２０１５年５月 现代情报 Ｊｏｕｒｎａｌ ｏｆＭｏｄｅｍ Ｉｎｆｏｒｍａｔｉｏｎ Ｍ ，２０１５ 第３５卷第５期 ＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝一・Ｖｏ１．３５ Ｎｏ．５ 理￣ｇ－探索・ 基于隐性社会网络社团划分的推荐方法研究 王扶东 杨宏一 薛 冰 （东华大学旭日工商管理学院，上海２０００５１） ［摘要］结合社会网络分析的推荐方法研究已成为热点。电子商务中用户的动态行为异常丰富，隐含了用户的关联关系， 利用这些信息进行商品推荐是个新研究思路。分析电子商务系统中用户动态行为关联关系及用户间明确好友关系形成复杂隐性 社会网络。将社团划分算法应用到该网络中，则社团内部用户联系肾密且具有更相似的消费偏好，据此设计了电子商务中社团 内部的推荐方法，应用Ｒ语言进行了算法的验证并与传统的协同过滤算法进行比较。实验表明，该推荐算法提高了推荐的质 量。缓解了传统推荐算法中数据稀疏性及冷启动问题等。 ［关键词］隐性社会网络；社团划分；个性化推荐 ＤＯｌ：１０．３９６９／ｉ．ｉｓｓｎ．１０Ｏ８—０８２１．２０１５．０５．０ｏ９ ［中图分类号］ Ｉ ９ ［文献标识码］Ａ ［文章编号］１００８—０８２１（２０１５）０５—００４９—０５ Ｒｅｓｅａｒｃｈ ｏｎ Ｐｅｒｓｏｎａｌｉｚｅｄ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ Ｍｅｔｈｏｄ Ｂａｓｅｄ ｏｎ Ｃｏｍｍｕｎｉｔｙ Ｐａｒｔｉｔｉｏｎ ｉｎ ｔｈｅ Ｒｅｃｅｓｓｉｖｅ Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋ Ｗａｎｇ Ｆｕｄｏｎｇ Ｙａｎｇ Ｈｏｎｇｙｉ Ｘｕｅ Ｂｉｎｇ （Ｃｏｌｌｅｇｅ ｏｆ Ｂｕｓｉｎｅｓｓ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ，Ｄｏｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２０００５ １，Ｃｈｉｎａ） ［Ａｂｓｔｒａｃｔ￣Ｒｅｃｏｍｍｅｎｄｅｄ ｍｅｔｈｏｄ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ ｈａｓ ｂｅｃｏｍｅ ａ ｈｏｔ ｓｐｏｔ．Ｔｈｅ ｄｙｎａｍｉｃ ｂｅｈａｖｉｏｒ ｏｆ ｕｓｅｒｓ ｉｓ ｕｎｕｓｕａｌｌｙ ｒｉｃｈ ｉｎ ｅ—ｃｏｍｍｅｒｃｅ ｉｍｐｌｉｅｄ ｔｈｅ ｕｓｅｒ’ｓ ｒｅｌａｔｉｏｎｓｈｉｐ ａｎｄ ｗｉｔｈ ｔｈｅ ｕｓｅ ｏｆ ｔｈｅ ｉｎｆｏｒｍａｄｏｎ ｆｏｒ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｉＳ ａ ｎｅｗ ｒｅｓｅａｒｃｈ ｉｄｅａ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｉｓ ｓａｉｌ ｃｏｎｓｔｒｕｃｔ ａ ｃｏｍｐｌｅｘ ｒｅｃｅｓｓｉｖｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｂｙ ｔｈｅ ｕｓｅｒ ｄｙｎａｍｉｃ ｂｅｈａｖｉｏｒ ｒｅｌａｔｉｏｎｓｈｉｐ ａｎｄ ｃｌｅａｒ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ＵｓｅｌＸ３ ｏｆ ｔｈｅ ｅ—ｃｏｍｍｅｒｃｅ ａｎｄ ｕｓｉｎｇ ｃｏｍｍｕｎｉｔｙ ｐａｒｔｉｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｏｎ ｉｔ．ｔｈｅ ｉｎｔｅｍａｌ ｕｓｅｒ￥ａｒｅ ｌｉｎｋｅｄ ｃｌｏｓｅｌｙ ａｎｄ ｈａｖｅ ｍｏｒｅ ｓｉｍｉｌａｒ ｃｏｎｓｕｍｐｔｉｏｎ ｐｒｅｆｅｒｅｎｃｅ，ａｎｄ ｄｅｓｉｇｎ ａ ｒｅｃｏｍｍｅｎｄｅｄ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｃｏｍｍｔｍｉｔｙ ｐａｒｔｉｔｉｏｎ． Ｕｓｉｎｇ Ｒ ｌａｎｇｕａｇｅ ｆｏｒ ｔｈｅ ｖａｌｉａｔｄｉｏｎ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ ａｎｄ ｃｏｍｐａｒｉｓｏｎ ｗｉｔｈ ｔｈｅ ｔｒａｄｉｉｏｎａｔｌ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ． Ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｉｍｐｒｏｖｅｓ ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｈｅ ｒｅｃｏｍｍｅｎｄａｔｉｔｏｎ ａｎｄ ａｌｌｅｖｉａｔｅｓ ｔｈｅ ｄａｔａ ｓｐａｒｓｅｎｅｓｓ ａｎｄ ｃｏｌｄ ｓｔａｒｔ ｐｒｏｂｌｅｍ ｉｎ ｔｒａｄｉｔｉｏｎａｌ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍ． ［Ｋｅｙ ｗｏｒｄｓ］ｒｅｃｅｓｓｉｖｅ ｓｃｉｏｌａ ｎｅｔｗｏｒｋ；ｃｏｍｔｍｉｔｙ ｐａｒｔｉｔｉｏｎ；ｐｅｒｓｏｎａｌｉｚｅｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ 社会网络为电商的推荐提供了一个协作的社会环境…， 目前社会网络分析与推荐方法结合的研究成为研究热点。 统的新范式。Ｙｕ Ｓｈｉｎ ａＣｈｉｕ等ｌ７ Ｊ提出了一个Ｓｏｃｉｌａ Ｎｅｔｗｏｒｋ— ｂａｓｅｄ Ｓｅｅｎｄｒｉｐｉｔｙ推荐系统，这个系统利用社会网络中用户 和朋友之间的交互信息，找出用户感兴趣但自己却不容易 发现的项目推荐给用户。由于数据的庞大，对于推荐速度 问题，赵学臣＿８ Ｊ和杨长春＿９ Ｊ等学者通过研究社会网络中社 团发现，提出高效的推荐模型。 Ｆｅｎｇｋｕｎ ｕｕ等 ２Ｊ通过实验表明融合社会网络信息与推荐算 法，能有效提高推荐的准确度。乔秀全等＿３ Ｊ将社会学与心 理学中人们之间信任的产生过程结合到社会网络服务中， 提高了信任度计算的合理性以及有效性。有学者从社 会网络出发以提高相似性的计算准确度。Ｐａｓｑｕａｌｅ Ｄｅ Ｍｅｏ 结合社会网络中社团划分的朋友推荐已有很多研究， 等【４Ｊ提出了基于ｓＩｓ的社会网络来收集用户信息。