面向学术社交网络的多维度团队推荐模型*

袁成哲，曾碧卿，汤　庸+，王大豪，曾惠敏

1.华南师范大学 计算机学院，广州 510000

2.华南师范大学 软件学院，广东 佛山 528225

面向学术社交网络的多维度团队推荐模型*

袁成哲1，曾碧卿2，汤庸1+，王大豪1，曾惠敏1

1.华南师范大学 计算机学院，广州 510000

2.华南师范大学 软件学院，广东 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.

学术社交网络的出现改变了传统的科研方式，对于如何基于学术社交网络为学者进行团队个性化推荐进行了研究，提出了一种多维度潜在团队推荐模型（multi-faceted team recommendation，MFTR）。该模型首先通过投影梯度非负矩阵分解方法提取团队和用户的特征向量，并根据两者的特征向量计算其相似度，然后再融合用户的社交好友关系和热门团队信息来为用户推荐具有相似研究兴趣的潜在团队。最后在真实学术社交网站——学者网的数据上进行实验，结果表明该模型能有效地提高推荐的准确度，并缓解了冷启动问题。

学术社交网络；团队推荐；非负矩阵分解；多维度

1　引言

Web2.0的到来赋予了传统社交网络更多的含义，以Facebook、新浪微博、豆瓣网等为代表的热门社交网络迅猛发展。据有关社交媒体机构（http:// wearesocial.net/blog/2014/08/socials-monday-mashup-224/）统计表明，截至2014年8月全球社交网络用户已突破20亿，约占全球人口的27.7%。但因为普通社交网络相对缺少学术科研氛围，难以满足科研人员的学术交流需求，所以面向科研学者们的新型社交网络——学术社交网络（academic social networks, ASNs）快速发展。学术社交网络的出现极大地改变了传统的科研方式，它不仅具备普通社交网络的便捷交流与快速分享的优点，同时利用学者个人学术主页全面地展示学者学术信息，加强学者之间的科研合作，对新知识的创造、传播和学科交叉的研究产生了重要影响[1]。

在普通社交网络中，用户一般通过添加好友或者加入具有共同兴趣爱好的团队来建立社交关系，例如Facebook、新浪微博和豆瓣网等大型社交网络都拥有团队功能。它们的构建大部分都是基于用户的资料或社交信息，而ASNs团队的构建主要是结合学者的学术信息和基本资料，这样不仅能实现普通社交团队的通讯交流和资源共享机制，还可以打破学科之间的约束，加强不同学科领域之间的协同合作，提高生产效率。良好的团队推荐可以让用户数不断增加并保持其活跃度，因此如何准确地为用户推荐潜在的团队小组是目前社交网络中研究的难点之一。

目前基于社交网络团队推荐算法可以分为两类：一类是利用用户和团队特征信息的相似性，为用户推荐可能感兴趣的团队。例如，文献[2]提出了一种基于张量分解的团队推荐模型，为Flickr用户推荐合适的团队。第二类是为全体团队成员进行相同的推荐。文献[3-4]的主要思想是如何在考虑所有团队成员特性差异的基础上为具有相似兴趣爱好的全体团队成员推荐物品或成员。

上述两类方法主要是针对普通社交网络的团队推荐，而不是建立在学术社交网络上的推荐，缺乏对学术社交网络特点的考虑，而且随着科研用户数量日益增长和学术网络关系的复杂化，这些方法不具备良好的可扩展性。针对以上问题，本文提出了一种基于学术社交网络的多维度潜在团队推荐模型，利用投影梯度非负矩阵分解（projected gradient nonnegative matrix factorization,PGNMF）方法[5]提取团队和用户的特征向量，并根据团队和用户的特征向量计算二者相似度，再结合用户的社交好友关系和热门团队信息来为用户推荐具有相似研究兴趣的潜在科研团队。通过多维度的信息融合，不仅提高了推荐的准确度，缓解了冷启动问题，还可以使用户获得更优质的团队个性化推荐服务。该算法被应用于学术科研社交网站——学者网中，并获得了良好的实验结果。

