1、 论文题目 在线社会网络中的信息推荐技术研究 学科专业 计算机软件与理论 201111060307 聂大成 学 号 作者姓名指导教师 傅 彦 教 授 万 方 数 据分类号 密级UDC 注1学 位 论 文在线社会网络中的信息推荐技术研究（题名和副题名）聂大成（作者姓名）指导教师 傅 彦 教 授 成 都 电子科技大学 （姓名、职称、单位名称）申请学位级别 博士 学科专业 计算机软件与理论提交论文日期 2014.9.18 论文答辩日期 2014.12.5 学位授予单位和日期 电子科技大学 2014 年 12 月 26 日答辩委员会主席评阅人注 1：注明国际十进分类法 UDC的类号。万 方 数 据RE
2、SEARCH ON INFORMATIONRECOMMENDATION TECHNOLOGIES INONLINE SOCIAL NETWORKSA Doctor Dissertation Submitted to University of Electronic Science and Technology of China Major: Author: Advisor: Computer Software and Theory Nie Dacheng Prof. Fu Yan School: School of Computer Science and Engineering万 方 数 据
3、独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。作者签名： 日期： 年 月 日论文使用授权本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫
4、描等复制手段保存、汇编学位论文。（保密的学位论文在解密后应遵守此规定）作者签名： 导师签名：日期： 年 月 日万 方 数 据要互网的速发展将人们带入了信息化时代，信息量的指数级长味着大数据时代的到来。如何从海量数据中分析和挖掘出在有价值的知识或规，帮助用户找到兴的信息义重大。如今，电务以及SNS等在线社会网络服务经成为人们日常生活中不可或缺的一部分。然，人们享受在线社会网络带来便利的同时造成了信息过载问题。时，推荐统应运生，利用数据挖掘、机习等方法从海量信息中找到用户在兴的内。研究具有重要的论价值和现 义，到了内外的广泛关注。目前，网络科经成为最具有活力的交叉科。其中，关键节点挖掘是网络科中一
5、个具有广泛应用的重要课题。例如，关键节点的失效将有可 致整个网络的瘫痪，甚至有可 致其他相关网络的瘫痪（级失效）。然，现有的推荐统的关键节点挖掘通常是针单网络进行的，如何将节点重要性挖掘应用到基于二部的推荐统中将是一个有思的研究课题。本文先研究基于二部网络的个性化推荐算法，进一结合用户社交网络提推荐算法的性，主要研究作如下：（1）在二部网络中机推荐算法给大度品过的权重，致其多性较，本文研究了在机过程中将品的度响从同时提推荐统的准确率和多性。另外，本文还研究了在推荐统中同时将机算法与热传算法 进来时的权重分配问题，发现给予机进来，低大度品的过程和热传过程相同的权重，并且提大度品的响将同时提推荐统
6、的准确率和多性。（2）目前多性卓的推荐算法都是通过调节一个可调参数来获最佳的推荐性。为了获这个最优推荐性，需要使用测试信息来遍历参数以到最优参数值。但是在真的在线统中测试信息是不可知的。在一般情况下，这个参数是针相应的算法 了整个统的推荐性，这个最优参数由数据和算法本身的一些属性来确。本文假最佳参数应该是与数据的某些分析结果一致，从数据的角度出发，据数据和算法直接到一个可接受的估计参数值，并且该参数可以在不知道测试的情况下来做出估计。最后本文发现只使用少量用户的信息就可以整个统的最优参数做出估计。（3）针如何利用社交网络进行推荐这一问题，本文研究了计算有向社会网络上用户之间的社会相似性的三种方
7、法，然后使用一种非线性的方法将社会相I要似性与偏 权并，最使协 架来产推结果。通两个调优参数来取系统的最优参数性，并且调查了会相似性个性化偏在推系统中起的作小。通实证究了 会相似性与偏之的关系。最通实验说明了本文提出的方法的优越性，尤其在推冷商上的（）针对传统的要节点挖掘主要集中在单模络中一陷，究了具。有会络二部络的 会络中的要节点排序法，与围更广。基于此，本文法得的影 节点相比，传速度更快，传 究了何将关节点挖掘应 推中，提出了一将 会络中的节点排序性。信息 推系统中的方法，并且提高了推系统的准率综上，本文提出了在线会络中信息推 要节点挖掘的术方了推系统中，最通实验析验证了本文法，并且将节点
8、的排序信息应提法的有效性。本文的究丰富了在线会络中信息推的究方法，为信息 题的解决提供了有意义的探索。要节点挖掘关键词：在线会络，二部图络，推系统，要节点， 会络万 方 数 据ABSTRACTABSTRACTTherapiddevelopmentofInternetbringspeopleintotheinformationage,andtheexponentialgrowthofinformationamountindicatesthecomingofbigdataera. Itises-sentialtoanalyzeandminethepotentiallyvaluableknowled
9、geandregularityfromthebigdata,whichwillefcientlyuncoverthelatentinformationofinteresttousers.Nowa-days, online social networks, such as e-business and SNS, have become an importantpartofourdailylife.However,onlinesocialnetworksbringustheinformationoverloadproblemaswellaslivingconvenience. Takingadva
10、ntageofthemethodsintheeldsofdataminingandmachinelearning,recommendersystemsarisetohelpusersndthepo-tentialobjectsofinterestfrominformationocean.Therefore,recommendersystemshavebecomeasignicantissueinbothacademicandindustrialcommunities, andreceivedconsiderableattentionofdomesticandoverseasscholars.C
