李慧，胡云，施珺.社會(huì)網(wǎng)絡(luò)環(huán)境下的協(xié)同推薦方法[J].計(jì)算機(jī)應(yīng)用，2013，33（11）:3067-3070.

[4]趙宇翔，范哲，朱慶華.用戶生成內(nèi)容（UGC）概念解析及研究進(jìn)展[J].中國(guó)圖書(shū)館學(xué)報(bào)，2012，38（5）:68-81.

[5]王洪福，李懷龍，張家年.博客資源數(shù)據(jù)挖掘研究現(xiàn)狀 [J].電腦知識(shí)與技術(shù)，2013，9（12）:2771-2773.

[6]趙亞楠，董晶，董佳梁.基于社會(huì)化標(biāo)注的博客標(biāo)簽推薦方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2012，33（12）:4609-4613.

[7]熊正理，姜文君，王國(guó)軍.基于用戶緊密度的在線社會(huì)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法[J].計(jì)算機(jī)工程，2013，39（8）:50-54.

[8]林友芳，王天宇，唐銳，等.一種有效的社會(huì)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)模型和算法[J].計(jì)算機(jī)研究與發(fā)展.2012，49（2）:337-345.

[9]黃發(fā)良，肖南峰.網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)的粒子群優(yōu)化算法[J].控制理論與應(yīng)用，2011，28（9）:1135-1140.

[10]金弟，劉杰，楊博，等.局部搜索與遺傳算法結(jié)合的大規(guī)模復(fù)雜網(wǎng)絡(luò)社區(qū)探測(cè)[J].自動(dòng)化學(xué)報(bào)，2011，37（7）:873-882.

[11]錢(qián)付蘭，李啟龍.結(jié)合全局與雙重局部信息的社交推薦[J].計(jì)算機(jī)科學(xué)，2016，43（2）:57-59.

[12]蔣勝，王忠群，修宇，等.基于動(dòng)態(tài)社會(huì)行為和用戶背景的協(xié)同推薦方法[J].計(jì)算機(jī)科學(xué)，2015，42（3）:252-255.

[13]王玙，高琳.基于社交圈的在線社交網(wǎng)絡(luò)朋友推薦算法[J].計(jì)算機(jī)學(xué)報(bào)，2014，37（4）:801-808.

[14]Ahmad A.Kardan，Mahnaz Ebrahimi.A novel approach to hybrid recommendation systems based on association rules mining for content recommendation in asynchronous discussion groups[J].Information Sciences，2013，219（219）:93-110.

[15]Alejandro Bellogín，Iván Cantador，Pablo Castells.A comparative study of heterogeneous item recommendations in social systems[J].Information Sciences，2013（221）:142-169.

[16]Walter Carrer-Neto，María Luisa Hernández-Al?caraz，Rafael Valencia-García，F(xiàn)rancisco García-Sánchez.Social knowledge-based recommender system.Application to the movies domain[J].Ex?pert Systems With Applications，2012，39（12）:10 990-11 000.

[17]穆靜，陳芳，王長(zhǎng)元.人臉面部表情圖像的隱馬爾科夫建模及情感識(shí)別[J].西安工業(yè)大學(xué)學(xué)報(bào)，2015（9）:705-709.

[18]馬恒，杜慶偉.社區(qū)模型機(jī)會(huì)網(wǎng)絡(luò)路由研究[J].電子科技，2013（5）:117-121.

[19]劉明偉，張曉濱，楊東山.移動(dòng)環(huán)境下多情景源用戶情景序列的提取[J].西安工程大學(xué)學(xué)報(bào)，2015（6）:746-750.