面向學術社交網絡的多維度團隊推薦模型*

袁成哲，曾碧卿，湯　庸+，王大豪，曾惠敏

1.華南師范大學 計算機學院，廣州 510000

2.華南師范大學 軟件學院，廣東 佛山 528225

面向學術社交網絡的多維度團隊推薦模型*

袁成哲1，曾碧卿2，湯庸1+，王大豪1，曾惠敏1

1.華南師范大學 計算機學院，廣州 510000

2.華南師范大學 軟件學院，廣東 佛山 528225

YUAN Chengzhe,ZENG Biqing,TANG Yong,et al.Multi-faceted team recommendation model for academic social networks.Journal of Frontiers of Computer Science and Technology,2016,10(2):201-209.

學術社交網絡的出現改變了傳統的科研方式，對于如何基于學術社交網絡為學者進行團隊個性化推薦進行了研究，提出了一種多維度潛在團隊推薦模型（multi-faceted team recommendation，MFTR）。該模型首先通過投影梯度非負矩陣分解方法提取團隊和用戶的特征向量，并根據兩者的特征向量計算其相似度，然后再融合用戶的社交好友關系和熱門團隊信息來為用戶推薦具有相似研究興趣的潛在團隊。最后在真實學術社交網站——學者網的數據上進行實驗，結果表明該模型能有效地提高推薦的準確度，并緩解了冷啟動問題。

學術社交網絡；團隊推薦；非負矩陣分解；多維度

1　引言

Web2.0的到來賦予了傳統社交網絡更多的含義，以Facebook、新浪微博、豆瓣網等為代表的熱門社交網絡迅猛發展。據有關社交媒體機構（http:// wearesocial.net/blog/2014/08/socials-monday-mashup-224/）統計表明，截至2014年8月全球社交網絡用戶已突破20億，約占全球人口的27.7%。但因為普通社交網絡相對缺少學術科研氛圍，難以滿足科研人員的學術交流需求，所以面向科研學者們的新型社交網絡——學術社交網絡（academic social networks, ASNs）快速發展。學術社交網絡的出現極大地改變了傳統的科研方式，它不僅具備普通社交網絡的便捷交流與快速分享的優點，同時利用學者個人學術主頁全面地展示學者學術信息，加強學者之間的科研合作，對新知識的創造、傳播和學科交叉的研究產生了重要影響[1]。

在普通社交網絡中，用戶一般通過添加好友或者加入具有共同興趣愛好的團隊來建立社交關系，例如Facebook、新浪微博和豆瓣網等大型社交網絡都擁有團隊功能。它們的構建大部分都是基于用戶的資料或社交信息，而ASNs團隊的構建主要是結合學者的學術信息和基本資料，這樣不僅能實現普通社交團隊的通訊交流和資源共享機制，還可以打破學科之間的約束，加強不同學科領域之間的協同合作，提高生產效率。良好的團隊推薦可以讓用戶數不斷增加并保持其活躍度，因此如何準確地為用戶推薦潛在的團隊小組是目前社交網絡中研究的難點之一。

目前基于社交網絡團隊推薦算法可以分為兩類：一類是利用用戶和團隊特征信息的相似性，為用戶推薦可能感興趣的團隊。例如，文獻[2]提出了一種基于張量分解的團隊推薦模型，為Flickr用戶推薦合適的團隊。第二類是為全體團隊成員進行相同的推薦。文獻[3-4]的主要思想是如何在考慮所有團隊成員特性差異的基礎上為具有相似興趣愛好的全體團隊成員推薦物品或成員。

