SARPPIC：通过社会意识利用Covid-19联系方式推荐推荐

摘要

在全球范围内，目前的冠状病毒疾病2019（Covid-19）大流行导致了高死亡率。因此，预防进一步传输非常重要。直到疫苗广泛使用，唯一可用的感染预防方法包括以下内容：联系跟踪，案例隔离和检疫，社会（物理）疏远和卫生措施（用肥皂和水洗手，并使用酒精的手动消毒剂）。接触跟踪，这是防止Covid-19传播的关键，是指通过使用经过验证的案例来追踪可能的接触感染的未报告的人来查找未报告的人。因此，Covid-19的广泛和快速的传播需要计算方法，该计算方法利用创新算法，该算法构建了阳性的壳体的邻近触点的存储器。在本文中，推荐算法称为社会意识推荐可能感染Covid-19（SARPPIC）提出。SARPPIC最初利用中介中心在社交网络测量目标接触点（节点/用户）谁都有接触到受感染的接触点（COVID-19的患者）联系人号码。然后，使用接触持续时间和接触的频率，上述相同的接触点的领带强度也计算。最后，上述算法的计算是通过协议集成杂交产生的可能COVID-19感染患者谁需要在医疗机构检验有效接触者追踪建议的结果。在纸张基准实验结果表明，使用两个相互连接的相关真实世界的数据集，SARPPIC在精度、召回率和F-measure等合适的评价指标方面优于其他相关方法。

1.介绍

冠状病毒病（Covid-19）起源于2019年12月，来自中国武汉市，是由严重的急性呼吸综合征 - 冠状病毒2（SARS-COV-2）引起的[1］．全球范围内，COVID-19清楚地表明了它的高死亡率的潜力。关于有效卫生系统和提供一个全球性的反应是非常必要和重要的。超过一百（100）世界各国受到严重打击通过COVID-19，目前正在等待可靠和可持续的疫苗[1-3.］．

因此，在广泛提供创新疫苗之前，现有的感染预防方法只有接触者追踪、病例隔离和隔离、社会(身体)距离和卫生措施，如用肥皂和水洗手和使用含酒精的洗手液[1-3.］．在全球范围内，随着不同的州和地方政府寻求摆脱封锁的方法，“接触者追踪”也已成为日常对话的一部分。封锁已使各国经济几乎陷入停滞。COVID-19接触者追踪类似于侦查工作。经过培训的工作人员对被诊断为COVID-19的人进行访谈，以核实他们最近可能接触过哪些人。然后，一旦知道那些与COVID-19患者有过接触的人，训练有素的工作人员会通知他们，他们可能已经接触过，并鼓励他们隔离自己，以防止疾病进一步传播。

这个过程非常辛苦。采访COVID-19患者和接触数十名接触者需要时间。因此，当社区感染水平较低时，接触者追踪效果最好。然而，目前全球许多高级别社区都受到COVID-19的影响。因此，需要通过技术(电脑化和自动化)改进接触追踪方法。使用接触者追踪应用程序(app)将足以在一定程度上阻止疫情的蔓延。该应用程序使用计算算法来建立密切接触者的记忆[1那2］．这种应用程序可以立即通知和推荐阳性病例的接触者。

由于他们可以帮助用户找到感兴趣的物品（如电影，书籍和音乐）来应对信息过载（大数据）问题而变得非常受欢迎4.］．在过去十年中，许多研究人员曾致力于开发推荐的系统，这些系统将人们涉及人们的建议;其中一些包括[5.-8.］．关于人与人之间的建议，目前COVID-19接触者追踪问题也可以使用推荐系统来解决。

本文提出了一种称为社会意识推荐的推荐人算法，人们可能感染Covid-19（SARPPIC）.SARPPIC利用中心地位和社交关系之间的计算[9.作为接触者追踪实体在社交网络生成关于可能感染COVID-19的患者建议。本文的主要贡献总结如下：

