1.研究背景社交网络服务,例如Facebook和Twitter拥有数百万甚至数十亿用户,并成为最受欢迎的互联网应用程序服务之一。You Tube,Movielen,Last.fm以社交媒体服务而闻名。DBLP和Research Gate是关于作者的社交网络,可帮助联系科学家及其研究。社交网络服务分为几类。例如,Foursquare和Gowalla是基于位置的社交网络的网络类型。Liu通过Meetup定义了一种新型的社交网络,称为基于事件的社交网络（EBSN）。EBSN允许人们通过在线群组或在明确的事件地点进行交流。基于事件的社交网络（EBSN）,例如Meetup和Douban,最近因人们的通过线下会面活动而闻名。这些社交网络为团体用户（例如,兴趣相似的人群）提供在线服务;这些社交网络还允许为特定位置的用户组织线下活动。2019年,Meetup是最大的EBSN之一,在世界大多数国家/地区拥有4000万用户和大约300,000个在线群组;每个月通过Meetup网络举行大约一百万个活动事件。这些社交网络（EBSN）为研究人员提供了许多课题,例如有关建议的研究课题。许多著作已经研究了社交网络事件的建议。但是,用户推荐和群组推荐的问题尚未得到充分研究,因此需要进行更多研究。由于新事件和新用户的出现,社会数据的分散始终存在。结果,常规的提议系统效果不佳。用户根据在线社区向他们提供的内容和服务,在线群组进行互动。当前,社会群体面临的挑战不仅是技术上的,而且是心理上的。例如,了解用户的在线行为,社交互动,选择和忠诚度与心理问题密切相关。这些问题中的一部分已经在许多研究中得到解决。但是,在社交网络中尚未充分研究用户忠诚度和群体活跃度的问题。这很重要,因为用户忠诚度和群组活跃度是在线社交网络发展或崩溃的重要指标。2.研究问题本论文重点研究推荐问题,以及EBSN中的群体活跃度和用户忠诚度。我们的主要目标是提出创新的方法和算法,以分析基于事件的社交网络并为此提出新的推荐模型。三个主要问题和研究目标如下:·事件参加者的推荐基于事件的社交网络中的推荐问题已在许多先前的著作中进行了研究。事件推荐的问题被定义为为特定用户推荐合适的事件,这已经在几篇著作中进行了研究。但是,事件参加者的推荐问题尚未得到充分研究。预测可能参加即将发生的事件的用户列表对于创建那些事件（例如商业展览和付费事件）起着重要作用。用户参与的事件在先前事件的数据通常很少提及。尤其是,用户可以参加在不同地点举行的具有不同社交主题的许多事件。另外,在这种类型的社交网络中,用户之间的互动通常不清楚。这些问题使推荐系统效率低下。因此,为即将到来的事件吸引参与者是EBSN中一个具有挑战性的问题,这是本论文研究的一个目标。·活跃朋友的推荐建议将有兴趣与特定用户一起参加事件的一组用户视为基于事件的社交网络（EBSN）中的挑战性问题。分析用户的兴趣和行为对于预测用户事件非常重要,从而可以为社交网络建立有效的推荐系统。用户是否参加事件主要取决于事件的主题,他们自己的兴趣或活跃朋友的兴趣。我们对用户的活跃朋友的概念定义为是那些对参加该事件感兴趣的用户的朋友也对参加该事件感兴趣。可以从以前的出勤历史记录数据中检测到活跃朋友。将事件介绍给用户的最活跃朋友的问题是基于事件的社交网络中的新课题。在本文中,我们定义了这个课题是活跃朋友的推荐。·活跃度和忠诚度分析在线社交群组通常以特定主题创建,例如园艺,音乐和体育。每月甚至每天,根据群组的主题,这些活动例如音乐活动和慢跑活动通常由这些群组组织。总是邀请群组中的用户参加以保持群组的活跃。通过加入群组的选项如此之多,许多用户可以同时成为不同群组的成员,并且其中一些人过了一段时间也退出部分甚至所有群组。另一方面,在任何社交网络中,具有相似事件主题的群组和以相似主题创建的真实事件是不可避免的。结果,某些组没有足够的用户来组织后续事件,因此这些群组会进入临时不活跃状态,甚至处于永久不活跃状态。另一方面,其他群组有足够的用户和忠实的用户来鼓励他们参加新事件,这些群组仍被认为是活跃的。这些事实开启了社交网络中活跃度和忠诚度的新研究课题。