上述兩類方法主要是針對普通社交網絡的團隊推薦，而不是建立在學術社交網絡上的推薦，缺乏對學術社交網絡特點的考慮，而且隨著科研用戶數量日益增長和學術網絡關系的復雜化，這些方法不具備良好的可擴展性。針對以上問題，本文提出了一種基于學術社交網絡的多維度潛在團隊推薦模型，利用投影梯度非負矩陣分解（projected gradient nonnegative matrix factorization,PGNMF）方法[5]提取團隊和用戶的特征向量，并根據團隊和用戶的特征向量計算二者相似度，再結合用戶的社交好友關系和熱門團隊信息來為用戶推薦具有相似研究興趣的潛在科研團隊。通過多維度的信息融合，不僅提高了推薦的準確度，緩解了冷啟動問題，還可以使用戶獲得更優質的團隊個性化推薦服務。該算法被應用于學術科研社交網站——學者網中，并獲得了良好的實驗結果。

2　相關工作

目前社交網絡平臺上針對個性化推薦算法的研究已經很多，主要研究方向分為以下3類：基于內容的推薦、協同過濾推薦和混合推薦。基于內容的推薦通過挖掘用戶已有的社交信息，推薦具有相似屬性的用戶；協同過濾推薦不依賴具體物品的特征，而是通過分析相似用戶對某一物品的評價，從而做出相應推薦；混合方法的推薦通過不同的組合策略對推薦算法進行組合，從而得到更好的推薦效果[6-7]。

隨著ResearchGate、Academia等學術社交網絡的快速發展，越來越多的科研學者提出了基于學術社交網絡的推薦算法。He等人[8]通過用戶信任度計算模型，設計了一種基于學術社交網絡的協同過濾好友推薦算法。Brandao等人[9]利用學者所屬關系和地理信息的語義鏈接定義了兩個度量指標，并把這兩個度量指標應用到基于學術社交網絡的鏈接推薦中。Li等人[10]通過基于共同作者身份的隨機游走模型來推薦具有潛在合作關系的學者，在精確率、覆蓋率和召回率上取得了不錯的效果。Rohani等人[11]針對社交網絡的冷啟動問題，提出了一種改進的基于內容的推薦算法，并應用于學術社交網絡MyExpert中。

然而為科研用戶提供學術團隊推薦的算法研究并不多，即使是基于普通社交網絡的團隊推薦也不多。Liu等人[12]通過評估團隊歷史的項目結果，得到團隊的線性加權特征向量，并結合用戶特性和團隊特征得到團隊推薦模型。Zhang等人[13]結合隱語義模型和位置特性，提出了基于事件的團隊推薦，為用戶推薦本城市合適的團隊小組。

與普通社交網絡相比，在學術社交網絡中，用戶的Profile文件除了具有基本的用戶信息外，還包含了個人的科研學術信息，例如論文、項目和專利等。隨著用戶數量和用戶信息的完善，采用簡單的文本處理方式，將難以處理激增的信息量和提取有效的用戶特征信息量。而目前非負矩分解（non-negative matrix factorization,NMF）[14]是近年發展起來的一種矩陣分解方法，其明確的物理解釋性、數據的簡潔性等特點，使得NMF在數字圖像、文本分析、數據挖掘等方面得到了廣泛應用。目前NMF算法主要分為4類：基礎型NMF（basic NMF，BNMF）、約束型NMF（constrained NMF,CNMF）、結構型NMF（structured NMF，SNMF）、普遍型NMF（generalized NMF,GNMF）[15]。文獻[16-17]提出了基于NMF的協同過濾模型，應用到推薦系統并取得了不錯的效果，同時解決了推薦系統中數據稀疏問題。文獻[5]將界約束最優化的思想應用到NMF算法上，設計了基于投影梯度的NMF（PGNMF），相比采用普通乘法規則的NMF，PGNMF有效地解決了時間復雜度較高的缺點。因此本文利用PGNMF在收斂效率上的優勢對學術社交網絡中的團隊、用戶個人信息進行特征向量提取，通過特征量的計算獲取用戶與團隊的相似度。