（i）在社交图网络中应用中心性和准确的系数强度计算，以预测可能感染Covid-19的人。

提出了一种利用和关于杂交高介和领带强度，以产生人对人的推荐信息（ⅱ）一种推荐方法。

（iii）使用适当的评估指标，在两个互联的相关现实数据集中进行基准实验，以验证拟议推荐方法的有效性。

本文的其余部分都是如下构造的。第2节讨论了与本文有关的相关研究。第3节概述了提议的细节SARPPIC方法。第4所阐述了绩效考核，并进一步讨论取得的成果。最后，第5节总结全文。

2.相关的研究

本节提出了与该研究有关的相关研究和文献。论文中的相关研究侧重于以下内容：（i）人与人口的推荐系统，（ii）通过绑架实力和之间的社会建议，（iii）Covid-19接触跟踪中的计算/自动化方法。

2．1.民间推荐系统

人民与人民之间的预测和建议，最近已成为许多在线社交网络的迫切任务。在推荐系统，传统的协同过滤（CF）的方法是流行的有效预测物品的用户喜好。然而，在在线社交网络，人们既“用户”和“项目”，例如，无论是发起和接收联系人[双重角色8.］．民间推荐系统的主要目标是为用户提供有意义的社会建议[8.那10］．关于人与人之间推荐的相关研究包括:Cai等[8.]提出了称为推荐模型社会ollab.这完全捕获了用户交互在社交网络中的双边作用，并制定了CF方法，以使人们对人们推荐。在其推荐模式中，用户可以以两种方式与其他用户类似 - 对于与他们联系或具有相似“品味”的用户来说具有相似的“吸引力”。同样，Tsai和Brusilovsky [10]提出了一种创新的方法，利用个性化的人际推荐系统集成全球搜索结果。他们的方法使用用户身份作为查询关键字，并通过5个不同的定制解析器处理搜索结果。关于CF过度推荐热门商品的问题，Krzywick等人[11]在人们对人们的建议的背景下解决了这个问题。同样，Bourke等人。[12[检查了利用用户社交图的做法，以便生成人们的建议。使用各种邻域选择策略，他们调查了用户满意度和在收到的建议中的感知信任程度。在大型商业网上约会网站上，WOBCKE等。[7.]报道了一个成功部署的民间推荐系统。这次部署是对多种方法进行全面评估和在线试验的结果。夏等[5.]和沥青等。[6.类似地提出的线性混合推荐算法，采用了对智能会议的大会提高和人格的准确预测，在智能会议上生成会议参与者（人）建议。

２.２.通过中间性、中心性和联系强度的社会推荐

在社交网络中，之间的中心性是一个衡量顶点对秘密下的每对顶点之间的信息流量的影响，信息主要流过它们之间的最短路径[13］．各种研究人员在其推荐方法中申请了中心地位。有关此类方法的值得注意的研究包括以下内容：Samad等人。[14]采用相关/重要研究论文的引文建议的文本和拓扑相似措施，然后计算了中心地位措施，为研究人员提供了重要文件的建议。同样，通过利用中心地位，Sie等人。[15]提出了一种雇用类似思想的新型工具来推荐潜在的共同作者。相似 [14那15]，Christensen和Schiaffino [16]施加的中介中心的方法提出一种社交推荐方法，该方法涉及的组造型。

Mahyar等人[17]利用了一个与中心性概念之间的概念，提出了一种新的方法，提高了根据被指定为群体头部的中央用户的建议准确性。Pucci等人。[18利用中间值中心性描述了一种基于随机行走的评分推荐算法，该算法向可能感兴趣的用户推荐排名最高的项目。Sulieman等人[19]，阐述了一种使用社会网络分析和内容混合方法以及CF的项目之间的推荐方法。从根项目生成关系图，并通过间性和亲密中心性度量提取网络指标。Souza等人[20.]提出其中建议基于社交网络中心和语义相关项目的计算方法。