张华青 等＿５］提出了一种加权社会网络的个性化推荐算法。 这为在电商推荐中结合社团划分思想提供了新的思路。网 络社团也被称为网络模块、内聚组等［ｍ ，它被广泛应用 于社会学、计算机图形学等领域，根据人们的兴趣特点而 Ｊｉａｎｍｉｎｇ Ｈｅ等ｌ６Ｊ利用社会网络中的信息提出了一种推荐系 收稿日期：２０１５—０１—１８ 基金项目：高校基本科研业务费专项资金资助（项目编号：１４Ｄ１１０８０１）。 作者简介：王扶东（１９７４一），女，副教授，硕士生导师，研究方向：商业智能与电子商务，发表论文１０余篇。 ・－－－——４９－－－－—— ２０１５年５月 第３５卷第５期 现代情报 Ｊｏｕｒｎａｌ ｏｆ Ｍｏｄｅｍ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｙ，２０１５ ＶｏＩ＿３５ Ｎｏ．５ 社团划分最优。 （２）根据网络社团划分算法，对电子商务系统中用户 间存在的整个隐性社会网络进行划分，取模块度Ｑ值最大 时得到的网络社团。网络社团结构用二维矩阵来表示，如 图３。 Ｗｅｒ １ ｕｓｅｒ ２ … ｍｅｒ Ｍ ＣＯ／？ｇ １ ｌ Ｏ Ｏ ｃｏｍ ２ ０ Ｏ １ ｃｏｍ Ｎ ０ Ｏ ０ 图３网络社团结构矩阵 其中矩阵中的行代表网络社团，列代表用户，其中数 值１表示用户在相应的社区内，相反０表示不在社区内。 （３）当系统中某个用户 对某个项目ｉ进行了某种行 为，根据社团内部成员之间具有较高相似性的特点，通过 遍历找到该用户所在的社团，向该社团内部其他成员推荐 该项目。 ３实验设计及验证 ３．１实验数据集说明 本文的研究对象是电商中的隐性社会网络，对该网络 的分析需要用户对项目的行为信息及用户间关系信息等进 行收集，而真实数据涉及商业机密，故难以获取。而由明 尼苏达大学的ＧｒｏｕｐＬｅｎｓ研究小组收集的ＭｏｖｉｅＬｅｎｓ网站的 电影评分数据集是用于验证推荐算法的经典数据，包括了 用户对电影作品的评分信息，评分值为１ ５分，分值越高 表示用户越喜欢该电影，反之，表示用户不喜欢该电影。 该数据集本质上和电商中用户对商品的评分相似，故本文 实验验证数据集中的用户对项目行为信息中的评分信息由 Ｍｏｖｉｅ／ｅｒｒｓ数据集中的用户对项目评分信息获得具有一定的 合理性。又因为真实电子商系统中用户的行为符合随机分 布的特点，因此用户其他行为，如浏览、搜索等数据以及 用户间关系信息由随机模拟产生。 ３．２实验评价标准 本文采用推荐的准确率和全面『生去衡量推荐算法的效用。 用查全率（Ｒｅｃａｌｌ Ｒａｔｉｏ，ＲＲ）衡量推荐的全面性，即 针对某项目 ，推荐算法得到的推荐用户集中实际购买了 该项目的用户数量ｑ 与测试数据集中购买该项目 的用户 总数量 的比值。计算公式（５）： 艘（ ）＝ ｑｒ×１００％ （５） 用查准率（Ｐｒｅｃｉｓｉｏｎ Ｒａｔｉｏ，ＰＲ）衡量推荐准确度，即 针对某项目 ，推荐算法得到的最终推荐用户集中实际购 买了该项目的用户数量ｑ，与推荐算法得到的最终推荐用户 集中用户总数量Ｑ 的比值。计算公式如（６）： ＲＰ（ ）＝ ＂／ｒ×１００％ （６） 其中查全率和查准率值越大，表示本文的推荐算法具 有越好的推荐效果。 ３．