11、urrently, network science has become the most active interdisciplinary science.Inthedisciplineofnetworkscience,theminingofinuentialnodesisanimportantis-suewithmanyapplications. Forexample, thefailureofinuentialnodesmaydisablethewholenetwork,orevenanothercouplednetwork(cascadefailure). Theminingofinu
12、ential nodes is usually conducted on unipartite networks, then how to apply thistechnologyintorecommendersystemsonbipartitenetworks,becomeaninterestingre-searchissue. Thisthesisstudiesthepersonalizedrecommenderalgorithmsonbipartitenetworks,andthenimprovesthealgorithmicperformancebyintroducingtheinfo
13、rmationofusersocialnetworks.Themajorcontributionsarelistedasfollows.(1)Weproposedanimprovedrandomwalkalgorithmbydepressingtheinuenceoflarge-degreeobjects.ExperimentalresultsonMovieLensandNetixdatasetsshowthatthisalgorithmcaneffectivelyimprovenotonlytheaccuracybutalsothediversitywithrespecttoinformat
14、ionrecommendation. Ontheotherhand,weinvestigatetheeffectofweightassignmentwhencombiningbothrandomwalk(RW)andheatconduction(HC)algorithmstogether,andndthatthenewhybridalgorithmofRWandHCwithbalancedweightswillachieveoptimalrecommendationresults. Thatistosay,inordertoobtainabetterresultofrecommendation
15、,weshouldassignsameweightstothemsothatsameinuencecanbegivenbyobjectsdegreeindifferentdiffusionsteps.III万 方 数 据ABSTRACT(2)Inrecentyears,manyoutstandingrecommendationalgorithmshavebeenpro-posedtoalleviatetheinformation-overloadproblem. Generallyspeaking,adjustingpa-rameterproperlybasedontheinformation
16、containedintestingsetwillleadtoanoptimalperformance. However,inrealonlinerecommendersystems,thetestinginformationisnotavailabletous,sohowtochooseanoptimalparameterinrecommendersystembe-comesabigchallenge. Tosolvethisproblem, inthisthesis, weproposeamethodtoestimatetheoptimalparameterapproximatelybym
17、erelyusingthetrainingsetsinfor-mation. Furthermore,theexperimentalresultsillustratethatwecanestimatethewholesystemsparameterbyusingonly10percentofinformation.(3)Basedonthecoupledsocialnetworks(CSN),weproposeahybridalgorithmtononlinearlyintegratebothsocialandbehaviorsimilarityofonlineusers. Basedonth
18、ecoupledsocialnetworks,lteringalgorithmconsiderstheeffectsofbothsocialsimilar-ityandpersonalizedpreference. Experimentalresultsshowthatthehybridpatterncannotonlyprovidemoreaccuraterecommendations,butalsoenlargetherecommendationcoveragewhileadoptingglobalmetric. Furtherempiricalanalysesdemonstratetha
19、tthemutual reinforcement and rich-club phenomenon can also be found in coupled socialnetworkswheretheidenticalindividualsoccupythecorepositionoftheonlinesystem.(4) Many researchers focus on mining the inuential nodes on single-mode net-works,however,exploitingtheinformationnetworktohelpminingtheinue
20、ntialnodesintheCSNislackofstudy.Inthisthesis,weproposeamethodviaminingtheimportantnodesonCSN.Inaddition, wetaketherankinginformationinrecommendersystemsintoaccountandobtainbetteraccuracyanddiversityforinformationrecommendation.In real online E-commerce system, generally speaking, most of the large-d