2　相关工作

目前社交网络平台上针对个性化推荐算法的研究已经很多，主要研究方向分为以下3类：基于内容的推荐、协同过滤推荐和混合推荐。基于内容的推荐通过挖掘用户已有的社交信息，推荐具有相似属性的用户；协同过滤推荐不依赖具体物品的特征，而是通过分析相似用户对某一物品的评价，从而做出相应推荐；混合方法的推荐通过不同的组合策略对推荐算法进行组合，从而得到更好的推荐效果[6-7]。

随着ResearchGate、Academia等学术社交网络的快速发展，越来越多的科研学者提出了基于学术社交网络的推荐算法。He等人[8]通过用户信任度计算模型，设计了一种基于学术社交网络的协同过滤好友推荐算法。Brandao等人[9]利用学者所属关系和地理信息的语义链接定义了两个度量指标，并把这两个度量指标应用到基于学术社交网络的链接推荐中。Li等人[10]通过基于共同作者身份的随机游走模型来推荐具有潜在合作关系的学者，在精确率、覆盖率和召回率上取得了不错的效果。Rohani等人[11]针对社交网络的冷启动问题，提出了一种改进的基于内容的推荐算法，并应用于学术社交网络MyExpert中。

然而为科研用户提供学术团队推荐的算法研究并不多，即使是基于普通社交网络的团队推荐也不多。Liu等人[12]通过评估团队历史的项目结果，得到团队的线性加权特征向量，并结合用户特性和团队特征得到团队推荐模型。Zhang等人[13]结合隐语义模型和位置特性，提出了基于事件的团队推荐，为用户推荐本城市合适的团队小组。

与普通社交网络相比，在学术社交网络中，用户的Profile文件除了具有基本的用户信息外，还包含了个人的科研学术信息，例如论文、项目和专利等。随着用户数量和用户信息的完善，采用简单的文本处理方式，将难以处理激增的信息量和提取有效的用户特征信息量。而目前非负矩分解（non-negative matrix factorization,NMF）[14]是近年发展起来的一种矩阵分解方法，其明确的物理解释性、数据的简洁性等特点，使得NMF在数字图像、文本分析、数据挖掘等方面得到了广泛应用。目前NMF算法主要分为4类：基础型NMF（basic NMF，BNMF）、约束型NMF（constrained NMF,CNMF）、结构型NMF（structured NMF，SNMF）、普遍型NMF（generalized NMF,GNMF）[15]。文献[16-17]提出了基于NMF的协同过滤模型，应用到推荐系统并取得了不错的效果，同时解决了推荐系统中数据稀疏问题。文献[5]将界约束最优化的思想应用到NMF算法上，设计了基于投影梯度的NMF（PGNMF），相比采用普通乘法规则的NMF，PGNMF有效地解决了时间复杂度较高的缺点。因此本文利用PGNMF在收敛效率上的优势对学术社交网络中的团队、用户个人信息进行特征向量提取，通过特征量的计算获取用户与团队的相似度。

3　多维度潜在团队推荐模型

3.1问题描述

给定社交网络中有M个团队和N个用户，T= {t1,t2,…,tM}表示M个团队信息的向量空间模型，其中ti是团队i信息中所有词的权重向量。R={r1, r2,…,rq}表示基于M个团队信息的词库表，U={u1, u2,…,uN}表示N个用户信息的特征矩阵，其中uj是用户j信息基于词库表R的词频向量，W={w1,w2,…, wM}表示团队空间向量矩阵通过PGNMF降维后的团队特征矩阵，其中wp是团队p的特征向量。

多维度潜在团队推荐模型旨在学术社交平台上，融合用户、团队的特征相似度、好友参与的团队信息和热门团队信息，为用户推荐潜在的科研团队来扩大其科研社交圈，促进学者之间交流，缓解“团队”冷启动问题，如图1所示。