3　多維度潛在團隊推薦模型

3.1問題描述

給定社交網絡中有M個團隊和N個用戶，T= {t1,t2,…,tM}表示M個團隊信息的向量空間模型，其中ti是團隊i信息中所有詞的權重向量。R={r1, r2,…,rq}表示基于M個團隊信息的詞庫表，U={u1, u2,…,uN}表示N個用戶信息的特征矩陣，其中uj是用戶j信息基于詞庫表R的詞頻向量，W={w1,w2,…, wM}表示團隊空間向量矩陣通過PGNMF降維后的團隊特征矩陣，其中wp是團隊p的特征向量。

多維度潛在團隊推薦模型旨在學術社交平臺上，融合用戶、團隊的特征相似度、好友參與的團隊信息和熱門團隊信息，為用戶推薦潛在的科研團隊來擴大其科研社交圈，促進學者之間交流，緩解“團隊”冷啟動問題，如圖1所示。

（1）基于特征相似的團隊推薦。通過團隊和用戶學術信息的特征相似度，為用戶推薦研究興趣相似的科研團隊。

（2）基于好友的科研團隊信息進行推薦。一般好友之間具有較高的信任度或者相似的興趣愛好，因此好友所參加的科研團隊，可能會是目標用戶感興趣的潛在科研團隊，從而本模型融合了好友的科研團隊信息進行推薦。

（3）熱門團隊推薦，由于新注冊用戶的個人學術信息及好友關系不完善，為了緩解“團隊”推薦的冷啟動，融合了社交網絡中的熱門團隊信息。

通過信息的融合，本模型實現了基于多維度的潛在學術科研團隊的推薦，讓3種方法有機地結合起來，克服了單種方法存在的不足。

3.2特征相似團隊推薦

3.2.1團隊信息和用戶信息分詞

首先用weka分詞工具（http://weka.wikispaces.com/Text+categorization+with+Weka）對社交網絡中的M個團隊、N個用戶信息進行分詞處理，并把團隊信息的分詞結果統計到詞庫表R={r1,r2,…,rq}。其中團隊信息包括團隊簡介、公告、資源，個人信息包括個人簡介、論文信息、工作信息等，團隊空間向量模型T∈?m×q，Tij表示團隊ti信息中的詞語Wj基于詞庫表R的權重。Tij的計算公式如下：

Fig.1　Structure of multi-faceted team recommendation圖1　多維度潛在團隊推薦模型

其中，TFij表示詞語Wj基于團隊ti信息的詞頻；DFi表示包含團隊信息中詞語Wj的團隊數量。用戶特征矩陣U∈?n×q，Uij表示用戶ui信息中詞Cj基于詞庫表R的詞頻TFij。

其中，C表示詞語Cj在用戶ui信息中出現的次數；q表示詞庫表的總詞數。

3.2.2PGNMF特征提取

文獻[15]中用梯度下降法的更新規則來求解W和V，但當數據量很大時，NMF的迭代速度收斂速度較慢。因此Lin[5]提出了一種利用投影梯度（projected gradient，PG）的優化方法來解決NMF的這些問題。基于投影梯度的NMF的思想如下：

3.2.3用戶、團隊相似度計算

用戶和團隊的特征屬性可以分別通過用戶特征矩陣與團隊特征矩陣體現，用戶、團隊之間的相似度可以用特征矩陣之間的余弦夾角度量。用戶特征矩陣經過一定處理后才能與團隊特征矩陣進行余弦相似度計算：

本文令用戶特征向量U∈?n×q，與團隊系數矩陣VT∈?q×r相乘得U=UVT，用團隊特征矩陣W∈?m×r和處理后的用戶特征矩陣U∈?n×r代表T和U，并代入式（5）。余弦值越大，兩者特征相似度越高，用戶對團隊感興趣的概率也越大，將與用戶興趣度最相似的K個團隊形成基于用戶和團隊特征相似的團隊推薦列表PGNMFList。

