摘要：随着社交网络的不断发展，朋友推荐已成为各大社交网络青睐的对象，在能够帮助用户拓宽社交圈的同时，可以通过新朋友获取大量信息．由此，朋友推荐应该着眼于拓宽社交圈和获取信息．然而，传统的朋友推荐算法几乎没有考虑从获取信息的角度为用户推荐潜在好友，大多是依赖于用户在线的个人资料和共同的物理空间中的签到信息．而由于人们的活动具有空间局部性，被推荐的好友分布在用户了解的地理空间，并不能满足用户通过推荐的朋友获取更多理信息的需求．采用用户在物理世界中的签到行为代替虚拟社交网络中的用户资料，挖掘真实世界中用户之间签到行为的相似性，为用户推荐具有相似的签到行为且地理位置分布更广泛的陌生人，能够增加用户接受被推荐的陌生人成为朋友的可能性，在保证一定的推荐精度的基础上，增加用户的信息获取量．采用核密度估计估算用户签到行为的概率分布，用时间熵度量签到行为在时间上的集中程度，选择可以为用户带来更多新的地理信息的陌生人作为推荐的对象，通过大规模Foursquare的用户签到数据集，验证了该算法能够在精度上保证与目前已有的LBSN上陌生人推荐算法的相似性，在信息扩大程度上高于上述已有算法．

简介：《软件学报》（CN：11-2560/TP）是一本有较高学术价值的大型月刊，自创刊以来，选题新奇而不失报道广度，服务大众而不失理论高度。颇受业界和广大读者的关注和好评。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社