21、egreeobjects are popular objects, which have large weights. If their inuence is taken intoaccount,thesmall-degreeobjectsmightbedifculttoberecommended. Therefore,de-pressingthelarge-degreeobjectsinuencewouldtakethefulladvantageofthebigvol-umeofsmall-degreeobjects.Inaword,thisworkprovidesapracticalsol
22、utionforonlinerecommendation,thatistosay,howtopromotetheattentiononthelong-tailedproducts.Inrealonlinerecommendersystem,wecannotadjusttheparameterofrecommen-dationsalgorithmtoobtainanoptimalperformancebecausethetestinginformationisunknowntous. Therefore, itissignicanttoestimatetheparameterwhilethete
23、stinginformationisunavailable. Tosolvethisproblem,weproposeamethodtoestimatetheoptimalparameterapproximatelybymerelyusingthetrainingsetsinformation.IV万 方 数 据ABSTRACTWeprovidedeepinsightsintoresearchingthekeytechnologiesandtheoryofin-formationminingandrecommendationinonlinesocialnetworks,andproposeso
24、meef-fective methods in recommending the information and mining the important nodes inonlinesocialnetworks. Furthermore,wetaketherankinginformationinrecommendersystemsintoaccountandobtainmoreaccuracyanddiversityforinformationrecommen-dation. Ourstudiesaresignicanttoexplorethesolutionsforinformation-
25、overloadandhavewidepotentialapplications. Thisthesismayshedsomelightsonthein-depthun-derstandingofthestructureandfunctionofonlinesocialnetworks.Keywords:OnlineSocialNetwork,Recommendersystems,Bipartitenetwork,Importantnode,CoupledsocialnetworkV万 方 数 据万 方 数 据目论究工作的背外究现状意推系统的商应用数据 绍电评数据电赁评数据数据话数据籍在线售数
26、据在线音数据消费者评论区数据博服数据本文的要究容本文的结构安排信息推荐关研言述推系统的挑战数据稀疏可扩展性邻居传递性的损失同性常用户启率多样性推系统的评节点相似性同邻居余相似性相似性万 方 数 据录2.3.4 尔逊似性 182.3.5 Sorenson指 . 182.3.62.3.7节点有利指 18节点不利指 182.3.8优先连接指 192.4推荐系统分类 192.4.1 过滤推荐算法 192.4.2基于内容推荐算法 202.4.3基于网络结构推荐算法 . 212.4.4基于概率模型推荐算法 . 222.4.5 推荐算法 232.5推荐系统评价指 232.5.1准确率 232.5.2准确率提
27、高率 242.5.3 回率 242.5.4 F指数 . 242.5.5排准确率 242.5.6 AUC指 252.5.7 性 252.5.8新颖性 262.6本小结 26第三章基于二部图的个化3.1引 273.2问题提出 28算法究. 273.3 关研 作 28散推荐算法研 . 293.4二部图上3.4.1有偏随机游走推荐算法 . 29散推荐算法 313.4.2 衡3.5实验结果 313.5.1数据集 323.5.2有偏随机游走实验结果 . 323.5.2.1有偏随机游走推荐性 323.5.2.2不算法实验结果比较 343.5.3 衡 散推荐算法实验结果 . 35VIII万 方 数 据目录3.
28、5.3.1平的扩散的推荐能 . 353.5.3.2不同3.6本章结 40推荐 优估. 42的验结果 384.1引言 424.2问题的提出 434.2.14.2.24.2.3合 43向于热传的推荐权的热传推荐. 44444.3相关研究工作 464.4调优推荐 的最优参数估. 464.4.1最优参数估方 464.4.24.4.34.4.4验数据 47验结果 48验析 494.5本章结 55社网络推荐 . 56研5.1引言 565.2问题的提出 575.3相关研究工作 595.4耦合社会络上的信推荐 . 605.4.1社会相似 605.4.25.4.3为好 61合社会相似与为好 . 615.5 验与
29、析 625.5.1 验数据 62验结果 62析 685.5.25.5.35.6本章结 70耦合社会网络重要节点挖掘信息推荐 736.1引言 736.2问题的提出 746.3相关研究工作 756.3.1 K-Shell解 76六IX万 方 数 据目录6.3.2 HITs算法 776.3.3 PageRank算法 786.3.4 LeaderRank算法 786.4耦合会络上的重要节点排序. 796.4.1 向会络上的随游走 . 796.4.2二部图络上的随游走 . 796.4.3耦合会络上的 随游走 . 806.5重要节点排序与信息推荐 . 826.6实验结与分 826.6.1实验数据 826.