纽带强度或社会关系通常是指个体之间的社会互动。一种有意义的社会关系，如两个人之间的友谊，代表着关系的存在与否[9.那21.那22.］．社会关系可以分为强关系(如家庭成员或信任的朋友)，它们共享相关信息，且有很大的重叠。相比之下，弱关系(如熟人)分享的信息更加多样化和新颖[21.］．最近，各种研究人员已经利用了建议制度中的社会关系。下面介绍了一些这样的相关研究。

夏等[23.]和沥青等。[24.类似地提到了在智能会议上利用他们的社会关系向与会者推荐演示会议。他们提出了一种场所推荐算法，称为场所和环境的社会意识推荐(SARVE)。关于研究论文的推荐，Asabere等人[25.]和x e等人。[26.]提出了一种创新的基于大众分类法的论文推荐算法，即学术论文的社会意识推荐(SARSP)，提高了智能会议参与者的社会意识。

Oechslein和Hess将Facebook数据用于193名参与者的在线新闻用例[21.开发了一个研究模型，并在网上进行了测试。他们提出的结构方程模型结果表明，强联系关系对推荐价值有正向影响。同样地，利用强烈的社会关系概念，Jang等人[27.]提出了一个系统，该系统检测和分析组级社会化的行为，以支持EX Post事实上和实时社交应用部署在真正的社交事件情况下。

２.３.追踪COVID-19接触者的计算/自动化方法

关于目前和全球Covid -19大流行和来自假设个体的高比例，通过手动接触跟踪控制疫情是不可行的。最近，已经介绍了许多联系跟踪技术解决方案。例如，从流行病的早期阶段，中国和韩国开始通过面部识别技术以及智能手机追踪Covid-19受害者及其联系[1］．因此，Covid-19的广泛和快速传播需要利用创新算法和数学方法的计算方法。最近，一些作者在这方面开发了算法和模型。其中重要的是如下：

Ferretti等。[1]开发了一种算法，该算法涉及一种数学模型，包括近距离接触者的记忆，并通过接触者追踪应用程序立即通知阳性病例的接触者。Abler等人[28.]讨论了基于两个人之间的蓝牙低能量技术的联系跟踪应用程序来控制Covid-19。相似 [1那28.]，Yasaka等人。[29.]提出了一个匿名的人际互动图，以进行一种新的接触追踪形式，并进一步开发了一个概念验证智能手机应用程序，以实现他们的方法。此外，他们开发了一个计算机仿真模型来验证他们提出的方法。Drew等人[30.[开发了算法并建模了COVID-19症状跟踪移动应用程序。他们的移动应用程序提供临床结果、前兆症状、地理热点和风险因素的数据。

计算COVID-19接触者追踪研究的当前趋势上面显示列举了有缺乏有关人感染COVID-19和它们各自的联系人在社交网络的社会性包容的。由于事实COVID-19是一个社会问题，社会性是非常重要的因素值得考虑[9.那22.］．社会属性的概念最初吸引了社会和行为社区、数据挖掘社区和网络社区的大量兴趣[9.那22.］．本文枚举了研究工作，提出了一种基于图形的社会推荐方法，其在人中和社会关系之间利用可能的Covid-19联系人的社会属性来开发推荐算法（SARPPIC）.下面的基准实验结果验证了该方法的有效性。

3.提出Solution-SARPPIC方法

本节介绍的框架和建议的解决方案SARPPIC推荐的方法。数字1描述了基本的推荐程序SARPPIC．关于感染路径发现，图2通过之间的中心验证者那SARPPIC最初验证和计算社交图网络中的联系点之间的中心位置。此外，SARPPIC利用关系强度验证器通过它们的接触持续时间和接触频率计算接触点的扎带强度曲线，以及对Covid-19感染的可能性人员的向内线性混合建议的接触频率。提出的进一步阐述SARPPIC推荐模型如下:

3.1。COVID-19感染路径发现

中央所提出的SARPPIC推荐方法是被称为社交图的数据结构。通常，社交网络说明了节点遇到足以构建连接的关系图的小型世界意识形态。社交图是一种适当的工具，它以自然的方式表示社交网络的关系结构。在社交图中，顶点（节点）表示人类个人，边缘（链接）表明个人之间的社交关系[9.那22.］．

