第３８卷 第２期２０
１５年２月计 算 机 学 报
ＣＨＩＮＥＳＥ ＪＯＵＲＮＡＬ ＯＦ
ＣＯＭＰＵＴＥＲＳＶｏｌ
．３８Ｎｏ．２Ｆｅｂ．２０１５
收稿日期：２０１４－０４－０５；最终修改稿收到日期：２０１４－１０－３１．本课题得到国家自然科学基金项目（６０８７２０５１）、北京市教育委员会共建项目专项资助．刘树栋，男，１９８４年生，博士研究生，主要研究方向为推荐系统、位置服务．Ｅ－ｍａｉｌ：ｌｉｕｍｕ１３２１＠１６３．ｃｏｍ．孟祥武，男，１９６６年生，博士，教授，博士生导师，主要研究领域为网络服务、用户需求、推荐系统．
基于位置的社会化网络推荐系统
刘树栋 孟祥武
（北京邮电大学智能通信软件与多媒体北京重点实验室 北京 １００８７６
）（北京邮电大学计算机学院 北京 １００８７６
）摘 要 近年来，基于位置的社会化网络推荐系统逐渐成为位置服务和社会网络分析的活跃课题之一．挖掘用户签到位置轨迹和社交活动数据，提取用户社会活动的地理空间特征模型及其与社会关系的关联性，设计合理的推荐算法，成为当前基于位置的社会化网络推荐系统的主要任务．该文从分析基于位置的社会化网络的结构特征入手，对基于位置的社会化网络推荐系统的基本框架、基于不同网络层次数据挖掘的推荐方法及应用类型等进行前沿概况、比较和分析．最后对有待深入研究的难点和热点进行分析和展望．关键词 位置服务；社交网络；推荐系统；协同过滤；轨迹；兴趣点；社会计算中图法分类号ＴＰ１８ ＤＯＩ号１０．３７２４／ＳＰ．Ｊ．１０１６．２０１５．００３２２
Ｒｅｃｏｍｍｅｎｄｅｒ Ｓｙ
ｓｔｅｍｓ ｉｎ Ｌｏｃａｔｉｏｎ－Ｂａｓｅｄ Ｓｏｃｉａｌ ＮｅｔｗｏｒｋｓＬＩＵ Ｓｈｕ－Ｄｏｎｇ ＭＥＮＧ Ｘｉａｎｇ
－Ｗｕ（Ｂｅｉｎｇ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ
Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｏｆｔｗａｒｅ ａｎｄ Ｍｕｌｔｉｍｅｄｉａ，Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ
ｏｆ Ｐｏｓｔｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｂｅｉｊｉｎｇ １００８７６）（Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ
ｏｆ Ｐｏｓｔｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｂｅｉｊｉｎｇ １００８７６）Ａｂｓｔｒａｃｔ Ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ ｉｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｈａｖｅ ｒｅｃｅｎｔｌｙ ｂｅｃｏｍｅ ｏｎｅ ｏｆｔｈｅ ｈｏｔｔｅｓｔ ｔｏｐｉｃｓ ｉｎ ｄｏｍａｉｎ ｏｆ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｅｒｖｉｃｅｓ ａｎｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ａｎａｌｙ
ｓｉｓ．Ｔｈｅ ｍａｉｎ ｔａｓｋｏｆ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ ｉｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｉｓ ｔｏ ｍｉｎｅ ｔｈｅ ｄａｔａ ｏｆ ｕｓｅｒｓ’ｔｒａｊｅｃｔｏｒｙａｎｄ ｓｏｃｉａｌ ａｃｔｉｖｉｔｉｅｓ，ａｂｓｔｒａｃｔ ｇｅｏｇｒａｐ
ｈｉｃａｌ ｆｅａｔｕｒｅｓ ｏｆ ｕｓｅｒｓ’ｍｏｖｅｍｅｎｔｓ ａｎｄ ｉｔｓ ｒｅｌｅｖａｎｃｅ ｗｉｔｈｓｏｃｉａｌ ｉｎｔｅｒａｃｔｉｏｎｓ，ｅｘｐｌｏｉｔ ｔｈｅｍ ｔｏ ｄｅｖｅｌｏｐ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｇｅｎｅｒａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ．Ａｔ ｆｉｒｓｔ，ｗｅｗｉｌｌ ｉｎｔｒｏｄｕｃｅ ｓｔｒｕｃｔｕｒａｌ ｃｈａｒａｃｔｅｒｓ ｏｆ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ，ｔｈｅｎ ｐ
ｒｅｓｅｎｔ ａｎ ｏｖｅｒｖｉｅｗａｂｏｕｔ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ ｉｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｆｒｏｍ ａｐｒｏｃｅｓｓ－ｏｒｉｅｎｔｅｄ ｐｅｒｓｐｅｃｔｉｖｅ，ｉｎｃｌｕｄｉｎｇ ｓｙｓｔｅｍ ｆｒａｍｅｗｏｒｋｓ，ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｇｅｎｅｒａｔｉｏｎ ｍｅｔｈｏｄｓ ｂａｓｅｄ ｏｎ ｍｕｌｔｉｌａｙｅｒ ｎｅｔｗｏｒｋｄａｔａ ａｎｄ ｔｙｐｉｃａｌ ａｐｐｌｉｃａｔｉｏｎｓ．Ｔｈｅ ｐｒｏｓｐｅｃｔｓ ｆｏｒ ｆｕｔｕｒｅ ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ｓｕｇｇｅｓｔｉｏｎｓ ｆｏｒ ｐｏｓｓｉｂｌｅｅｘｔｅｎｓｉｏｎｓ ａｒｅ ａｌｓｏ ｄｉｓｃｕｓｓｅｄ ａｔ
ｌａｓｔ．Ｋｅｙ
ｗｏｒｄｓ ｌｏｃａｔｉｏｎ ｂａｓｅｄ ｓｅｒｖｉｃｅｓ；ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ；ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ；ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅ－ｒｉｎｇ；ｔｒａｊｅｃｔｏｒｙ；ｐｏｉｎｔ－ｏｆ－ｉｎｔｅｒｅｓｔ；ｓｏｃｉａｌ ｃｏｍｐｕｔｉｎｇ
１ 引 言
近年来，随着全球定位系统、无线通信网络等基
础设施的飞速发展及手持、车载无线通信定位设备
的广泛应用，特别是众多移动社交网络的位置签到、位置共享及位置标识等功能的应用普及，位置服务（Ｌｏｃａｔｉｏｎ Ｂａｓｅｄ
Ｓｅｒｖｉｃｅ，ＬＢＳ）与社交网络逐渐融
合，形成了基于位置的社会化网络（Ｌｏｃａｔｉｏｎ－ＢａｓｅｄＳｏｃｉａｌ Ｎｅｔｗｏｒｋｓ，ＬＢＳＮｓ）．它通过移动用户的位置签到功能，把线上虚拟社会与线下真实世界关联在一起［１］，实现用户位置定位的同时，还实现了位置信息在虚拟网络世界的共享与传播，从而衍生出多种多样的位置服务，其中，推荐系统作为目前解决信息过滤和个性化服务问题的重要技术手段之一，在位置服务中发挥着越来越重要的作用．
最新皮尤网络（ｐｅｗ ｉｎｔｅｒｎｅｔ）调查报告和美国生活工程报告（Ａｍｅｒｉｃａｎ ｌｉｆｅ ｐｒｏｊｅｃｔ ｒｅｐｏｒｔｓ）显示①，美国成年人智能手机拥有者的比例从２０１１年的３５％上升到２０１２年的４６％，其中大约７４％的用户通过智能手机获取基于位置的实时信息（如位置导航及推荐等），同时有１８％的用户使用过，诸如Ｆｏｕｒｑｕａｒｅ、Ｇｏｗａｌｌａ、Ｆａｃｅｂｏｏｋ Ｐｌａｃｅｓ、Ｔｗｉｎｋｌｅ等位置社会化网络，然而在２０１１年这一比例才１２％，在２０１３年有超过８２０万用户使用基于位置的社会化网络服务，到２０１５年全球基于位置的社会化网络服务市场规模将达到１０．８亿美元．在学术研究领域，ＡＣＭ ＳＩＧＳＰＡＴＩＡＬ ＧＩＳ已连续几年举办基于位置的社会化网络研讨会，并指出位置服务与移动社交网络的融合将逐渐成为网络服务发展的新方向之一，这也体现了移动互联网时代公众位置服务的社会化（ｓｏｃｉａｌ）、本地化（ｌｏｃａｌ）和移动性（ｍｏｂｉｌｅ）的基本特征（“ＳｏＬｏＭｏ”）②．
基于位置的社会化网络推荐系统不仅具有移动互联网位置服务的社会化、本地化和移动性等信息服务特征，而且能够根据不同用户的个性化需求进行信息过滤与主动推荐，在国内外逐渐赢得了广泛关注，许多大学和研究机构对此领域展开了深入研究，被ＳＣＩ和ＥＩ收录的论文数目也逐年上升．国际重要学术会议（如数据挖掘领域的ＳＩＧＫＤＤ、ＩＣＤＭ、ＰＡＫＤＤ，普适计算领域的ＵｒｂＣｏｍｐ，地理信息系统ＧＩＳ和推荐系统ＲｅｃＳｙｓ）及相关领域的国际期刊（如《Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ》、《Ｐｅｒｓｏｎａｌ ａｎｄＵｂｉｑｕｉｔｏｕｓ Ｃｏｍｐｕｔｉｎｇ》、《Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆＮｅｔｗｏｒｋｉｎｇ ａｎｄ Ｃｏｍｐｕｔｉｎｇ》）也出现了很多有关基于位置的社会化网络推荐系统研究成果的报道．本文针对基于位置的社会化网络推荐系统目前已有研究成果与应用进展进行综述．第２节概述基于位置的社会化网络结构特征和数据特征；第３、４节重点介绍基于位置的社会化推荐系统基本框架、基于不同层次网络数据挖掘的推荐方法及应用类
型；第５节对有待深入的研究难点和发展趋势进行展望；最后是结束语．
２ 基于位置的社会化网络
２．１ 基于位置的社会化网络的结构特征
基于位置的社会化网络用户不断位置签到、信息共享及在线社交互动，积累了大量签到位置轨迹数据和社交活动数据，这为研究现实世界中用户的行为特征提供了大量的数据支持，同时能够帮助完善诸如移动营销［２－４］、灾难救援［５－７］、交通模拟预报［８－１０］等位置服务．此外，这些数据源还推动了用户现实活动行为与社交活动特征之间关联性的研究．一般社会化网络包含许多相互关联的个体，是对现实社会关系的网络虚拟化，它实现了虚拟社交活动和社会生活经验、知识等的信息共享．基于位置的社会化网络是在一般社会化网络的基础上，进一步增加了用户位置签到及位置相关信息的共享．基于位置的社会化网络形式化定义是由Ｚｈｅｎｇ等人［１１］给出，具体描述如下：
基于位置的社会化网络不仅是在线社会化网络中添加位置信息，使用户在社会化网络中分享与位置有关的信息，而且隐含着用户位置信息及其位置标注媒体信息（例如图片、视频、文档等）中内在关联实体之间形成的新的社会网络结构，其中位置信息是由用户随时间变化的移动位置点构成．此外，实体间内在的关联性不仅包括两个用户出现在相同的位置上或者共享相似的位置信息，而且还包括用户的一般兴趣、社会活动规律、具体位置信息及位置标注的媒体信息中体现出来的各种知识．
从这个形式化定义可以看出，基于位置的社会化网络是由用户活动的地理空间层、在线互动的虚拟社会关系层和分享的媒体内容信息以及它们之间的关联性构成，如果再加上时间因素，那么基于位置的社会化网络可以抽象成如图１所示的３＋１框架［１２］，其中时间信息把地理空间层、社会关系层和媒体内容层的数据信息联系在了一起，地理空间层是基于位置的社会化网络区别于一般社会化网络的唯一特征．
３
２
３
２期刘树栋等：基于位置的社会化网络推荐系统研究
①②ｈｔｔｐ：／／ｗｗｗ．ｐｅｗｉｎｔｅｒｎｅｔ．ｏｒｇ／２０１２／０５／１１／ｔｈｒｅｅ－ｑｕａｒｔｅｒｓ－ｏｆ－ｓｍａｒｔｐｈｏｎｅ－ｏｗｎｅｒｓ－ｕｓｅ－ｌｏｃａｔｉｏｎ－ｂａｓｅｄ－ｓｅｒｖｉｃｅｓ／
ｈｔｔｐ：／／ｗｗｗ．ｋｐｃｂ．ｃｏｍ／ｔｅａｍ／ｉｎｄｅｘ．ｐｈｐ？ＭａｔｔＭｕｒｐｈｙ．２０１１－０６－２０
图１ 基于位置的社会化网络的３＋１框架模型
基于位置的社会化网络包括６种不同的网络关系：位置－位置网络、用户－用户网络、媒体内容－媒体内容网络、用户－位置网络、用户－媒体内容网络、位置－媒体内容网络．其中位置－位置网络、用户－位置网络和位置－媒体网络是基于位置的社会化网络推荐系统重点研究的内容．大多数基于位置的社会化网络推荐服务都是基于这３种网络层次数据的挖掘与分析．
２．２ 基于位置的社会化网络的数据特征
基于位置的社会化网络中主要包括以下几种数据集：（１）用户签到的历史轨迹数据集：该数据集记录了用户在不同时间点上所处的地理位置点，是由一系列的连续位置序列组成；（２）用户社会关系数据集：该数据集记录了用户间的社会关系信息；（３）用户参与社会活动及共享的媒体数据集：该数据集记录了用户在不同时间点的不同地理位置上参与的社会活动或者共享的媒体信息．其中只有用户社会关系数据集与一般社会化网络中是相同的，用户签到的历史轨迹数据集是基于位置的社会化网络中特有的．相比一般社会化网络中的用户共享数据集，基于位置的社会化网络中用户参与社会活动及共享的媒体数据集中增加了位置标签信息．
总体来讲，相比其他网络数据集（例如移动通信数据集、一般社会化网络数据集），基于位置的社会化网络数据集有如下特点：
（１）多层的异构网络结构
相比一般的社会化网络和移动通信网，基于位置的社会化网络记录了用户在实现世界的位置移动轨迹数据，有效地把用户现实生活与虚拟网络活动结合在一起，这使基于位置的社会化网络用户行为同时具备了地理空间、社会化、时间动态性等特性，形成了由用户位置轨迹网络、社交网络和用户－活动／媒体内容多层次异构网络结构，至少包括了两种不同的节点（用户和位置），三种不同的边（用户－用户、位置－位置、用户－位置），同类节点及异类节点之间都能形成网络结构．此外不同网络层之间能够由用户、地理位置、时间等信息串联起来．
（２）位置空间特性
地理空间特性是基于位置的社会化网络与一般社会化网络的一个最重要区别．位置签到在实现用户位置记录和位置信息的共享的同时，还把社会化网络与现实世界无缝地连接起来，使基于位置的社会化网络更加贴近现实生活，共享信息具有显著的位置标签．此外，积累的大量位置轨迹数据为研究用户在现实世界中的行为规律提供了充足的数据支持．对用户签到位置空间特性的挖掘与认知是目前社会化网络位置服务的重点研究内容．
（３）准确的位置描述
在移动通信网中，只能记录用户地理位置信息的经纬度．在基于位置的社会化网络中，不仅可以记录用户地理位置的经纬度，而且可以记录具体位置的描述性信息．例如在Ｆｏｕｒｓｑｕａｒｅ、ＦａｃｅｂｏｏｋＰｌａｃｅｓ、Ｙｅｌｐ等基于位置的社会化网络中还提供了一些详细位置的描述文档，包括餐厅的类型、用户评价等等．因此，可以利用这些描述性文档，清楚地区分同一条街上相邻的两家餐厅，从而可以采用一些语义文本处理方法，提高诸如位置推荐［１３］等位置服务的准确性．
（４）明晰的社会关系
与一般社会化网络一样，基于位置的社会化网络中用户间的社会关系由用户自身明确地标注出．例如用户间的朋友关系，可以从用户的朋友列表中显示出来．但是在移动通信网中，用户间的社会关系必须从用户间的通信关系中提取．这种特性在保护敏感社会关系的朋友推荐中将发挥重要的作用．（５）用户主导的大规模移动数据
基于位置的社会化网络中的位置签到和信息分享完全是由用户主导的［１４］，一般不会泄露用户的个性隐私．而在移动通信网的数据收集过程中，用户完全是被动的，用户隐私保护一直困扰在其中．随着移动设备的应用和基于位置的移动社会化网络的兴起，产生了大量移动数据．例如在２０１２年第一季度Ｙｅｌｐ的月平均用户访问量大约为７１００万，截止到
４
２
３计 算 机 学 报２０１５年
２０１２年４月份Ｆｏｕｒｑｕａｒｅ已有２０００万用户和２０亿条的签到数据①．
（６）数据稀疏性
在传统的移动通信网中，用户地理位置由通信塔自动记录，但在基于位置的社会化网络中，用户位置的签到过程是由用户本人主导的．由于涉及个人隐私问题，用户不会把其所处的所有位置都签到社会化网络中，而是有选择的签到一部分位置，这种签到方式往往会导致用户位置轨迹数据集中存在严重的稀疏性问题．这势必增加用户位置轨迹挖掘和用户移动模式分析的难度．
３ 基于位置的社会化网络推荐系统
３．１ 传统互联网推荐系统
推荐系统作为缓解“信息过载”的有效手段之一，需要建立用户与项目之间的二元关系，利用已有的选择过程或相似关系挖掘每个用户潜在感兴趣的对象，从而进行个性化推荐．Ａｄｏｍａｖｉｃｉｕｓ等人［１５］给出推荐系统的形式化定义：设Ｃ表示用户集合，Ｓ表示需要推荐给用户的项目集合（如图书、电影、餐馆等），ｕ是一个效用函数，计算项目ｓ对用户ｃ的相关程度，如ｕ：Ｃ×Ｓ→Ｒ＊，其中，Ｒ＊表示一个排序后的集合（如一定范围内的全序的非负实数）．则推荐系统就是要找到使效用函数ｕ（·）最大的那些项目，即 ｃ∈Ｃ，ｓ′ｃ＝ａｒｇ ｍａｘ
ｓ∈Ｓ
（ｕ（ｃ，ｓ））．
从信息过滤的角度，目前推荐系统主要分为以下几种［１５－１６］：
（１）协同过滤推荐（ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｒｅｃｏｍ－ｍｅｎｄａｔｉｏｎ）．源于“集体智慧”的思想，采用相似用户间可能具有相似的兴趣偏好的基本方法，预测用户对具体项目潜在偏好．主要可以分成启发式和基于模型两种类型［１５］：前者需要计算用户（或者项目）之间的相似度，后者通过构建用户偏好模型的方式，预测用户对项目的潜在偏好或者项目与用户偏好之间的匹配度．
（２）基于内容的推荐（ｃｏｎｔｅｎｔ－ｂａｓｅｄ ｒｅｃｏｍｍｅｎ－ｄａｔｉｏｎ）．根据用户喜欢的项目，选择其他类似的项目作为推荐．首先系统隐式获取或者用户显式给出用户对项目属性的偏好，然后计算用户偏好和待预测项目的描述文档（由项目属性刻画）之间的匹配度（或相似度），最后按照匹配度进行排序向用户推荐其可能感兴趣的项目．
（３）混合推荐（ｈｙｂｒｉｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ）．混合推荐主要是为了解决单一推荐方法的不足问题［１７］，按照不同的混合策略（如加权、切换、混合呈现、特征组合、串联、元层次混合等）把多种推荐方法组合在一起［１８］．
３．２ 基于位置的社会化网络推荐系统与其他推荐系统的异同点
基于位置的社会化网络推荐系统作为目前主动为用户提供各种服务信息的技术之一，它既满足位置服务的基本要求，同时还具有移动推荐［１９］、上下文（位置和社会关系）感知推荐［１６］和社会化网络服务推荐［２０］的基本特点．表１列出了基于位置的社会化网络推荐系统与其他推荐系统在设备及其移动性、实时性、普适性及数据源等方面的异同点．
表１ 基于位置的社会化网络推荐系统与其他推荐系统的对比