30、6.2实验结 836.6.2.1重要节点排序的实验结 836.6.2.2推荐结 856.7 章小结 88结展望 907.1全文工作总结 907.2后续工作展 91致谢 . 93参考文献 95攻读博士学期间取得研成果. 108X万 方 数 据目目录11121314马的 界. 7888网站的 服服视频网站的视频浪博的用户 服 3132机 示意 30表长度L=10 BRW算法在MovieLens 和Netix 的能 3333在MovieLens34在Netix4种 算法的能比较 . 34算法的能比较. 354种35在MovieLens和Netix 用 33计算BD算法的能 37商品度布及 的表的 的
31、商品的度布. 38的序确率. 3636 MovieLens和Netix37在Netix38 MovieLens39 NetixBD算法的能比较 . 39BD算法的能比较. 39310 序确率商品度的系对比 . 4141在MovieLens和Netix42在MovieLens的最参 计. 48的系. 50用户的度 * 和43在Netix 用户的度 * 和 的系. 51种算法的每用户的最44在MovieLens和Netix 计参的概率密度 布 . 52机抽样定比用户来进行参 计 52每比 机抽样100次的errorbar . 53用t-检验对机抽样比的结果进45在MovieLens和Netix46
32、在MovieLens和Netix47在MovieLens和Netix行假设检验 5448在MovieLens和Netix 用t-检验对抽样100次的结果进行假设检验 5451耦合社网络的示52 Epinions和Friendfeed59的确率 63XI万 方 数 据图目录图53 Epinions和Friendfeed数图54 Epinions和Friendfeed数的回率 64的F数 64图55 AUC标 Epinions和Friendfeed数图56 HD标 Epinions和Friendfeed数的性能 . 66的性能. 67图57 种算法 AUC标的性能现 68图58社会相似性 偏好 的
33、关系 69图59具有较高社会相似性但性偏好较低的体网络结构示意图 70图510 Epinions数图511 Friendfeed 数本章所算法荐的商品的度分布. 71本章所算法荐的商品的度分布. 71图61耦合社会网络概率转移矩示例图 81图62感染节点累积数图63 Epinions数传播步数的关系图 . 84用户的度分布. 86图64划分完数 后感染节点累积数 传播步数的关系图 87图65将序结果用 荐的性能 87图66 Rank-based 算法其 种算法的性能比较 88XII万 方 数 据表目表目录表31数据集的基信息统计 32表32在MovieLens和Netix 数据集下推列表长度L
34、=10时标准的随游走推表33在MovieLens和Netix 数据集下BRW分比 34的性能 . 33的排序准确率与提的百表34 MovieLens数据集上四种不同 的性能比较 40的性能比较 40表35 Netix数据集上四种不同表41测试集比例为10%时不同的值到排序准确率比较 49表42测试集比例为20%时不同的值到排序准确率比较 50表43三种 在MovieLens和Netix数据集上所需小 样量 . 53表51 Epinions和Friendfeed数据的基信息统计 62表52 所提出的 在Epinions和Friendfeed数据上性能统计. 65表53 Epinions数据集上表
35、54 Friendfeed 数据集上所提所提与MD与MD的性能比较 68的性能比较. 68表61使用两种方 到的前20用户的排序信息 . 84表62 Epinions数据集Rank-based 与UCF 的性能比较 . 88XIII万 方 数 据万 方 数 据第一章绪论1.1很多社会、生、信息和技术统可自然研究吸引了来自理学、信息科学、社会学、管理科学、生命科学、学等研究的学的广泛注。网络科学的发展，有望推一些有重大理论和实意义的科学程的研究，包括释和 金经危机的发生，理人的变和社会结构的形成 和控球传染病的 ，优化互网代量信息的存储、组织、享和推荐，揭示生本 得以实现的等等。这些的任何一点进