在所提出的方法中，社交图包括指向边缘（链路），其表示接触点（节点）之间的传输矢量。在图中所示的定义的社交图中使用了中心性之间的概念2．中间性中心性是指网络中一个顶点的中间性，它表示一个顶点在其他顶点对之间最短路径上的位置。在许多现实世界的情况下，比如当前的COVID-19大流行，它发挥着相当重要的作用。如公式(1)、中间性中心性(公元前）顶点 那IE。，对于任意图定义如下: 在哪里是节点之间最短路径的总数吗和通过 那和是节点之间最短路径的总数吗和 ．被提议的SARPPIC推荐方法计算节点的BC如列于表1．

在图中的社会图中2在美国，每个接触点表示在特定时间和地点两个或多个个体之间的物理相互作用，在此期间微生物可能从一个个体传播到另一个个体。社交图中的每个接触点都可以分为两种状态:积极的状态或未知状态．阳性状态表示已确认感染COVID-19的接触点，而未知状态表示尚未感染COVID-19的接触点。

参考图2使用社交图的简单的数据结构，可能的传输路径，可以对任何给定的目标接触点来确定。一种可能的传输路径被定义为从可能从曝光的报告的点携带微生物到给定目标节点具有未知状态的阳性状态节点的路径。一个简单的传输曲线图的示范在图提供2．

根据图2，有六个接触点，它们是连接的。数字2表示第一天的接触点有一个未知的状态。不过，第2天，具有积极的地位。没有最短的路径涉及下列途径:到 那 到 那 到 那和到 ；因此， 在所有这些情况下。然而，任何接触点之间的运动（例如，到 ）在网络中所示的网络1利用最短的路径 ；所以， 在所有这些情况下。

因此，如表所示1，BC for节点在图2是所有结果为1的值的和。公元前的节点因此等于6。此外，由于节点和在网络的同一层，BC为节点也将6.算法1显示最高BC的计算。受感染的接触点的高度计数指示接触点在社交图网络中的其他联系点上保持权限。因此，如图所示2由于这样的事实，第2天，有积极的地位;如果传输到 那的高度中心性为所有其他接触点铺平道路（ 那 那和 ）也被Covid-19感染。

３．２．社会关系/联系点的联系强度

上面的现有研究文献表明了在社交网络，关系，联系和影响的证据中提高了可靠性，有效性和生产力。此外，推荐系统研究提供了证据表明，社会要素和属性的应用通过避免冷启动以及数据稀疏问题来提高建议质量和准确性[4.-6.］．在建议SARPPIC推荐方法是另一种常见的社会属性，称为社会纽带/纽带强度。社会联系/联系强度的计算是通过接触点的接触时间和接触频率来进行的[5.那6.那9.那21.-25.］．

一般情况下，通过计算社交网络中两个用户的社会关系/联系强度来验证他们的关系程度以及他们对彼此的影响程度。方程(2）用于计算社交网络图中的接触点的连接强度。如图所示2，利用这些计算作为一种策略，建立与先验间中心性计算之间的关系强度，以生成可能感染COVID-19的人的有效线性混合推荐。

在方程(2）上述显示，和过去和现在之间的社会联系/纽带力量是否强大和 那在哪里与BC最高的接触点，和是目标节点(接触点)。是一个参数，可以解决现在和过去的社交领带的影响力使用的时间帧，以计算之间的社会联系/粘结强度和 ．

３．３．SARPPIC算法与线性混合推荐

数字3.展示培训阶段SARPPIC．在图中3.，每个个体的社会推荐技术处理训练数据。培训阶段结束后，图4.演示如何生成与测试用户的接触点相关的用户概要文件的建模。因此，这些推荐技术根据BC最高的接触点和相应的联系强度，共同提出与用户配置文件有共同交集的接触点。接触点的产生是必要的，以核实谁将被考虑在线性混合推荐。

