GCCR算法旨在根据弱关系社交网络中用户对不同主题的兴趣程度，为用户推荐其可能喜欢的主题内容.通过分析从用户-主题喜好矩阵和用户自身发表内容的中体现出的用户喜好信息，并将二者综合利用，提高在稀疏数据集上的推荐效果.同时利用图摘要算法中的类模糊性，保证冷启动条件下推荐的多样性.GCCR主要步骤包括预处理、核心聚类、全用户聚类、主题推荐阶段.
    (1)预处理阶段.筛选出兴趣向量非零值比例大于密度阈值A的核心用户集合.根据核心用户对应的兴趣向量提取构造出原兴趣矩阵的密集子矩阵.
    (2)核心聚类阶段.根据核心用户的兴趣矩阵构成的订阅关系图进行图摘要计算，利用摘要迭代的过程生成满足模糊度和独立性约束的核心聚类.
    (3)全用户聚类阶段.利用上一步中生成的核心聚类，提取核心聚类内容特征向量，同时提取非核心用户所发表微博的内容特征向量，根据内容特征向量的相似度不断迭代，将非核心用户加入到己有的聚类集合中，直至完成对所有用户的聚类.
    (4)根据聚类结果以及每个用户在聚类内部的相似度和类兴趣特征，生成类成员内部的推荐向量，同时根据不同主题在不同聚类间的兴趣差异，形成跨类推荐向量，两者综合排序之后的结果作为最终推荐结果.
推荐算法执行过程中，对于训练数据集进行(1)（3)离线计算生成聚类结果和类兴趣向量，对于任何新加入的用户，只需进行（3)中的聚类归属计算和（4)中的推荐过程.通过将离线和在线处理运算尽可能的分离，可以使算法达到更高的在线推荐计算效率.
     4聚类推荐算法
     4.1问题建模
    (1)对于N个用户，M个主题，可分别表示为用户^集U-{叫，^2，}与^主^题集S-{^152，*…，Sm}对于每个用户M,，有对应兴趣向量V,=(fli，《2，…，m)，所有用户的兴趣向量可构成NXM的兴趣矩阵m，对于存在订阅关系的用户w,和主题{，对应元素a,,>0,表示用户m,对主题{兴趣度，如不存在订阅关系，则对应一
    (2)基于兴趣矩阵m的兴趣图Gm可表示为有向图G(Y，E)，其中V为用户和主题节构成的集合：V-UUS，
    (3)对于每个用户m，定义其兴趣密度值心，m为兴趣向量V中非零元素所占的比例，那么对于<i，(M,)大于密度阈值A(通常取10%)的用户M,定义为核心用户
由核心用户兴趣向量构成的兴趣矩阵为密集子矩阵m%基于密集子矩阵可构造出核心兴趣图Gw.
    4.2核心聚类
图摘要算法通常用于从拥有大量节点的复杂图中提取隐含信息，发现主体结构和普遍规律.不同于以往基于统计的图摘要方法，Tmn等人[11]提出了一种基于节点聚合的方法々-SNAP来进行图摘要计算.该算法优势在于，图的摘要计算过程中不会丢失任何原始节点的信息，同时，可以自由地调整图摘要的聚合程度和迭代次数，得到对图不同粒度的分析结果.我们注意到，々-SNAP在图摘要迭代过程中同时完成了对节点的聚类，每个节点聚类是一系列与外部节点拥有相似连接度的节点的聚合.因此，我们认为通过对用户兴趣图进行々-SNAP摘要，可以对用户节点实现兴趣聚类.基于々-SNAP，我们设计了SNAP-Cluster算法，使得（1)聚合过程仅发生在用户节点之间；（2)仅将々-SNAP算法应用于核心兴趣图，以保证能产生足够多有效信息的聚类；（3)通过计算模糊度和差异性指数来表示聚类结果的特征，并以此来估计对最终推荐结果的影响.
    基于之前的定义，我们给出图摘要聚类算法SNAP-Cluster的过程.
    算法1.SNAP-Cluster图摘要聚类算法.
    输入：核心用户集LT，主题集S，核心兴趣图Gm.
    输出：核心聚类lu
    1.Clus=U，，?7taxAmb=0,srcCi=null，arget=n\Al；
    2.whileAmb-0或达到目标迭代次数是
    3.forCinludo
    对于最优聚类的选择，我们基于这样观察：当差异性指数越大时，表明类间的兴趣越不相同，这使得每一个聚类的兴趣特征越明显，增加了对兴趣预测的精确性.相反，模糊值越大，则在一个聚类的内部保留了更大的差异性，因而增加了产生多样性推荐的可能.因此我们考虑将二者综合考虑，在最后的实验中我们也将验证上述结论.图    4(a)展示了一个来自于新浪微博中500个用户和50个主题所构成的兴趣图（平均兴趣密度72%)，图4(b)是通过SNAP-Cluster计算之后的核心聚类图（平均密度15%，小点为主题，大圆为用户聚类，中心数字为聚类大小）.
    4.3全用户聚类
    得到用户核心聚类Szmrt之后，我们需要提取核心聚类以及非核心用户的内容特征向量.

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。