（1）基于特征相似的团队推荐。通过团队和用户学术信息的特征相似度，为用户推荐研究兴趣相似的科研团队。

（2）基于好友的科研团队信息进行推荐。一般好友之间具有较高的信任度或者相似的兴趣爱好，因此好友所参加的科研团队，可能会是目标用户感兴趣的潜在科研团队，从而本模型融合了好友的科研团队信息进行推荐。

（3）热门团队推荐，由于新注册用户的个人学术信息及好友关系不完善，为了缓解“团队”推荐的冷启动，融合了社交网络中的热门团队信息。

通过信息的融合，本模型实现了基于多维度的潜在学术科研团队的推荐，让3种方法有机地结合起来，克服了单种方法存在的不足。

3.2特征相似团队推荐

3.2.1团队信息和用户信息分词

首先用weka分词工具（http://weka.wikispaces.com/Text+categorization+with+Weka）对社交网络中的M个团队、N个用户信息进行分词处理，并把团队信息的分词结果统计到词库表R={r1,r2,…,rq}。其中团队信息包括团队简介、公告、资源，个人信息包括个人简介、论文信息、工作信息等，团队空间向量模型T∈ℝm×q，Tij表示团队ti信息中的词语Wj基于词库表R的权重。Tij的计算公式如下：

Fig.1　Structure of multi-faceted team recommendation图1　多维度潜在团队推荐模型

其中，TFij表示词语Wj基于团队ti信息的词频；DFi表示包含团队信息中词语Wj的团队数量。用户特征矩阵U∈ℝn×q，Uij表示用户ui信息中词Cj基于词库表R的词频TFij。

其中，C表示词语Cj在用户ui信息中出现的次数；q表示词库表的总词数。

3.2.2PGNMF特征提取

文献[15]中用梯度下降法的更新规则来求解W和V，但当数据量很大时，NMF的迭代速度收敛速度较慢。因此Lin[5]提出了一种利用投影梯度（projected gradient，PG）的优化方法来解决NMF的这些问题。基于投影梯度的NMF的思想如下：

3.2.3用户、团队相似度计算

用户和团队的特征属性可以分别通过用户特征矩阵与团队特征矩阵体现，用户、团队之间的相似度可以用特征矩阵之间的余弦夹角度量。用户特征矩阵经过一定处理后才能与团队特征矩阵进行余弦相似度计算：

本文令用户特征向量U∈ℝn×q，与团队系数矩阵VT∈ℝq×r相乘得U=UVT，用团队特征矩阵W∈ℝm×r和处理后的用户特征矩阵U∈ℝn×r代表T和U，并代入式（5）。余弦值越大，两者特征相似度越高，用户对团队感兴趣的概率也越大，将与用户兴趣度最相似的K个团队形成基于用户和团队特征相似的团队推荐列表PGNMFList。

3.3好友推荐团队

根据“六度分割理论”，社交网络任意用户都可以通过间接关系联系起来，这种潜在好友模型同样适合团队模型。已有社会学、心理学以及计算机领域的专家学者通过研究发现，与普通用户相比，好友之间存在一定的信任度，用户更相信社交网络中的好友对他们的推荐。然而好友之间的研究兴趣可能是相似的，也可能是不相似的，因此通过在好友中寻找研究兴趣类似的好友，并将其所参加的科研团队作为推荐，那么这些团队可能会是目标用户感兴趣的潜在科研团队。因此本文利用好友的科研团队信息为用户进行推荐。

好友之间的信任度可以通过两者的特征向量相似度和共同好友关系衡量。本文通过文本空间向量模型（text vector space model，TVSM）计算好友之间的特征向量相似度，其主要思想是提取用户Ui和好友Frj个人资料、公告信息、学术信息3个方面的特征词，根据式（1）计算每个特征词的权重，得到用户和好友的特征向量矩阵，最后根据式（5）余弦相似度计算出Ui特征向量和好友Frj特征向量的余弦值。