如图所示5.然后，通过它们的组合加权分数对接触点进行分类，并且高值的简档集成验证了顶部线性混合推荐。如上所述，在实验程序中，使用等式（即可通过所述接触点的间度和社会领带/束缚强度计算的计算（1） 和 （2),分别。方程式的结果(1） 和 （2）使用等式线性杂交（3.下面)。被提议的SARPPIC因此，推荐方法提高了建议准确性，并在社交网络图中加强了Covid-19的可能性人士的社会意识推荐。

通过剖面积分，式(3.）合并方程的结果（1） 和 （2）最终计算的线性杂交和 那从接触点的中间度、中心性和联系强度等方面考虑。此外，在实验过程中，被用在公式（4.）下面设定方程的阈值（3.)，以便有效确定和生成与COVID-19接触点相关的线性混合建议。

被提议的SARPPIC算法（算法）2）在步骤2-4中声明相关变量;在步骤6-12中示出了与接触点相关的BC和扎带强度的计算和杂交。在步骤13-17中示出了感染Covid-19感染的可能人口的线性混合建议的产生，这是所提出的最终步骤SARPPIC算法。

4. SARPPIC的性能评估

本节介绍一系列科学的基准测试实验，以验证的性能SARPPIC．科学实验程序比较SARPPIC在[中的类似算法方法8.那28.]，分别表示为COV-1和COV-2。这B.E.nchmarking experiments were done using computers with the following specifications: Microsoft Windows 64-Bit, 8 GB RAM, 500 HDD, and 3.90 GHz dual intel core processors.

4.1。数据集和评估指标

为了获得良好可靠的实验结果，在科学实验过程中，我们使用了两个真实世界的数据集，即IEEE Data Port中提供的HEXACO-60数据集(doi:10.21227 / phht-pn81）和Sarve-2中的ATU数据集[31.］．

如表所示2中，HEXACO-60数据集包含60个接触点和一个总249个中介中心的数据。在表格中2中心性最高的接触点，根据初始要求进行实验SARPPIC算法是CO 2，C08和C14（26），C38，C32和C26（19），H06，H12和H16（31），以及X40，X34和X28（23）。

关于社会关系数据，表格3.和4.说明过去和现在的连接强度数据的细节。31.］．互联的数据集分别分为培训和测试集的80％和20％。

在实验过程中，采用了四种常用的评估度量：（a）精度（ ），这是感染COVID-19中的可能的人（接触点）的数目的比前 推荐列表记为 表示为的同一列表的长度 ；（b）召回（ ），在美国，感染COVID-19的可能人群(接触点)的人数占比是多少前 代表的推荐清单 在社交网络图来表示所有接触点的总数 ；(c) F1是精度和召回率的调和平均值;(d) AM是精度和召回率的算术平均值。用于计算这些利用度量标准的公式如公式(5.），（6.），（7.） 和 （8.）.

4.2。基线的方法和实验参数

如在上述第4节中所述，基准实验涉及的性能比较SARPPIC对[28.那29.]表示为COV-1和COV-2中。由于选择这些方法将它们的高相关性和相似性SARPPIC在COVID-19接触者追踪方面。

基准测试旨在减轻数据稀疏性和冷启动挑战[4.-6.］．为了证实实验结果，需要以下问题答案：（1）与COV-1和COV-2相比，总体表现如何SARPPIC还是（2）与COV-1和COV-2相比，如何SARPPIC执行冷启动和数据稀疏减少?