这个问题在理解社会群体的发展和生存以及社交网络的发展中起着非常重要的作用。因此,针对该问题,确实需要进行研究。3.研究的重要性和贡献在本节中,我们讨论了这项研究的重要性,并总结了我们对这项工作的贡献。在上一节中,我们描述了三个研究问题,因为EBSN只是最近才被开发出来,所以在研究界很少被研究。因此,对这些新问题的研究很重要,因为解决这三个问题可以为在基于事件的社交网络（EBSN）或类似网络推荐系统中开发新解决方案打开一扇新门。通过活跃度和忠诚度问题挖掘在线社交团体的增长,对于理解在线社交网络的发展和崩溃非常有帮助,可以产生重大成果和研究贡献。我们总结了这项工作的主要创新和贡献如下:·事件参与者推荐的创新使用事件主题及其位置被认为是推荐特定事件的合适用户列表的有效方法。方法是使用事件的内容并删除不相关的事件,以根据先前事件为新事件推荐用户列表。因此,我们开发了一个基于事件的主题和位置的新模型。该模型包括两个阶段。在第一阶段,我们使用事件的内容来创建事件主题的概率分布。然后,我们根据主题分布的得分选择与即将发生的事件相关的先前事件,并且这些事件在以即将发生的事件为中心的半径r的阈值内。第二阶段是从第一阶段选择的事件中收集用户列表。用户概率分数是基于所选事件的分数,时间和位置的分数的组合来计算的。最后,向新事件推荐具有高可能性得分的候选人名单。该模型整合了内容和位置信息,在群组推荐中非常有效。·活跃朋友推荐的创新开发了一种高效的新事件推荐模型来解决活跃朋友推荐问题。这是双重推荐模型,它为活跃用户推荐对应的（事件,用户）。首先,我们提出了一种基于事件的内容和位置来计算事件相似度的新方法。在这种方法中,我们对事件的内容（例如Latent Dirichlet Allocation（LDA）主题模型）进行建模,并使用Gibbs Sampling方法创建事件的主题分布。然后,我们使用Jensen Shannon差异性来计算两个事件的主题分布之间的相似度。然后,我们收集参与选定事件的用户,这些事件类似于将要发生的新事件ef,提出了一种基于内容的新方法,用于计算这些用户与主要用户u*有关系的概率。在这种方法中,我们使用许多因素来计算概率,包括先前选择的事件和事件ef之间的相似性,用户的位置和兴趣以及事件的时间。最后,我们有一个用户列表,以及他们对用户u*和事件ef的概率得分。事件ef将被推荐给得分最高的多个活跃朋友。·对活跃度和忠诚度分析方法的创新我们通过在给定时间段内从Meetup网络收集的真实数据来进行群组活跃度和用户忠诚度的研究。这项研究的目的是了解EBSN中具有不同主题的社会群组中群组活跃度与用户忠诚度之间的关系。为了了解社交网络结构及社交网络实体,我们根据实际数据定义了一些特征。在给定时间范围内研究的群组的事件,从创建它们的时间开始。因此,给出了一个时间范围以说明该时间范围内的用户参与和群组的事件。我们开发了一种衡量活跃度的新方法。在此方法中,首先计算群组中两个连续时间段之间的事件比率,然后使用此比率将活跃标度标签分配给该群组。最后,建立一个关联矩阵,以便在几个连续的时间范围后将适当的活跃度标签重新分配给相应的群组。类似地,在相同的时间段内衡量用户忠诚度。每个时间段内群组中每个用户参加的事件数量的变化用于计算用户对其群组的忠诚度。我们认为用户忠诚度是群组事件的重要特征。选择了三种众所周知的分类方法来验证组的活跃度标签。我们发现了一小组高度相关的特征,比使用所有特征产生的结果更准确。本论文探讨了新的研究问题,并提出了创新的解决方案。这项研究工作可能会为改善推荐系统的有效性开辟新的研究方向:事件参加者推荐和活跃的朋友推荐。我们提出了关于活跃度和忠诚度的有前景的研究。我们讨论的每个具体研究问题都提供了对网络结构,社会群体的宝贵特征以及用户与事件之间的关系的深刻见解。此外,群组活跃度和用户忠诚度是在线社交群组的重要特征。这两个特征揭示了某些群组的发展或另一些群组的崩溃。我们的工作在分析包括数百万甚至数十亿用户的社交网络以及改进社交网络的推荐系统方面具有巨大价值。