３ 实验方案 本文将实验数据集分为训练集和测试集两部分，训练 集用来训练模型，测试集用来评估模型。为了验证算法的 推荐效果，本文在原始实验数据集中随机选取５组训练集 和测试集，并在每组数据集上进行５次实验，最后取平均 值作为实验的最终结果。 在训练集中，以隐性社会网路中某用户 的行为为触 发点，若用户 对某项目 有浏览、收藏等行为信息，通 过对网络社团划分后的隐性社会网络中进行宽度优先遍历 发现用户以所在的网络社团，再将项目 推荐给该社团 内的其他所有用户。最后通过与测试数据集中的数据进行 查全率与查准率的计算，来评估本文算法的效果。 ３．４实验结果及分析 使用 语言对算法进行编程实验，首先对隐性社会网 络进行网络社团划分，结果如表１，再对模块度Ｑ值变化 趋势进行分析，得到变化曲线图４： 表１模块度Ｑ值列表 从表１可知，当社团个数为８时，模块度ｐ取得最大 值，表明网络社团划分效果达到最优。划分的社团如下： 社团［１］：１，２，３，４，５，６，７； 社团［２］：８，９，１０，１１，１２，１３，１４，１５； 社团［３］：１６，１７，１８，１９； 社团［４］：２０，２１，２２，２３，２４，２５，２６，２７，２８，２９，３Ｏ； 社团［５］：３１，３２，３３，３４，３５，３６； 社团［６］：３７，３８，３９，４ｏ，４１，４２，４３； 社团［７］：４４，４５，４６，４７，４８，４９，５０，５１； 社团［８］：５２，５３，５４，５５，５６，５７，５８，５９。 得到最优网络社团后，对社团内成员进行推荐，并通 过查全率ＲＲ和查准率ＰＲ对推荐效果进行验证。通过测试 数据集对推荐效果进行验证，得到查全率和查准率数据如 表２所示。 一５ｌ一 第３５卷第５期 ２０１５年５月 基于隐性社会网络社团划分的推荐方法研究 Ｍａｙ，２０１５ Ｖｏ１．３５ Ｎｏ．５ 遛口 豢 社团个数 图４模块度随社区个数变化曲线图 表２ ＲＲ和艘值 ∑（ 一 ）（ ， ～ ） √∑（ 一 ） √∑（尼，。一 ） （８） ｉ∈ ， Ｖ ｉ∈ ． 其中，Ｓｉｍ（ｕ， ）代表用户ｕ和用户 之间的相似性； ｉ…代表用户ｕ和用户 共同评过分的项目集合；Ｒ 代表 如表２所示，５次实验的查全率ＲＲ和查准率ＰＲ的平 用户ｕ对项目ｉ的评分；天 表示用户ｕ的平均评分。 均值分别为：Ｏ．７４和０．５４，评价指标的值均大于Ｏ．５，表 根据用户间相似度对目标用户未评分的项目进行评分 明本文的推荐算法有较好的推荐效果。 预测，预测评分的计算ｌ１９］公式如下，得到用户——项目预 另外，当有一个新的项目进入系统时，由于缺乏历史 测评分矩阵，采用上述的数据集产生推荐并与本文中的算 评价信息，传统的协同过滤推荐算法无法对其进行推荐。 法，运用 语言进行５次实验对比比较，结果如图５： 本文提出的基于隐性社会网络社团划分的推荐方法，利用 （ｕ， ）＊（风， 一Ｒ ） 社会网络社团划分算法得到用户间具有更紧密关系的网络 ｐｒｅ． ）－Ｒｏ＋ — ） ６一ｍ（“） 社团。并通过社团内部用户行为触发产生推荐，大大缩小 其中，这里的 ， 分别代表用户 和用户 在自己 的推荐的范围，使得推荐具有针对性，从而缓解了冷启动 所有评分项目上的平均评分；Ｎ（ ）代表用户“的最近邻 问题并提高了推荐的准确度。 居集。 ３．