面向獲取空間信息的潛在好友推薦算法

　　 隨著社交網(wǎng)絡(luò)的不斷發(fā)展，朋友推薦已成為各大社交網(wǎng)絡(luò)青睞的對象，在能夠幫助用戶拓寬社交圈的同時(shí)，可以通過新朋友獲取大量信息．由此。朋友推薦應(yīng)該著眼于拓寬社交圈和獲取信息．然而。傳統(tǒng)的朋友推薦算法幾乎沒有考慮從獲取信息的角度為用戶推薦潛在好友。大多是依賴于用戶在線的個(gè)人資料和共同的物理空間中的簽到信息，而由于人們的活動(dòng)具有空間局部性，被推薦的好友分布在用戶了解的地理空間，并不能滿足用戶通過推薦的朋友獲取更多理信息的需求．采用用戶在物理世界中的簽到行為代替虛擬社交網(wǎng)絡(luò)中的用戶資料，挖掘真實(shí)世界中用戶之間簽到行為的相似性。為用戶推薦具有相似的簽到行為且地理位置分布更廣泛的陌生人，能夠增加用戶接受被推薦的陌生人成為朋友的可能性。在保證一定的推薦精度的基礎(chǔ)上，增加用戶的信息獲取量．采用核密度估計(jì)估算用戶簽到行為的概率分布，用時(shí)間熵度量簽到行為在時(shí)間上的集中程度，選擇可以為用戶帶來更多新的地理信息的陌生人作為推薦的對象，通過大規(guī)模Foursquare的用戶簽到數(shù)據(jù)集，驗(yàn)證了該算法能夠在精度上保證與目前已有的LBSN上陌生人推薦算法的相似性。在信息擴(kuò)大程度上高于上述已有算法．