设备及其移动性实时性普适性数据源
电子商务推荐ＰＣ、无移动性无无购物行为数据
移动推荐手机、ＰＤＡ、平板电脑等
移动设备
对推荐的实时性有
较高要求
实时感知移动用户的
上下文信息
移动上下文数据
上下文感知推荐无要求较少实时感知移动用户的
上下文信息
上下文描述数据
在线社会化网络推荐无较少较少社会关系数据
基于位置的社会化
网络推荐手机、ＰＤＡ、平板电脑等
移动设备
对推荐的实时性有
较高要求
实时感知移动用户的
位置信息
位置轨迹数据、
社会关系数据
所谓基于位置服务［２１］指通过移动终端和无线或卫星通信网络的配合，确定出移动用户的实际地理位置，并提供与位置相关的信息服务．在现实生活中位置服务主要包括获取导航服务、查询行走路线等．从基本概念上讲，位置服务主要包含如下两层含义：
（１）确定移动用户或者设备的地理位置．
（２）提供与位置相关的各种信息服务．
移动互联网时代位置服务特征主要包括如下几个方面：①位置服务与社交网络结合的必然性．用
５
２
３
２期刘树栋等：基于位置的社会化网络推荐系统研究
①ｈｔｔｐ：／／ｍａｓｈａｂｌｅ．ｃｏｍ／２０１２／０４／１６／ｆｏｕｒｓｑｕａｒｅ－２０－ｍｉｌｌｉｏｎ／
户的位置信息可以反映用户的社会属性（经历、工作／生活环境以及年龄、兴趣爱好等）．此外由具体位置产生的热点社会话题等容易引起社会关注，位置签到又把虚拟空间与现实世界连接起来，从而促进了社交活动及位置标注社会媒体信息的从线下到线上的共享、讨论等；②位置服务具有鲜明的社会计算的特点．位置服务对象和处理对象分别为大众群体和与大众群体现实生活密切相关的具体事件；③移动定位与社会化感知的本地化服务相结合．本地生活是用户获取信息服务的主要兴趣指向之一．移动定位技术是位置服务的根基，主要解决地理位置的确定．基于位置的社会感知将地理位置向社会位置延伸，挖掘地理位置背后的社会属性及其与用户偏好的关联性，提供与用户自身环境相适应的、本地化的个性化服务．例如在逛街的时候，是否希望随时知道附近商场的促销打折信息？去看一场精彩的
足球赛，是否希望能在现场找到有着共同爱好却很少见面的球友？那么基于位置推荐服务可以满足类似的需求．如果再把用户的在线实时社交活动信息融合进来，那么这就是一种典型的基于位置的社会化网络推荐系统应用实例．
此外，基于位置的社会化网络推荐系统更加侧重于挖掘网络数据中包含的人类社会行为学中的基本知识和规律，以此作为生成推荐结果的重要依据．因此，在基于位置的社会化网络推荐系统中，首先需要对大规模的网络数据进行处理与分析，认知和学习用户移动模式及基本行为规律．这与只关注用户－项目评分矩阵的传统电子商务推荐系统有非常大的区别．
３．３ 基于位置的社会化网络推荐系统基本框架
基于位置的社会化网络推荐系统的基本框架如图２所示
．
图２ 基于位置的社会化网络推荐系统基本框架
（１
）原始数据收集数据是推荐系统输入源．原始数据的收集是获取与推荐对象相关的各种信息的过程．基于位置的社会化网络推荐对象主要包括位置（ｌｏｃａｔｉｏｎ，其中包括诸如景点、商业区等单一位置和旅行路线等连续位置）、活动（ａｃｔｉｖｉｔｙ，其中包括用户感兴趣的餐厅、商店等）、用户（ｕｓｅｒ，其中包括区域专家、意见领袖、朋友等）和社会媒体（ｓｏｃｉａｌ ｍｅｄｉａ，包括图像、视频、网页等），因此数据收集就是获取与这四种对象相关的信息：用户基本特征、用户－位置签到、用户－
参与社会活动、用户－共享社会媒体和用户社交活动等日志信息．目前此研究领域的公开可用数据集还比较少，直接从基于位置的社会化网站抓取和独立
收集是目前众多研究［
１０－
１３］中主要采用的两种原始数据获取方式．
（２
）数据预处理收集到与推荐对象相关的原始数据后，需要进行数据的预处理，把处理结果形式化地表达出来，作为推荐系统最终的输入对象．事实上，这是一个知识发现与挖掘的过程，在基于位置的社会化网络推荐
６
２３计 算 机 学 报２０１５年
系统中的作用显得尤为突出．主要包括：①用户－位置轨迹表示和检索、位置轨迹网络的构建和认知，即根据用户－位置签到行为日志，把用户随时间变化的各个位置串联起来，形成位置轨迹，提取用户位置移动基本规律，并构建所有用户的位置轨迹网络，分析所有用户的不同位置移动模式．②用户－活动／社会媒体关系网络的构建：根据用户参与的社会活动或者分享的社会媒体日志，构建用户－活动／社会媒体关系网络，如果加上活动地点或者社会媒体地点，那么就构成用户－位置－活动／社会媒体三维张量．③用户社会关系网络的构建：根据用户对朋友关系的确切标注信息，构建用户间的社交关系网络．
（３）推荐生成
推荐生成算法是推荐系统的核心部分．传统推荐系统中，例如协同过滤、基于内容的推荐等基本算法同样也适用于基于位置的社会化网络推荐系统，只是把位置信息视为一个重要上下文信息融合在推荐生成过程中，或者把位置信息直接作为推荐对象．例如根据用户当前位置或者当前位置的偏好信息，预测下一时刻的位置或者推荐服务信息等．此外，社会化网络推荐系统中经常采用的边链接预测等方法同样适用于基于位置的社会化网络朋友推荐系统，但是这不仅需要考虑两个用户之间是否存在边连通路，而且还需要考虑两个用户在地理空间上是否相邻．（４）推荐的效用评价
将推荐结果呈现给用户时，需要结合用户的显式或隐式反馈，利用精确度、实时性、可用性、多样性等评价指标评价推荐系统的性能，并根据需要对其进行扩展、改进等．
４ 基于不同层次网络数据挖掘的推荐方法
在电子商务推荐系统及一般社会化网络推荐系统中，用户与推荐对象之间的隐式关联性在原始数据中能够直接体现出来，例如在电子商务中，可以把与用户已购买商品属性相似的其他物品或者与此用户有相似购买行为的其他用户最新购买的商品作为推荐对象；在一般社会化推荐系统中，朋友的朋友作为朋友推荐对象等．然后在基于位置的社会化网络推荐系统中，由于涉及用户在现实世界中的动态活动行为，在原始数据中用户与推荐对象之间往往间杂着多层隐式的异构网络关系．例如在基于位置的朋友推荐系统中，如果仍然采用朋友的朋友可能是用户好友的推荐策略，那么这种推荐结果可能很难满足用户需要．因此在这种情况下，往往还需要引入地理位置因素的影响．
在基于位置的社会化网络推荐系统中，对原始数据进行深入的挖掘与认知就显得尤为重要，并直接决定了推荐策略与性能表现．本文从不同层次网络数据挖掘的角度，归类总结目前基于位置的社会化网络推荐方法的研究进展．
４．１ 基于用户签到位置特征的推荐
用户的位置签到数据主要涉及用户和地理位置点两种元素，如果加入用户基本属性信息和地理位置的社会标签信息，那么就形成用户－位置二元数据结构（如图３所示）
．
图３ 用户签到位置关系
在不考虑其他上下文因素的条件下，可以分析用户的签到位置点的空间特征、地理空间分布规律、社会流行度及用户签到频率，利用贝叶斯模型［２２－２３］、位置层次分类模型［２４－２６］、隐狄利克雷模型［２７］、高斯核模型［２８］等方法，建立用户对签到位置的偏好模型，采用基于内容的推荐方法或者基于模型的推荐方法［１８］，把匹配度较高的位置信息（例如餐厅、景点等）推荐给用户．例如Ｐａｒｋ等人［２２］提出了一种基于位置的餐厅推荐系统，利用贝叶斯模型计算用户对餐厅的类型、价格和心理因素三种属性上的偏好权重，把匹配程度最高的餐厅信息推荐给用户；Ｂａｏ等人［２４］提出了一个离线建模和在线推荐相结合的位置推荐系统，在离线建模中，按照地理位置社会标签，把用户签到的位置进行层次化分类，节点的权值表示用户的访问次数，并把用户的历史签到数据视为一个文档，每一个位置类别视为文档中的一个单词，计算每个节点的ＴＦ－ＩＤＦ值，并提出一种用户偏好提取方法、用户在局部区域的专家值计算方法和用户相似度计算方法；在线推荐中，根据用户当前位置、个体偏好和本地专家意见，为用户产生推荐结果．上述两种方法都属于基于用户偏好学习的项目匹配推荐方法，优点在于推荐结果比较直观、易于解释，不存在项目冷启动和数据稀疏性问题．缺点在于
７
２
３
２期刘树栋等：基于位置的社会化网络推荐系统研究
推荐的准确度受制于用户偏好学习的准确度、存在用户冷启动问题、没有考虑用户偏好随时间的变化．
此外，可以构建用户－位置签到关系矩阵，挖掘用户对位置的签到偏好，采用协同过滤的推荐方法，
实现对用户的位置推荐．例如Ｎｕｎ
ｅｓ等人［２８］
利用高斯核模型，提出了一种频繁活动区域内距离感知的位置推荐方法；还可以利用不同用户的签到位置点的内在关联性，把位置视为传统推荐系统中的普通项目（如商品、电影等），构建用户－位置矩阵，利用非
负矩阵分解［２９
］提取用户和位置的隐变量模型（ｌａｔｅｎｔｆａｃｔｏｒ
ｍｏｄｅｌ）、用户签到行为的相似性［３３－３４］或者签到位置的相似性［
３１－
３２］，实现对用户位置的协同过滤推荐，其中用户－位置矩阵中所有元素的赋值问题是此方法要解决的困难点，因为与电子商务网络中用户对商品有明确的评分不同，在大多数基于位置的社会化网络中，用户－位置间只存在签到关系，用户对位置的评价信息是模糊的，甚至完全没有．
总之，由于不涉及其他上下文因素，此类推荐应用只能基于用户－签到位置二元关系，分析用户的签到位置特征或者用户间的位置签到规律，采用传统的推荐方法（基于内容的推荐、基于模型的推荐或者协同过滤），实现对用户的位置信息推荐．这里的位置信息也就相当于电子商务推荐系统中的商品，推荐方法也基本上与电子商务推荐方法类似．传统推荐系统诸如数据稀疏性及冷启动等问题仍然存在．但是用户的签到位置信息包含更多的社会属性信息（如地理标识、语义信息、距离信息等），这对缓解推荐系统普遍存在的数据稀疏性及冷启动等问题有很大的帮助．
４．２
基于用户连续签到位置轨迹的推荐
图４ 用户签到位置轨迹
基于位置的社会化网络用户随时随地的位置签到，可以采用位置序列表示出来，形成位置轨迹，把用户在现实世界行动轨迹清晰地记录在虚拟网络世界中，使得用户的位置签到数据同时具备了时间和空间特性（如图４所示）．
因此可以把用户在虚拟网络世界中的签到位置轨迹数据应用到研究用户在现
实世界中的位置移动模式、行为规律等［３３－
３５］．
用户移动模式和行为规律可以作为生成基于位置推荐结果的重要依据．
从用户签到位置轨迹在时间和空间维度上的特性挖掘角度上讲，基于用户连续签到位置轨迹的推荐有以下几种：
（１
）分析用户位置签到行为随时间的变化特征及签到位置在地理空间中的分布特征，挖掘用户在不同时间点或者时间周期内的签到位置的地理空间
分布规律，为用户提供随时随地的位置推荐［４０－
４４］或者行程路径［４５－
５１］推荐．
①位置推荐．
根据用户签到位置随时间周期的变化规律，预测用户在某一时刻或者时间段内可能
处于的地理位置．例如Ｇａｏ等人［３
６］
把一定时间周期内用户位置规律性变动（例如在早上９点钟到达办公室，中午１２点钟到餐厅用餐，晚上１０点钟在家看电影等）引入推荐结果的生成过程中，提高位置推荐
的准确率；Ｎｏｕ
ｌａｓ等人［３７－
３８］分析用户签到位置点间的距离、时间跨度、不同类型的位置点的转移规律，发现影响用户在不同位置点上移动的各种因素，分别采取监督学习和随机漫步方法，为用户提供位置
点推荐．Ｓａ
ｌｅｅｍ等人［３９］
提出了一种结合位置社会流行度和用户个性化偏好的位置推荐方法，建立用户签到位置轨迹的树型层次分类模型，把同层的位置按照区域范围聚类，把同一类中所有用户在一时间段内对某个位置的签到比例视为此位置的社会流行
度．Ｃｈｅｎｇ等人［４０］
根据用户连续签到位置序列在时
间维度上满足马尔可夫链模型和在地理空间上具有局部区域性，提出一种基于矩阵分解的连续兴趣位
置推荐方法．Ｒａ
ｈｉｍｉ等人［４１］
构建概率分布模型模拟用户位置签到在时间和空间上的特性，其中时间概率分布模型模拟用户签到行为在时间上的周期性，地理空间分布模型模拟用户签到位置概率分布与用户居住地之间距离的函数关系，利用这两个模型和位置类型为用户提供位置推荐．这些推荐方法基本上属于基于内容的推荐和协同过滤的混合应用，能够扬长避短，弥补单一推荐方法的不足．其中用户签到位置在时间和空间两个维度上模型构建是设计推荐算法的核心和难点．
②行程路径推荐［４２－４６
］．
根据用户位置出发点和目的地，结合其他社会信息（如行程耗费、城市交通、
景点选择等），为用户推荐最佳的行程路线．基于人
口统计学的过滤推荐［
４２－４４］和基于模型的推荐［４５－
４６］是实现此类推荐最直接的方法．例如Ｌｉｎｇ等人
［４２］
８
２３计 算 机 学 报２０１５年
根据用户在一天时间内在一个城市或者城市区域范围内的位置点上签到频率，把一个城市的人分成常驻居民和短期旅行者，分析这两类用户在不同时间内在相同位置区域的签到位置点的分布规律，并说明了这两种用户在城市不同区域范围内的移动规律可以扩展应用到饮食和旅行推荐中．Ｙｏｏｎ等人［４３－４４］提出一种离线学习与在线询问相结合的旅程推荐模型，在离线学习模块中，从用户历史签到的位置轨迹中提取用户滞留位置点，构建位置网络，挖掘位置景点和路径，在线询问模块中，根据用户的出发点和目的地，从旅行总体耗时、在单个位置点上的滞留时间、行程路径上的重要景点的个数、最受欢迎的路线四个方面，为用户推荐行程路线．此外Ｍｅｎｇ等人［４５］考虑影响用户在一个陌生城市旅行路线选择的各种因素（交通状况、行程时间、景点类型等等），对城市交通信息网及城市景点进行语义化描述，构建城市所有景点的语义交通信息图，计算出任意两个景点最短路径、最短耗时及整个城市交通的动态变化情况，提出一个基于景点类型的多目标蚁群优化路径推荐方法．Ｌｕ等人［４６］把影响用户行程路线选择的所有因素（行程时间、成本）逐一量化，根据用户在不同类型景点上的签到数据，计算用户对所有景点评分值及所有景点在不同时间点上访问的适应性，综合考虑所有因素，为用户推荐最优的行程路线．这些都属于基于内容的推荐方法，因为可以把其他用户的共同行为偏好作为推荐的依据只要已知单一用户的出发点和目的地，不需要此用户过多历史数据，这些方法基本上都能为用户提供行程路径推荐．这与其他应用领域的基于内容的推荐方法有较大的区别．这也就需要对大规模用户数据进行统计和分析，因此计算复杂性和系统开销都比较大．（２）从签到位置轨迹中挖掘不同用户间社会活动相似性，为用户推荐具有相似生活规律的近邻好友．例如Ｃｈｅｎ等人［４７］分析用户签到位置点的地理分布情况和一定时间周期内签到次数，建立签到次数与时间周期的函数关系，提出了一种用户签到行为在时间和地理空间上的相似度计算方法．Ｚｈｅｎｇ等人［４８］利用层次树图模拟用户位置历史轨迹在时间和地理空间上的分布特征，把层次树模型中两个用户在相同时间段内经历的相同位置序列作为考察两个用户是否相似的重要指标，从而可以为用户寻找在活动时间和活动区域范围都相似的朋友．显然上述两种方法［４７－４８］都属于基于模型的推荐，其中设计合理的用户位置签到行为的相似性计算方法尤为关键．用户签到位置数据集的稀疏性是此类推荐方法需要面对的一个困难．
（３）挖掘用户签到位置轨迹在地理空间上的变化规律，发现具有社会生活标识的重要位置（居住、工作等地点）或者用户在其移动路径上选择的重要活动地点，对用户实现随时随地的信息推荐．例如Ｚｈｏｕ等人［４９］和Ｃａｏ等人［５０］构建用户－位置关系图，采用位置聚类和随机漫步方法，发现现实世界中具有重要社会标识的位置信息（用户居住地、工作场所、商场、餐厅等等）；Ｐｉａｎｅｓｅ等人［５１］把用户在不同时期（工作日、周末、假期）位置轨迹视为不同类型，根据用户在不同时期内不同时间点上的签到位置点的社会功能属性，把用户位置轨迹进行分类，实现对用户未来位置点及社会活动的识别和预测．Ｙｉｎｇ等人［５２］分析用户位置移动轨迹上的逗留点，把同一轨迹序列上大多数用户的逗留点称为逗留区域，把由位置点构成的轨迹序列转化成由逗留区域构成的区域序列，并把所有的逗留区域用位置标签、语义标签和时间标签进行标注，然后从用户当前活动位置的地理空间性、时间性和位置语义性分析用户位置移动意图，预测用户访问某个位置的可能性．
４．３ 基于用户－位置－活动／社会媒体数据的推荐在基于位置的社会化网络中，用户当前真实位置在虚拟网络世界的签到行为，一方面能够使其朋友实时获取其当前的位置信息，另一方还能够相互共享社会活动体验和经历，这种社会活动经验共享是以图像、视频、文本等社会媒体的形式在虚拟网络世界中传播（抽象形式如图５所示）
．
图５ 用户－位置－社会活动／媒体结构
对用户的信息推荐场景可以描述为：已知用户当前位置信息或者未来的位置移动路径信息，为用户推荐当前位置区域内［５３－５５］或者移动路径周围［５６］的各种社会活动信息，这些信息可以通过图像、视频、文本等社会媒体数据呈现给用户，其中位置概念具有强烈的社会标识性，并非单一的地理学概念，因此一个社会标识性的位置信息可能对应多个社会活
９
２
３
２期刘树栋等：基于位置的社会化网络推荐系统研究
动（例如北京国家奥林匹克公园内有多个体育场馆，北海公园内有多家会所、娱乐场所及餐厅等）．
在此推荐应用场景下，用户、位置、社会活动三者之间的关联性可以采用三维张量或者三分图的形式表示出来，位置因素在用户和社会活动互动关联上发挥中间连接作用，对用户的推荐结果必须满足位置服务的特点，即对用户的推荐对象是位置－社会活动二元组．在此条件下，基于位置的协同过滤是最直接和最常用的推荐生成策略，这是对传统协同过滤推荐方法在位置服务上直接延伸，其基本的启发式假设是：在相同位置区域具有相似社会活动经历的用户，可能具有相似的兴趣偏好．因此对用户基于位置的社会活动偏好提取就显得非常重要．例如文献［５３－５５］把用户－位置－社会活动三维张量分解成任意两者间的关系矩阵，分别采用高阶奇异值分解（Ｈｉｇｈｅｒ Ｏｒｄｅｒ Ｓｉｎｇｕｌａｒ Ｖａｌｕｅ Ｄｅｃｏｍｐｏｓｅｔｉｏｎ，ＨＯＳＶＤ）和集中式矩阵分解（Ｃｏｌｌｅｃｔｉｖｅ
ＭａｔｒｉｘＦａｃｔｏｒｉｚａｔｉｏｎ，ＣＭＦ）提取这三者的特征信息，实现对用户基于位置的协同社会活动推荐．
另外，文献［５７］把用户位置移动轨迹作为反映用户社会活动偏好的重要信息，与用户社会关系信息及用户提供信息的文本特征相结合，提出一种满足用户信息需求的基于ＳＶＭ二值分类的追随（ｆｏｌ－ｌｏｗｅｅ
）推荐方法，此方法以帮助用户寻找满足其信息需求的信息提供者为目的，把所有用户间的位置移动轨迹特征、社会关系特征及其提供信息的文本特征的相似性进行量化，输入到ＳＶＭ二值分类器中．４．４ 基于用户签到位置轨迹与社交活动数据相融
合的推荐
基于位置的社会化网络中，用户的位置移动轨迹和社交活动关系能够形成两种网络结构：位置轨迹网络和社交网络（如图６所示）．对用户的位置移动轨迹和社交活动之间关联性的认识是此类推荐应用的基础
