朋友推荐社交网站根据自己的生活方式

文摘

社交网络网站吸引了数以百万计的用户。在社交网站中,用户可以注册其他用户作为朋友并享受沟通。现有的社交网站推荐朋友用户根据他们的社交图,这可能不合适。提出系统的朋友建议用户根据自己的生活方式而不是社会图。它通过传感器做了丰富的智能——手机作为理想的传感平台的日常生活中,人们的生活方式可能会被发现。无监督学习方法的使用。实现一个高效的活动识别和减少假阳性的朋友推荐。Friendbook集成了一个反馈机制。最终结果表明,准确反映用户的偏好选择朋友的建议。

关键字

朋友的书,推荐,社交网络,生活方式。

介绍

现实生活中朋友扮演着重要的角色在离线社交活动而大多数虚拟网上朋友可以实现这样的社会功能。二十年前,人们通常让朋友与他人生活或工作接近自己,比如邻居或同事。朋友通过这种传统时尚G-friends,代表地理基于位置的朋友,因为他们彼此之间的地理距离的影响。现有的社交网络服务推荐朋友用户根据他们的社交图,这可能不是最合适的,以反映用户偏好的朋友选择在现实生活中,朋友的书发现生活风格的用户以用户为中心的传感器数据,措施之间的生活方式相似用户,向用户推荐朋友。

用户的日常生活和生命的文档,他/她的生活方式是通过提取潜在狄利克雷人位置算法(1]。进一步提出一种相似性度量来衡量的相似性生活方式用户之间,计算用户的生活方式方面的影响与friend-matching图。Facebook依赖于社交链接分析那些已经有共同的朋友,建议对称用户潜在的朋友。不幸的是,这种方法可能不是最合适的基于最近的社会学研究。社交网站在世界互联网获得他们的位置。这个项目的朋友建议是基于社交网络。它不同于其他网站目标结交新朋友的生活方式和习惯。Friendbook找到用户的生活方式和习惯,使用方便的工具如手机推荐系统。与现有的社交网络服务的一个挑战是如何向用户推荐一个好朋友。他们中的大多数依赖已有的用户关系来选择朋友的候选人。例如,Facebook依赖于社交链接分析那些已经有共同的朋友,建议对称用户潜在的朋友。

现有的系统

现有的社交网络(2]服务推荐朋友用户根据他们的社交图,这可能不是最合适的,以反映用户偏好的朋友在现实生活中选择。使用监督学习算法。隐私是不敏感的。红娘是另一个推荐系统推荐用户观看显示社交网络朋友看过或观看。匹配制造商推荐用户成为朋友的人匹配相同的电视电视和朋友与另一用户匹配字符。

提出了系统

Friendbook发现生活风格的用户以用户为中心的传感器数据,措施之间的生活方式相似用户,向用户推荐的朋友如果他们的生活方式有很高的相似性。无监督学习方法的使用。隐私是比较敏感的现有系统。朋友的相似性匹配图措施主要生活方式。它显示了与用户推荐得分。

系统Overiew

在我们的日常生活中我们做许多的活动,比如走路,说话,吃东西,等一些有意义的序列。这门课的活动完全有意义的顺序给我们用户的生活方式。考虑办公室工作的生活方式(图1),它由散步,聊天,旅游,打字,等。它使用不同类型的传感器android手机的麦克风、摄像头,GPS,陀螺仪,加速度计的工作。有许多挑战从传感器数据捕捉准确的生活方式,计算用户的生活方式活动。

数据收集模块收集活动基于原始数据从感知阶段。它标识状态或动作在一个短的时间内。运动活动正/走/跑/骑车/开车。然后生活方式分析和索引用于提高识别精度,特性描述中提取数据。测试等功能的意思是,中位数,计算数据的基础上,从传感器获得丰富的智能手机。然后生活方式索引模块让用户的生活方式到数据库的格式(生活方式、用户),而不是(用户、生活方式)。friend-matching图罐由friend-matching图构造相应的建筑模块代表相似用户的生活方式之间的关系。用户的影响然后根据friend-matching图计算排名模块由用户的影响。用户查询模块将用户的查询和发送一个排名列表,用户潜在的朋友作为回应。该系统还允许用户提供反馈的推荐结果,可以处理的反馈控制模块。通过这个模块,朋友推荐的准确性可以得到改善。

生活方式提取使用主题模型

生活方式建模

生活方式和活动的主要贡献者是建模一个人的日常生活。在这里,生活是一种生活方式和生活方式可以看作是活动的混合物。这类似于文档被建模为主题和主题的混合物为单词的混合物。可以建立一个类比在日常生活和文档之间,生活方式和话题,活动和词。在这个系统中,用户被建模为一个生活的日常生活文档,生活方式为主题和活动的话。

活动识别

在我们的系统中,我们将使用运动传感器加速度计、陀螺仪等传感器和各种摄像头、麦克风、GPS等。从这些传感器获得的数据总是吵了。因此它需要处理来获取一些信息,以便我们可以用它来识别用户的活动。各种过滤器和技术用于提高识别(3)的准确性。在模棱两可的情况下,用户将被提示输入他/她的活动执行。

朋友匹配图

这个系统推荐朋友到用户根据他们的生活方式之间的相似性。为了这个目的,一个朋友匹配的构造图。朋友匹配图的每个顶点代表一个用户和重量之间的每条边表示两个用户之间的相似度他们的生活方式。如果查询用户和其他用户之间的相似性超过然后系统会建议朋友查询用户。

匹配算法的朋友

用户配置文件的内容扫描,然后根据内容分类领域。然后区域排名基于概率的频率。大多数高层官员被认为是和朋友的建议是基于相似性的行列。

输入:用户的查询:Q

输出:顶部k推荐结果:recom(1…同意)

