基于异质社交网络的好友推荐引擎的中期报告.docx

基于异质社交网络的好友推荐引擎的中期报告
1.研究背景和目的
随着社交网络的发展和普及，人们在互联网上结交好友的方式发生了巨大的变化，社交网络已经成为人们互相交流、分享信息和建立联系的重要场所。在这样的情况下，如何为用户提供更好的好友推荐服务成为了当前互联网公司研究和关注的重点。
本次中期报告旨在设计和实现一个基于异质社交网络的好友推荐引擎，以提高用户获取有用信息和建立有意义联系的能力。
2.数据采集和预处理
本研究从豆瓣社交网络中选取了用户之间的好友关系数据作为研究对象，数据集包含了豆瓣网站上的用户信息，以及用户之间的好友关系。
在进行数据采集的同时，还对数据进行了预处理。具体包括以下步骤：
（1）利用Python将原始数据进行抓取，生成JSON格式的数据文件。
（2）采用Pandas进行数据清洗和处理，删除重复和不合法数据。
（3）将处理后的数据导入到Neo4j图数据库中，便于进行后续的数据分析和建模。
3.异质社交网络特点分析
异构社交网络是指不同属性和特征的用户之间建立了联系的社交网络。在本研究中，我们考虑了不同类型的节点（用户、电影、书籍）以及节点之间的多种关系（好友关系、电影评分、书籍评分等），构成了一个具有复杂结构的异质社交网络。
具体分析如下：
（1）节点属性相异性：不同类型节点的属性不同，例如用户节点有性别、年龄等属性，而电影节点有导演、编剧、演员等属性。
（2）关系类型多样性：多种类型的节点之间可以建立很多种不同类型的关系，例如用户与用户之间可以建立好友关系，用户与电影之间可以建立评分关系等。
（3）关系方向性不同：不同类型的节点之间的关系方向也不同，例如用户与书籍之间的关系是用户给书籍打分，而书籍没有评价用户的权利。
（4）节点度数分布不均：在异质社交网络中，节点的度数分布不同，例如电影节点的度数会比用户节点小得多，因为每部电影只有有限的演员、导演和编剧等。
4.实验方法与结果
基于上述的异质社交网络特点，我们尝试了三种不同的实验方法来进行好友推荐，具体如下：
（1）基于节点度数的推荐方法：该方法认为节点度数越高的节点越接近中心节点，越有可能成为它的好友。
（2）基于用户行为的推荐方法：该方法根据用户对电影、书籍等节点的行为（评分、收藏等）来推荐与其兴趣相似的好友。
（3）基于异质网络嵌入的推荐方法：该方法利用了异质网络的特点，将不同的节点类型嵌入到同一特征空间中，通过计算节点之间的相似性来进行好友推荐。
实验结果表明，基于异质网络嵌入的推荐方法效果最好，其次是基于用户行为的推荐方法，基于节点度数的推荐方法效果最差。这是因为，基于异质网络嵌入的方法同时考虑了节点属性、关系类型和方向等多种因素，可以更准确地反映节点之间的关系。而基于度数的方法只考虑了节点度数，不能准确反映节点之间的关系；基于用户行为的方法虽然能够反映用户的兴趣和行为，但是不同用户之间的行为可能存在很大的差异，因此推荐结果可能存在误差。
5.结论和展望
本研究设计和实现了一个基于异质社交网络的好友推荐引擎，通过对异质社交网络的特点进行分析和实验，得到了更好的推荐结果。未来可以进一步研究如何结合用户的社交行为和兴趣分析来提高好友推荐的精度和准确度。同时，还可以将异质网络嵌入等深度学习技术应用到好友推荐领域，提高推荐模型的表达能力和泛化能力。