相对于实验参数，剖面积分系数的计算范围为6.0 ~ 11.0。因此，剖面积分系数( ）范围从6.0至11.0被用于测试和所计算的数据的训练的其余部分。在实验过程中，有人注意到，8.0至11.0之间的结果更可靠，有利于就可能感染COVID-19的人提出有效建议。参照公式(4.)，上述范围(0.8至11.0)因此被用作确定推荐质量和准确性的临界值。

4．3．实验结果与分析

在本节中，提出了实验结果和分析。数字6.和7.显示的比较结果SARPPIC、COV-1和COV-2(当= 0.1)在HEXACO-60-ATU数据集上。从这个数字可以证实，SARPPIC实现更大的精度，召回，F1，以及COV-1和COV-2的值不同的顶部 - 在以下方面的建议 -剖面积分系数(6.0到11.0)。特别是,SARPPIC显著地实现了高的改进(精度约10%)6(一)；回顾图的16%6 (b)；在F1-图49％7（a）；am图中为13%7（b）),当是11。

此外，实验结果进一步比较SARPPIC、COV-1和COV-2(当等于0.2）在六六座60-ATU数据集上显示在图中8.和9.．从这些数字来看，也可以看到，随着价值在增长，SARPPIC始终实现大量精度，召回，F1，比COV-1和COV-2（精确图中约20％）8(一个)；在召回-图26％8 (b)；F1数字中79％9(一个)；AM-Figure为23%9 (b)),当是11。如表格所示5.和6.，实验过程中认证了所述AM结果实现SARPPIC是更高相比于F1（调和平均），其相应地证实该AM应该总是比F1大关于推荐器系统/算法的检索有效性的[32.］．

在HEXACO-60-ATU数据集上的实验结果表明SARPPIC显著优于COV-1和COV-2在四个评价标准的条款。此外，这表明高BC和关系强度的杂交曲线整合能够帮助产生与感染COVID-19可能人们更准确的社交推荐。

总之，数字6.-9.以及表格5.和6.显示SARPPIC在所有利用的评估指标中可靠地达到更有前途的结果。此外，表格7.描绘了比较SARPPIC到类似的算法WIH在每种情况下的相关解释。这些观察结果SARPPIC更适合、更健壮，并减少冷启动和数据稀疏性挑战，因为它能够利用BC的剖面集成和连接强度。此外，在预测/推荐准确性方面，实验结果还描述了与传统CF相比，社会属性在生成COVID-19可能患者的有效人际推荐方面的重要性。

5.讨论和结束语

由于目前的全球Covid-19大流行，这导致高死亡率，一种新的人 - 人（社会）推荐方法称为SARPPIC提出了。SARPPIC杂交两个主要的社会性质，即人力地位和社会关系/领带的力量。SARPPIC最初适用中介中心来计算社交图网络中的接触点的传输，其具有比其它的接触点传输权限的最高中介。其次，具有高介和其他目标的接触点识别的接触点的领带强度被计算。这SARPPIC然后，推荐算法将上述涉及高中间值和连接强度的计算进行杂交，生成可能感染COVID-19的人的推荐。

在两个相互关联的真实数据集上进行了广泛的基准测试，以验证该方法的有效性SARPPIC在高中介中心和强大的社会关系的社交图的网络人到人推荐的接触点的条款。实验结果清楚地说明在适当的评价标准方面的比较，以其他方法当代SARPPIC的有效性。代价及其他社会属性，如接近中心，中心性和社会的邻居以及人格当前COVID-19大流行需要概念的利用进行探讨。今后的工作将集中在这些研究的问题。

数据可用性

用于支持本研究结果的（数据类型）数据包括在文章中。两个现实世界数据集是互连和使用的，即Hexaco-60 DataSet，它在DOI的IEEE数据端口中提供：10.21227 / phht-pn81和Sarve-2中的ATU数据集[31.]，网址为doi:10.1109 / TETC.2018.2854718．

