民间预测和推荐最近在许多在线社交网络成为一个必要的任务。在推荐系统中,传统的协同过滤(CF)方法是有效地预测用户对物品的偏好受欢迎。然而,在在线社交网络,人有双重角色作为“用户”和“物品”,例如,发起和接收联系人( 8]。民间推荐系统的主要目的是生成有意义的社交建议用户( 8, 10]。一些相关研究关于民间建议包括以下:Cai et al。 8)提出了一个建议模式 SocialCollab这充分抓住了双边用户交互的角色在一个社交网络和制定CF方法使民间的建议。在他们的推荐模型,用户可以在两个方向类似于其他用户有类似的“吸引力”的用户联系他们或者类似的“品味”的用户他们接触。同样,蔡和Brusilovsky [ 10)提出了一个创新的方法,整合全球搜索结果使用个性化的人文推荐系统。他们的方法使用用户身份查询关键字在搜索结果和过程通过五个不同的自定义解析器。与问题涉及CF over-recommending流行物品,Krzywick et al。 11]在人文的背景下解决这个问题的建议。同样,伯克et al。 12)检查的实践利用用户的社交图谱,以生成人的建议。使用各种邻居选择策略,他们调查了用户满意度和感知信任水平的建议。在一个大型商业在线约会网站,Wobcke et al。 7]报道的成功部署人员推荐系统。部署是全面评价和在线试验的结果的方法。夏et al。 5)和Asabere et al。 6]同样提出了线性混合推荐算法采用准确预测领带的优势和个性来生成会议参与者(人)智能会议上的建议。

在一个社交网络,中间性中心是一个测量的影响一个顶点在每一对顶点之间的信息流动的假定下信息主要流经它们之间的最短路径 13]。不同的研究人员应用中间性中心推荐的方法。值得注意的关于这些方法的研究工作包括以下:Samad et al。 14引文]使用文本和拓扑相似性措施建议相关/重要的研究论文,然后计算介数中心措施产生的建议研究人员的重要论文。同样,利用介数中心,您et al。 15)提出了一个新颖的工具,采用类似刚性推荐潜在的合作者。类似于( 14, 15],克里斯坦森和Schiaffino [ 16)应用中间性中心方法提出一个社会推荐方法涉及组建模。

Mahyar et al。 17]利用中间性中心概念提出一种新颖的方法,提高了推荐精度根据最中央用户指定为小组负责人。璞琪et al。 18)利用中间性中心来描绘一幅random-walk-based评分推荐算法,建议第一流的产品可能感兴趣的用户。Sulieman et al。 19]阐述了项目之间的推荐方法使用社会网络分析的混合方法和内容以及CF。从一个根项,关系图的生成和用于提取网络指标通过中间性和亲密中心措施。Souza et al。 20.)提出了一个计算方法建议项目基于社交网络中心和语义相关性。

系强度或社会关系通常是指个人之间的社会互动。一个有意义的社会关系,如两个人之间的友谊代表关系的存在与否 9, 21, 22]。社会关系可以分为强关系(例如,家庭成员或信任的朋友),和一个巨大的重叠分享相关信息。相比之下,弱关系(例如,熟人)分享更加多样化和新信息( 21]。最近,社会关系在推荐系统中的应用已经被不同的研究人员。下面介绍了一些相关的研究。

夏et al。 23)和Asabere et al。 24)同样表示建议的会议在智能会议与会者使用他们的社会关系。他们提出了一个场地推荐算法称为社会意识到推荐的场所和环境(SARVE)。有关研究报告建议,Asabere et al。 25和夏等。 26)提高了社会意识智能会议的与会者提出一个创新folksonomy-based纸推荐算法,即社会意识到学术论文的建议(SARSP)。

使用Facebook的数据用例与193名参与者在线新闻,Oechslein和赫斯 21)建立了一个研究模型和测试它在网上的实验。他们提出的结构方程模型结果表明,强劲的领带对推荐值关系有积极的影响。同样,使用一个强大的社会关系的概念,张成泽et al。 27)提出了一个系统,检测和分析组级别社交支持事后的行为和实时社交应用部署在真正的社会事件的情况。