．
图６ 用户位置轨迹网络与社交网络关联
基于位置的社会化网络把用户线下社会活动与线上社交活动通过位置签到的方式有机结合在一起，为研究人类位置移动模式和社会行为规律提供了大量数据支持，同时激励了人们对用户位置的移
动性和社会关系的关联性研究［３３，５８］
，例如文献［３３］
研究表明人类社会活动从位置移动性上可以分成两类，一类是在时间和空间上具有周期重复性的近距离活动，此类活动与用户的社会关系没有必然的关联性，另一类为随机跳跃的远距离活动，此类活动在很大程度上受用户社会关系影响．此外８０％的新签到位置处于用户已签到位置的１０公里范围内，超过３０％新签到位置是用户的朋友或者朋友的朋友已签
到过的．文献［５８］研究结果表明两个近邻用户的社交关联性与他们的社会活动模式的相似性之间存在强关联性．
把用户的社会活动位置移动规律与社交关系间关联性应用到推荐系统中，从推荐对象上讲，主要包括以下两类：
（１
）利用用户的社交关系信息及历史位置签到数据，构建用户－签到位置二元结构图模型，结合用户位置签到行为的社会学特性，采用协同过滤或者基于模型的推荐方法，为用户提供位置及行程路径
推荐．例如Ｗａｎｇ等人［５９］通过对两个基于位置的社会化网络Ｂｒｉｇ
ｈｔｋｉｔｅ和Ｇｏｗａｌｌａ数据集中用户签到位置范围和存在朋友关系的两个用户的签到位置的分布情况进行分析，发现虽然用户的签到位置大部分都是初次访问的，但是在每个用户已签到位置的１０公里范围内，Ｂｒｉｇ
ｈｔｋｉｔｅ用户初次签到位置所占比例约为６７．５７％，在Ｇｏｗａｌｌａ数据集中这个比例达到了８１．９３％，同时在这两个数据集中用户的首次签到位置点其朋友或者朋友的朋友已签到的比例分别为２３％和３１％．鉴于此，构建用户间的朋友社交网络和用户－位置关系网络，借用个性化的Ｐａｇ
ｅＲａｎｋ（ＰＰＲ）
算法［６０］
的基本思想，把朋友关系信息对位置签到的影响引入到位置推荐过程中，提出了两种位置
推荐算法：基于朋友关系的标签涂色算法（Ｆｒｉｅｎｄｓｈｉｐ－ｂａｓｅｄ Ｂｏｏｋｍａｒｋ－Ｃｏｌｏｒｉｎｇ
Ａｌｇｏｒｉｔｈｍ，ＦＢＣＡ）和基于位置－朋友关系的标签涂色算法（Ｌｏｃａｔｉｏｎ－Ｆｒｉｅｎｄｓｈｉｐ
Ｂｏｏｋｍａｒｋ－Ｃｏｌｏｒｉｎｇ
Ａｌｇｏｒｉｔｈｍ，ＬＦＢＣＡ）．Ｙｅ等人［６１
］
分析基于位置的社会化网络Ｆｏｕｒｑ
ｕａｒｅ的用户位置签到数据，发现朋友用户间的共同签到位置的比例远远大于非朋友用户间的共同签到位置的比例，两个朋友用户间相隔的距离越近，他们在同一位置点参与同一社会活动的可能性就越高，据此
提出了一种基于朋友的协同过滤位置推荐方法和
０
３３计 算 机 学 报２０１５年
一种基于位置距离和朋友关系的协同过滤位置推荐方法．此外，文献［２３］分析了同一用户所有签到兴趣点（Ｐｏｉｎｔ Ｏｆ Ｉｎｔｅｒｅｓｔ，ＰＯＩ）在地理空间中的分布情况，采用幂律分布模拟用户在一定距离空间内的两个位置点上的签到概率，把社会朋友关系信息对用户位置签到的影响融合到推荐算法的设计过程中，提出一种基于朴素贝叶斯网络位置推荐方法．另外文献［６２－６３］考虑了社会关系信息和用户活动的空间分布对位置签到的影响，分别采用矩阵分解和图模型方法，提出了针对用户兴趣点位置和购物位置的推荐方法．
社会关系对用户位置签到行为规律的影响，是此类推荐算法依赖的重要启发性知识．这些启发性知识一般都是基于对大规模用户数据的分析而获得的，显然这是大多数用户具备的一种共同特征．因此对于整个推荐系统而言，如何平衡优化这种共性知识与个性化知识对推荐结果的影响就显得至关重要，目前对这方面的研究还比较欠缺，上述方法［６３－６８］仅仅应用了大规模用户的共性特征对个性化行为的定性描述，并没有进一步的定量分析．
（２）利用用户的签到位置特征及位置移动规律和已有的社交关系，预测用户在社会化网络中新的链接关系或者好友推荐．这是对一般社会化网络链接预测的拓展，在已有的社会关系的基础上，把相似签到行为的用户可能具有相似的兴趣偏好而容易形成好友关系的启发性认知应用到新的网络链接关系或者好友推荐中．此类推荐应用一般采用基于模型的推荐方法．例如Ｓｃｅｌｌａｔｏ等人［６４］分析在相同位置点的签到用户的社会关系，发现用户间３０％新链接关系存在于相同位置点上的签到用户群中，称之为位置好友，把位置好友集和朋友的朋友集合并在一起作为新链接关联的预测空间，在此预测空间中能够发现用户间６６％的新链接关系，从而提出了一个基于监督学习的关系链接预测算法．Ｗａｎｇ等人［５８］分析用户位置移动的相似性与社会互动关系，发现移动用户共同签到位置、社会互动网络近邻和连接强度之间存在相互关联性，如果两个用户位置移动性上同质化程度越高，那么这两个用户间的互动关联性就越强，因此可以把社会互动网络中近邻用户和具有相似位置移动规律的用户作为新链接的候选对象．这两种方法分别采用链接预测和近邻相似（包括网络链接近邻和位置活动相似近邻）作为推荐生成策略，都没有讨论数据稀疏性和冷启动用户问题对推荐结果的影响．此外，Ｌｉ等人［６５］基于位置的社会化网络中的用户兴趣标签系统、社会互动关系网络、移动位置轨迹信息构建了一个三层好友关系模型，并从用户特征模型、社会关系特征和位置移动模式相似性上考察两个用户成为朋友关系的可能性．Ｙｕ等人［６６］根据不同用户间移动位置轨迹中共享位置、相似路径及在某位置点上相遇等信息，定义了用户位置移动的三种模式．在社会关系网络的基础上，借助于不同用户间共享的相同位置移动模式特征，构建了一个由用户节点和三种位置移动模式构成的异构关系网络图，并根据用户在每种位置移动模式上的活动频率及用户间关联性的大小，计算用户节点和位置移动模式节点间及用户节点间的边权重，然后利用带重启的随机漫步算法，实现地理位置近邻好友推荐．用户多关系模型的构建和相似性计算是这两种方法研究的难点，并直接影响推荐的效果．
４．５ 基于位置的社会化网络推荐系统的主要应用类型
从推荐对象或者应用类型角度来讲，基于位置的社会化网络推荐系统大致可以分成以下五类：位置推荐［２２－３２，６１－６３］、路径推荐［４２－４６，５１］、链接预测［５８，６４］、朋友推荐［４７－４８，６５－６６］和社会活动／媒体推荐［５０－５１，５３－５７］（如表２所示）．
表２ 基于位置的社会化网络推荐应用类型对比
应用主要数据类型挖掘的知识内容应用算法代表文献
位置推荐签到位置数据和社会化网
络数据
签到频率、签到位置分布特征、社会
关系信息对用户位置签到影响规律
ＰａｇｅＲａｎｋ算法、马尔可夫链
模型、贝叶斯网络模型、矩阵
分解、图模型等
［２２－３２］，［５９］，
［６１－６３］
路径推荐签到位置轨迹数据、城市
道路网信息
签到频率、签到位置的地理分布等图模型、蚁群优化算法等［４２－４６，５１］
链接预测位置签到、社交网络数据共同签到频率、社会关系关联性等分类算法、监督学习算法等［５８］，［６４］
朋友推荐位置签到数据、用户基本
特征数据、社交网络数据
签到频率、签到周期、位置移动模
式、兴趣模型及社会关系等方面的
用户相似性等
层次树模型、监督学习、分类
算法、相似性计算、随机漫步
算法等
［４７］，［４８］
［６５］，［６６］
社会活动／媒体推荐签到位置轨迹、用户－位置－
活动数据、社交网络数据
签到位置特征、用户偏好特征、签到
位置轨迹的关联性等
位置聚类、图模型、随机漫
步、分类算法、张量分解等
［５３－５７］
１
３
３
２期刘树栋等：基于位置的社会化网络推荐系统研究
５ 基于位置的社会化网络推荐系统研究与应用的热点和难点
基于位置的社会化网络推荐系统既满足社会化网络推荐系统基本功能，同时又具备位置服务和移动应用推荐的特点，近年来在此领域的研究和应用取得了一定的进展，但还有一些方向，在未来的应用与研究过程中需要重点关注和研究，主要包括：（１）位置轨迹挖掘及用户位置活动特征的提取
基于位置的社会化网络推荐系统的核心内容是基于位置的推荐服务，用户位置活动特征是基于位置的推荐服务的重要依据．用户的位置移动轨迹在一定程度上反映用户社会活动和社会行为偏好［６５］，因此对位置轨迹的挖掘和用户位置活动特征的提取在整个基于位置的社会化网络推荐系统中扮演十分重要的角色，无论在应用开发还是在学术研究中都是此领域重点关注的内容之一，目前位置轨迹挖掘及用户位置活动特征提取的主要研究内容包括：用户社会活动的地理空间分布特征，用户位置轨迹特征的相似性，轨迹模式挖掘和活动识别，其中文献［１１］从介绍空间轨迹的过滤、索引和检索方法入手，论述了在空间轨迹的不确定性、空间轨迹的隐私性、轨迹模式挖掘和活动识别等方面研究成果及在朋友推荐和路径推荐方面的应用．
（２）用户的位置移动轨迹特征与社会关系的关联性
位置签到技术把用户现实活动的位置轨迹记录在了虚拟社会化网络中，同时把用户真实的社会活动和社交活动联系在一起，这为研究用户的社会活动与社交活动之间的关联性提供了大量数据支持．对这种关联性的定性和定量分析结果［３３，５７］可以作为重要的启发性知识应用在推荐算法的设计与研究中．随着基于位置的社会化网络推荐系统的广泛应用，对用户的社会活动和社交活动之间的关联性的研究会逐渐引起关注．
（３）用户位置隐私保护和安全问题
在传统的社交网络和位置服务中，用户的隐私保护问题一直都是热点研究问题．例如文献［６７－６８］发现隐私问题是用户考虑使用位置共享服务的核心因素．在基于位置的社会化网络中，位置隐私问题呈现出主动共享和被动传播的特点．一方面用户为了得到服务而主动共享位置信息，另一方面用户共享的位置信息可以通过好友关系在网络中传播．在基于位置的社会化网络推荐系统中，服务提供商推荐的位置服务往往依赖于用户的历史位置轨迹数据，提取位置移动规律或者位置活动偏好，那么在此过程中就可能涉及用户隐私问题［６９］，此外，用户的位置信息以明文的形式在网络中传播，可能被不可信任的第三方非法使用．因为只有用户首先共享在网络中，才能获取准确的各种推荐服务，然而位置共享就意味着个人位置隐私的泄露．因此如何权衡位置服务与隐私保护，既能实现基于位置的推荐服务又要尽量减少用户隐私泄漏是一项富有挑战的研究课题．加密［７０－７１］和分析用户敏感位置点［７２－７３］是目前已有的两种解决方案．
（４）推荐结果的解释与呈现
人们对位置信息的直观印象是一张二维地图，此外用户的路径信息还会涉及时序问题．基于位置的社会化网络推荐结果是一些位置信息或者与位置相关信息．对这些信息的解释和呈现过程中，不仅要关注位置信息的空间属性，还要考虑属性随时间变化的动态特征．目前对基于位置的社会化网络推荐结果的解释和呈现的研究还比较少，但是这方面的研究对于基于位置的社会化网络推荐系统很重要．有效而正确的解释、清楚的呈现方式可以让用户充分了解推荐结果，提高用户接受推荐结果的可能性．特别是在移动设备屏幕比较小、输入不方便的情况下，需要设计更加友好的用户界面、更加人性化、游戏化的结果解释和呈现方式．
（５）可扩展性和主动性
可扩展性一直是困扰推荐系统应用过程中一个难点问题．在基于用户的协同过滤推荐系统中，用户相似度计算的时间复杂度为Ｏ（ｎ２·ｍ），其中ｎ为用户数，ｍ为用户所关注的平均项目数，随着用户和项目数量的增加，相似度的计算量会急剧上升．目前主要从聚类方法、数据集的缩减、维数降解及建立线性模型等方面解决协同过滤可扩展性的问题．在基于位置的社会化网络中，用户间随时随地的社交互动及位置签到，会产生大规模的数据集，将这些数据信息引入到推荐系统中，势必进一步增加推荐算法的计算复杂度，并使问题变得更加严重．目前，对于此问题的研究还比较少．此外，在基于位置的社会化网络中，用户对推荐结果的要求不再仅局限于内容的准确性，而且还要在时间、地点等方面具有普遍的适应性和前摄性．这就要求推荐算法不仅要关注用户的长期兴趣，还要考虑用户随时间、位置变化而产生的短期兴趣．
２
３
３计 算 机 学 报２０１５年
６ 总 结
在基于位置的社会化网络中，大量用户随时随地的进行位置签到和社交活动，积累了大量的数据，挖掘用户社会活动在地理空间中的特征信息及其与社交关系的关联性，形成启发性知识应用于推荐生成算法中，为用户提供满足位置服务要求的信息推荐服务成为当前推荐系统应用研究的热点方向之一，逐渐引起学术界和工业界的广泛关注．本文从介绍基于位置的社会化网络结构特征、数据特征入手，分析了基于位置的社会化网络推荐系统与其他推荐系统的差异性及其基本流程框架，然后从不同层次网络数据挖掘的角度，详细综述了目前基于位置的社会化网络推荐系统研究进展，并进行分类总结，最后展望了未来此领域研究的热点与难点问题．
参考文献
［１］Ｃｒａｎｓｈａｗ Ｊ，Ｔｏｃｈ Ｅ，Ｈｏｎｇ Ｊ，ｅｔ ａｌ．Ｂｒｉｄｇｉｎｇ ｔｈｅ ｇａｐｂｅｔｗｅｅｎ ｐｈｙｓｉｃａｌ ｌｏｃａｔｉｏｎ ａｎｄ ｏｎｌｉｎｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ／／
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １２ｔｈ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ｕｂｉｑｕｉｔｏｕｓ Ｃｏｍｐｕｔｉｎｇ（ＵｂｉＣｏｍｐ ２０１０）．Ｃｏｐｅｎｈａｇｅｎ，
Ｄｅｎｍａｒｋ，２０１０：１１９－１２８
［２］Ｙａｄａｖ Ｍ Ｓ，Ｖａｌｃｋ Ｋ Ｄ，Ｈｅｎｎｉｇ－Ｔｈｕｒａｕ Ｔ，Ｈｏｆｆｍａｎ Ｄ Ｌ．Ｓｏｃｉａｌ ｃｏｍｍｅｒｃｅ：Ａ ｃｏｎｔｉｎｇｅｎｃｙ ｆｒａｍｅｗｏｒｋｓ ｆｏｒ ａｓｓｅｓｓｉｎｇ
ｍａｒｋｅｔｉｎｇ ｐｏｔｅｎｔｉａｌ．Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｒａｃｔｉｖｅ Ｍａｒｋｅｔｉｎｇ，２０１３，
２７（４）：３１１－３２３
［３］Ｓａｒｗａｔ Ｍ，Ｅｌｄａｗｙ Ａ，Ｍｏｋｂｅｌ Ｍ Ｆ，Ｒｉｅｄｌ Ｊ．ＰＬＵＴＵＳ：Ｌｅｖｅｒａｇｉｎｇ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｔｏ ｒｅｃｏｍｍｅｎｄ
ｐｏｔｅｎｔｉａｌ ｃｕｓｔｏｍｅｒｓ ｔｏ ｖｅｎｕｅｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １４ｔｈ
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｏｂｉｌｅ Ｄａｔａ Ｍａｎａｇｅｍａｎｔ（ＭＤＭ
２０１３）．Ｍｉｌａｎ，Ｉｔａｌｙ，２０１３：２６－３５
［４］Ｑｕ Ｙ，Ｚｈａｎｇ Ｊ．Ｔｒａｄｅ ａｒｅａ ａｎａｌｙｓｉｓ ｕｓｉｎｇ ｕｓｅｒ ｇｅｎｅｒａｔｅｄｍｏｂｉｌｅ ｌｏｃａｔｉｏｎ ｄａｔａ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ
Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ（ＷＷＷ ２０１３）．Ｒｉｏ ｄｅ
Ｊａｎｅｉｒｏ，Ｂｒａｚｉｌ，２０１３：１０５３－１０６４
［５］Ｓｔｅｗａｒｔ Ｋ，Ｇｌａｎｖｉｌｌｅ Ｊ Ｌ，Ｂｅｎｎｅｔｔ Ｄ Ａ．Ｅｘｐｌｏｒｉｎｇ ｓｐａｔｉｏｔｅｍ－ｐｏｒａｌ ａｎｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｆａｃｔｏｒｓ ｉｎ ｃｏｍｍｕｎｉｔｙ ｒｅｓｐｏｎｓｅ ｔｏ
ｍａｊｏｒ ｆｌｏｏｄ ｄｉｓａｓｔｅｒ．Ｔｈｅ Ｐｒｏｆｅｓｓｉｎｏｎａｌ Ｇｅｏｇｒａｐｈｅｒ，２０１４，
６６（３）：４２１－４３５
［６］Ｇａｏ Ｈ，Ｂａｒｂｉｅｒ Ｇ，Ｇｏｏｌｓｂｙ Ｒ．Ｈａｒｎｅｓｓｉｎｇ ｔｈｅ ｃｒｏｗｄｓｏｕｒｃｉｎｇ ｐｏｗｅｒ ｏｆ ｓｏｃｉａｌ ｍｅｄｉａ ｆｏｒ ｄｉｓａｓｔｅｒ ｒｅｌｉｅｆ．ＩＥＥＥ
Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ，２０１１，２６（３）：１０－１４
［７］Ｂａｈｉｒ Ｅ，Ｐｅｌｅｄ Ａ．Ｉｄｅｎｔｉｆｙｉｎｇ ａｎｄ ｔｒａｃｋｉｎｇ ｍａｊｏｒ ｅｖｅｎｔｓｕｓｉｎｇ ｇｅｏ－ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ．Ｓｏｃｉａｌ Ｓｃｉｅｎｃｅ Ｃｏｍｐｕｔｅｒ Ｒｅｖｉｅｗ，
２０１３，３１（４）：４５８－４７０
［８］ＭｃＡｒｄｌｅ Ｇ，Ｌａｗｌｏｒ Ａ，Ｆｕｒｅｙ Ｅ，Ｐｏｚｄｎｏｕｋｈｏｖ Ａ．Ｃｉｔｙ－ｓｃａｌｅｔｒａｆｆｉｃ ｓｉｍｕｌａｔｉｏｎ ｆｒｏｍ ｄｉｇｉｔａｌ ｆｏｏｔｐｒｉｎｔｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ
ＡＣＭ ＳＩＧＫＤＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｕｒｂａｎ Ｃｏｍｐｕｔｉｎｇ
（ＵｒｂＣｏｍｐ ２０１２）．Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ，２０１２：４７－５４
［９］Ｌｉａｎｇ Ｙ，Ｃａｖｅｒｌｅｅ Ｊ，Ｃｈｅｎｇ Ｚ，Ｋａｍｅｔｈ Ｋ Ｙ．Ｈｏｗ ｂｉｇ ｉｓ ｔｈｅｃｒｏｗｄ？Ｅｖｅｎｔ ａｎｄ ｌｏｃａｔｉｏｎ ｂａｓｅｄ ｐｏｐｕｌａｔｉｏｎ ｍｏｄｅｌｉｎｇ ｉｎ
ｓｏｃｉａｌ ｍｅｄｉａ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２４ｔｈ ＡＣＭ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ｈｙｐｅｒｔｅｘｔ ａｎｄ Ｓｏｃｉａｌ Ｍｅｄｉａ（ＨＴ２０１３）．Ｐａｒｉｓ，Ｆｒａｎｃｅ，２０１３：９９－１０８
［１０］Ｃａｖｅｒｌｅｅ Ｊ，Ｃｈｅｎｇ Ｚ，Ｓｕｉ Ｄ Ｚ，Ｋａｍａｔｈ Ｋ Ｙ．Ｔｏｗａｒｄｓｇｅｏ－ｓｏｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ：Ｍｉｎｉｎｇ，ａｎａｌｙｚｉｎｇ，ａｎｄ ｌｅｖｅｒａｇｉｎｇ
ｇｅｏｓｐａｔｉａｌ ｆｏｏｔｐｒｉｎｔｓ ｉｎ ｓｏｃｉａｌ ｍｅｄｉａ．ＩＥＥＥ Ｄａｔａ Ｅｎｇｉｎｅｅｒｉｎｇ
Ｂｕｌｌｅｔｉｎ，２０１３，３６（３）：３３－４１
［１１］Ｚｈｅｎｇ Ｙ，Ｚｈｏｕ Ｘ．Ｃｏｍｐｕｔｉｎｇ ｗｉｔｈ Ｓｐａｔｉａｌ Ｔｒａｊｅｃｔｏｒｉｅｓ．Ｎｅｗ Ｙｏｒｋ，ＵＳＡ：Ｓｐｒｉｎｇｅｒ，２０１１
