以深度學習方法結合個人隱含特徵與打卡紀錄做社群網路連結預測

Translated title of the thesis: A Deep Learning Approach to Link Prediction for Social Networks Based on Personal Latent-factor and Check-in Histories
  • 吳 柏欣

Student thesis: Master's Thesis

Abstract

隨著線上社群網路的興起,社群網路的連結預測(Link Prediction)問題應運而生。在過去,?多研究者利用社群用戶間的交友關係進行預測。然而,社群網路的形成通常與用戶間的地理關係息息相關。?多研究也指出社交關係有助於改善地點推薦系統。此外,受到推薦系統的啟發,我們認為擁有相同偏好的人更容易成為朋友。因此,我們將使用矩陣分解法(Matrix Factorization)擷取存在於地點評分中的個人潛在因子(Personal Latent-factor),並結合社交關係、打卡紀錄等資料來預測社群網路中連結存在的機率。 首先,我們採用網路嵌入方法來提取社群網路中的各節點拓撲特徵;採用矩陣分解法將地點評分矩陣拆分為「個人」與「地點」的潛在因子矩陣,並採用個人潛在因子矩陣作為節點特徵;採用短期、中期、長期的時區,將用戶的打卡紀錄以傑卡德指標(Jaccard Index)擷取兩節點的打卡模式特徵。最後,我們採用Hadamard函數對節點特徵運算可取得連結的特徵。此外,為解決多種資料間的高度非線性關係以及存在大量資料中的噪音,我們採用降噪自動編碼器(Denoising Autoencoder)建立多模式的深度神經網路模型MSDA。MSDA可以進行非監督式的特徵提取,並穩健地對抗資料中的噪音,最後利用預訓練(Pre-training)的模型,快速地進行標籤資料的監督式訓練。研究結果表明,結合多種特徵的MSDA模型可以改善過去僅考慮網路拓撲的網路嵌入方法,能更好的預測社群連結,為社群用戶提供更好的好友推薦。
Date of Award2018 Jul 20
Original languageChinese
SupervisorRen-Shiou Liu (Supervisor)

Cite this

'