共同好友关系Confij表示用户i和用户Frj之间的共同好友关系，共同好友数量越多，关系越密切，即：

其中，N(Ui)为用户Ui的直接好友数；N(Ui,Frj)为用户Ui好友Frj的共同好友数。Ui和Frj之间的信任度定义如下：

基于好友Frj信任度推荐的团队集合可表示为Frecj=Trust(ui,Frj)[Tj1,Tj2,…,Tjm]。其中Tji把属于好友Frj且不包含于用户Ui的团队ID标记为1，其他标记为0，累加用户Ui所有好友推荐的团队集合，并对结果降序排列，抽取前K个团队形成由好友推荐的团队列表FrecList，如图2所示。

算法1好友推荐团队算法

Fig.2　Structure of team recommendation based on friend图2　好友推荐模型

3.4热门团队推荐

团队的热门程度一定程度上能体现团队的活跃度与影响力，因此可以选择一些热门团队进行推荐。本文从以下几个指标衡量热门团队：团队点击率、团队公告数、公告浏览量、团队成员数。

点击率是热门团队的重要指标，点击率越高，说明该团队被访问的次数越高；团队公告数和公告浏览量一定程度上说明了该团队的活跃程度；团队成员数也能体现团队的影响力。为了方便计算，指标统一进行归一化处理，热门团队指标（active teams index,ATI）的定义描述如下：

其中，ATIi为团队Ti的热门程度；xmax、xmin分别表示团队中指标 j最大的数值和最小的数值。最后选择ATI指标排名前K个团队形成由热门团队推荐列表ATIList。

3.5多维度团队推荐

目前团队推荐研究所利用的信息都比较单一，推荐效果欠佳，因此需要融合多维度的信息来进行推荐。本文提出了3大类信息，综合考虑3个维度的预测，可分为以下4种情况：

（1）新注册用户，没有个人信息及好友关系。

（2）用户个人信息完善，但没有好友关系。

（3）用户具有好友关系，但没有完整的个人信息。

（4）用户具有完善的个人信息及好友关系。

其中，α、β、γ通过实验获取。模型的时间复杂度主要取决于PGNMF，其时间复杂度为O(m×n)，因此MFTR的时间复杂度为O(n2)。即使在用户信息不完善或好友关系缺失的情况下，仍可以获得热门团队的推荐，缓解冷启动问题。

4　实验分析

4.1数据集介绍

本文采用国内大型学术社交网站——学者网（http://www.scholat.com）的数据。学者网是一个为科研学者提供社交平台的网站，它主要提供团队小组、学者学术信息管理、文献检索、即时通讯、网络教学应用服务。学者不仅可以通过添加论文、项目、专利、著作等个人信息来展示学术主页，分享学术成果，还能结合学术搜索引擎、团队小组、学术网盘的功能，更加方便地进行学术资源信息的搜索和共享，网站的站内信和在线聊天工具也为用户与团队成员提供即时通讯功能。

实验从学者网网站中随机抽取200个团队和3 000个用户，并分别选取团队的简介、点击量、公告内容及浏览量、成员数量，用户的个人简介、学术信息（论文、科研项目、专利、著作）、公告内容作为团队和用户的初始信息。

4.2评价指标

为验证算法的准确性及可扩展性，本文将MFTR模型与其他两种具有代表性的推荐算法进行比较，待比较的算法分别是基于TF-IDF的文本相似度模型和基于好友推荐模型，并采用TopN推荐常用的评价标准：准确率（Precision）、召回率（Recall）和F值（F-measure），定义如下：

其中，R(u)与T(u)分别表示推荐给用户u的团队集合和用户u本身的团队集合。准确率和召回率的取值都在0和1之间，数值越接近1，准确率或召回率就越高，两者主要体现推荐算法的精度。F值则为两者的调和平均数，用来综合反映整体情况。