５与传统协同过滤算法比较 通过将本文推荐算法与传统的协同过滤推荐算法比较， 推荐系统的主要目的就是对用户未来的喜好进行预测， 验证本文推荐算法的准确性。实验结果表明，本文提出推 从而进行精准的推荐。因此推荐的准确度是衡量一个推荐 荐算法比传统的协同过滤算法具有更高的推荐准确度，并 算法性能好坏的重要方面。 在一定程度上缓解了传统协同过滤推荐算法中的数据稀疏 对于推荐准确度的评价采用平均绝对偏差（Ｍｅａｎ Ａｂｓｏ． 性问题。 １ｕｔｅ Ｅｒｒｏｒ，ＭＡＥ），通过计算目标用户的预测评分与实际评 ４结束语 分间的偏差来衡量预测的准确性，ＭＡＥ的值越小，预测评 分与实际评分的偏差越小，推荐的准确度也就越高。ＭＡＥ 基于“通过网络社团划分得到的各个社团中的用户之 定义如下： 间存在更强的相似性，因此社团内部成员之间的推荐更容 ＭＡＥ＝— ∑１ Ｒ 一 １ （７） 易被采纳”的思想，本文利用网络社团划分的方法对电子 『ｕ｛（ｎ． ）∈ 商务系统中隐性社会网络进行划分，并提出了基于隐性社 其中， 是用户 对项目ｉ的真实评分； 是用户 会网络社团划分的个性化商品推荐方法。在模型验证时使 对项目ｉ的预测评分； 为实验数据中的测试集。 用ＭｏｖｉｅＬｅｎｓ数据集借助Ｒ语言对算法进行了有效性验证。 应用相关相似性计算方法 １ ｊ计算出用户之间的相似 实验结果表明，本文提出的基于隐性社会网络社团划分的 度，记为Ｓｉｍ（ｕ， ）。 个性化商品推荐方法，对推荐的质量的提高有一定的辅助 ～５２一 ２０１５年５月 现代情报 Ｊｏｕｒｎａｌ ｏｆＭｏｄｅｍ Ｉｎｆｏｒｍａｔｉｏｎ ｌ ６ Ｍ ．２０１５ Ｖ０１．３５ Ｎｏ．５ 第３５卷第５期 １ｆ４ ｌ・２ ｌ 翟 Ｉ ｉ 薹０．８ ０・６ 本文算法 传统ＣＦ ０・４ ｝ ｌ ｝ ｝ ０ ２ ０ 实验ｌ 实验２ 实验３ 实验４ 实验５ 图５文本算法与传统协同过滤算法的对比 作用。 山东师范大学，２０１２． 通过一定的社会网络分析方法，对隐性社会网络进行 网络社团划分，可以得到联系更加紧密的网络社团，而划 ［９］杨长春，孙婧．一种新的基于用户群体关系挖掘的随机漫游社 会推荐模型［Ｊ］．小型微型计算机系统，２０１２，３３（３）：６５— ７Ｏ． 分后的网络社团内部的用户之间具有更加相似的消费偏好， 以及更强的信任度。在今后的工作中，可以通过一定的方 法对网络中用户的消费偏好进行分析，构建？肖费偏好模型， ［１Ｏ］刘军．社会网络分析导论［Ｍ］．北京：社会科学出版社， ２００４：１２—３０． 根据该模型结合传统的推荐算法进行商品推荐，将更加符 合用户的需求，达到更加高效的个性化商品推荐。 ［１１］Ｆｕ Ｆ，Ⅱｕ Ｌ Ｈ，Ｗａｎｇ Ｌ．Ｅｍｐｉｒｉｃａｌ ａｎａｌｙｓｉｓ ｏｆ ｏｎｌｉｎｅ ｓｏｃｉｌａ ｎｅｔ－ ｗｏｒｋｓ ｉｎ ｔｈｅ ａｇｅ ｏｆ ｗｅｂ２．０【Ｊ］．Ｐｈｙｓｉｃａ Ａ：Ｓｔａｔｉｓｔｉｃａｌ Ｍｅｃｈａｎｉｃｓ ａｎｄ ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎｓ，２００８，３８７（２）：６７５～６８４． ［１２］Ｇａｎｌｅｙ Ｄ，Ｉ４ＩＴＩｐｅ Ｃ．