［１２］Ｇａｏ Ｈ，Ｌｉｕ Ｈ．Ｄａｔａ Ａｎａｌｙｓｉｓ ｏｎ Ｌｏｃａｔｉｏｎ－Ｂａｓｅｄ ｏｎ ＳｏｃｉａｌＮｅｔｗｏｒｋｓ．Ｍｏｂｉｌｅ Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋｉｎｇ：Ａｎ Ｉｎｎｏｖａｔｉｖｅ
Ａｐｐｒｏａｃｈ．Ｎｅｗ Ｙｏｒｋ：Ｓｐｒｉｎｇｅｒ，２０１３：１６５－１９４
［１３］Ｙｅ Ｍ，Ｊａｎｏｗｉｃｚ Ｋ，Ｍｕｌｌｉｇａｎｎ Ｃ，Ｌｅｅ Ｗ．Ｗｈａｔ ｙｏｕ ａｒｅ ｉｓｗｈｅｎ ｙｏｕ ａｒｅ：Ｔｈｅ ｔｅｍｐｏｒａｌ ｄｉｍｅｎｓｉｏｎ ｏｆ ｆｅａｔｕｒｅ ｔｙｐｅｓ ｉｎ
ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔ ｗｏｒｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １９ｔｈ
ＡＣＭ ＳＩＧＳＰＡＴＩＡＬ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｓ ｉｎ
Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ（ＧＩＳ ２０１１）．Ｃｈｉｃａｇｏ，
ＵＳＡ，２０１１：１０２－１１１
［１４］Ｎｏｕｌａｓ Ａ，Ｓｃｅｌｌａｔｏ Ｓ，Ｍａｓｃｏｌｏ Ｃ，Ｐｏｎｔｉｌ Ｍ．Ａｎ ｅｍｐｉｒｉｃａｌｓｔｕｄｙ ｏｆ ｇｅｏｇｒａｐｈｉｃ ｕｓｅｒ ａｃｔｉｖｉｔｙ ｐａｔｔｅｒｎｓ ｉｎ ｆｏｕｒｓｑｕａｒｅ／／
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＡＡＡＩ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ｗｅｂｌｏｇｓ ａｎｄ Ｓｏｃｉａｌ Ｍｅｄｉａ（ＩＣＷＳＭ ２０１１）．Ｂａｒｃｅｌｏｎａ，Ｓｐａｉｎ，２０１１：５７０－５７３
［１５］Ａｄｏｍａｖｉｃｉｕｓ Ｇ，Ｔｕｚｈｉｌｉｎ Ａ．Ｔｏｗａｒｄｓ ｔｈｅ ｎｅｘｔ ｇｅｎｅｒａｔｉｏｎ ｏｆｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ：Ａ ｓｕｒｖｅｙ ｏｆ ｔｈｅ ｓｔａｔｅ－ｏｆ－ｔｈｅ－ａｒｔ ａｎｄ
ｐｏｓｓｉｂｌｅ ｅｘｔｅｎｓｉｏｎｓ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｋｎｏｗｌｅｄｇｅ ａｎｄ
Ｄａｔａ Ｅｎｇｉｎｅｅｒｉｎｇ，２００５，１７（６）：７３４－７４９
［１６］Ｖｅｒｂｅｒｔ Ｋ，Ｍａｎｏｕｓｅｌｉｓ Ｎ，Ｏｃｈｏａ Ｘ．Ｃｏｎｔｅｘｔ－ａｗａｒｅ ｒｅｃｏｍ－ｍｅｎｄｅｒ ｓｙｓｔｅｍｓ ｆｏｒ ｌｅａｒｎｉｎｇ：Ａ ｓｕｒｖｅｙ ａｎｄ ｆｕｔｕｒｅ ｃｈａｌｌｅｎｇｅｓ．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ，２０１２，５（４）：３１８－３３５
［１７］Ｂｕｒｋｅ Ｒ．Ｈｙｂｒｉｄ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ：Ｓｕｒｖｅｙ ａｎｄ ｅｘｐｅｒｉ－ｍｅｎｔｓ．Ｕｓｅｒ Ｍｏｄｅｌｉｎｇ ａｎｄ Ｕｓｅｒ－Ａｄａｐｔｅｄ Ｉｎｔｅｒａｃｔｉｏｎ，２００２，１２（４）：３３１－３７０
［１８］Ｘｕ Ｈａｉ－Ｌｉｎｇ，Ｗｕ Ｘｉａｏ，Ｌｉ Ｘｉａｏ－Ｄｏｎｇ，Ｙａｎ Ｂａｏ－Ｐｉｎｇ．Ｃｏｍ－ｐａｒｉｓｏｎ ｓｔｕｄｙ ｏｆ Ｉｎｔｅｒｎｅｔ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓｔｅｍｓ．Ｊｏｕｒｎａｌｏｆ Ｓｏｆｔｗａｒｅ，２００９，２０（２）：３５０－３６２（ｉｎ Ｃｈｉｎｅｓｅ）
（许海玲，吴潇，李晓东，阎保平．互联网推荐系统比较研究．
软件学报，２００９，２０（２）：３５０－３６２）
［１９］Ｌｉｕ Ｑ，Ｍａ Ｈ，Ｃｈｅｎ Ｅ，Ｘｉｏｎｇ Ｈ．Ａ ｓｕｒｖｅｙ ｏｆ ｃｏｎｔｅｘｔ－ａｗａｒｅｍｏｂｉｌｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ
Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ，２０１３，１２（１）：１３９－１７２［２０］Ｃｈｅｎ Ｋｅ－Ｈａｎ，Ｈａｎ Ｐａｎ－Ｐａｎ，Ｗｕ Ｊｉａｎ．Ｕｓｅｒ ｃｌｕｓｔｅｒｉｎｇｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ
Ｃｏｍｐｕｔｅｒｓ，２０１３，３６（２）：３４９－３５９（ｉｎ Ｃｈｉｎｅｓｅ）
（陈克寒，韩盼盼，吴健．基于用户聚类的异构社交网络推荐
算法．计算机学报，２０１３，３６（２）：３４９－３５９）
３
３
３
２期刘树栋等：基于位置的社会化网络推荐系统研究
［２１］Ｊｅｎｓｅｎ Ｃ Ｓ，Ｃｈｒｉｓｔｅｎｓｅｎ Ａ Ｆ，Ｐｅｄｅｒｓｅｎ Ｔ Ｂ．Ｌｏｃａｔｉｏｎ－ｂａｓｅｄｓｅｒｖｉｃｅｓ：Ａ ｄａｔａｂａｓｅ ｐｅｒｓｐｅｃｔｉｖｅ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｓｃａｎｄｉ－
ｎａｖｉａｎ Ｒｅｓｅａｒｃｈ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｇｅｏｇｒａｐｈｉｃａｌ Ｉｎｆｏｒｍａｔｉｏｎ
Ｓｃｉｅｎｃｅ（ＳｃａｎＧＩＳ ２００１）．Ｏｓｌｏ，Ｎｏｒｗａｙ，２００１：５９－６８
［２２］Ｐａｒｋ Ｍ，Ｈｏｎｇ Ｊ，Ａｎｄｃｈｏ Ｓ．Ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｒｅｃｏｍｍｅｎｄａ－ｔｉｏｎ ｓｙｓｔｅｍ ｕｓｉｎｇ Ｂａｙｅｓｉａｎ ｕｓｅｒｓ’ｐｒｅｆｅｒｅｎｃｅ ｍｏｄｅｌ ｉｎ ｍｏｂｉｌｅ
ｄｅｖｉｃｅｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ４ｔｈ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ－
ｅｎｃｅ ｏｎ Ｕｂｉｑｕｉｔｏｕｓ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｃｏｍｐｕｔｉｎｇ（ＵＩＣ ２００７）．
Ｈｏｎｇ Ｋｏｎｇ，Ｃｈｉｎａ，２００７：１１３０－１１３９
［２３］Ｙｅ Ｍａｏ，Ｙｉｎ Ｐ，Ｌｅｅ Ｗ．Ｅｘｐｌｏｉｔｉｎｇ ｇｅｏｇｒａｐｈｉｃａｌ ｉｎｆｌｕｅｎｃｅｆｏｒ ｃｏｌｌａｂｏｒａｔｉｖｅ ｐｏｉｎｔ－ｏｆ－ｉｎｔｅｒｅｓｔ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ／／Ｐｒｏｃｅｅｄ－
ｉｎｇｓ ｏｆ ｔｈｅ ３４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＡＣＭ ＳＩＧＩＲ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ ｉｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｒｅｔｒｉｅｖａｌ（ＳＩＧＩＲ
２０１１）．Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ，２０１１：３２５－３３４
［２４］Ｂａｏ Ｊ，Ｚｈｅｎｇ Ｙ，Ｍｏｋｂｅｌ Ｍ Ｆ．Ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ａｎｄ ｐｒｅｆｅｒｅｎｃｅ－ａｗａｒｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｕｓｉｎｇ ｓｐａｒｓｅ ｇｅｏ－ｓｏｃｉａｌ ｎｅｔｗｏｒｋｉｎｇ
ｄａｔａ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ａｄｖａｎｃｅｓ ｉｎ Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ（ＧＩＳ ２０１２）．Ｒｅｄｏｎｄｏ Ｂｅａｃｈ，ＵＳＡ，２０１２：１９９－２０８
［２５］Ｙｉｎｇ Ｊ Ｊ Ｃ，Ｌｕ Ｅ Ｈ Ｃ，Ｋｕｏ Ｗ Ｎ．Ｕｒｂａｎ Ｐｏｉｎｔ－ｏｆ－Ｉｎｔｅｒｅｓｔｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｂｙ ｍｉｎｉｎｇ ｕｓｅｒ ｃｈｅｃｋ－ｉｎ ｂｅｈａｖｉｏｒｓ／／
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＫＤＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ
Ｕｒｂａｎ Ｃｏｍｐｕｔｉｎｇ（ＵｒｂＣｏｍ ２０１２）．Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ，２０１２：６３－７０
［２６］Ｌｉｕ Ｂ，Ｘｉｏｎｇ Ｈ．Ｐｏｉｎｔ－ｏｆ－Ｉｎｔｅｒｅｓｔ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｉｎ ｌｏｃａｔｉｏｎｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｗｉｔｈ ｔｏｐｉｃ ａｎｄ ｌｏｃａｔｉｏｎ ａｗａｒｅｎｅｓｓ／／
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１３ＳＩＡＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ｄａｔａ Ｍｉｎｉｎｇ（ＳＤＭ ２０１３）．Ａｕｓｔｉｎ，ＵＳＡ，２０１３：３９６－４０４［２７］Ｌｉｕ Ｘ，Ｌｉｕ Ｙ，Ａｂｅｒｅｒ Ｋ．Ｐｅｒｓｏｎａｌｉｚｅｄ ｐｏｉｎｔ－ｏｆ－ｉｎｔｅｒｅｓｔｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｂｙ ｍｉｎｉｎｇ ｕｓｅｒｓ’ｐｒｅｆｅｒｅｎｃｅ ｔｒａｎｓｉｔｉｏｎ／／
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２２ｎｄ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ｉｎｆｏｒｍａｔｉｏｎ ＆Ｋｎｏｗｌｅｄｇｅ Ｍａｎａｇｅｍｅｎｔ（ＣＩＫＭ ２０１３）．Ｂｕｒｌｉｎｇａｍｅ，ＵＳＡ，２０１３：７３３－７３８
［２８］Ｎｕｎｅｓ Ｉ，Ｍａｒｉｎｈｏ Ｌ．Ａ Ｇａｕｓｓｉａｎ ｋｅｒｎｅｌ ａｐｐｒｏａｃｈ ｆｏｒｌｏｃａｔｉｏｎ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＫＤＭｉｌｅ
Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ，Ｍｉｎｉｎｇ ａｎｄ Ｌｅａｒｎｉｎｇ
（ＫＤＭｉｌｅ’１３）．Ｓａｏ Ｐａｕｌｏ，Ｂｒａｚｉｌ，２０１３：１１３－１２０
［２９］Ｂｅｔｉｍ Ｂ，Ｔｈｏｒｓｔｅｎ Ｓ．Ａ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓｔｅｍ ｆｏｒ ｓｐｏｔｓ ｉｎｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｏｎｌｉｎｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ４ｔｈ
Ｗｏｒｋｓｈｏｐ ｏｎ Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋ Ｓｙｓｔｅｍｓ（ＳＮＳ ２０１１）．Ｓａｌｚｂｕｒｇ，
Ａｕｓｔｒｉａ，２０１１，Ａｒｔｉｃｌｅ Ｎｏ．４
［３０］Ｙｕａｎ Ｑ，Ｃｏｎｇ Ｇ，Ｍａ Ｚ．Ｔｉｍｅ－ａｗａｒｅ ｐｏｉｎｔ－ｏｆ－ｉｎｔｅｒｅｓｔｒｅｃｏｍｍｅｎｄａｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３６ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＡＣＭ
ＳＩＧＩＲ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ ｉｎ Ｉｎｆｏｒｍａｔｉｏｎ
Ｒｅｔｒｉｅｖａｌ（ＳＩＧＩＲ ２０１３）．Ｄｕｂｌｉｎ，Ｉｒｅｌａｎｄ，２０１３：３６３－３７２［３１］Ｚｈｅｎｇ Ｎ，Ｊｉｎ Ｘ，Ｌｉ Ｌ．Ｃｒｏｓｓ－ｒｅｇｉｏｎ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｆｏｒｎｅｗ ｐｏｉｎｔ－ｏｆ－ｉｎｔｅｒｅｓｔ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２２ｎｄＩｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ Ｃｏｍｐａｎｉｏｎ．Ｓｅｏｕｌ，Ｋｏｒｅａ，２０１３：４５－４６
［３２］Ｃｈｅｎ Ｈ，Ａｒｅｆｉｎ Ｍ Ｓ，Ｃｈｅｎ Ｚ．Ｐｌａｃｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｂａｓｅｄｏｎ ｕｓｅｒｓ’ｃｈｅｃｋ－ｉｎ ｈｉｓｔｏｒｙ ｆｏｒ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｅｒｖｉｃｅｓ．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｎｅｔｗｏｒｋｉｎｇ ａｎｄ Ｃｏｍｐｕｔｉｎｇ，２０１３，３（２）：２２８－２４３［３３］Ｃｈｏ Ｅ，Ｍｙｅｒｓ Ｓ Ａ，Ｌｅｓｋｏｖｅｃ Ｊ．Ｆｒｉｅｎｄｓｈｉｐ ａｎｄ ｍｏｂｉｌｉｔｙ：Ｕｓｅｒ ｍｏｖｅｍｅｎｔ ｉｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ
ｏｆ ｔｈｅ １７ｔｈ ＡＣＭ ＳＩＧＫＤＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ（ＫＤＤ ２０１１）．Ｓａｎ
Ｄｉｅｇｏ，ＵＳＡ，２０１１：１０８２－１０９０
［３４］Ｈａｓａｎ Ｓ，Ｚｈａｎ Ｘ，Ｕｋｋｕｓｕｒｉ Ｓ Ｖ．Ｕｎｄｅｒｓｔａｎｄｉｎｇ ｕｒｂａｎｈｕｍａｎ ａｃｔｉｖｉｔｙ ａｎｄ ｍｏｂｉｌｉｔｙ ｐａｔｔｅｒｎｓ ｕｓｉｎｇ ｌａｒｇｅ－ｓｃａｌｅｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｄａｔａ ｆｒｏｍ ｏｎｌｉｎｅ ｓｏｃｉａｌ ｍｅｄｉａ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆｔｈｅ ２ｎｄ ＡＣＭ ＳＩＧＫＤＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｕｒｂａｎ
Ｃｏｍｐｕｔｉｎｇ．Ｃｈｉｃａｇｏ，ＵＳＡ，２０１３：Ａｒｔｉｃｌｅ Ｎｏ．６
［３５］Ｙｉｎｇ Ｊ Ｊ Ｃ，Ｌｅｅ Ｗ Ｃ，Ｙｅ Ｍ．Ｕｓｅｒ ａｓｓｏｃｉａｔｉｏｎ ａｎａｌｙｓｉｓ ｏｆｌｏｃａｌｅｓ ｏｎ ｌｏｃａｔｉｏｎ ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆｔｈｅ ３ｒｄ ＡＣＭ ＳＩＧＳＰＡＴＩＡＬ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ
Ｌｏｃａｔｉｏｎ－Ｂａｓｅｄ Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋｓ（ＬＢＳＮ ２０１１）．Ｃｈｉｃａｇｏ，
ＵＳＡ，２０１１：６９－７６
［３６］Ｇａｏ Ｈ，Ｔａｎｇ Ｊ，Ｘｉａ Ｈ，Ｌｉｕ Ｈ．Ｅｘｐｌｏｒｉｎｇ ｔｅｍｐｏｒａｌ ｅｆｆｅｃｔｓｆｏｒ ｌｏｃａｔｉｏｎ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｏｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ
／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ７ｔｈ ＡＣＭ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｅｃｏｍｍｅｎｄｅｒ
Ｓｙｓｔｅｍｓ（ＲｅｃＳｙｓ ２０１３）．Ｈｏｎｇ Ｋｏｎｇ，Ｃｈｉｎａ，２０１３：９３－１００［３７］Ｎｏｕｌａｓ Ａ，Ｓａｌｖａｔｏｒｅ Ｓ，Ｌａｔｈｉａ Ｎ．Ａ ｒａｎｄｏｍ ｗａｌｋ ａｒｏｕｎｄ ｔｈｅｃｉｔｙ：Ｎｅｗ ｖｅｎｕｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｉｎ ｌｏｃａｔｉｏｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ／／
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１２Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｏｃｉａｌ
Ｃｏｍｐｕｔｉｎｇ（ＳｏｃｉａｌＣｏｍ ２０１２）．Ａｍｓｔｅｒｄａｍ，Ｎｅｔｈｅｒｌａｎｄｓ，２０１２：１４４－１５３
［３８］Ｎｏｕｌａｓ Ａ，Ｓａｌｖａｔｏｒｅ Ｓ，Ｌａｔｈｉａ Ｎ．Ｍｉｎｉｎｇ ｕｓｅｒ ｍｏｂｉｌｉｔｙｆｅａｔｕｒｅｓ ｆｏｒ ｎｅｘｔ ｐｌａｃｅ ｐｒｅｄｉｃｔｉｏｎ ｉｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｅｒｖｉｃｅｓ／／
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １２ｔｈ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ｄａｔａ Ｍｉｎｉｎｇ（ＩＣＤＭ ２０１２）．Ｂｒｕｓｓｅｌｓ，Ｂｅｌｇｉｕｍ，２０１２：１０３８－
１０４３
［３９］Ｓａｌｅｅｍ Ｍ Ａ，Ｌｅｅ Ｙ Ｋ，Ｌｅｅ Ｓ．Ｄｙｎａｍｉｃｉｔｙ ｉｎ ｓｏｃｉａｌ ｔｒｅｎｄｓｔｏｗａｒｄｓ ｔｒａｊｅｃｔｏｒｙ ｂａｓｅｄ ｌｏｃａｔｉｏｎ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ／／Ｐｒｏｃｅｅｄ－
ｉｎｇｓ ｏｆ ｔｈｅ １１ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｍａｒｔ Ｈｏｍｅｓ
ａｎｄ Ｈｅａｌｔｈ Ｔｅｌｅｍａｔｉｃｓ（ＩＣＯＳＴ ２０１３）．Ｓｉｎｇａｐｏｒｅ，２０１３：８６－９３
［４０］Ｃｈｅｎｇ Ｃ，Ｙａｎｇ Ｈ，Ｌｙｕ Ｍ Ｒ，Ｋｉｎｇ Ｉ．Ｗｈｅｒｅ ｙｏｕ ｌｉｋｅ ｔｏ ｇｏｎｅｘｔ：Ｓｕｃｃｅｓｓｉｖｅ ｐｏｉｎｔ－ｏｆ－ｉｎｔｅｒｅｓｔ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ／／Ｐｒｏｃｅｅｄ－
ｉｎｇｓ ｏｆ ｔｈｅ ２３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ（ＩＪＣＡＩ ２０１３）．Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ，２０１３：２６０５－２６１１［４１］Ｒａｈｉｍｉ Ｓ Ｍ，Ｗａｎｇ Ｘ．Ｌｏｃａｔｉｏｎ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｂａｓｅｄ ｏｎｐｅｒｉｏｄｉｃｉｔｙ ｏｆ ｈｕｍａｎ ａｃｔｉｖｉｔｉｅｓ ａｎｄ ｌｏｃａｔｉｏｎ ｃａｔｅｇｏｒｉｅｓ／／
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １７ｔｈ Ｐａｃｉｆｉｃ－Ａｓｉａ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ
Ｄｉｓｃｏｖｅｒｙ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ（ＰＡＫＤＤ ２０１３）．Ｇｏｌｄ Ｃｏａｓｔ，
Ａｕｓｔｒａｌｉａ，２０１３：３７７－３８９
［４２］Ｌｉｎｇ Ｃ Ｈ，Ｉｓａｒａｐｏｒｎ Ｋ，Ｄｕｒｂｈｉ Ｓ．Ｔｉｍｅ－ｂａｓｅｄ ｕｓｅｒ ｍｏｖｅｍｅｎｔｐａｔｔｅｒｎ ａｎａｌｙｓｉｓ ｆｒｏｍ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｄａｔａ／／
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＳＰＩＥ ８６５４，Ｖｉｓｕａｌｉｚａｔｉｏｎ ａｎｄ Ｄａｔａ Ａｎａｌｙｓｉｓ
（ＶＤＡ ２０１３）．Ｂｕｒｌｉｎｇａｍｅ，ＵＳＡ，２０１３：Ａｒｔｉｃｌｅ Ｎｏ．２７
［４３］Ｙｏｏｎ Ｈ，Ｚｈｅｎｇ Ｙ，Ｘｉｅ Ｘ．Ｓｍａｒｔ ｉｔｉｎｅｒａｒｙ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｂａｓｅｄ ｏｎ ｕｓｅｒ－ｇｅｎｅｒａｔｅｄ ＧＰＳ ｔｒａｊｅｃｔｏｒｉｅｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ
７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｕｂｉｑｕｉｔｏｕｓ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ
Ｃｏｍｐｕｔｉｎｇ（ＵＩＣ ２０１０）．Ｘｉ’ａｎ，Ｃｈｉｎａ，２０１０：１９－３４
４
３
３计 算 机 学 报２０１５年
［４４］Ｙｏｏｎ Ｈ，Ｚｈｅｎｇ Ｙ，Ｘｉｅ Ｘ．Ｓｏｃｉａｌ ｉｔｉｎｅｒａｒｙ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｆｒｏｍ ｕｓｅｒ－ｇｅｎｅｒａｔｅｄ ｄｉｇｉｔａｌ ｔｒａｉｌ．Ｐｅｒｓｏｎａｌ ａｎｄ Ｕｂｉｑｕｉｔｏｕｓ
Ｃｏｍｐｕｔｉｎｇ，２０１２，１６（５）：４６９－４８４
［４５］Ｍｅｎｇ Ｘ，Ｌｉｎ Ｘ，Ｗａｎｇ Ｘ．Ｉｎｔｅｎｔｉｏｎ ｏｒｉｅｎｔｅｄ ｉｔｉｎｅｒａｒｙｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｂｙ ｂｒｉｄｇｉｎｇ ｐｈｙｓｉｃａｌ ｔｒａｊｅｃｔｏｒｉｅｓ ａｎｄ ｏｎｌｉｎｅ
ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＫＤＤ Ｉｎｔｅｒｎａ－
ｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｕｒｂａｎ Ｃｏｍｐｕｔｉｎｇ．Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ，２０１２：７１－７８
［４６］Ｌｕ Ｅ Ｈ Ｃ，Ｃｈｅｎ Ｃ Ｙ，Ｔｓｅｎｇ Ｖ Ｓ．Ｐｅｒｓｏｎａｌｉｚｅｄ ｔｒｉｐ ｒｅｃｏｍ－ｍｅｎｄａｔｉｏｎ ｗｉｔｈ ｍｕｌｔｉｐｌｅ ｃｏｎｓｔｒａｉｎｔｓ ｂｙ ｍｉｎｉｎｇ ｕｓｅｒ ｃｈｅｃｋ－ｉｎ
ｂｅｈａｖｉｏｒｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ
ｏｎ Ａｄｖａｎｃｅｓ ｉｎ Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ（ＧＩＳ ２０１２）．Ｒｅｄｏｎｄｏ Ｂｅａｃｈ，ＣＡ，ＵＳＡ，２０１２：２０９－２１８
［４７］Ｃｈｅｎ Ｔ，Ｋａａｆａｒ Ｍ Ａ，Ｂｏｒｅｌｉ Ｒ．Ｔｈｅ ｗｈｅｒｅ ａｎｄ ｗｈｅｎ ｏｆｆｉｎｄｉｎｇ ｎｅｗ ｆｒｉｅｎｄｓ：Ａｎａｌｙｓｉｓ ｏｆ ａ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌｄｉｓｃｏｖｅｒｙ ｎｅｔｗｏｒｋ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＡＡＡＩ
Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｅｂｌｏｇｓ ａｎｄ Ｓｏｃｉａｌ Ｍｅｄｉａ（ＩＣＷＳＭ ２０１３）．Ｂｏｓｔｏｎ，ＵＳＡ，２０１３：６１－７０
［４８］Ｚｈｅｎｇ Ｙ，Ｚｈａｎｇ Ｌ，Ｘｉｅ Ｘ，Ｍａ Ｗ．Ｒｅｃｏｍｍｅｎｄｉｎｇ ｆｒｉｅｎｄｓａｎｄ ｌｏｃａｔｉｏｎｓ ｂａｓｅｄ ｏｎ ｉｎｄｉｖｉｄｕａｌ ｌｏｃａｔｉｏｎ ｈｉｓｔｏｒｙ．ＡＣＭ
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｔｈｅ Ｗｅｂ，２０１１，５（１）：Ａｒｔｉｃｌｅ ５
［４９］Ｚｈｏｕ Ｃ，Ｂｈａｔｎａｇａｒ Ｎ，Ｓｈｅｋｈａｒ Ｓ．Ｍｉｎｉｎｇ ｐｅｒｓｏｎａｌｌｙ ｉｍｐｏｒ－ｔａｎｔ ｐｌａｃｅｓ ｆｒｏｍ ＧＰＳ ｔｒａｃｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ２３ｔｈ
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄａｔａ Ｅｎｇｉｎｅｅｒｉｎｇ Ｗｏｒｋｓｈｏｐ．Ｉｓｔａｎｂｕｌ，Ｔｕｒｋｅｙ，２００７：５１７－５２６
［５０］Ｃａｏ Ｘ，Ｃｏｎｇ Ｇ，Ｊｅｎｓｅｎ Ｃ Ｓ．Ｍｉｎｉｎｇ ｓｉｇｎｉｆｉｃａｎｔ ｓｅｍａｎｔｉｃｌｏｃａｔｉｏｎｓ ｆｒｏｍ ＧＰＳ ｄａｔａ．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＶＬＤＢ Ｅｎｄｏｗ－
ｍｅｎｔ，２０１０，３（１－２）：１００９－１０２０
［５１］Ｐｉａｎｅｓｅ Ｆ，Ａｎ Ｘ，Ｋａｗｓａｒ Ｆ，Ｉｓｈｉｚｕｋａ Ｈ．Ｄｉｓｃｏｖｅｒｉｎｇ ａｎｄｐｒｅｄｉｃｔｉｏｎ ｕｓｅｒ ｒｏｕｔｉｎｅｓ ｂｙ ｄｉｆｆｅｒｅｎｔｉａｌ ａｎａｌｙｓｉｓ ｏｆ ｓｏｃｉａｌ
ｎｅｔｗｏｒｋ ｔｒａｃｅｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ １４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ
Ｓｙｍｐｏｓｉｕｍ ａｎｄ Ｗｏｒｋｓｈｏｐｓ ｏｎ Ｗｏｒｌｄ ｏｆ Ｗｉｒｅｌｅｓｓ，Ｍｏｂｉｌｅ
ａｎｄ Ｍｕｌｔｉｍｅｄｉａ Ｎｅｔｗｏｒｋｓ．Ｍａｄｒｉｄ，Ｓｐａｉｎ，２０１３：１－９
［５２］Ｙｉｎｇ Ｊ Ｊ Ｃ，Ｌｅｅ Ｗ Ｃ，Ｔｓｅｎｇ Ｖ Ｓ．Ｍｉｎｉｎｇ ｇｅｏｇｒａｐｈｉｃ ｔｅｍｐｏｒａｌｐａｔｔｅｒｎｓ ｉｎ ｔｒａｊｅｃｔｏｒｉｅｓ ｆｏｒ ｌｏｃａｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ．ＡＣＭ Ｔｒａｎｓ－
ａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０１３，５（１）：
Ａｒｔｉｃｌｅ ２
［５３］Ｐａｎａｇｉｏｔｉｓ Ｓ，Ａｌｅｘｉｓ Ｐ，Ｙａｎｎｉｓ Ｍ．Ｇｅｏ－ｓｏｃｉａｌ ｒｅｃｏｍｍｅｎｄａ－ｔｉｏｎｓ ｂａｓｅｄ ｏｎ ｉｎｃｒｅｍｅｎｔａｌ ｔｅｎｓｏｒ ｒｅｄｕｃｔｉｏｎ ａｎｄ ｌｏｃａｌ ｐａｔｈ
ｔｒａｖｅｒｓａｌ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３ｒｄ ＡＣＭ ＳＩＧ ＳＰＡＴＩＡＬ
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｌｏｃａｔｉｏｎ－Ｂａｓｅｄ Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋｓ．Ｃｈｉｃａｇｏ，ＵＳＡ，２０１１：８９－９６
［５４］Ｐａｎａｇｉｏｔｉｓ Ｓ，Ａｎｔｏｎｉｓ Ｋ，Ｙａｎｎｉｓ Ｍ．ＧｅｏＳｏｃｉａｌＲｅｃ：Ｅｘｐｌａｉｎｉｎｇｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ ｉｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔ ｗｏｒｋｓ／／
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １７ｔｈ Ｅａｓｔ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ａｄｖａｎｃｅｓ ｉｎ Ｄａｔａｂａｓｅｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ（ＡＤＢＩＳ
２０１３）．Ｇｅｎｏａ，Ｉｔａｌｙ，２０１３：８４－９７
［５５］Ｚｈｅｎｇ Ｖ Ｗ，Ｚｈｅｎｇ Ｙ，Ｘｉｅ Ｘ，Ｙａｎｇ Ｑ．Ｔｏｗａｒｄｓ ｍｏｂｉｌｅｉｎｔｅｌｌｉｇｅｎｃｅ：Ｌｅａｒｎｉｎｇ ｆｒｏｍ ＧＰＳ ｈｉｓｔｏｒｙ ｄａｔａ ｆｏｒ ｃｏｌｌａｂｏｒａｔｉｖｅ
ｒｅｃｏｍｍｅｎｄａｔｉｏｎ．Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１２，１８４－１８５：１７－３７［５６］Ｗａｇａ Ｋ，Ｔａｂａｒｃｅａ Ａ，Ｆｒａｎｔｉ Ｐ．Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｏｆ ｐｏｉｎｔｓｏｆ ｉｎｔｅｒｅｓｔ ｆｒｏｍ ｕｓｅｒ ｇｅｎｅｒａｔｅｄ ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓ
ｏｆ ｔｈｅ ８ｔｈ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｌｌａｂｏｒａｔｉｖｅ
Ｃｏｍｐｕｔｉｎｇ：Ｎｅｔｗｏｒｋｉｎｇ，Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｗｏｒｋ Ｓｈａｒｉｎｇ．
Ｍｉａｍｉ，ＵＳＡ，２０１２：５５０－５５５
［５７］Ｙｉｎｇ Ｊ Ｊ Ｃ，Ｌｕ Ｅ Ｈ Ｃ，Ｔｓｅｎｇ Ｖ Ｓ．Ｆｏｌｌｏｗｅｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｉｎ ａｓｙｍｍｅｔｒｉｃａｌ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ
ｏｆ ｔｈｅ ２０１２ＡＣＭ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｕｂｉｑｕｉｔｏｕｓ Ｃｏｍｐｕｔｉｎｇ
（ＵｂｉＣｏｍｐ ２０１２）．Ｐｉｔｔｓｂｕｒｇｈ，ＵＳＡ，２０１２：９８８－９９５
［５８］Ｗａｎｇ Ｄ，Ｐｅｄｒｅｓｃｈｉ Ｄ，Ｓｏｎｇ Ｃ，Ｇｉａｎｎｏｔｔｉ Ｆ．Ｈｕｍａｎ ｍｏｂｉｌｉｔｙ，ｓｏｃｉａｌ ｔｉｅｓ ａｎｄ ｌｉｎｋ ｐｒｅｄｉｃｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １７ｔｈ ＡＣＭ
ＳＩＧＫＤＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ
ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ（ＫＤＤ ２０１１）．Ｓａｎ Ｄｉｅｇｏ，ＵＳＡ，２０１１：１１００－１１０８
［５９］Ｗａｎｇ Ｈ，Ｔｅｒｒｏｖｉｔｉｓ Ｍ，Ｍａｍｏｕｌｉｓ Ｎ．Ｌｏｃａｔｉｏｎ ｒｅｃｏｍｍｅｎｄａ－ｔｉｏｎ ｉｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｕｓｉｎｇ ｕｓｅｒ ｃｈｅｃｋ－ｉｎ
ｄａｔａ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ａｄｖａｎｃｅｓ ｉｎ Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ（ＧＩＳ ２０１３）．Ｏｒｌａｎｄｏ，ＵＳＡ，２０１３：３６４－３７３
［６０］Ｊｅｈ Ｇ，Ｗｉｄｏｍ Ｊ．Ｓｃａｌｉｎｇ ｐｅｒｓｏｎａｌｉｚｅｄ ｗｅｂ ｓｅａｒｃｈ／／Ｐｒｏｃｅｅｄ－ｉｎｇｓ ｏｆ ｔｈｅ １２ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ
（ＷＷＷ ２００３）．Ｂｕｄａｐｅｓｔ，Ｈｕｎｇａｒｙ，２００３：２７１－２７９
［６１］Ｙｅ Ｍ，Ｙｉｎ Ｐ，Ｌｅｅ Ｗ Ｃ．Ｌｏｃａｔｉｏｎ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｆｏｒｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １８ｔｈ
ＳＩＧＳＰＡＴＩＡＬ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｓ ｉｎ
Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ（ＧＩＳ ２０１０）．Ｓａｎ Ｊｏｓｅ，
ＵＳＡ，２０１０：４５８－４６１
［６２］Ｃｈｅｎｇ Ｃ，Ｙａｎｇ Ｈ，Ｋｉｎｇ Ｉ，Ｌｙｕ Ｍ Ｒ．Ｆｕｓｅｄ ｍａｔｒｉｘ ｆａｃｔｏｒｉ－ｚａｔｉｏｎ ｗｉｔｈ ｇｅｏｇｒａｐｈｉｃａｌ ａｎｄ ｓｏｃｉａｌ ｉｎｆｌｕｅｎｃｅ ｉｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ
ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２６ｔｈ ＡＡＡＩ Ｃｏｎｆｅｒｅｎｃｅ
ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＡＡＡＩ ２０１２）．Ｔｏｒｏｎｔｏ，Ｃａｎａｄａ，２０１２：１７－２３
［６３］Ｒｏｍａｉｎ Ｐ Ｃ，Ｃｅｃｉｌｅ Ｂ．Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｏｆ ｓｈｏｐｐｉｎｇ ｐｌａｃｅｓｂａｓｅｄ ｏｎ ｓｏｃｉａｌ ａｎｄ ｇｅｏｇｒａｐｈｉｃａｌ ｉｎｆｌｕｅｎｃｅｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆｔｈｅ ５ｔｈ ＡＣＭ ＲｅｃＳｙｓ Ｗｏｒｋｓｈｏｐ ｏｎ Ｒｅｃｏｍｍｅｎｄｅｒ Ｓｙｓｔｅｍｓ
ａｎｄ ｔｈｅ Ｓｏｃｉａｌ Ｗｅｂ．Ｈｏｎｇ Ｋｏｎｇ，Ｃｈｉｎａ，２０１３：４７７－４７８［６４］Ｓｃｅｌｌａｔｏ Ｓ，Ｎｏｕｌａｓ Ａ，Ｍａｓｃｏｌｏ Ｃ．Ｅｘｐｌｏｉｔｉｎｇ ｐｌａｃｅ ｆｅａｔｕｒｅｓｉｎ ｌｉｎｋ ｐｒｅｄｉｃｔｉｏｎ ｏｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ／／
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １７ｔｈ ＡＣＭ ＳＩＧＫＤＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ
Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ（ＫＤＤ
２０１１）．Ｓａｎ Ｄｉｅｇｏ，ＵＳＡ，２０１１：１０４６－１０５４