与当前和全球COVID-19大流行发生前症状和高的比例从个人、控制疫情通过手工接触者追踪是不可行的。最近,大量的接触者追踪技术解决方案介绍了。例如,从流行的非常早期的阶段,中国和韩国开始跟踪COVID-19受害者和他们的接触通过面部识别技术以及智能手机( 1]。因此,COVID-19需要计算方法的广泛和快速传播,利用创新的算法和数学方法。最近,一些作者在这方面开发了算法和模型。其中重要的如下:

Ferretti et al。 1)开发了一个算法,涉及到一个数学模型,包括近距离接触的记忆,并立即通知联系人的阳性病例接触者追踪应用。阿伯勒等。 28]讨论了接触者追踪程序的实现基于蓝牙低耗能技术控制COVID-19两人之间。类似于( 1, 28),Yasaka et al。 29日)提出了一个匿名图进行人际互动小说形式的接触者追踪和进一步发展概念的智能手机应用程序实现了他们的方法。此外,他们开发出一种计算机仿真模型,验证提出方法。画等。 30.)开发算法和建模COVID-19症状跟踪移动应用程序。他们的移动应用程序提供的临床结果,先驱症状,地理热点,和风险因素的数据。

目前的趋势的计算COVID-19接触者追踪上面提到的研究表明,缺乏社会属性包含关于COVID-19感染者和各自的联系在一个社交网络。因为COVID-19是一个社会问题,社会属性是非常值得考虑的重要因素 9, 22]。社会属性吸引了大量利益的概念最初的社会和行为的社区,以及数据挖掘社区和网络社区( 9, 22]。列举不同的研究工作,提出了一种基于社会推荐方法利用中间性中心和社会关系的社会属性可能COVID-19联系开发一种推荐算法( SARPPIC)。基准测试下面的实验结果验证了该方法的有效性。

中心提出 SARPPIC推荐方法是一种数据结构称为社交图。一般来说,社交网络说明了小世界意识形态节点遇到足以建立连接关系图。社交图是一个适当的工具代表社会网络关系结构的自然方式。在社会图,顶点(节点)表明人类个体,和边(链接)表示人与人之间的社会关系 9, 22]。

方法,社交图由定向边缘(链接),代表传播向量之间的接触点(节点)。中间性中心的概念是利用定义的社交图如图 2。中间性中心网络中指定一个顶点的中间状态,这表明一个顶点的程度取决于对其他顶点之间的最短路径。在许多实际情况下如当前COVID-19大流行,它有相当重要的作用。如方程所示( 1)、中间性中心( 公元前)的一个顶点 v ,也就是说, 公元前 v 对于任何图定义如下: (1) 公元前 v = ∑ 一个 , b ∈ V σ 一个 b v σ 一个 b , 在哪里 σ 一个 b v 节点之间的最短路径总数吗 一个 和 b 通过 v , σ 一个 b 节点之间的最短路径总数吗 一个 和 b 。被提议的 SARPPIC建议方法计算节点的BC P 3 列在表 1。

在社会图在图 2,每个接触点代表一个物理之间的相互作用的两个或两个以上的个体在特定的时间和地点,在此期间微生物可能会从一个人传播给他人。每个接触点的社交图可分为两种状态之一: 积极的状态或 未知的状态。积极的状态代表一个接触点,已被确认为拥有COVID-19感染,而未知的状态表示尚未感染COVID-19接触点。

参照图 2使用简单的社交图的数据结构,可以确定可能的传播路径对于任何给定的目标接触点。可能的传播路径定义为路径从一个积极的状态节点可携带微生物从报道角度暴露在一个给定的目标节点与未知状态。演示一个简单的传输图在图提供 2。

根据图 2有六个接触点,他们是相关的。图 2表明,在第一天,接触点 P 1 有一个未知的状态。然而,第二天, P 1 有一个积极的状态。没有的最短路径 P 3 涉及到以下路径: P 1 来 P 2 , P 4 来 P 5 , P 4 来 P 6 , P 5 来 P 6 ;因此, σ 一个 b v = 0 在所有这些情况下。然而,任何接触点之间的运动(例如, P 1 来 P 4 )在网络中描述表 1利用最短路径 P 3 ;因此, σ 一个 b v = 1 在所有这些情况下。