开始

查询数据库,构建用户兴趣序列(1一事…)

recom←新的优先队列()

池←完整的用户列表()

为所有用户池

得分——相似(用户)

recom插入(用户名、评分)

调整recom和流行的尾巴

返回recom

最后做

结束了

结束

反馈控制

支持在运行时性能优化,我们也反馈控制机制融入朋友的书。服务器生成一个答复后在回答查询,反馈机制允许我们测量用户的满意度,通过提供一个用户界面,允许用户速率的朋友列表。

评价

在本节中Friendbook的绩效评估小型田间试验和大规模的模拟。

评估使用真实的数据

我们第一次评估的性能时,朋友书小规模实验。八个志愿者帮助我们提供数据和评估系统。演示了这些用户的职业。他们中的大多数都是学生,其余包括商人、上班族,女服务员。每个志愿者联系智能手机和朋友提前预订应用程序安装。他们需要启动应用程序后醒来,上床睡觉之前就把它关掉。除了这个,我们不强加任何附加要求在智能手机的使用上。例如,我们不需要他们携带智能手机所有的时间在白天或附加的智能手机4身体的一些特殊部位。值得注意的是,一些实验之前的八个用户已经朋友但有些则不是。事实上,集团内部一些陌生人成为朋友。然而,陌生人生活远离彼此不会互相成为朋友尽管他们选择作为一个朋友的朋友推荐阶段。这也促使GPS信息到系统的使用来提高推荐精度。

评估使用模拟数据

我们执行模拟来进一步评估性能Friendbook当系统的规模很大。我们的朋友推荐的方法是基于生活方式从传感器中提取用户的智能手机,这是完全不同于现有的朋友推荐方法。我们所知,没有真正的数据集,可用于大规模的绩效评估。

相关工作

推荐系统试图表明项目(如音乐、电影和书籍)对用户已成为近年来越来越流行。亚马逊推荐项目用户基于项目用户之前访问过的网页时,和其他用户看到的物品。边(5]给出了匹配制造商协同过滤推荐系统基于朋友的个性匹配。Kwon和金姆提出一个朋友推荐方法使用物理和社会环境。玉等人结合地理位置相关的社交网络的朋友推荐的GPS信息和社会网络结构。许et al。6]研究了博客的链接推荐问题和类似的社交网络,并提出一种方法基于协作推荐使用社交网络的链接结构和基于内容的推荐使用共同宣布的利益。郭台铭et al。5SFViz]提出了一种视觉系统,支持用户交互式地探索和发现朋友在利益的背景下,并报告一个案例研究使用系统探索的建议朋友根据人们的标签在社区音乐行为。这些现有的朋友推荐系统,大大不同于我们的工作,我们利用最近社会学发现推荐朋友基于相似的生活方式,而不是社会关系。麻省理工学院现实采矿项目和Farrahi Gatica-Perez [6]试图发现日常location-driven大规模的位置数据。他们可以推断出日常工作如把从家到办公室或去餐馆吃。然而,他们不能发现日常工作的人呆在相同的位置。例如,当一个人呆在家里,他/她的日常生活中像“吃饭”和“看电影”不可能发现如果只使用位置信息。

反馈控制

支持在运行时性能优化,我们也将反馈控制机制集成到Friendbook。服务器生成一个答复后在回答查询,反馈机制允许我们测量用户的满意度,通过提供一个用户界面,允许用户朋友列表。。这段时间收集数据通常需要至少一天。长时间预计将如果用户想要得到更满意的朋友推荐的结果。在收到用户的请求(例如,生活文档),服务器将提取用户的生活方式向量,并在此基础上向用户推荐朋友。推荐结果高度依赖于用户的偏好(图2)。

实验结果

r (i) =Σd (i) / n

r (i) -推荐在哪里

d (i) -数据

n -没有用户

结论

很久以前,人们通常与他人交朋友的基础上他们geo-graphical位置如人在他们曾经工作或住在他们附近。各种社交网站的出现给了一个革命性的方法交朋友的。有各种各样的方法来组织人或在社交网络上与别人成为朋友。人们可以很容易地使社交网络上的朋友。但是一些时间建议不是每个用户的考虑。大多数时候,习惯或生活方式是最突出的因素两个用户之间的友谊而不是被最广泛使用的社会网络的推荐系统。这是因为用户的生活方式是很难捕获通过web操作。通过考虑到这一点,我们正在试图使用一个方便的工具,比如手机捕捉和模型用户的生活方式并推荐朋友两个用户之间的相似度的基础上的生活方式。大多数时候用户的生活方式是基于执行的活动,在他们的日常生活。我们的日常生活的特点是大量的活动。 This recommendation system allows users to share their lifestyle along the social network. On the basis of this lifestyle system recommends the appropriate friend to the user. Which surely helps user to find there friend on the social network.

引用

1. Blei DM, et al。潜在狄利克雷分配。JLMR。2003;3:993 - 1022。
2. 鹰N和Pentland。现实挖掘:传感复杂的社会系统。个人无处不在的计算。ACM。2006;10:255 - 268。
3. 主教厘米。模式识别和机器学习。激飞纽约。2006年版。
4. Biagioni J, et al。容易追踪:自动运输跟踪,映射和到达时间预测使用智能手机。ACM SenSys。2011;68 - 81。
5. 扁和Holtzman h .在线的朋友通过个性匹配和协同过滤推荐。UBICOMM。2011;230 - 235。
6. Farrahi K和Gatica-Perez d .概率从手机数据挖掘社会地理的例程。IEEE。2010;4:746 - 755。