［６５］Ｌｉ Ｎ，Ｃｈｅｎ Ｇ．Ｍｕｌｔｉ－ｌａｙｅｒｅｄ ｆｒｉｅｎｄｓｈｉｐ ｍｏｄｅｌｉｎｇ ｆｏｒ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｍｏｂｉｌｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ６ｔｈ ＡｎｎｕａｌＩｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｏｂｉｌｅ ａｎｄ Ｕｂｉｑｕｉｔｏｕｓ Ｓｙｓｔｅｍｓ：Ｃｏｍｐｕｔｉｎｇ，Ｎｅｔｗｏｒｋｉｎｇ ａｎｄ Ｓｅｒｖｉｃｅｓ（ＭｏｂｉＱｕｉｔｏｕｓ ２００９）．Ｔｏｒｏｎｔｏ，Ｃａｎａｄａ，２００９：１－１０
［６６］Ｙｕ Ｘ，Ｐａｎ Ａ，Ｔａｎｇ Ｌ Ａ，ｅｔ ａｌ．Ｇｅｏ－ｆｒｉｅｎｄｓ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｉｎ ＧＰＳ－ｂａｓｅｄ Ｃｙｂｅｒ－ｐｈｙｓｉｃａｌ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆｔｈｅ ２０１１Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｓ ｉｎ Ｓｏｃｉａｌ
Ｎｅｔｗｏｒｋｓ Ａｎａｌｙｓｉｓ ａｎｄ Ｍｉｎｉｎｇ（ＡＳＯＮＡＭ ２０１１）．Ｋａｏｈｓｉｕｎｇ，Ｃｈｉｎａ，２０１１：３６１－３６８
［６７］Ｇｕｎｄｅｃｈａ Ｐ，Ｂａｒｂｉｅｒ Ｇ，Ｌｉｕ Ｈ．Ｅｘｐｌｏｉｔｉｎｇ ｖｕｌｎｅｒａｂｉｌｉｔｙ ｔｏ
５
３
３
２期刘树栋等：基于位置的社会化网络推荐系统研究
ｓｅｃｕｒｅ ｕｓｅｒ ｐｒｉｖａｃｙ ｏｎ ａ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｉｎｇ ｓｉｔｅ／／Ｐｒｏｃｅｅｄｉｎｇｓ
ｏｆ ｔｈｅ １７ｔｈ ＡＣＭ ＳＩＧＫＤＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ａｎｄ Ｄａｔａ ｍｉｎｉｎｇ（ＫＤＤ ２０１１）．Ｓａｎ
Ｄｉｅｇｏ，ＵＳＡ，２０１１：５１１－５１９
［６８］Ｔｏｃｈ Ｅ，Ｃｒａｎｓｈａｗ Ｊ，Ｈａｎｋｅｓ－Ｄｒｉｅｌｓｍａ Ｐ，Ｓｐｒｉｎｇｆｉｅｌｄ Ｊ．Ｌｏｃａｃｃｉｎｏ：Ａ ｐｒｉｖａｃｙ－ｃｅｎｔｒｉｃ ｌｏｃａｔｉｏｎ ｓｈａｒｉｎｇ ａｐｐｌｉｃａｔｉｏｎ／／
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １２ｔｈ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ
Ａｄｊｕｎｃｔ Ｐａｐｅｒｓ ｏｎ Ｕｂｉｑｕｉｔｏｕｓ Ｃｏｍｐｕｔｉｎｇ．Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ，２０１０：３８１－３８２
［６９］Ｋｒｕｍｍ Ｊ．Ａ ｓｕｒｖｅｙ ｏｆ ｃｏｍｐｕｔａｔｉｏｎａｌ ｌｏｃａｔｉｏｎ ｐｒｉｖａｃｙ．Ｐｅｒｓｏｎａｌ ａｎｄ Ｕｂｉｑｕｉｔｏｕｓ Ｃｏｍｐｕｔｉｎｇ，２００９，１３（６）：３９１－３９９［７０］Ｒｉｂｏｎｉ Ｄ，Ｂｅｔｔｉｎｉ Ｃ．Ａ ｐｌａｔｆｏｒｍ ｆｏｒ ｐｒｉｖａｃｙ－ｐｒｅｓｅｒｖｉｎｇｇｅｏ－ｓｏｃｉａｌ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｏｆ ｐｏｉｎｔｓ ｏｆ ｉｎｔｅｒｅｓｔ／／Ｐｒｏｃｅｅｄｉｎｇｓ
ｏｆ ｔｈｅ ＩＥＥＥ １４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｏｂｉｌｅ Ｄａｔａ
Ｍａｎａｇｅｍｅｎｔ（ＭＤＭ ２０１３）．Ｍｉｌａｎ，Ｉｔａｌｙ，２０１３：３４７－３４９［７１］Ｚｈａｏ Ｘ．Ｃｈｅｃｋｉｎｇ ｉｎ ｗｉｔｈｏｕｔ ｗｏｒｒｉｅｓ：Ｌｏｃａｔｉｏｎ ｐｒｉｖａｃｙ ｉｎｌｏｃａｔｉｏｎ ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３２ｎｄ
ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ
（ＩＮＦＯＣＯＭ ２０１３）．Ｔｕｒｉｎ，Ｉｔａｌｙ，２０１３：３００１－３０１１
［７２］Ｌｉｎｄｑｖｉｓｔ Ｊ，Ｃｒａｎｓｈａｗ Ｊ，Ｗｉｅｓｅ Ｊ，ｅｔ ａｌ．Ｉ’ｍ ｔｈｅ ｍａｙｏｒ ｏｆｍｙ ｈｏｕｓｅ：Ｅｘａｍｉｎｉｎｇ ｗｈｙ ｐｅｏｐｌｅ ｕｓｅ ｆｏｕｒｓｑｕａｒｅ—Ａ ｓｏｃｉａｌ－
ｄｒｉｖｅｎ ｌｏｃａｔｉｏｎ ｓｈａｒｉｎｇ ａｐｐｌｉｃａｔｉｏｎ／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ
ＣＨＩ ２０１１Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｈｕｍａｎ Ｆａｃｔｏｒｓ ｉｎ Ｃｏｍｐｕｔｉｎｇ
Ｓｙｓｔｅｍｓ（ＣＨＩ ２０１１）．Ｖａｎｃｏｕｖｅｒ，Ｃａｎａｄａ，２０１１：２４０９－２４１８［７３］Ｓａｄｅｈ Ｎ，Ｈｏｎｇ Ｊ，Ｃｒａｎｏｒ Ｌ，ｅｔ ａｌ．Ｕｎｄｅｒｓｔａｎｄｉｎｇ ａｎｄｃａｐｔｕｒｉｎｇ ｐｅｏｐｌｅ’ｓ ｐｒｉｖａｃｙ ｐｏｌｉｃｉｅｓ ｉｎ ａ ｍｏｂｉｌｅ ｓｏｃｉａｌｎｅｔｗｏｒｋｉｎｇ ａｐｐｌｉｃａｔｉｏｎ．Ｐｅｒｓｏｎａｌ ａｎｄ Ｕｂｉｑｕｉｔｏｕｓ Ｃｏｍｐｕｔｉｎｇ，２００９，１３（６）：４０１－４１
２
ＬＩＵ Ｓｈｕ－Ｄｏｎｇ，ｂｏｒｎ ｉｎ １９８４，
Ｐｈ．Ｄ．ｃａｎｄｉｄａｔｅ．Ｈｉｓ ｃｕｒｒｅｎｔ ｒｅｓｅａｒｃｈ
ｉｎｔｅｒｅｓｔｓ ｉｎｃｌｕｄｅ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ
ａｎｄ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｅｒｖｉｃｅｓ．
ＭＥＮＧ Ｘｉａｎｇ－Ｗｕ，ｂｏｒｎ ｉｎ １９６６，Ｐｈ．Ｄ．，ｐｒｏｆｅｓｓｏｒ，
Ｐｈ．Ｄ．ｓｕｐｅｒｖｉｓｏｒ．Ｈｉｓ ｒｅｓｅａｒｃｈ ｉｎｔｅｒｅｓｔｓ ｉｎｃｌｕｄｅ ｎｅｔｗｏｒｋ
ｓｅｒｖｉｃｅｓ，ｕｓｅｒ ｒｅｑｕｉｒｅｍｅｎｔｓ ａｎｄ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ．
Ｂａｃｋｇｒｏｕｎｄ
Ｒｅｃｅｎｔｌｙ ｌｏｃａｔｉｏｎ ｃｈｅｃｋ－ｉｎ ｉｎ ｏｎｌｉｎｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｉｓ
ｂｅｃｏｍｉｎｇ ｉｎｃｒｅａｓｉｎｇｌｙ ｐｏｐｕｌａｒ，ｗｈｉｃｈ ｓｔｉｍｕｌａｔｅｓ ｒｅｓｅａｒｃｈｅｒｓ
ｔｏ ｓｔｕｄｙ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｅｒｖｉｃｅｓ ａｎｄ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ
ｍｏｒｅ ｄｅｅｐｌｙ ａｎｄ ｓｙｓｔｅｍａｔｉｃａｌｌｙ ｂｙ ｅｘｐｌｏｉｔｉｎｇ ｔｈｅ ｄａｔａｓｅｔｓ ｏｆ
ｕｓｅｒｓ’ｓｏｃｉａｌ ａｃｔｉｖｉｔｉｅｓ ａｎｄ ｓｏｃｉａｌ ｉｎｔｅｒａｃｔｉｏｎｓ．Ｔｈｉｓ ｐａｐｅｒ
ｐｒｏｖｉｄｅｓ ａ ｔｈｏｒｏｕｇｈ ａｎｄ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｏｖｅｒｖｉｅｗ ｏｆ ｔｈｅ
ｃｕｒｒｅｎｔ ｓｔｕｄｙ ｏｎ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ ｉｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ
ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｆｒｏｍ ａ ｐｒｏｃｅｓｓ－ｏｒｉｅｎｔｅｄ ｐｅｒｓｐｅｃｔｉｖｅ，ｉｎｃｌｕｄｉｎｇ
ｓｙｓｔｅｍ ｆｒａｍｅｗｏｒｋｓ，ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｇｅｎｅｒａｔｉｏｎ ｍｅｔｈｏｄｓ
ｂａｓｅｄ ｏｎ ｍｕｌｔｉｌａｙｅｒ ｎｅｔｗｏｒｋ ｄａｔａ ａｎｄ ｔｙｐｉｃａｌ ａｐｐｌｉｃａｔｉｏｎｓ．
Ｗｅ ｓｕｍｓ ｕｐ ａｂｕｎｄａｎｔ ｒｅｌａｔｅｄ ｒｅｓｅａｒｃｈ ｐｒｏｇｒｅｓｓｅｓ ｉｎ ｔｈｉｓ
ｆｉｅｌｄ，ｗｈｉｃｈ ｈａｓ ｇｒｅａｔ ｒｅｆｅｒｅｎｔｉａｌ ｓｉｇｎｉｆｉｃａｎｃｅ ｆｏｒ ｒｅｓｅａｒｃｈｅｒｓ．
Ｔｈｉｓ ｗｏｒｋ ｉｓ ｓｕｐｐｏｒｔｅｄ ｂｙ ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ
Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｃｈｉｎａ（Ｎｏ．６０８７２０５１）ａｎｄ ｔｈｅ Ｍｕｔｕａｌ Ｐｒｏｊｅｃｔ
ｏｆ Ｂｅｉｊｉｎｇ Ｍｕｎｉｃｉｐａｌ Ｅｄｕｃａｔｉｏｎ Ｃｏｍｍｉｓｓｉｏｎ．６
３
３计 算 机 学 报２０１５年
基于社会化标签的推荐系 摘要 随着现代互联网的发展，互联网中的数据每天都以巨大的规模增长着。人们越来越困难的从这海量的数据中找到所需的资源，这里就需要各个网站给用户推荐。而标签技术的出现给个性化推荐带来了新的机遇。社会化标签是一种准确、灵活、开放、有趣的分类方式，是由用户为自己的文章、图片、音频、视频等一系列文件所定义的一个或多个描述。通过对社会化标签的使用来给用户提供优质的选项，以使用户在海量的数据中找到心满意足的信息。 关键字：海量数据，社会化标签
Abstract With the development of the Internet, the data in the internet every day to grow a huge scale. People increasingly difficult to find required resources from the vast amounts of data, where each site is required to recommend to the user. The label appears to personalized recommendation technology brings new opportunities. Social tagging is an accurate, flexible, open, interesting classification, which defined description for their articles, images, audio, video and a series of documents. Through the use of social tagging ，we can provide the user with high-quality option to enable users to find information contentedly in vast amounts of data. Key:Huge amounts of data, social tagging
全国中小学校责任督学挂牌督导创新县（市、区）评估认定 网络问卷调查系统操作手册 一.省联络员 负责四件事情： 1.注册问卷系统账号； 2.向市级单位传达问卷通知（如：公文、通知、公告等）； 3.审核市级单位的身份认证信息； 4.跟踪市级单位的完成进度。 具体操作流程： 第一步、收到教育部的通知后，访问网络问卷调查系统（https://www.doczj.com/doc/fb18697728.html,），点击“身份认证”按钮； 第二步、填写认证信息并注册（注：单位类型选择-政府机关、所属级别选择-省级），提交后等待教育部审核； 第三步、审核通过后，再次访问网络问卷调查系统（https://www.doczj.com/doc/fb18697728.html,）。点击“开始调查”按钮，使用身份认证时输入的手机号和密码进行登录； 第四步、登录后，在系统首页查看、下载公文，并据此向市级单位下发问卷通知：要求市级单位访问问卷管理系统，并进行身份认证； 第五步、等待市级单位访问问卷管理系统，并提交身份认证申请； 第六步、登录网络问卷调查系统，进入“审核管理”页面，点击申请列表中的“审核”按钮，选择“通过”，点击“保存”按钮完成审核操作； 第七步、点击“问卷管理”页面，可以随时查看学生问卷和老师问卷的完成率；
面，分别点击“统计完成率”进行老师问卷和学生问卷的统计。 二.市联络员 负责四件事情： 1.注册问卷系统账号； 2. 向县区级单位传达问卷通知（如：公文、通知、公告等）； 3. 审核县区级单位的身份认证信息； 4. 跟踪县区级单位的完成进度。 具体操作流程： 第一步、收到省级单位的通知后，访问网络问卷调查系统（https://www.doczj.com/doc/fb18697728.html,），点击“身份认证”按钮； 第二步、填写认证信息并注册（注：单位类型选择-政府机关、所属级别选择-市级），提交后等待教育部审核； 第三步、审核通过后，再次访问网络问卷调查系统（https://www.doczj.com/doc/fb18697728.html,）。点击“开始调查”按钮，使用身份认证时输入的手机号和密码进行登录； 第四步、登录后，在系统首页查看、下载公文，并据此向县区级单位下发问卷通知：要求县区级单位访问问卷管理系统，并进行身份认证； 第五步、等待县区级单位访问问卷管理系统，并提交身份认证申请； 第六步、登录网络问卷调查系统，进入“审核管理”页面，点击申请列表中的“审核”按钮，选择“通过”，点击“保存”按钮完成审核操作； 第七步、点击“问卷管理”页面，可以随时查看学生问卷和老师问卷的完成率；
市场营销学 要求： 1.写一篇论文，字数在1500~2000字左右； 2.独立完成，下面已将三组题目列出，请按照学院平台指定 ．．的做题组数作答， 每人只答一组题目 ．．．．，满分100分； ．．．．．．．．，多答无效 平台查看做题组数操作：学生登录学院平台→系统登录→学生登录→课程考试→离线考核→离线考核课程查看→做题组数，显示的数字为此次离线考核所应做哪一组题的标识； 例如：“做题组数”标为1，代表学生应作答“第一组”试题； 3.请使用学院指定答题纸作答（答题纸请详见附件）；答题纸上全部信息要填 写完整，包括学号、姓名等基本信息和答题内容，请写明论文题目； 4.提交方式：请将论文以word形式提交电子版； 5.文件命名格式：“中心-学号-姓名-科目.doc” 6.文件容量大小：不得超过20MB。 提示：未按要求作答题目的论文及雷同文章，成绩以 ．．！ ．．．．．．．．．．．．．．．．．．．．0．分记 第一组： “辣条界网红”卫龙的社会化营销分析 摘要：近年来，随着信息科技迅速发展，信息和网络化电子商务的应用步伐不断加快，中国社会迅速步入网络经济时代。随之兴起的网络营销作为一种全新的营销手段，给“辣条界网红”卫龙带来机遇的同时也带来了挑战。淘宝网在这场没有稍烟的战争中，凭借各种受消费者欢迎的个性化创新模块应用，迅速成为网络营销中的佼佼者。要想在风起云涌的社会化网络营销中占据一席之地，就必须有自己个性化的营销创新策略。 关键词：卫龙；社会化网络营销；个性化营销 一、引言 电子商务为我们的生活提供了巨大便利，同时改变了人们对于商业的传统认知，带动产业改革朝“互联网+”的方向发展。2016年天猫双十一交易额达到1207亿，产生6.57亿个物流订单。在这巨大的电商洪流中，涌现出多种各富特点的电商形式，其中包括社会化电商
个性化推荐系统研究综述 【摘要】个性化推荐系统不仅在社会经济中具有重要的应用价值，而且也是一个非常值得研究的科学问题。给出个性化推荐系统的定义，国内外研究现状，同时阐述了推荐系统的推荐算法。最后对个性化推系统做出总结与展望。 【关键词】推荐系统；推荐算法；个性化 1.个性化推荐系统 1.1个性化推荐系统的概论 推荐系统是一种特殊形式的信息过滤系统（Information Filtering），推荐系统通过分析用户的历史兴趣和偏好信息，可以在项目空间中确定用户现在和将来可能会喜欢的项目，进而主动向用户提供相应的项目推荐服务[1]。传统推荐系统认为推荐系统通过获得用户个人兴趣，根据推荐算法，并对用户进行产品推荐。事实上，推荐系统不仅局限于单向的信息传递，还可以同时实现面向终端客户和面向企业的双向信息传递。 一个完整的推荐系统由3个部分组成：收集用户信息的行为记录模块，分析用户喜好的模型分析模块和推荐算法模块，其中推荐算法模块是推荐系统中最为核心的部分。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。 1.2国内外研究现状 推荐系统的研宄开始于上世纪90年代初期，推荐系统大量借鉴了相关领域的研宄成果，在推荐系统的研宄中广泛应用了认知科学、近似理论、信息检索、预测理论、管理科学以及市场建模等多个领域的知识。随着互联网的普及和电子商务的发展，推荐系统逐渐成为电子商务IT技术的一个重要研究内容，得到了越来越多研究者的关注。ACM从1999年开始每年召开一次电子商务的研讨会，其中关于电子商务推荐系统的研究文章占据了很大比重。个性化推荐研究直到20世纪90年代才被作为一个独立的概念提出来。最近的迅猛发展，来源于Web210技术的成熟。有了这个技术，用户不再是被动的网页浏览者，而是成为主动参与者[2]。 个性化推荐系统的研究内容和研究方向主要包括：（1）推荐系统的推荐精度和实时性是一对矛盾的研究；（2）推荐质量研究，例如在客户评价数据的极端稀疏性使得推荐系统无法产生有效的推荐，推荐系统的推荐质量难以保证；（3）多种数据多种技术集成性研究；（4）数据挖掘技术在个性化推荐系统中的应用问题，基于Web挖掘的推荐系统得到了越来越多研究者的关注；（5）由于推荐系统需要分析用户购买习惯和兴趣爱好，涉及到用户隐私问题，如何在提供推荐服务的