因此,如表所示 1公元前,节点 P 3 在图 2是所有值的总和,导致1。公元前的节点 P 3 因此,等于6。此外,由于节点 P 3 和 P 4 在相同的水平网络,公元前节点 P 4 还将6。算法 1公元前显示最高的计算。高中间性受感染的重要接触点表明接触点对其他接触点拥有权威的社会网络图。因此,如图 2第二天,由于事实, P 1 有一个积极的状态;如果 P 1 传送到 P 3 ,中心高 P 3 为所有其他接触点(铺平了道路 P 4 , P 5 , P 6 )也被感染了COVID-19。

COVID-19感染的伪代码路径discovery-highest BC在社交网络(图)。

现有研究文献上面显示的证据表明,社交网络,关系,连接,和影响的用户提高可靠性、有效性和效率。此外,推荐系统的研究提供的证据表明,社交元素和属性的应用提高了推荐质量和准确性,避免冷启动以及数据稀疏问题[ 4- - - - - - 6]。在提出 SARPPIC推荐方法,另一个常见的社会属性叫做社会关系/领带力量是利用。社会关系的计算/领带强度是通过接触时间和接触点的接触频率 5, 6, 9, 21- - - - - - 25]。

一般来说,两个用户的社会关系/领带力量在一个社交网络计算来验证他们的关系和影响的程度。方程( 2)用于计算接触点的领带的优势在社会网络图。如图 2,这些计算是用作建立战略关系的强度剖面与之前的中间性集成中心计算,为了生成有效的线性混合感染COVID-19人可能的建议。 (2) 领带 _ strengt h P 3 , P 2 t + ∆ t = 领带 _ strengt h P 3 , P 2 t − ∆ t + 1 − δ × 领带 _ strengt h P 3 , P 2 t 。

在方程( 2)以上, 领带 _ strengt h P 1 , P 2 t − Δ t 和 领带 _ strengt h P 1 , P 2 t 是过去和现在之间社会关系/领带的优势 P 3 和 P 2 ,在那里 P 3 是公元前最高的接触点, P 2 是一个目标节点(接触点)。 δ 是一个参数,解决了影响当前和过去的社会关系的比例,然后呢 Δ t 时间框架是用于计算之间的社会关系强度/领带吗 P 3 和 P 2 。

图 3展示了培训的阶段 SARPPIC。在图 3每个社会推荐技术流程的培训数据。在训练阶段后,图 4显示了如何建模相关的用户配置文件生成测试用户接触点。因此,这些推荐技术共同建议用户配置文件的常见交点的接触点,在公元前最高的接触点和相应的领带的优势。接触点生成是必不可少的在验证的人将被视为线性混合的推荐。

如图 5,接触点被解决通过他们的总加权分数,和那些昂贵的集成验证线性混合的推荐。如上所述,在实验过程中,计算中间状态的中心地位和社会关系/领带的接触点是合并使用方程( 1)和( 2),分别。结果的合并对于方程( 1)和( 2使用方程()是线性杂化 3下面)。被提议的 SARPPIC推荐方法也因此提高了推荐精度,增强了社会意识到推荐可能患有COVID-19在一个社交网络图。 (3) π P 3 , P 2 = 领带 _ strengt h P 3 , P 2 t + Δ t + 公元前 v 。

通过集成,方程( 3)合并方程的结果( 1)和( 2最后计算的线性杂交 P 3 和 P 2 中间性的中心和领带接触点的力量。此外,在实验过程中, α 利用方程( 4)低于设定阈值方程( 3),所以线性混合推荐相关COVID-19接触点可以有效地确定和生成。 (4) π P 3 , P 2 ≥ α 。

被提议的 SARPPIC算法(算法 2)声明相关的变量在步骤2 - 4;BC和领带的计算和杂交过程强度与接触点的步骤6 - 12所示。代的线性混合的建议可能的感染者COVID-19见的步骤,提出的最后步骤 SARPPIC算法。

SARPPIC社会的伪代码(线性)推荐的人可能感染COVID-19。

为了实现有利的和可靠的实验结果,在科学实验过程中,两个真实数据集的互联和利用,即HEXACO-60数据集在IEEE数据端口(doi: 10.21227 / phht-pn81)和SARVE-2前提数据集 31日]。