利益冲突

作者宣布关于本条的出版物没有利益冲突。

补充材料

本文的补充材料详细阐述了用于实验过程的数据集。补充材料中适当提供了HEXACO-60和ATU数据集的数据集描述，可通过相关链接访问。（补充材料）

参考

1. L. Ferretti，C. Wymant，M.Kendall等，“量化SARS-COV-2传输表明流行病与数字接触跟踪，”科学，卷。368，没有。6491，pp.1-7,2020。查看在：谷歌学者
2. A. Remuzzi和G. Remuzzi，“COVID-19和意大利：下一步是什么？”《柳叶刀》，第395卷，第2期。10231, pp. 1225-1228, 2020。查看在：出版商网站|谷歌学者
3. a . J. Kucharski, T. W. Russell, C. Diamond等人，“COVID-19传播和控制的早期动力学:数学建模研究，”柳叶叶犬传染病，卷。20，没有。5，第553-558，2020。查看在：出版商网站|谷歌学者
4. J. Bobadilla，F. Ortega，A. Hernando和A.Gutiérrez，推荐系统调查“基于知识的系统，卷。46，pp。109-132,2013。查看在：出版商网站|谷歌学者
5. F. xia，N. Y.Sasabere，H刘，Z.陈和W.Wang，“社会意识到会议与人格特质的建议”，“IEEE系统杂志，卷。11，不。4，pp。2255-2266,2017。查看在：出版商网站|谷歌学者
6. n.y. Asabere, A. Acakpovi, M. B. Michael，《通过个性提高社会意识的推荐准确性》，IEEE关于情感计算的交易，第9卷，第5期。3, pp. 351-361, 2018。查看在：出版商网站|谷歌学者
7. W.Wobcke，A.Krzywicki，Y.S.Kim等人，“在线约会的部署人员推荐系统”，AI杂志，卷。36，不。3，第5-18，2015。查看在：出版商网站|谷歌学者
8. X.Cai，M. Bain，A.Krzywicki等，“人们对人们在社交网络中的建议”的协同过滤，“澳大利亚人工智能联合会议，第476-485页，阿德莱德，澳大利亚，2010，施普林格，柏林，海德堡。查看在：谷歌学者
9. N. Vastardis和杨坤，“移动社交网络：体系结构，社会属性，并重点研究挑战”IEEE通信调查和教程，卷。15，不。3，pp。1355-1371,2013。查看在：出版商网站|谷歌学者
10. C.仔“的个性化人物推荐系统中使用全局搜索方法，”在iConference 2016程序2016年3月，费城。查看在：谷歌学者
11. A. Krzywicki，W.Wobcke，X.Cai等人，“使用批评者在人民推荐系统中推广不那么受欢迎的候选人，”第二十四次会议关于人工智能的创新应用程序，pp。2305-2310，多伦多，在，加拿大，2012年。查看在：谷歌学者
12. S. Bourke, K. McCarthy，和B. Smyth，《权力给人民:探索社会推荐系统中的邻里构成》，刊于第五届ACM会议关于推荐人系统会议的程序 - RECSYS'11，第337-340，芝加哥，IL，USA，2011。查看在：谷歌学者
13. S. K. R. Unnithan，B·卡南和M. Jathavedan，“中介中心在图的几个类”国际组合学杂志，卷。2014年，12页，2014年。查看在：出版商网站|谷歌学者
14. A.萨马德，M. A.伊斯兰教，M. A.伊克巴尔和M.阿利姆，“中心 - 纸质文献推荐系统”EAI在工业网络和智能系统上批准交易，第6卷，第2期19, p. 159121, 2019。查看在：出版商网站|谷歌学者
15. R. L. L. Sie, B. J. van Engelen, M. Bitter-Rijpkema, P. B. Sloep，《茧的核心:基于间性中心性和兴趣相似性的合著建议》，载于技术增强学习推荐系统，N. Manouselis，H. Drachsler，K. Verbert和O.桑托斯，编，Springer，纽约，2014年查看在：出版商网站|谷歌学者
16. I. A.克里斯滕森和S. Schiaffino，《群体推荐系统中的社会影响》，在线信息评论，卷。38，不。4，第524-542，2014。查看在：出版商网站|谷歌学者
17. H. Mahyar, K. E. Ghalebi, S. M. Morshedi, S. Khalili, R. Grosu, and A. Movaghar，“在群体推荐系统中基于中心的群体形成”第26届国际会议万维网伴侣程序，页1187-1196，澳大利亚珀斯，2017。查看在：谷歌学者