中国好声音引爆社交网络传播的逻辑 《中国好声音》第二季开播，除了强势的收视率外，依然不变的是各种热门话题出现在各大社交媒体上。要问为何好声音为啥不“好”了，还得看其节目属性及社交传播的逻辑：选秀是商业，社会责任只是幌子；话题嫁接，搭热点顺风车；而且微博依然是引爆点。 7月12日晚，《中国好声音》第二季在浙江卫视开播，除了依然强势的收视率外，依然不变的是各种热门话题出现在各大社交媒体上。这里，笔者不得不佩服好声音的幕后运作团队，能在各种炒作之后，在最难引导舆论的社交媒体上打造一个“好”字，显然称得上是“中国好公关”！ 话不多说，先来看看好声音第二季开播几天来已形成的热点话题有“乖乖女”刘雅婷、华少“好舌头”、姚贝娜引评委哄抢。当然，话题不止这些，但从中可以看出，好声音团队的传播逻辑依然不变，尽量炒作出争议，尽量为观众提供不断的话题。 这里，可能有读者就会问了，“中国好声音”不是志在打造一个“好”字么？为什么频频出争议呢？这不会影响品牌定位么？当然，从正常的逻辑来说，是这样的，但从好声音的节目属性和社交传播的逻辑来看就不是这样了。下面笔者从三点来分析： 1）选秀是商业，社会责任只是幌子 砖家说，“中国好声音”之所以获得成功，是因为其改变了传统选秀的唯美的价值观，凸显了音乐的价值性。真的是这样吗？不是的。愚以为，它成功在其适合社会化的传播逻辑，让早已麻木的受众找到了新的痛点。社交媒体的今天，用户关心的不只是节目本身，而是从节目出发，多维地去了解。所以，好声音一开播，就有很多传播点预埋，引爆只是关键节点的事了。 2）话题嫁接，搭热点顺风车 在社交媒体上，跟踪热点是传播最基本的逻辑。所以中国好声音也不例外，比如在前文提到的《甄嬛传》原唱姚贝娜引评委哄抢这一话题，就是利用《甄嬛传》这一热点来传播的。当然，如果单单姚贝娜参赛的话也不会引起多少话题的，所以还要有“评委哄抢”这一段，这才是社交媒体的传播点。 3）不要有绝对的对与错，而是要有绝对的争议
2020年网络营销成功案例与分析 褚橙——打造高溢价的农产品电商 本来生活网运营中心副总经理唐宋在名为《像可口可乐一样卖水果》的分享中提及，在做褚橙2013年的品牌营销的时候，考虑到的问题——如何将非标准化的东西做成一个标准化，以及如何面对年轻人做推广。 1)利用大数据技术为社会化广告投放提供方向和依据 2)为产品传播进行内容营销 制定了三组适合社会化传播的内容方向，包括：褚橙产品安全方向、褚时健故事励志方向、微博粉丝独享优惠方向，建立起与目标消费者联系的桥梁 3)将大数据技术捕捉到的精准画像与内容方向进行匹配 制定不同投放组合计划，测试出互动率最高的传播组合进行重点推广，确保每一分推广费用都花在刀刃上 4)邀请达人品尝励志橙活动-开展“无任何门槛”形式的馈赠活动 老字号借网络能让布鞋走向全球 现在福泰欣公司有30多名员工的工作与网店经营业务有关，“渠道对于老字号来说，越来越重要。现在网店上每天都有30多笔交易，不仅零售、批发，还兼做加盟，各地的经销商随时通过网店看图片、下订单。公司里的4名同事长时间在线跟顾客进行沟通，目前这些布鞋通过淘宝和易趣的店铺，已经远销到英国、法国、美国和比利时等国家。”
根据这些一线的需求，朱曙光不断给布鞋注入新元素，适应现代人求新求美的心理。色彩开始大胆，除了白、蓝还增添了粉红、玫瑰红等，并运用花朵、碎花、暗花、绣花、格花等装饰。为了与时装搭配，面料也多样化，不再是一色的“棉”，而是发展到采用平绒、毛呢、涤纶布、牛仔布、仿皮、帆布等材料。不到两年，福泰欣自主开发的布鞋达1000多种。 >>>点击下页进入更多2017年网络营销案例与分析相关内容
个性化推荐系统在电子商务网站中的应用研究 一、引言 随着Internet的普及，信息爆炸时代接踵而至，海量的信息同时呈现，使用户难以从中发现自己感兴趣的部分，甚至也使得大量几乎无人问津的信息称为网络总的“暗信息”无法被一般用户获取。同样，随着电子商务迅猛发展，网站在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。 个性化推荐，被认为是当前解决信息超载问题最有效的工具之一．推荐问题从根本上说就是从用户的角度出发，代替用户去评估其从未看过的产品，使用户不只是被动的网页浏览者，而成为主动参与者。准确、高效的推荐系统可以挖掘用户的偏好和需求，从而成为发现用户潜在的消费倾向，为其提供个性化服务。在日趋激烈的竞争环境下，个性化推荐系统已经不仅仅是一种商业营销手断，更重要的是可以增进用户的黏着性。本文对文献的综述包括个性化推荐系统的概述、常用的个性化推荐系统算法分析以及个性化推荐系统能够为电子商务网站带来的价值。 二、个性化推荐系统概述 个性化推荐系统是指根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。购物网站的推荐系统为客户推荐商品，自动完成个性化选择商品的过程，满足客户的个性化需求，推荐基于：网站最热卖商品、客户所处城市、客户过去的购买行为和购买记录，推测客户将来可能的购买行为。 1995年3月，卡内基 梅隆大学的Robert Armstrong等人在美国人工智能协会首次提出了个性化导航系统Web-Watcher，斯坦福大学的Marko Balabanovic 等人在同一次会议上推出了个性化推荐系统LIRA。同年8月，麻省理工学院的
摘要：网络丰富了人们获取信息的渠道，进一步消除了沟通障碍。同时，发挥着交流平台作用的网络，还改变了营销模式，促进了营销渠道的多样化。粉丝经济是当前的一种特殊现象，属于时代发展的产物。本文立足网络给现代社会带来的变化，对社会化网络中的粉丝经济营销做了探讨。 关键词：社会化网络；粉丝经济；营销策略 一、前言 社会化网络对现代社会的影响并不局限于生活领域，其还延伸到了政治领域以及文化领域，使得网络经济迅速发展起来。粉丝经济属于网络经济的一部分，对社会化网络有着很大的依赖性。此种经济形态是对传统营销的巨大挑战，但其同时也起到了增强市场活力的作用，所以，探讨粉丝经济的营销策略具有重要的现实意义。 二、社会化网络中“粉丝经济”营销的思考 （一）新形势下粉丝身上体现出的特征 在社会化网络中，粉丝身上表现出的特征可以概括为：首先，主动性强。网络使得粉丝有更多的机会接触明星，他们的行为也因此更加主动。受到传播模式的局限，以往情况下粉丝想要与明星发生接触一般是比较难的，并且往往是通过单一的媒介，过程中粉丝经常处于被动地位，但社会网络使得此种模式发生了较为彻底的变化。比如，粉丝通过网络即可获得明星的最新动态，甚至是接下来的行程，这种情况下，其见到明星的可能性就会比较大，其行为受到的限制也会比较少。同时，社会化网络也给粉丝获取明星信息创造了更多机会，使得媒体地位发生了动摇，粉丝在追星中能够掌握更大的主动权。并且，由于互联网平台也由以提供内容为主演变为以社交为主，网络与现实生活的距离也进一步拉近，粉丝之间不再有时空障碍，彼此之间的信息交流也变得更加方便，粉丝圈也因此呈现出虚拟与现实互相交错的特点。其次，参与度高。社会化网络改变了信息传播结构，粉丝既是信息接收方，同时也是传播方。此种网状传播模式使得信息传播能够涵盖的范围进一步扩大，粉丝也能够在传播信息的过程中逐渐形成社群或者圈子。粉丝社群可以集中表达粉丝诉求及意愿，由此产生的群体效应使得他们的诉求更容易引起关注。在这种情况下，粉丝在明星事件中的参与程度也有了明显提高，逐渐从单纯的受众变成了参与者与受益者。通过社会化网络，粉丝能够发现、找到与自己兴趣相同的其他人，他们彼此之间会因此建立联系，并最终发展成一个以关系与共同爱好为基础的小世界。在这个小世界中，信息是以裂变的方式进行传播的。 （二）营销模式发生的深刻变化 在社会化网络兴起之前，粉丝经济营销通常以下述方式进行：明星借助发行唱片、参演影视作品以及推出限量藏品等方式，来进行文化传播，粉丝为了支持明星而消费。这个过程中出现的消费行为导致了粉丝经济的产生，特点表现为明星掌握主动权，与粉丝互动十分有限。在社会化网络兴起的背景下，上述营销模式在互联网的冲击下发生了深刻变化，这种局面形成的原因为：随着私人空间逐渐体现出公共化的发展趋势，粉丝接触的社交圈子也越来越广，人际网络使得信息的跨圈子传播得以实现，并对明星主体的营销模式产生了冲击。在此种背景下，明星进行文化传播的渠道也更加丰富，粉丝经济营销的复杂性越来越突出。 当前，信息实体进行信息传播的方式可以概括为三种：第一种为直接传播，常见形式为明星在公开场合或者节目中呼吁粉丝支持自己的作品。现实中被广泛提及的粉丝福利其实就属于直接传播，其以给予粉丝报酬为主要特征，可以起到保持粉丝对明星的热情、维护粉丝与明星的关系等作用，有助于消费范围的扩大，是使粉丝经济增值的有效手段。第二种为隐性传播，指的是信息实体以一种比较间接的方式进行信息传播，最大的特点在于信息往往是被隐藏起来的。此种传播方式常用的方法为植入广告，传播方式看似较为委婉，但却依旧有着很强的目的性，类似于一场精心设计的预谋。第三种为无意识传播，以目的不明为主要特
社会化营销的传播意义及发展趋势 社会化营销，在营销学中被称作“社会营销”是由著名专家学者科特勒连通其他学者共同提出。而在网络营销专业方面则被称作“社会化媒体营销”或“社交媒体营销”，属于借助媒体、网络、技术实现商业管理与运作的模式。是通过商业手段达成社会公益目的，并借助公益价值宣传推广商业服务的营销理念，而其目标是借助社会公益改变消费者对商业品牌的消费选择。 现代企业所采取的社会化营销，主要是利用网络媒体平台解决营销和传播方向遇到的问题。国外企业通过facebook、twitter、Blog、youtobe等社会化媒体平台投放病毒式内容，由网络平台用户受到社会公益及兴趣喜好影响，自发参与评论和转发扩散，进而产生用户思维引导、品牌价值的增强、营销渠道质量的提升。而国内则主要通过微信生态、微博、小红书等社交生活类平台，以及抖音、快手、B站等知名视频平台，开展营销内容及广告的投放并达成消费转化、用户导流、品牌识别度提升的效果。所以国内普遍认知的社会化营销更倾向于变现和引流作用，在社会公益和品牌公关层面关注度较低。
一、社会化营销基于网络媒体的意义 在网络中进行社交和舆论话题的病毒式传播需要借助新闻事件、创意内容、热度话题，以及目标受众群体易于接受和分享的商业互动广告，开展品牌和产品的宣传或销售，并通过平台上用户基于社交分享和评论的人际传播形成几何级的推动二次传播效果。 l 增加消费者购买量 针对目标消费群体的定位是制定有效营销策略和展销创的意重要基础，社会化营销是通过社会体系传播模式完成消费者体验，并引导消费者购买品牌商产品与服务。社会人际网络正是聚集有相同审美与价值观的人群，在互联网上形成或集中或节点相连的关系脉络并通过网络社交传递信息分享价值的体系，借助社会化网络关系体系的高效传播特性，营销策略和内容创意能够使精准目标群体通过良好的视觉感受与内容理解产生优质体验并购买转化。 尤其在国内生活工作节奏不断提速，人们往往更倾向于接受有视觉冲击、易于理解、符合个人价值观念的信息，能够透过五大分享要素促使消费者轻松且自愿的传播到人际网
基于用户关系网络的社会化推荐服务 的研究 摘要：通过特定类型的信息过滤技术，利用社会网络将信息及时准确地推送给兴趣群体或者实践社区。用户由共同的兴趣结成了不同的社会网络，形成了相互之间的信任。当用户对某一内容感兴趣时，系统会依据用户形成的社会网络将其推荐给他们的好友。这样能通过用户的关系网络实现社会化推荐服务。 关键字：用户关系；社会化推荐；电子商务； 1、引言：随着互联网技术的发展和智能设备的普及，人们上网产生大量的信息，他们通过 网络社交来建立自己的用户关系网。而当用户对某一内容感兴趣时，通过系统依据用户形成的社会网络将其推荐给他们的好友。这样能通过用户的关系网络实现社会化推荐服务。对于电子商务来说，就是对商品的推广可以通过关系网来实现。通过关系网的推荐具有较强的准确性和扩散性，可以从社交圈子里扩散出去，达到推广目的。 2、社会化推荐： 社会化推荐是通过特定类型的信息过滤技术，利用社会网络（博客、网页、图片、新闻、标签等）将信息及时准确地推送给兴趣群体或者实践社区的过程。社会化推荐通过社交网络、社交搜索、社交媒体、社会书签、社会新闻、社会知识共享、社交游戏、博客、维基、推荐系统、问答社区、查询日志、标签等获取社交行为数据，利用计算机技术，例如机器学习、数据挖掘、自然语言处理等进行研究，挖掘出集体智慧。这种服务方式不同于传统的信息推荐服务，它将社会网络、社交媒体视为信息推荐的主要平台，使用户的隐性知识在社会化推荐过程中与其他用户进行交互，形成交流。 目前，社会化推荐服务的形式主要有以下四种： ①基于社会化标引的推荐。用户通过书签对信息资源进行标注，通过统计书签数据，可以了解用户的需求以及兴趣所在。可根据所有报表所得到的信息来对系统默认和推荐的书签进行整理，标识出新的社会书签供用户浏览和讨论等。还可通过系统中的定向通知和广告发布功能，将有关信息发送给需要了解它们的用户群。 ②基于社会化评价的推荐。用户在使用某一网络信息资源后，会对其产生主观的评价，很多网站都提供了打分机制，用户根据主观评价对该信息资源进行打分。系统根据分数的高低决定将那些信息推荐给用户。
未来网络社会化的发展 摘要：计算机和计算机网络技术对人类社会生活和经济生活的全面渗透，已经给所有社会成员无论是个人、群体、机构、甚至整个国家、世界都带来了巨大的震动。 关键词：计算机网络社会 一、社会结构与网络 社会是随着人类的产生而自然形成的，为实现每个个体的不同需求层次的最大化而建立的一种相互互利与牵制的复杂关系体系，这种复杂关系体系的实质从技术的观点上讲就是信息的交流与行为的互动。人类社会经过发展演绎，形成了一套完整的，作为社会的每一个个体必须服从的、在每一时刻的现实条件下也最合理的关系体系。早在计算机技术出现之前，网络的概念就存在于我们的词汇与客观社会中。在计算机网络技术出现之后，由于计算机网络技术的逐步发展的客观性与阶段性的必然限制，并且其迅猛发展的态势远远超出了其它网络形式对人们所产生的影响，使人们如今对于网络概念的认识趋于窄化，人们现在几乎直接用网络二字概称计算机网络；从而将网络概念的指向一般局限在信息基于计算机、通讯系统的关联与当前电子系统所能实现的行为互动的狭小范围，技术的局限在一定程度上限制了人们的思维取向。 随着技术的不断进步，技术局限正迅速地被突破，网络的概念也在、并终将发生全面的回归，即回复到人们在客观社会中所理解的、完整意义上的网络概念。在网络的概念真正随着技术的快速进步而全面回归之后，我们无疑将轻松得到一个结论：原来社会就是网络，网络就是社会！ 二、社会的网络化 随着计算机网络技术的广泛使用，以及人们历来勇于尝试各种新技术以突破自身社会格局的天性，整个社会各种成员的网络化工程正在如火如荼的进展中，我们可称之为社会的网络化。姑且不评论各种社会成员网络化行为的效果，我们已经看到，网络化已经在社会的各个层面、各个行业展开。各行各业、企业在建立自己的电子商务，以促进企业、行业的产品销售与服务；政府在建立自己的电子政务，以提高对公众的服务水平；证券、银行业已经在网络技术的市场应用上取得一定的成效；教育、媒体、医疗、物流等等社会的所有方面几乎已经找不到还没有开展网络化工作的领域。 三、网络诚信意识 一般情况，人们都会对商务网站提出网络诚信的问题，并不约而同把诚信说成是影响商务网站业务开展的首要原因。其实，诚信应该更属于客观现实的范畴，是一个现实社会所面临的普遍问题。真实的电话里面同样存在着欺骗，眼睛看得
第３８卷 第２期２０ １５年２月计 算 机 学 报 ＣＨＩＮＥＳＥ ＪＯＵＲＮＡＬ ＯＦ ＣＯＭＰＵＴＥＲＳＶｏｌ ．３８Ｎｏ．２Ｆｅｂ．２０１５ 收稿日期：２０１４－０４－０５；最终修改稿收到日期：２０１４－１０－３１．本课题得到国家自然科学基金项目（６０８７２０５１）、北京市教育委员会共建项目专项资助．刘树栋，男，１９８４年生，博士研究生，主要研究方向为推荐系统、位置服务．Ｅ－ｍａｉｌ：ｌｉｕｍｕ１３２１＠１６３．ｃｏｍ．孟祥武，男，１９６６年生，博士，教授，博士生导师，主要研究领域为网络服务、用户需求、推荐系统． 基于位置的社会化网络推荐系统 刘树栋 孟祥武 （北京邮电大学智能通信软件与多媒体北京重点实验室 北京 １００８７６ ）（北京邮电大学计算机学院 北京 １００８７６ ）摘 要 近年来，基于位置的社会化网络推荐系统逐渐成为位置服务和社会网络分析的活跃课题之一．挖掘用户签到位置轨迹和社交活动数据，提取用户社会活动的地理空间特征模型及其与社会关系的关联性，设计合理的推荐算法，成为当前基于位置的社会化网络推荐系统的主要任务．该文从分析基于位置的社会化网络的结构特征入手，对基于位置的社会化网络推荐系统的基本框架、基于不同网络层次数据挖掘的推荐方法及应用类型等进行前沿概况、比较和分析．最后对有待深入研究的难点和热点进行分析和展望．关键词 位置服务；社交网络；推荐系统；协同过滤；轨迹；兴趣点；社会计算中图法分类号ＴＰ１８ ＤＯＩ号１０．３７２４／ＳＰ．Ｊ．１０１６．２０１５．００３２２ Ｒｅｃｏｍｍｅｎｄｅｒ Ｓｙ ｓｔｅｍｓ ｉｎ Ｌｏｃａｔｉｏｎ－Ｂａｓｅｄ Ｓｏｃｉａｌ ＮｅｔｗｏｒｋｓＬＩＵ Ｓｈｕ－Ｄｏｎｇ ＭＥＮＧ Ｘｉａｎｇ －Ｗｕ（Ｂｅｉｎｇ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｏｆｔｗａｒｅ ａｎｄ Ｍｕｌｔｉｍｅｄｉａ，Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｐｏｓｔｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｂｅｉｊｉｎｇ １００８７６）（Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｐｏｓｔｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｂｅｉｊｉｎｇ １００８７６）Ａｂｓｔｒａｃｔ Ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ ｉｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｈａｖｅ ｒｅｃｅｎｔｌｙ ｂｅｃｏｍｅ ｏｎｅ ｏｆｔｈｅ ｈｏｔｔｅｓｔ ｔｏｐｉｃｓ ｉｎ ｄｏｍａｉｎ ｏｆ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｅｒｖｉｃｅｓ ａｎｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ａｎａｌｙ ｓｉｓ．