36、步会从知识 社会经 生健康给人带来大价值。小世界 标度是网络科学的两个重大发现，掀了网络科学持续十年丝毫没有温的研究热。显然，网络科学经成为了最大的交叉科学和最 的交叉学科。社会网络（Socialnetwork ），是一种由许多节点构成的社会 结构，这里的节点一般指个人或组织。社会网络代着各种社会 ，这种社会 由诸如友示为网络的结构，网络的123， 45机6 7和 89谊，不欢，信任，突，买等相互依存的一个或多个定构成。线社会网络是指人们以计算机和网络为中介进交友、和协作等交互式所形成的人与人之的社会网络线交友等应用经成为人们常生中不可缺少的一过各种 相互 一，形成了一个 庞大、复杂以及容丰富
37、多彩的线社会网络。由此可，线，线交友等 属于线社会网10。 着Web技术的 发展，电子件、线、。人们互网上10络的范畴，为它也是以人为载体，建立人与人之交互的社会网络。着互网的迅猛发展，球的据量呈现指增值的态，大量的信息和源正同展现用户的 。例如，Netix上有万电影，亚马上有百万本书；Youtube 上有千万 短；Delicious 上有过1亿的网 藏。目，球网站量达5个多亿，我网 量达800多亿个，宝网每天增个人网店近万家。对如此瀚的信息量，用户不可将所有的信息一从来找自感 的信息。信息的炸使得信息的用率反 低，即发生了所谓的信息过载（informationoverload）。搜索引擎虽然
38、可以从量的信息和源中帮用户找有用的信息，但是对于不同的用户如果输相同的词，将得完相同的搜索结果。搜索引擎法根据用户的 得个性化，当用户使用搜索引擎11的搜索结果并且不会虑用户的搜索历史 12；另一1电子 技大学博学位论用户经知道所要找的信息。而大多情况下用户在没看到结果之前并不知道需要什么或者说用户很难用几个词语或者句子来描所要找的东西。但是对于化、育、偏好、性经法足所有用户的个性化需要。为了解决一问推荐统应而生作搜索引擎能够据关键词现出与之相关所有信息的分排序结果异的广大用户而 千篇一律的搜索结果为一个 的 在解决信息的 使得所有用户的个性化需求得到充分足。在去的二十年中互联网的速发展为人们
39、寻找发现所需要的东西提供了限的资。例如人们现在可以享受充足的电视道以及的电视节目而在二十年前却只有很少的选择。此外互联网不仅为人们提供了 戏而且成为一个多功能的具来变人们几个世纪一直保持不变的生活式。例如由于电子商务服务的指级长网络购使得人们仅仅需要通点击就能够选择、比 购买商 并且经成为越来越受欢的式。尽管如此任何事情都有两面性。 互联网变了世界的某些面并且通有的与他人联极大的变了人们的生活但也带来了很多副作用并且其中的一些变得极为要甚影到人们作的正常例程。以电视节目为例子事实是用户的比以往任何候有更多的选择但是 令人惊讶的是将更难找到一个 适的节目来足用户的需求。也就是说用户面临太多的选择
40、以比并做出相应的抉择。法对它们行推荐统据用户的历史记录计算用户的兴趣偏好推荐给用户可能感兴趣的信息。在去的几十年中推荐统得到了速的发展 于Web2.0Web应用的速发展。电子商 务的猛发展也极大地推 动了推荐统的发展例如淘宝 Amazon eBay京东等电子商务网站。 准的推荐算法可以帮助统分析用户的潜在消费趋势 善用户的统体 为用户提供个性化的推荐服务。传统的二八定律认为20%的商带来了80%的销 所以应该只保留销的 20% 其余的都应舍弃。他们认为商的利润与销成正比销售每件商都需要一定的成本 加商将带来成本的提升另外管成本也是其中比关键的因素。当销低到一定程度就会出现亏损。智的销售商是不会