Ｔｈｅ ｔｉｅｓ ｔｈａｔ ｂｉｎｄ：Ｓｏｃｉｌａ ｎｅｔｗｏｒｋ ｐｒｉｎｃｉｐｌｅｓ ｉｎ 参考文献 ｏｎｌｉｎｅ ｃｏｍｕｎｉｔｉｅｓ［Ｊ］．Ｄｅｃｉｓｉｏｎ Ｓｕｐｏｒｐｔ Ｓｙｓｔｅｓ，２ｍ００９，４７（３）： ２６６—２７４． ［１］Ｒ．Ｚｈｅｎｇ，Ｆ．Ｐｒｏｖｏｓｔ，Ａ．Ｃｈｏｓｅ．Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒ－ ｉｎｇ：Ｐｒｅｌｉｍｉｎａｒｙ Ｒｅｓｕｌｔｓ［Ａ］．Ｉｎ ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ６ｔｈ Ｗｏｒｋｓｈｏｐ ｏｎ ｅ—Ｂｕｓｉｎｅｓｓ，２００７：４７—５５． １１３ ｊ Ｗｕ Ｆ，Ｈｕｂｅｒｍａｎ Ｂ Ａ．Ｆｉｎｄｉｎｇ ｃｏｍｍｕｎｉｔｉｅｓ ｉｎ ｌｉｎｅａｒ ｔｉｍｅ：ａ ｐｈｙｓｉｃｓ ａｐｐｒｏａｃｈ［Ｊ］．Ｔｈｅ Ｅｕｒｏｐｅａｎ Ｐｈｙｓｉｃａｌ Ｊｏｕｒｎａｌ Ｂ—Ｃｏｎｄｅｎｓｅｄ Ｍａｔｔｅｒ ａｎｄ Ｃｏｍｐｌｅｘ Ｓｙｓｔｅｍｓ，２００４，３８（２）：３３１—３３８． ［２］Ｆｅｎｇｋｕｎ Ｌｉｕ，Ｈｏｎｇ Ｊｏｏ Ｌｅｅ．Ｕｓｅ ｏｆ ｓｏｃｉｌａ ｎｅｔｗｏｒｋ ｉｎｆｏｒｍａｔｉｏｎ ｔｏ ｅｎ— ｈａｎｅｅ ｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ［Ｊ］．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓｗｉｈｔ Ａｐ— ｐｌｉｃａｔｉｏｎｓ ２０１０，３７：４７７２—４７７８． ［１４］Ｎｅｗｍａｎ Ｍ Ｅ Ｊ．Ａｎａｌｙｓｉｓ ｏｆ ｗｅｉ曲ｔｅｄ ｎｅｔｗｏｒｋｓ［Ｊ］．Ｐｈｙｓｉｃｌａ Ｒｅｖｉｅｗ Ｅ，２００４，７０（５）：０５６１３１． 【１５］Ｎｅｗｍａｎ Ｍ Ｅ Ｌ Ｇｉｒｖａｎ Ｍ．Ｆｉｎｄｉｎｇ ｎｄ ａｅｖａｌｕａｔｉｎｇ ｃｏｍｍｕｎｉｔｙ ｓｔｍｃ－ ［３］乔秀全，杨春，李晓峰，等．社交网络服务中一种基于用户上 下文的信任度计算方法［Ｊ］．计算机学报，２０１１，３４（１２）： ２４０３—２４１３． ｔｕｒｅ ｉｎ ｎｅｔｗｏｒｋｓ［Ｊ］．Ｐｈｙｓｉｃａｌ ｒｅｖｉｅｗ Ｅ，２００４，６９（２）：０２６１１３． 【１６］Ｎｅｗｍａｎ Ｍ Ｅ Ｊ．Ｆａｓｔ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｄｅｔｅｃｔｉｎｇ ｃｏｍｍｕｎｉｔｙ ｓｔｒｕｃｔｕｒｅ ｉｎ ［４ ｊ Ｐａｓｑｕａｌｅ Ｄｅ Ｍｅｏ，Ａｎｔｏｎｉｎｏ Ｎｏｃｅｒａ，Ｇｉｏｒｇｉｏ Ｔｅｒｒａｃｉｎａ，Ｄｏｍｅｎｉｃｏ Ｕｒｓｉｎｏ．Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｏｆ ｓｉｍｉｌａｒ ｕｓｅｒｓ，ｒｅｓｏｒｄｌ￣ｅｓ ａｎｄ ｓｏｃｉａｌ ｎｅｔ． ｎｅｔｗｏｒｋｓ［Ｊ］．Ｐｈｙｓｉｃ Ｒｅｖ Ｅ，２００４，６９（６２）：０６６１３３． 【１７ ｊ Ｎｅｗｍａｎ Ｍ Ｅ Ｊ．