3.3好友推薦團隊

根據“六度分割理論”，社交網絡任意用戶都可以通過間接關系聯系起來，這種潛在好友模型同樣適合團隊模型。已有社會學、心理學以及計算機領域的專家學者通過研究發現，與普通用戶相比，好友之間存在一定的信任度，用戶更相信社交網絡中的好友對他們的推薦。然而好友之間的研究興趣可能是相似的，也可能是不相似的，因此通過在好友中尋找研究興趣類似的好友，并將其所參加的科研團隊作為推薦，那么這些團隊可能會是目標用戶感興趣的潛在科研團隊。因此本文利用好友的科研團隊信息為用戶進行推薦。

好友之間的信任度可以通過兩者的特征向量相似度和共同好友關系衡量。本文通過文本空間向量模型（text vector space model，TVSM）計算好友之間的特征向量相似度，其主要思想是提取用戶Ui和好友Frj個人資料、公告信息、學術信息3個方面的特征詞，根據式（1）計算每個特征詞的權重，得到用戶和好友的特征向量矩陣，最后根據式（5）余弦相似度計算出Ui特征向量和好友Frj特征向量的余弦值。

共同好友關系Confij表示用戶i和用戶Frj之間的共同好友關系，共同好友數量越多，關系越密切，即：

其中，N(Ui)為用戶Ui的直接好友數；N(Ui,Frj)為用戶Ui好友Frj的共同好友數。Ui和Frj之間的信任度定義如下：

基于好友Frj信任度推薦的團隊集合可表示為Frecj=Trust(ui,Frj)[Tj1,Tj2,…,Tjm]。其中Tji把屬于好友Frj且不包含于用戶Ui的團隊ID標記為1，其他標記為0，累加用戶Ui所有好友推薦的團隊集合，并對結果降序排列，抽取前K個團隊形成由好友推薦的團隊列表FrecList，如圖2所示。

算法1好友推薦團隊算法

Fig.2　Structure of team recommendation based on friend圖2　好友推薦模型

3.4熱門團隊推薦

團隊的熱門程度一定程度上能體現團隊的活躍度與影響力，因此可以選擇一些熱門團隊進行推薦。本文從以下幾個指標衡量熱門團隊：團隊點擊率、團隊公告數、公告瀏覽量、團隊成員數。

點擊率是熱門團隊的重要指標，點擊率越高，說明該團隊被訪問的次數越高；團隊公告數和公告瀏覽量一定程度上說明了該團隊的活躍程度；團隊成員數也能體現團隊的影響力。為了方便計算，指標統一進行歸一化處理，熱門團隊指標（active teams index,ATI）的定義描述如下：

其中，ATIi為團隊Ti的熱門程度；xmax、xmin分別表示團隊中指標 j最大的數值和最小的數值。最后選擇ATI指標排名前K個團隊形成由熱門團隊推薦列表ATIList。

3.5多維度團隊推薦

目前團隊推薦研究所利用的信息都比較單一，推薦效果欠佳，因此需要融合多維度的信息來進行推薦。本文提出了3大類信息，綜合考慮3個維度的預測，可分為以下4種情況：

（1）新注冊用戶，沒有個人信息及好友關系。

（2）用戶個人信息完善，但沒有好友關系。

（3）用戶具有好友關系，但沒有完整的個人信息。

（4）用戶具有完善的個人信息及好友關系。

其中，α、β、γ通過實驗獲取。模型的時間復雜度主要取決于PGNMF，其時間復雜度為O(m×n)，因此MFTR的時間復雜度為O(n2)。即使在用戶信息不完善或好友關系缺失的情況下，仍可以獲得熱門團隊的推薦，緩解冷啟動問題。

4　實驗分析

4.1數據集介紹

本文采用國內大型學術社交網站——學者網（http://www.scholat.com）的數據。學者網是一個為科研學者提供社交平臺的網站，它主要提供團隊小組、學者學術信息管理、文獻檢索、即時通訊、網絡教學應用服務。學者不僅可以通過添加論文、項目、專利、著作等個人信息來展示學術主頁，分享學術成果，還能結合學術搜索引擎、團隊小組、學術網盤的功能，更加方便地進行學術資源信息的搜索和共享，網站的站內信和在線聊天工具也為用戶與團隊成員提供即時通訊功能。