4.3实验结果及分析

实验环境配置说明：所有模型都在配备酷睿i7八核处理器，8 GB内存的PC机上进行实验。并将PGNMF模型的迭代次数设为1 000，降维指数r设为100。

根据准确率、召回率和F值3个指标，将本文提出的MFTR模型与基于TFIDF的profile相似度推荐模型、基于好友关系推荐模型（friends’recommendation，FRec）进行对比。对于TopN推荐，随着推荐数量的增长，推荐的召回率和准确率分别会逐步提高和降低，F值则可以反映两者之间的平衡。

4.3.1召回率和准确率

从图3中可以看出，MFTR模型在召回率上明显好于其他两种方法，当推荐团队个数分别为15、20和25时，在召回率上，MFTR比TFIDF分别提升了46.33%、36.31%和27.99%。

从图4中可以看出，MFTR模型在精度上也优于其他两种方法，当推荐团队个数分别为5、10和15时，在准确率上，MFTR比TFIDF分别提升了43.56%、48.02%和48.15%。

4.3.2F-值

从图5中可以看出，MFTR模型在F值上要比其他两种方法好，当推荐团队个数分别为5、15和25时，在F值指标上，MFTR比TFIDF分别提升了30.42%、32.21%和21.61%。对于实验采用的数据集，团队推荐个数为[2,4]时，F值性能较高。

从实验结果可知，由于充分利用学术社交网络中用户的学术信息、好友关系和热门团队信息，多维度潜在团队推荐模型的推荐效果要明显优于其他两种模型。

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

Fig.4　Performance comparison of precision图4　不同模型下的准确率

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

5　结束语

随着学术社交网络的快速发展，向学者推荐潜在科研团队，有助于打破学科之间的约束，加强不同学科领域学者之间的协同合作，增强用户的粘性。本文在分析学术社交网络团队构建特性的基础上，提出了以PGNMF特征相似推荐模型为核心，融合社交好友关系和热门团队信息的多维度团队推荐模型。实验结果证明本文模型在缓解冷启动问题的前提下一定程度上提高了推荐准确度。

由于学术社交网络的用户和学术资源日益增长，并且学者的科研兴趣方向可能随着时间的变化而转移，下一步的工作将从以下两个方面继续研究和改进：一方面融合学者更多的学术信息（如教学信息、英文论文），并在学术信息的基础上加入时间戳影响因子。另一方面对原有的多维度团队推荐模型部分并行化处理，以便应对海量数据的算法执行效率。

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]Brandão 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.

附中文参考文献：

[1]夏秋菊,栗文超,薛晶晶,等.面向学术领域的新型社交平台:科研社交网络[J].情报杂志,2014,33(9):167-172.

[7]王立才,孟祥武,张玉洁.上下文感知推荐系统[J].软件学报,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，华南师范大学硕士研究生，主要研究领域为社交网络，推荐系统，数据挖掘等。

曾碧卿（1969—），男，湖南衡阳人，2005年于中南大学计算机专业获得博士学位，现为华南师范大学软件学院副院长，主要研究领域为分布式处理，认知无线电网络，P2P等。

汤庸（1964—），男，湖南张家界人，2001年于中国科技大学计算机软件与理论专业获得博士学位，现为华南师范大学计算机学院院长、博士生导师，主要研究领域为时态数据库，协同计算，云计算，社会网络服务等。发表SCI/EI收录论文100多篇，主持国家自然科学基金、国家863计划、国家科技支撑计划子课题等项目。

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，广东湛江人，华南师范大学硕士研究生，主要研究领域为数据挖掘，机器学习等。

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，广东梅州人，华南师范大学硕士研究生，主要研究领域为数据挖掘，推荐系统等。

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(国家自然科学基金);the National High Technology Research and Development Program of China under Grant No.2013AA01A212(国家高技术研究发展计划(863计划));the National Key Technology R&D Program of China under Grant No.2012BAH27F05(国家科技支撑计划项目);the PhD Start-up Fund of Natural Science Foundation of Guangdong Province under Grant No.2014A030310238(广东省自然科学基金博士启动专项).

CNKI网络优先出版：2015-07-10,http://www.cnki.net/kcms/detail/11.5602.TP.20150710.1550.001.html

A

TP311