黄寿孟，夏王霞

(三亚学院 信息与智能工程学院，海南 三亚 572022)

0 引言

大数据环境下的社交网络，数据具有多维性和关联性，那么如何充分利用好这些特性呢？这就需要构建数学模型来挖掘出这些数据之间的潜在关系信息，比如基于地址位置的社交网络(Location-based Social Network，简称LBSN)，一般包含两种数据[1]67：一种是网络中用户本身的数据，另一种是用户间存在的关系数据。从LBSN中挖掘出用户间的时空信息进行各种应用活动[2]79，比如好友推荐[3]7、兴趣推荐[4]、轨迹恢复[5]108、行为预测[6]120等应用场景。其实在社交网络分析中，链路预测一直是信息推荐系统的研究热点，它是从网络中已知节点信息找出可能存在节点链接的信息。就目前社交网络而言，在链路预测领域，可根据用户签到记录和社交网络两种数据来实现信息推荐。Li Zhepeng等人[1]1938提出在LBSN中这两种异构数据融合的预测方法，利用网络表示学习和矩阵分解数据节点信息，通过拼接融合方案完成预测任务。Hu Wei等人[2]206运用概率学方法将网络用户时间行为与社会理论融合构建链路模型。Li Jichao等人[7]10利用网络结构与节点形成时间的关联信息构建预测方法，而Liang Wenxin等人[8]1111量化用户节点社交图属性、用户档案信息和移动特征之间的关联来建模预测好友关系，并综合用户话题特征和节点拓扑结构构建联合预测模型。Ling Jiang等人[9]211研究了网络交叉视图，通过学习链路表示与用户属性表示来完成链路预测任务。从不同角度完成复杂网络链路预测任务的还有异构数据源进行混合预测[10]305、基于聚类分析[11]144、从信息学分析角度[12]、基于节点局部相似性[13]、基于资源传输匹配度[14]、基于互信息[15]57等。……