18. A. Pucci, M. Gori，和M. Maggini，《基于随机游走的评分算法应用于推荐引擎》，出版于网上知识发现国际研讨会，pp.127-146，费城，帕，美国，2006年。查看在：谷歌学者
19. D. Sulieman, M. Malek, H. Kadima和D. Laurent，结合社会和语义信息的建议：比较研究， Hermès科学出版物，伦敦豪伊克广场，2013。
20. G. de Souza Junior, C. M. Justel, J. C. Duarte，“通过图分析基于行动者影响的社交网络推荐系统”，刊于第18届拉丁 - 伊贝诺亚州的运营研究会议的诉讼程序，Claio，pp.1-8，Antigogo，Chile，2016。查看在：谷歌学者
21. O. Oechslein和T. Hess，《推荐的价值:社会关系在社会推荐系统中的作用》2014第47届夏威夷国际系统科学会议，第1864-1873页，Waikoloa, HI, USA, 2014。查看在：出版商网站|谷歌学者
22. F. xia，L. Liu，J.Li，J. Ma，A. V.Vasilakos，“社会意识到网络：调查”IEEE系统杂志，第9卷，第5期。3，第904-921，2015。查看在：出版商网站|谷歌学者
23. F.夏，N. Y. Asabere，J. J. P. C.罗德里格斯，F.巴索，N. Deonauth和W.王“为与会者关注社会事务的场地建议，”在2013 IEEE第十届泛在智能与计算国际会议暨2013 IEEE第十届自主与可信计算国际会议，页134-141,Vietri sul Mere，意大利，2013。查看在：出版商网站|谷歌学者
24. N. Y. Asabere，F霞，王W.，J. J. P. C.罗德里格斯，F.巴索，和J.马，“提高智能会议通过参与社会意识的建议，”人机系统上的IEEE交易，卷。44，不。5，pp。689-700，2014。查看在：出版商网站|谷歌学者
25. “基于社会意识和大众分类法的学术论文推荐”，北京大学学报(自然科学版)，国际平行，紧急和分布式系统杂志，第30卷，第2期3, pp. 211-232, 2014。查看在：出版商网站|谷歌学者
26. F.夏，N. Y. Asabere，H.刘，N. Deonauth和F.李，“分众分类基于对与会者学术论文关注社会事务的建议，”在第23届万维网国际会议论文集- WWW '14伙伴，第781-786，韩国首尔，2014年。查看在：出版商网站|谷歌学者
27. H.Jang，S.P.Choe，S. N.Gunkel，S. Kang和J. Song，“一个分析社会派对中社会行为的系统”，“人机系统上的IEEE交易，第47卷，第47期。6，第801-813页，2016。查看在：谷歌学者
28. J. Abeler, M. Bäcker, U. Buermeyer和H. Zillessen，“COVID-19接触者追踪和数据保护可以同时进行，”JMIR mHealth和uHealth，第8卷，第2期4, p. 19359, 2020。查看在：谷歌学者
29. T. M. Yasaka, B. M. Lehrich和R. Sahyouni，《点对点接触追踪:开发一款隐私保护的智能手机应用程序》，JMIR mHealth和uHealth，第8卷，第2期4，p。E18936,2020。查看在：谷歌学者
30. D. A. Drew, L. H. Nguyen, C. J. stevens等人，“移动技术在COVID-19实时流行病学中的快速实施”，科学，卷。368，没有。6497，PP。1362-1367,2020。查看在：出版商网站|谷歌学者
31. N. Y.Sasabere，B. Xu，A. Acakpovi和N. Deonauth，“Sarve-2：利用智能会议背景下的社会场地推荐”IEEE在计算中的新兴主题交易，2018年。查看在：出版商网站|谷歌学者
32. E. Baykan, M. Henzinger, L. Marian，和I. Weber，“基于url的主题分类的特征和算法的综合研究”，在Web上ACM交易，第5卷，第5期。3, pp. 1-29, 2011。查看在：出版商网站|谷歌学者

版权

版权所有©2020娜娜偏航Asabere等。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。