實驗從學者網網站中隨機抽取200個團隊和3 000個用戶，并分別選取團隊的簡介、點擊量、公告內容及瀏覽量、成員數量，用戶的個人簡介、學術信息（論文、科研項目、專利、著作）、公告內容作為團隊和用戶的初始信息。

4.2評價指標

為驗證算法的準確性及可擴展性，本文將MFTR模型與其他兩種具有代表性的推薦算法進行比較，待比較的算法分別是基于TF-IDF的文本相似度模型和基于好友推薦模型，并采用TopN推薦常用的評價標準：準確率（Precision）、召回率（Recall）和F值（F-measure），定義如下：

其中，R(u)與T(u)分別表示推薦給用戶u的團隊集合和用戶u本身的團隊集合。準確率和召回率的取值都在0和1之間，數值越接近1，準確率或召回率就越高，兩者主要體現推薦算法的精度。F值則為兩者的調和平均數，用來綜合反映整體情況。

4.3實驗結果及分析

實驗環境配置說明：所有模型都在配備酷睿i7八核處理器，8 GB內存的PC機上進行實驗。并將PGNMF模型的迭代次數設為1 000，降維指數r設為100。

根據準確率、召回率和F值3個指標，將本文提出的MFTR模型與基于TFIDF的profile相似度推薦模型、基于好友關系推薦模型（friends’recommendation，FRec）進行對比。對于TopN推薦，隨著推薦數量的增長，推薦的召回率和準確率分別會逐步提高和降低，F值則可以反映兩者之間的平衡。

4.3.1召回率和準確率

從圖3中可以看出，MFTR模型在召回率上明顯好于其他兩種方法，當推薦團隊個數分別為15、20和25時，在召回率上，MFTR比TFIDF分別提升了46.33%、36.31%和27.99%。

從圖4中可以看出，MFTR模型在精度上也優于其他兩種方法，當推薦團隊個數分別為5、10和15時，在準確率上，MFTR比TFIDF分別提升了43.56%、48.02%和48.15%。

4.3.2F-值

從圖5中可以看出，MFTR模型在F值上要比其他兩種方法好，當推薦團隊個數分別為5、15和25時，在F值指標上，MFTR比TFIDF分別提升了30.42%、32.21%和21.61%。對于實驗采用的數據集，團隊推薦個數為[2,4]時，F值性能較高。

從實驗結果可知，由于充分利用學術社交網絡中用戶的學術信息、好友關系和熱門團隊信息，多維度潛在團隊推薦模型的推薦效果要明顯優于其他兩種模型。

Fig.3　Performance comparison of recall圖3　不同模型下的召回率

Fig.4　Performance comparison of precision圖4　不同模型下的準確率

Fig.5　Performance comparison of F-measure圖5　不同模型下的F值

5　結束語

隨著學術社交網絡的快速發展，向學者推薦潛在科研團隊，有助于打破學科之間的約束，加強不同學科領域學者之間的協同合作，增強用戶的粘性。本文在分析學術社交網絡團隊構建特性的基礎上，提出了以PGNMF特征相似推薦模型為核心，融合社交好友關系和熱門團隊信息的多維度團隊推薦模型。實驗結果證明本文模型在緩解冷啟動問題的前提下一定程度上提高了推薦準確度。

由于學術社交網絡的用戶和學術資源日益增長，并且學者的科研興趣方向可能隨著時間的變化而轉移，下一步的工作將從以下兩個方面繼續研究和改進：一方面融合學者更多的學術信息（如教學信息、英文論文），并在學術信息的基礎上加入時間戳影響因子。另一方面對原有的多維度團隊推薦模型部分并行化處理，以便應對海量數據的算法執行效率。

References:

[1]Xia Qiuju,Li Wenchao,Xue Jingjing,et al.New social networking platform for the academic fields:research networking systems[J].Journal of Intelligence,2014,33(9):167-172.

