基于论文合作网络的学术好友推荐策略研究

《基于论文合作网络的学术好友推荐策略研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于论文合作网络的学术好友推荐策略研究ACo—authorshipbasedRandomWalkModelforAcademicCoUaborationRecommendation学号：21l17036大连理工大学DalianUniversityofTechnology大连理工大学学位论文独创性声明作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外，本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请学位或其他用途使用过的成果。

2、与我一同工作的同志对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。若有不实之处，本人愿意承担相关法律责任。学位论文题目：基王i金塞佥笠圆终鲍堂盔垣友整莶筮坠狃壅作者签名：．左聋一一一-日期：业年j月旦日大连理工大学硕士学位论文摘要作为社交网络的一种，论文合作网络由两个作者合作发表一篇论文的这种专业的关系组成。而社交网络的链接预测是一个重要的问题，其现实意义可以理解为给网络中的节点推荐好友节点。本文重点是在常规随机游走算法的基础上，针对论文合作网络做了个性化的改进，给出了计算链接重要性的方法，并在此基础上提出了学术随

3、机游走推荐算法，基于此算法实现学术好友推荐系统，为学者推荐有价值的学术合作者。首先，本文将基于论文合作网络的学术好友推荐算法研究归为特殊的社交网络的链接预测问题；为了解决论文合作网络的学术好友推荐需求和网络本身存在的数据稀疏问题，本文提出了基于重启随机游走算法的学术随机游走好友推荐算法，并与Google的PageRank为经典代表的重启型随机游走算法进行了比较研究；本文提出了利用学术因素计算链接重要性的算法，考虑了两个作者之间论文合作次数、最近合作时间、论文协作时的作者顺序三个因素，建立数学模型。对随机游走的转移矩阵做了修改

4、，使得随机游走者在游走过程中更具有倾向性、导向性；从理论分析和现实意义来讲，这样的改进使得好友推荐更加准确。本文基于DBLP数据集，利用基于链接重要性导向的重启型随机游走算法，提出了论文合作关系的合作者推荐解决方案。采用Redis数据库以及Tomadoweb框架，搭建web服务器，提供基于论文合作关系的合作者推荐服务。关键词：专业型社交网络；推荐算法；链接预测；重启型随机游走；链接重要性基于论文合作网络的学术好友推荐策略研究ACRec：ACo—authorshipbasedRandomWalkModelforAcademic

5、CollaborationRecommendationAbstractAsasocialnetwork．theentityrelationshipofauthorcollaborationnetworkiSthattwoauthorpublishapapercollaboratively．Linkpredictioninsocialnetworksisallimportantissue，anditspracticalsignificanceCanbeunderstoodasrecommendingfriend．nodesfo

6、rnodesinanetwork．ThisthesismainlymakestargetedimprovementsfortheauthorcollaborationnetworkbasedontheconventionalRandomWalkalgorithm．andproposesarecommendationRandomWalkalgorithmbasedonlinkimportance．ThethesisalSOimplementstherecommendationsystembasedontheimprovedal

7、gorithmandprovidesfriendrecommendationservice．First．thecoauthorrecommendationbasedonauthorcollaborationnetworkiSclassifiedaslinkpredictionproblemofsocialnetworksinthisthesis．InordertOsolvethesparsedataproblemintheauthorcollaborationnetwork，thisthesisusesarecommenda

8、tionalgorithmbasedonRandomWalk，andmakesdeeperresearchontherestartingRandomWalkalgorithm，whoseclassicrepresentativeisGoogle’SPageRank．Then，thisthe