Ｔｈｅ ｍａｉｎ ｔａｓｋｏｆ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ ｉｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｉｓ ｔｏ ｍｉｎｅ ｔｈｅ ｄａｔａ ｏｆ ｕｓｅｒｓ’ｔｒａｊｅｃｔｏｒｙａｎｄ ｓｏｃｉａｌ ａｃｔｉｖｉｔｉｅｓ，ａｂｓｔｒａｃｔ ｇｅｏｇｒａｐ ｈｉｃａｌ ｆｅａｔｕｒｅｓ ｏｆ ｕｓｅｒｓ’ｍｏｖｅｍｅｎｔｓ ａｎｄ ｉｔｓ ｒｅｌｅｖａｎｃｅ ｗｉｔｈｓｏｃｉａｌ ｉｎｔｅｒａｃｔｉｏｎｓ，ｅｘｐｌｏｉｔ ｔｈｅｍ ｔｏ ｄｅｖｅｌｏｐ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｇｅｎｅｒａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ．Ａｔ ｆｉｒｓｔ，ｗｅｗｉｌｌ ｉｎｔｒｏｄｕｃｅ ｓｔｒｕｃｔｕｒａｌ ｃｈａｒａｃｔｅｒｓ ｏｆ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ，ｔｈｅｎ ｐ ｒｅｓｅｎｔ ａｎ ｏｖｅｒｖｉｅｗａｂｏｕｔ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ ｉｎ ｌｏｃａｔｉｏｎ－ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｆｒｏｍ ａｐｒｏｃｅｓｓ－ｏｒｉｅｎｔｅｄ ｐｅｒｓｐｅｃｔｉｖｅ，ｉｎｃｌｕｄｉｎｇ ｓｙｓｔｅｍ ｆｒａｍｅｗｏｒｋｓ，ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｇｅｎｅｒａｔｉｏｎ ｍｅｔｈｏｄｓ ｂａｓｅｄ ｏｎ ｍｕｌｔｉｌａｙｅｒ ｎｅｔｗｏｒｋｄａｔａ ａｎｄ ｔｙｐｉｃａｌ ａｐｐｌｉｃａｔｉｏｎｓ．Ｔｈｅ ｐｒｏｓｐｅｃｔｓ ｆｏｒ ｆｕｔｕｒｅ ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ｓｕｇｇｅｓｔｉｏｎｓ ｆｏｒ ｐｏｓｓｉｂｌｅｅｘｔｅｎｓｉｏｎｓ ａｒｅ ａｌｓｏ ｄｉｓｃｕｓｓｅｄ ａｔ ｌａｓｔ．Ｋｅｙ ｗｏｒｄｓ ｌｏｃａｔｉｏｎ ｂａｓｅｄ ｓｅｒｖｉｃｅｓ；ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ；ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ；ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅ－ｒｉｎｇ；ｔｒａｊｅｃｔｏｒｙ；ｐｏｉｎｔ－ｏｆ－ｉｎｔｅｒｅｓｔ；ｓｏｃｉａｌ ｃｏｍｐｕｔｉｎｇ １ 引 言 近年来，随着全球定位系统、无线通信网络等基 础设施的飞速发展及手持、车载无线通信定位设备 的广泛应用，特别是众多移动社交网络的位置签到、位置共享及位置标识等功能的应用普及，位置服务（Ｌｏｃａｔｉｏｎ Ｂａｓｅｄ Ｓｅｒｖｉｃｅ，ＬＢＳ）与社交网络逐渐融
课程设计报告 课程名称系统分析设计与开发方法 课题名称个性化推荐系统的分析与设计 专业信息管理与信息系统 班级 学号 姓名 指导教师 2016年11 月4 日
一、设计内容与设计要求 1．设计内容： 见附录 2．设计要求： 1）．设计正确，方案合理。 2）．界面友好，使用方便。 3）．建模语言精炼，结构清晰。 4）．设计报告4000字以上，含建模语言说明，用户使用说明，UML建模图。 5）．上机演示。 二、进度安排 第十五周星期一下午2：00——6：00，星期二下午2：00——6：00，星期五下午2：00——6：00 第十六周星期一下午2：00——6：00，星期二下午2：00——6：00，星期三下午2：00——6：00 附： 课程设计报告装订顺序：封面、任务书、目录、正文、评分、附件（A4大小的图纸及程序清单）。 正文的格式:一级标题用3号黑体,二级标题用四号宋体加粗,正文用小四号宋体;行距为22。
附录： 设计课题1：个性化推荐系统的分析与设计 一、问题描述： 对网络购物个性化推荐系统进行分析与设计，对购物流程进行分析，对购物中关键环节进行设计，实现对商品的录入、显示、修改、排序、保存、销售、售后服务以及客户管理等操作实现推荐结果准确性、推荐结果多样性、用户交互度、系统界面设计、系统交互设计、推荐透明度(推荐解释)。 二、功能要求： 1、用UML完成一个小型团购系统的分析、设计。 2、写出系统需求报告，说明系统的功能。 3、通过面向对象的分析和设计建立系统模型。 4、画出完整的用例图、类图、对象图、包图;及时序图、协作图、状态图、活动图；及组件图和配置图） 三、建模提示： 1、使用Enterprise Architect 8.0建模。 2、使用 Ration Rose 或StarUML建模。 四、其它 对该系统有兴趣的同学可以在实现上述基本功能后，完善系统的其它功能，特别是售后以及客户关系管理。
未来社会化网络的六大特性 无论是最初的Friendster的创始人，或者是Facebook的创始人马克·扎克伯格，或许都没有预料到社交网络带给我们生活的巨大的变革。我们通过社会化网络联系朋友、维持关系、分享资讯、召集活动、促成消费，几乎无一不能。但是另一方面，社会化网络的发展也早已经偏离了他们最初的预想轨道，那么在未来的几年中，我们可以预见的社会化网络将是具有怎样的特点呢？ 稳定的关系网络 互联网是一个和现实社会一样的“网民”为基础的社会，因此社会化网络的形成以及维持都是以网民的忠诚度为基础的。那么尽管诸如腾讯QQ、Facebook、Twitter、开心网、人人网等都有数以亿计的用户不断地加入这个社会化网络。但是毫无疑问，随着互联网的普及完善，这种社会化网络基础用户的增速必将逐步的放缓，最终达到一个比较稳定的全球网民的比例。这是从用户数的角度来看社会化网络的未来状态。 而另一个稳定对于社会化网络才是具有重要意义的，那就是社会关系的稳定网络。无论是社交网站的社交圈还是微博、分享网站的兴趣圈，他们最终都会经过不断的自我调整最后达到一种相对稳定完善的状态。以微博为例，一个并非意见领袖的新人很难有足够的影响力来吸引众多的粉丝，那么此时他最容易做的就是主动关注别人，以获取别人的回馈。长此以往的结果就是自己的关注书很多，但是粉丝数则相对较少。另一方面，按照150度原则，一个人不会无限制的去关注太多的自己无法吸纳的信息（也因此目前的微博中已经限制了关注的上限，比如新浪微博的2000人。），那么当他继续想要增加粉丝，并且发现更想关注的人的时候，他唯一的做法就是删掉一些人，然后替换关注。谁最容易被删掉？毫无疑问，就是那些他关注了，但是却没有关注他，并且与他的利益并没有太直接关联的非重要人物。 显然这是一个良性的循环。即便你是一个万人迷的明星，如果我在社会化网络中的目的是日常交际或者网络营销，那么你未必能为我带来任何利益。因此，我可能在短期内可以保持对你的关注，但是在利益的抉择面前，答案是非常明显的。所以，经过类似的层层的筛选，最终的社会化网络所留存的社交圈以及兴趣圈都将是相当牢固以及忠实的，而且是积极互动的。 LBS的广泛应用 社会化网络如果想要真正的体现现实社会的特性，就必然要与现实接轨，落地生根。而目前单纯的依靠虚拟的游戏、娱乐而简单的把用户“沉溺”其中的做法是不健康也不长久的。于是有不少业内人士认为，国内目前的社会化网络在模糊、淡薄的社会关系之外，就只剩下Web游戏的特性了。当每个人都沉迷于开心农场、好友买卖的时候，其实这种社会化网络与一个在线的游戏网站几乎没有丝毫的区别，这显然并非我们的初衷。
仪器设备管理系统网络版使用说明（个人版） 南昌航空大学国有资产管理处
目录 1概述 (1) 1.1编写目的 (1) 1.2内容简介 (1) 2操作步骤 (1) 2.1 系统网址 (1) 2.2 用户登录 (2) 2.3 资产信息查询 (3) 2.4 数据导出 (4) 2.5 用户密码修改 (5) 2.6信息发布 (6) 2.7 软件的帮助信息 (7) 2.8 退出系统 (8)
1概述 1.1编写目的 “仪器设备管理系统网络版”内收录了学校2014年前购买的单价在500元以上以及2014年后购买的单价在1000元以上的高值仪器设备信息，它已链接在国有资产管理处网站上，用户能够通过此系统准确了解归属自己名下的仪器设备相关信息。为了让用户对此系统有基本的认识并能方便快捷的使用该系统特编写了本文档。 1.2内容简介 本文档介绍了“仪器设备管理系统网络版”的基本查询功能，具体通过文字、图示等方式阐述了用户登录、信息查询、密码修改、数据导出以及帮助信息查询等功能的操作步骤。 2操作步骤 2.1 系统网址 Step 1：按照下面的方法打开系统网页。 方法1：直接在浏览器中输入网址，进入图１所示界面； 方法2：从“南昌航空大学主页—>管理机构—>22、国有资产管理处”进入图1所示界面。 Step 2：点击图1中所示的“资产管理综合平台”图标, 进入仪器设备管理系统网络版用户登录界面，如图2所示。
点此登录 图１实设处网站首页 2.2 用户登录 仪器设备管理系统网络版登录界面如图2所示，请输入用户名和密码后点击登录，初次登录后请即时修改密码。 注：用户名为用户的中文姓名，密码为用户的工号。 用户的中文姓名 用户的工号 图２仪器设备管理系统网络版登录界面 登录成功后首页面会显示仪器设备查询首页面，列出用户名下所有仪器设备的简单信息，如图３所示。
网络营销 1、网络营销：网络营销是企业整体营销战略的一个组成部分，是为实现企业总 体经营目标所进行的、以互联网为基本手段营造网上经营环境的各种活动。 2、网络营销的基本职能表现在八个方面：网络品牌、网站推广、信息发布、销 售促进、网上销售、顾客服务、顾客关系、网上调研。 3、网络营销职能关系图P20 4、网络营销传递的基本要素：网络营销信息源、网络营销信息的载体和传递渠 道、网络营销信息接受渠道、网络营销信息接受者、噪声和屏障。 5、网络营销交互性的实质就在于：“企业更容易向用户传递网络营销信息，同 时用户也可以更方便地获取有效的产品信息。” 6、网络营销信息传递原则与网络营销策略P27 7、六类常用网络营销工具和资源 （1）企业官方网络营销信息源：包括企业自行运营的官方网站、官方博客以及其他有关的关联网站等。 （2）企业信息发布与传递一体化的网络资源：指外部信息源，如B2B电子商务平台、网上商店平台、开放式的在线百科、第三方博客平台、微博网站等用户可自行发布信息的网站。 （3）第三方互联网工具及网站平台资源：如搜索引擎、网络新闻、门户网站的展示类网络广告资源、网络分类广告、网站联盟平台、其他资讯类网站等可用于网络推广的第三方服务。 （4）直接信息传递工具：包括电子邮件、即时通信工具、手机短信/彩信等，可实现一对一、一对多的交流和沟通。
（5）在线顾客交互工具与资源：电子邮件、邮件列表、在线客服工具、博客、微博、即时通信工具等。 （6）网络营销管理分析工具：如网站专业性诊断、网站访问统计分析、搜索引擎收录分析、网络广告点击率及转化率分析等，这些可以是第三方提供的服务，也可以是企业自行开发的管理工具。 8、网络营销工具和资源体系关系示意图P40 9、关联网站：通常是指同一个机构所拥有或控制的各个独立的网站，这些网站 之间具有互相推广的关联关系。 关联网站的类型：（1）品牌关联型：适用于多品牌企业。如宝洁公司。 （2）产品关联型：适用于多产品系列或者多种业务的企业。应用最广泛。 （3）服务关联型：适用于业务流程较长或者销售渠道比较复杂的企业。如联想集团、三星电子、索尼等。 （4）营销关联型：以网络营销为目的建立或者控制的其他关联网站形式。 10、常见企业官方网络营销信息源及其运营管理模式比较P46 11、常见的第三方信息发布平台：B2B电子商务平台、B2C网上商店平台、开放 式在线百科、第三方博客平台、微博平台等用户可自行发布信息的网站。12、B2C网上商店平台的网络营销价值 （1）快速实现从网络推广到网上销售的飞跃 （2）扩大产品的网络可见度，发挥网络推广作用 （3）网上商店平台有利于增加产品可信度 （4）借助于网上商店平台实现对网络调研及购物用户行为的研究 （5）对企业官方网站/产品的辅助推广 13、第三方博客平台的网络营销作用 （1）博客平台是企业外部网络营销信息源的载体之一，丰富了企业网络信息源的表现形式。 （2）第三方博客是常用的免费信息发布网络推广手段之一，有助于扩大企业信息的网络可见度。 （3）博客平台内部用户之间的互动（阅读、评论、转发、链接）实现了平台内部的信息传递，扩展了企业网络营销信息的传播渠道。
情报学报 ＩＳＳＮ１０００－０１３５ 第２９卷第４期６２５－６３３，２０１０年８月 ＪＯＵＲＮＡＬＯＦＴＨＥＣＨＩＮＡＳＯＣＩＥＴＹＦＯＲＳＣＩＥＮＴＩＦＩＣＡＮＤＴＥＣＨＮＩＣＡＬＩＮＦＯＲＭＡＴＩＯＮＩＳＳＮ１０００－０１３５Ｖｏｌ．２９ Ｎｏ．４，６２５－６３３Ａｕｇｕｓｔ ２０１０ 收稿日期：２００９年３月２３日 作者简介：魏建良，男，１９８０年生，毕业于南京大学信息管理工程专业，管理学博士，浙江工商大学讲师，主要研究领域：信息服务与电子商务。Ｅ－ｍａｉｌ：ｊｉａｎｌｉａｎｇ５３＠ｇｍａｉｌ．ｃｏｍ。朱庆华，男，１９６３年生，毕业于南京大学情报学专业，管理学博士，南京大学信息管理系教授，博士生导师，主要研究领域：网络信息资源管理。 １） 基金项目：国家自然科学基金（７０６７１０９４），浙江省自然科学基金重点项目（Ｚ１０９０６１Ｆ）。 ｄｏｉ：１０．３７７２桙ｊ．ｉｓｓｎ．１０００－０１３５．２０１０．０４．００７ 基于社会化标注的个性化推荐研究进展 １） 魏建良１ 朱庆华 ２ （１畅浙江工商大学计算机与信息工程学院，杭州３１００１８；２畅南京大学国家信息资源管理南京研究基地，南京２１００９３） 摘要 社会化标注是当前互联网研究中的一个热点。本文在对社会化标注的内涵和结构加以简单介绍的基础 上，重点探讨了基于社会化标注进行推荐的相关进展。首先是明确了标签对于用户模型的意义，接着，从用户、资源和标签三个角度对基于社会化标注的聚类算法进行了讨论。同时也对基于社会化标注的排序算法进行了分析，并进一步将其分为依附补充、独立排序和通用排序三类算法。然后，对标签推荐方面的研究进行了探讨，主要是围绕内容分析、协同分析、语义分析三个方面展开的。最后，分析了社会化标注中个性化信息推荐的研究，发现借助矩阵、聚类和网络的分析是三种主要思路。 关键词 社会化标注 标签 个性化推荐 聚类 排序 ＡｄｖａｎｃｅｓｉｎＰｅｒｓｏｎａｌｉｚｅｄＩｎｆｏｒｍａｔｉｏｎＲｅｃｏｍｍｅｎｄａｔｉｏｎＢａｓｅｄｏｎＳｏｃｉａｌＴａｇｇｉｎｇ ＷｅｉＪｉａｎｌｉａｎｇ１ ａｎｄＺｈｕＱｉｎｇｈｕａ ２ （１．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＺｈｅｊｉａｎｇＧｏｎｇｓｈａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００１８； ２．ＮａｔｉｏｎａｌＣｅｎｔｅｒｆｏｒＩｎｆｏｒｍａｔｉｏｎＲｅｓｏｕｒｃｅＭａｎｇｅｍｅｎｔ－Ｎａｎｊｉｎｇ，Ｎａｎｊｉｎｇ２１００９３） Ａｂｓｔｒａｃｔ ＳｏｃｉａｌｔａｇｇｉｎｇｉｓａｈｏｔｔｏｐｉｃｉｎｃｕｒｒｅｎｔＩｎｔｅｒｎｅｔ－ｒｅｌａｔｅｄｒｅｓｅａｒｃｈｅｓ．Ｂａｓｅｄｏｎｔｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆｔｈｅｍｅａｎｉｎｇａｎｄ ｓｔｒｕｃｔｕｒｅｏｆｓｏｃｉａｌｔａｇｇｉｎｇ，ｔｈｉｓｐａｐｅｒｍａｉｎｌｙｄｉｓｃｕｓｓｅｓｔｈｅａｄｖａｎｃｅｍｅｎｔｓｏｆｐｅｒｓｏｎａｌｉｚｅｄｉｎｆｏｒｍａｔｉｏｎｒｅｃｏｍｍｅｎｄａｔｉｏｎｂａｓｅｄｏｎｓｏｃｉａｌｔａｇｇｉｎｇ．Ｆｉｒｓｔｌｙ，ｔａｇ’ｓｍｅａｎｉｎｇｆｏｒｕｓｅｒｐｒｏｆｉｌｅｉｓｐｒｏｖｅｄ，ａｎｄｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｓｂａｓｅｄｏｎｓｏｃｉａｌｔａｇｇｉｎｇｆｒｏｍｔｈｅａｓｐｅｃｔｓ ｏｆｕｓｅｒｓ，ｒｅｓｏｕｒｃｅｓａｎｄｔａｇｓａｒｅｄｉｓｃｕｓｓｅｄ．Ｍｅａｎｗｈｉｌｅ，ｒａｎｋｉｎｇａｌｇｏｒｉｔｈｍｓｂａｓｅｄｏｎｓｏｃｉａｌｔａｇｇｉｎｇａｒｅａｌｓｏｓｔｕｄｉｅｄ，ａｎｄｆｉｎｄｓｕｐｐｌｅｍｅｎｔａｒｙ，ｉｎｄｅｐｅｎｄｅｎｔａｎｄｕｎｉｖｅｒｓａｌｒａｎｋｉｎｇａｒｅｔｈｒｅｅｓｕｂ－ａｌｇｏｒｉｔｈｍｓ．Ａｆｔｅｒｗａｒｄｓ，ｒｅｓｅａｒｃｈｅｓａｂｏｕｔｔａｇｒｅｃｏｍｍｅｎｄａｔｉｏｎａｒｅｄｉｓｃｕｓｓｅｄ，ｗｈｉｃｈｍａｉｎｌｙｆｏｃｕｓｏｎｍｅａｎｓｏｆｃｏｎｔｅｎｔ，ｃｏｌｌａｂｏｒａｔｉｖｅａｎｄｓｅｍａｎｔｉｃａｎａｌｙｓｉｓ．Ｆｉｎａｌｌｙ，ｓｔｕｄｉｅｓｏｎｐｅｒｓｏｎａｌｉｚｅｄ ｉｎｆｏｒｍａｔｉｏｎｒｅｃｏｍｍｅｎｄａｔｉｏｎｂａｓｅｄｏｎｓｏｃｉａｌｔａｇｇｉｎｇａｒｅａｎａｌｙｚｅｄ，ａｎｄｆｉｎｄｍａｔｒｉｘ，ｃｌｕｓｔｅｒｉｎｇａｎｄｎｅｔｗｏｒｋａｎａｌｙｓｉｓａｒｅｔｈｒｅｅｐｒｉｍａｒｉｌｙｍｅｔｈｏｄｓ． Ｋｅｙｗｏｒｄｓ ｓｏｃｉａｌｔａｇｇｉｎｇ，ｔａｇ，ｐｅｒｓｏｎａｌｉｚｅｄｒｅｃｏｍｍｅｎｄａｔｉｏｎ，ｃｌｕｓｔｅｒｉｎｇ，ｒａｎｋｉｎｇ 在Ｗｅｂ２畅０的环境下，社会化标注（ｓｏｃｉａｌ ｔａｇｇｉｎｇ）的出现，已经在产业界得到了广泛应用，出现了Ｄｅｌｉｃｉｏｕｓ、Ｆｌｉｃｋｒ、Ｙｏｕｔｕｂｅ、ＬｉｂｒａｒｙＴｈｉｎｇ、Ｌａｓｔ．ｆｍ、Ｃｏｎｎｏｔｅａ、ＣｉｔｅＵｌｉｋｅ、Ｔｅｃｈｎｏｒａｔｉ等众多新的应用与体验。由于允许任意用户可以对感兴趣的网络资源进 行基于自身理解的无约束标注，并且所有用户的标注都互为可见，这种开放、共享的模式以及反映用户真实理解和观点的标注为信息资源组织、检索和共享带来了一种全新的理念，它是一种大众智慧的浮现。因此，社会化标注一经出现，就引起了学术界的 — ５２６—