[2]Zheng Nan,Li Qiudan,Liao Shengcai,et al.Flickr group recommendation based on tensor decomposition[C]//Proceedings of the 33rd International ACM SIGIR Conference on Research and Development in Information Retrieval, Geneva,Switzerland,Jul 19-23,2010.New York,USA: ACM,2010:737-738.

[3]De Pessemier T,Dooms S,Martens L.Comparison of group recommendation algorithms[J].Multimedia Tools and Applications,2014,72(3):2497-2541.

[4]Kim H N,El SaddikA.Astochastic approach to group recommendations in social media systems[J].Information Systems, 2015,50:76-93.

[5]Lin C J.Projected gradient methods for nonnegative matrix factorization[J].Neural Computation,2007,19(10):2756-2779.

[6]Bobadilla J,Ortega F,Hernando A,et al.Recommender systems survey[J].Knowledge Based Systems,2013,46(1): 109-132.

[7]Wang Licai,Meng Xiangwu,Zhang Yujie.Context-aware recommender systems[J].Journal of Software,2012,23(1): 1-20.

[8]He Chaobo.Collaborative recommendation model based on social network and its application[J].Journal of Convergence Information Technology,2012,7(2):253-261.

[9]Brand?o M A,Moro M M,Lopes G R,et al.Using link semantics to recommend collaborations in academic social networks[C]//Proceedings of the 22nd International Conference on World Wide Web,Rio de Janeiro,Brazil,May 13-17,2013.New York,USA:ACM,2013:833-840.

[10]Li Jing,Xia Feng,Wang Wei,et al.ACRec:a co-authorship based random walk model for academic collaboration recommendation[C]//Proceedings of the 23rd International Conference on World Wide Web,Seoul,Korea,Apr 7-11,2014. New York,NY,USA:ACM,2014:1209-1214.

[11]Rohani VA,Kasirun Z M,Kumar S,et al.An effective recommender algorithm for cold-start problem in academic social networks[J/OL].Mathematical Problems in Engineering (2014-03-18)[2015-04-10].http://dx.doi.org/10.1155/2014/ 123726.

[12]Liu Haibin,Qiao Mu,Greenia D,et al.A machine learning approach to combining individual strength and team features for team recommendation[C]//Proceedings of the 13th International Conference on Machine Learning and Applications, Detroit,USA,Dec 3-6,2014.Piscataway,USA:IEEE, 2014:213-218.

[13]Zhang Wei,Wang Jianyong,Feng Wei.Combining latent factor model with location features for event-based group recommendation[C]//Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Chicago,USA,Aug 11-14,2013.New York,USA: ACM,2013:910-918.

[14]Lee D D,Seung H S.Algorithms for non-negative matrix factorization[C]//Advances in Neural Information Processing Systems 14:Proceedings of the 2001 Conference on Neural Information Processing Systems,Vancouver,Canada,Dec 3-8,2001.Cambridge,USA:MIT Press,2001:556-562.

[15]Wang YuXiong,Zhang YuJin.Nonnegative matrix factorization:a comprehensive review[J].IEEE Transactions on Knowledge and Data Engineering,2013,25(6):1336-1353. [16]Luo Xin,Zhou Mengchu,Xia Yunni,et al.An efficient nonnegative matrix-factorization-based approach to collaborative-filtering for recommender systems[J].IEEE Transactions on Industrial Informatics,2014,10(2):1273-1284.

[17]Sharifi Z,Rezghi M,Nasiri M.A new algorithm for solving data sparsity problem based-on Non negative matrix factorization in recommender systems[C]//Proceedings of the 4th International Conference on Computer and Knowledge Engineering,Mashhad,Iran,Oct 29-30,2014.Piscataway,USA: IEEE,2014:56-61.

附中文參考文獻：

[1]夏秋菊,栗文超,薛晶晶,等.面向學術領域的新型社交平臺:科研社交網絡[J].情報雜志,2014,33(9):167-172.