如表所示 2,HEXACO-60数据集包含60接触点和249中间性中心数据。在表 2、最高的接触点介数中心最初所需的实验依据 SARPPIC算法是二氧化碳、C08和碳(26),C38, C32,和C26(19),下半年,H12,和H16(31)和X40, X34, X28 (23)。

与社会联系的数据,表 3和 4说明的细节(过去和现在的联系强度数据 31日]。相互关联的数据集分为训练集和测试集的80%和20%,分别。

在实验过程中,四种常用的评价指标被:(a)精度( P ),这是可能的人数的比例(接触点)感染COVID-19 前 N 推荐列表表示为 全国矿工工会 N , d 一样的长度列表表示 全国矿工工会 N ;(b)召回( R ),这是可能的人数的比例(接触点)感染COVID-19 前 N 推荐列表表示为 全国矿工工会 N , d 所有接触点的总数在社交网络图表示 全国矿工工会 d ;(c) F1调和平均数的精度和召回;和(d)是精度和召回的算术平均值。这些利用指标的公式用于计算见方程( 5),( 6),( 7)和( 8)。 (5) P = 全国矿工工会 N , d 全国矿工工会 N , (6) R = 全国矿工工会 N , d 全国矿工工会 d , (7) F 1 = 2 × P × R P + R , (8) 我 = 1 2 P + R 。

正如上面4节中提到的,基准测试实验涉及的性能比较 SARPPIC的方法( 28, 29日分别表示为COV-1和COV-2。选择这些方法由于其高相关性和相似 SARPPICCOVID-19追踪接触者。

基准实验旨在缓解数据稀疏和本身的挑战 4- - - - - - 6]。为了证实实验结果,以下问题需要回答: (1)

COV-1和COV-2相比,的总体性能 SARPPIC吗?

与实验参数,这个概要文件的计算集成系数从6.0到11.0不等。因此,档案集成系数( N )从6.0到11.0是用于测试和其他计算数据进行训练。在实验过程中,注意到 N 在8.0和11.0之间的结果更可靠,有利于有效的代的建议涉及可能COVID-19感染者。结合方程( 4),上述范围(0.8 - 11.0)因此作为阈值来证明建议的质量和准确性。

在本节中,给出了实验结果和分析。数据 6和 7显示的比较结果 SARPPIC、COV-1 COV-2(当 δ = 0.1)HEXACO-60-ATU数据集。从这个数字可以验证, SARPPIC达到更大的精度值,记得,比COV-1和COV-2 F1,我 不同的前 N 方面的建议 N 资料整合系数(6.0 ~ 11.0)。特别是, SARPPIC在precision-Figure显著改进达到高(大约10% 6(一);回顾图的16% 6 (b);49% F1-Figure 7(一);和13% AM-Figure 7 (b)),当 N 是11。

此外,进一步的实验结果的比较 SARPPIC、COV-1 COV-2(当 δ = 0.2)HEXACO-60-ATU数据集数据所示 8和 9。从这些数据,它也可以看到的价值 N 越来越多, SARPPIC总是达到大值的精度,还记得,F1,我比COV-1和COV-2 precision-Figure(大约20% 8(一个);回顾图的26% 8 (b);79% F1-Figure 9(一个);和23% AM-Figure 9 (b)),当 N 是11。如表所示 5和 6实验过程验证,是成果 SARPPIC是比较高的F1(调和平均数),相应的科是应该高于F1关于推荐系统的检索有效性/算法[ 32]。

这些实验结果证明HEXACO-60-ATU数据集 SARPPIC明显优于COV-1和COV-2的四个评价指标。此外,这表明BC和领带强度高的杂化档案集成能够帮助生成更精确的社会可能COVID-19感染者相关建议。

总之,数字 6- - - - - - 9以及表 5和 6表明, SARPPIC可靠地获得更多的有前景的结果利用评价指标。此外,表 7描述的比较 SARPPIC在每种情况下类似算法现代相关解释。这些观察coroborate, SARPPIC更合适的,健壮的,减少由于其本身和数据稀疏挑战能力利用档案集成BC和领带的力量。此外,与预测/推荐精度,实验结果也描绘社会属性的重要性相比传统CF的生成有效的可能患有COVID-19民间建议。