Ｆｉｎｄｉｎｇ ｃｏｍｍｕｎｉｔｙ ｓｔｒｕｃｔｕｒｅ ｉｎ ｎｅｔｗｏｒｋｓ ｕｓｉｎｇ ｔｈｅ ｗｏｒｋｓ ｉｎ ａ Ｓｏｃｉｌａ Ｉｎｔｅｍｅｔｗｏｒｋｉｎｇ Ｓｃｅｎａｒｉｏ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ ２０１１，１８１：１２８５—１３０５． ｅｉｇｅｎｖｅｃｔｏｒｓ ｏｆ ｍａｔｉｒｃｅｓ［Ｊ］．Ｐｈ ｙｓｊｃａｌ Ｒｅｖｉｅｗ Ｅ，２００６，７４（３）： ０３６１０４． ［５］张华青，王红，滕兆明，等．加权社会网络中的个性化推 ［１８］Ｒｅｓｎｉｃｋ Ｐ，Ｉａｃｏｖｏｕ Ｎ，Ｓｕｃｈａｋ Ｍ，ｅｔ ａ１．Ｇｒｏｕｐｌｅｎｓ：Ａｎ ｏｐｅｎ ａｒ— 荐算法［Ｊ］．计算机应用，２０１１，９（３１）：２４０８—２４２８． ［６ Ｊ Ｊｉａｎｍｉｎｇ Ｈｅ，Ｗｅｓｌｅｙ Ｗ．Ｃｈｕ．Ａ Ｓｏｃｉｌａ Ｎｅｔｗｏｒｋ—Ｂａｓｅｄ Ｒｅｃｏｍ． ｃｈｉｔｃｅｔｕｒｅ ｆｏｒ ｃｏｌｌａｂｏｒａｔｉｖｅ ｉｆｌｔｅｉｒｎｇ ｏｆ ｎｅｔｎｅｗｓ［Ｃ］∥Ｐｒｃｏｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １９９４ ＡＣＭ ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ｓｕｐｐｏｒｔｅｄ ｃｏｏｐｅｒ￣ｉｖｅ ｗｏｒｋ．． ｍｅｎｄｅｒ Ｓｙｓｔｅｍ（ＳＮＲＳ）［Ｊ］．Ａｎｎａｌｓ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０１０， （１２）：４７—７４． ［Ｓ．１．］：［ｓ．ｎ．］，１９９４：１７５—１８６． ［１９］Ｐａｏｌｏ Ｂｕｏｎｏ，Ｍａｒｉａ Ｆｒａｎｃｅｓｃａ Ｃｏｓｔａｂｉｌｅ，Ｓｔｅｆａｎｏ Ｇｕｉｄａ．Ｉｎｔｅｇｒａｔｉｎｇ Ｕｓｅｒ Ｄａｔａ ａｎｄ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ ｉｎ ａ Ｗｅｂ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ Ｓｙｓｔｅｍ ［７］ＹｕＳｈｉａｎ Ｃｈｉｕ，ＫｕｅｉＨｏｎｇ Ｌｉｎ，ＪｉａＳｉｎ Ｃｈｅｎ．Ａ Ｓｏｃｉｌａ Ｎｅｔｗｏｒｋ— ｂａｓｅｄ Ｓｅｒｅｎｄｉｐｉｔｙ Ｒｅｃｏｍｍｅｎｄｅｒ Ｓｙｓｔｅｍ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ ｓｉｓ，￣Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ（ＩＳ－ 【Ｃｊ．Ｒｅｖｉｓｅｄ ｐａｐｅｒｓ ｆｒｏｍ ｔｈｅ ｉｎｔｅｍａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐｓ ＯＨＳ一７，ＳＣ 一３，ａｎｄ ＡＨ一３ ｏｎ Ｈｙｐｅｒｍｅｄｉａ：Ｏｐｅｎｎｅｓｓ，Ｓｔｒｕｃｔｕｒａｌ Ａｗａｒｅｎｅｓｓ， ＰＡＣＳ），２０１１，（１２）：７—９． ｎｄ Ａｄａｐｔａｉｖｉｔｙ，２００１：３１５—３２１． ［８］赵学臣．在线社会网络挖掘及个性化推荐研究［Ｄ］．济南： （本文责任编辑：孙国雷） 一５３—