[7]王立才,孟祥武,張玉潔.上下文感知推薦系統[J].軟件學報,2012,23(1):1-20.

YUAN Chengzhe was born in 1991.He is an M.S.candidate at South China Normal University.His research interests include social network,recommended system and data mining,etc.

袁成哲（1991—），男，湖南常德人，華南師范大學碩士研究生，主要研究領域為社交網絡，推薦系統，數據挖掘等。

曾碧卿（1969—），男，湖南衡陽人，2005年于中南大學計算機專業獲得博士學位，現為華南師范大學軟件學院副院長，主要研究領域為分布式處理，認知無線電網絡，P2P等。

湯庸（1964—），男，湖南張家界人，2001年于中國科技大學計算機軟件與理論專業獲得博士學位，現為華南師范大學計算機學院院長、博士生導師，主要研究領域為時態數據庫，協同計算，云計算，社會網絡服務等。發表SCI/EI收錄論文100多篇，主持國家自然科學基金、國家863計劃、國家科技支撐計劃子課題等項目。

WANG Dahao was born in 1993.He is an M.S.candidate at South China Normal University.His research interests include data mining and machine learning,etc.

王大豪（1993—），男，廣東湛江人，華南師范大學碩士研究生，主要研究領域為數據挖掘，機器學習等。

ZENG Huimin was born in 1991.She is an M.S.candidate at South China Normal University.Her research interests include data mining and recommended system,etc.

曾惠敏（1991—），女，廣東梅州人，華南師范大學碩士研究生，主要研究領域為數據挖掘，推薦系統等。

Multi-Faceted Team Recommendation Model forAcademic Social Networks*

YUAN Chengzhe1,ZENG Biqing2,TANG Yong1+,WANG Dahao1,ZENG Huimin1
1.School of Computer,South China Normal University,Guangzhou 510000,China
2.School of Software,South China Normal University,Foshan,Guangdong 528225,China
+Corresponding author:E-mail:ytang@m.scnu.edu.cn

Traditional research methods have been greatly changed by academic social networks(ASNs),this paper explores the area of personalized team recommendation for scholars in ASNs,proposes a novel model named multifaceted team recommendation(MFTR).MFTR recommends latent scientific research teams with similar research interest for users not only by computing the similarities of users and scientific research teams based on their eigenvector which is abstracted by methods of projected gradient non-negative matrix factorization,but also combining the relationship of friends and active scientific research teams.MFTR is conducted by comprehensive experiments on real world datasets from SCHOLAT that is an academic social site.The results show that the model can efficiently improve the quality of recommendation and abate the problem of cold start.

academic social networks;team recommendation;non-negative matrix factorization;multi-faceted

2015-05,Accepted 2015-07.

ZENG Biqing was born in 1969.He the Ph.D.degree from Center South University in 2005.Now he is the vice dean of School of Software,South China Normal University.His research interests include distributed processing system,cognitive radio networking and P2P,etc.

TANG Yong was born in 1964.He the Ph.D.degree in computer software and theory from University of Science and Technology of China in 2001.Now he is the dean and Ph.D.supervisor of School of Computer Science,South China Normal University.His research interests include temporal database,cooperative computing, cloud computing and social network services,etc.

10.3778/j.issn.1673-9418.1506047

*The National Natural Science Foundation of China under Grant No.61272067(國家自然科學基金);the National High Technology Research and Development Program of China under Grant No.2013AA01A212(國家高技術研究發展計劃(863計劃));the National Key Technology R&D Program of China under Grant No.2012BAH27F05(國家科技支撐計劃項目);the PhD Start-up Fund of Natural Science Foundation of Guangdong Province under Grant No.2014A030310238(廣東省自然科學基金博士啟動專項).

CNKI網絡優先出版：2015-07-10,http://www.cnki.net/kcms/detail/11.5602.TP.20150710.1550.001.html

A

TP311