41、销售将引起亏损的商。长尾论 13统计的是销 并非利润。电子商务传统零并且不受货架等实体零售成售业的优势在于可以为人们提供大的候选资本限制电子商务网站添加一个商只需要在网站中简单的添加一条记录即可。Anderson认为 网络代是关注 “长尾”、发挥“长尾”益的代。因此在互联网的促力下被奉为传统商业圣经的“二八定律” 开始有了被 变的可能性。而2万 方 数 据第章绪论网络时，推荐系统将成改准确推荐结果，而能够推荐多元商品，而使冷门再冷门。说到推荐系统 就会到Amazon 例子，就谈到数据挖掘就会提到啤酒和尿例子。 逊有35% 易额都来自推荐系统引导，推荐转换率达60%。 子商务网站，推荐系统改进户
42、购体、缩购路径、提销转率起日重作。 逊通过改传统销式，进小众销，许多前传统渠道动销量有增加。 逊小众户提供 选择机会，而扩展销售渠道。此外，很多捆绑式销售式越来越到冲击，如果户 听首歌，何必购整张CD呢？此，果公 iTunes线音商提供小众服务，网站 户提供正曲销售，使得果公已经出 5首歌曲，同时获得巨大利润。eBay开创种全新商 式， 。让数量众多小企和体进入到商品销售环，而创造 易量和利润， 这商 式得到内外商效。这例子都说明小众户重和小众推荐必。这让八定律 重手段，既保证效，是认识到长尾作， 尾巴拖得足够长，就会聚少成多，聚沙成塔，意 到效果。新 网络Web2.0到来，网络户 开始追求更
43、加实 体，社会网络服务运而。社网络作种新兴、实，拟稳定等 得到 大户青。最近几，社网络得巨大成就，例如，Myspace已经成全美最欢迎网站，统计明其流量当Internet流量 4.5% ；Yahoo 分社网络结合体Flickr，已经拥有400 户和2张传。纪佳缘、eHarmony、智联招聘等社网络已经开始利，这明社网络兴起， 社会网络推荐服务逐步显现其商 ，这种服务括，婚、商务、招聘等。利社网络进社会推荐得成功同时，面推荐列多样和新颖问题显得尤突出。微例，过段时间。依赖实很多问题。例如，就会是系统推荐首选。但是如没有推荐系统关注 新对象，推荐很容易就找到这门户同样 。门 推荐利 户推荐列多样和
44、新颖。同时，经过段时间后，门 将非小，使得信流将 封闭 群。同时， 很容易入种错， 自己展现越来越少。关注信就是 全部，而大 有 姿研究面向社网络多样推荐问题，对促进社网络进步展具有重理论意。同时，对 决社会推荐问题和现有推荐系统长尾问题3万 方 数 据电子技大学博学文大的帮助因此，如在兼顾推荐系统准的同时推荐列的多样，成为前推荐系统特别是基于交络推荐系统面临的一个重要问题同时，解决面向交络的推荐问题，创造出交站独的核价，才能拽用户间的关系，提用户的台，实现，从而为广告主提具价的媒介平了工业界的的价，获各方多的面交络不关， 了学界的关比如在上都关于交络的文章年的国 国 专门立相关问题另外， 和
45、 也对交络的 年 国 特别立了，并由 和电子技大学周涛教授共同了深入担任主席，对基于复络推荐系统的多样问题复络上的重要节点是指相比络其他节点而，能够在更大程度上响络的结与功能的一些特殊节点更多的关和利益回报？定向广告投放中，给哪些用户投放可以获病临时，应采取什么措施才能避免其大规的爆发？博中要一 博获速发应如去？为什么亥州的几烧断的压线造成了北大范围的电事故？助络学一工具，些问题已经了定量的描和解决，并且可以止类事件的发生络中的重要节点一般都非常，其响力却可以及整个络，也是为什么发生上事件的原因互联技的猛发，人类活动日络化，如，人们交流的在线络通络通络；与人类相关的经络新代谢络据，分 络特，究络的动力学为然而些络的结都复，并且络规变 庞大 如， 的册用户已经 亿，活用万用户；报道在去的两年内新册的用户已经学家合络；与人们日常生活密切相关的因特交究者收不同的络数户 亿； 万遍布世界各地的活用户； 多万；新浪博是中国大的博务提者，用户数量到了全国人口的 重要节点的排序已经成为目前络究的热点之一是络究中需解决的问题之一如定量的究络中节点的重要程度国内外研究现状从根上，推荐系统是帮助用户找到他们可能兴的事和物，包括电，书，视频，音乐，页，甚可以是旅游景点，食品，音乐家，新闻，其他万 方 数 据第一章绪论户等等。个性化推系统购买意， 户推其感兴趣
