基于用户影响力感知的在线学习资源推荐方法

针对在线学习中推荐数据稀疏性和资源多样化需求等问题,构建了一套在线学习混合推荐策略。该研究提出了一种基于用户相似性、知识可信度和用户影响力评估的在线学习用户模型LIAM,以提高推荐效果。同时,采用动态直觉模糊DIF策略对LIAM模型进行优化,以提高模型的推荐准确性和可解释性。最后,该研究提出了一种基于自组织的推荐方法SOR,用于解决推荐结果的多样性和覆盖性问题,从而形成了一套完整的在线学习混合推荐策略。同时,采用Coursera数据集对推荐方法SOR进行性能验证,实验结果表明,该方法优于其他两种代表性推荐方法。推荐方法SOR有望为在线学习推荐系统提供更加准确和个性化的推荐服务,提升学习效果和用户体验。

融合拓扑势与因子图的在线社交网用户影响力推断

拓扑势可用于计算在线社交网用户影响力,但是,其对所有用户优化同一个影响参数,导致影响力以相同速度衰减的缺陷尚待改进.此外,拓扑势只适用于节点质量相同的网络.对此,本文融合拓扑势和因子图,提出影响力因子图(Impact Factor Graph,IFG)模型.IFG模型可推断网络用户节点间影响力,并对每个节点分配不同影响参数.维基百科合作编辑数据集上的实证表明,IFG模型可以解决拓扑势在异质网络上的计算问题,并提高用户影响力分析的合理性.

网络信息技术影响下考虑用户影响力的舆论传播研究

在当前的大数据时代,网络信息传播技术的快速发展极大地改变了舆论传播的模式和特点。用户影响力作为一个重要因素,在网络舆论传播过程中扮演着至关重要的角色。结合网络信息传播技术来研究用户影响力对舆论传播的影响,不仅可以更好地理解舆论传播的机制,还能为舆论管理提供有效的工具。在考虑用户影响力的基础上,结合实际情况研究网络舆论传播(L-SIR模型和L-SIIqR模型)以反映不同群体的传播特征,并分析模型的基本再生数和平衡点,讨论相关参数对舆论传播的影响。研究结果表明:高影响力用户层与低影响力用户层存在双向影响;层间信息影响力对谣言信息存在正面影响而对辟谣信息存在负面影响;低影响力用户层相较于高影响力用户层更依靠兴趣强弱传播信息。In the current era of big data, the rapid development of network information dissemination technology has greatly changed the mode and characteristics of public opinion dissemination. As an important factor, user influence plays a vital role in the process of network public opinion dissemination. Combining network information dissemination technology to study the impact of user influence on public opinion dissemination can not only better understand the mechanism of public opinion dissemination, but also provide effective tools for public opinion management. On the basis of considering user influence, combined with actual conditions, network public opinion dissemination (L-SIR model and L-SIIqR model) is studied to reflect the dissemination characteristics of different groups, and the basic reproduction number and equilibrium point of the model are analyzed, and the impact of relevant parameters on public opinion dissemination is discussed. The research results show that there is a two-way influence between the high-influence user layer and the low-influence user layer;the inter-layer information influence has a positive impact on rumor information and a negative impact on rumor-refuting information;the low-influence user layer relies more on the strength of interest to spread information than the high-influence user layer.

突发事件网络舆情中基于信息熵的用户影响力分析模型

研究提出基于节点信息熵的用户影响力评估模型。该模型首先将节点信息熵分为静态信息熵和动态信息熵,衡量用户的局部影响力和全局影响力;其次通过加权融合的方式得到用户的最终节点信息熵;然后通过节点信息熵计算用户影响力转移因子;最后在PageRank算法的基础上计算得到用户的影响力。以当下较为成熟的两种算法模型为对比,实验结果显示本模型得到的用户影响力具有更高的准确性和说服力。

基于个人属性特征的微博用户影响力分析

为提高微博话题中关键人识别的准确性,提出了一种基于个人属性特征的用户影响力分析方法———PBF方法。该方法利用信息传播特征对用户影响力进行度量,结合个人属性特征对其进行回归分析,找出最能反映用户影响力的属性特征,进而利用这些特征对用户影响力进行预测。实验结果表明,PBF方法的识别效率要明显高于RNF方法,有效提高了关键人识别的准确性。

基于用户影响力的意见领袖发现算法

随着网络的迅猛发展,大量用户参与话题讨论,推动信息传播,而在信息的有效传播中意见领袖有着重要的引导作用.因此,如何识别网络中的意见领袖成为研究热点.针对现有意见领袖识别算法因忽略了用户自身影响因素而不能客观地反映真实情况,综合考虑用户自身影响力和用户之间的链接关系,提出一种新的基于用户影响力的PageRank意见领袖识别算法.以某论坛数据进行实证,表明本文算法能够有效地提高网络论坛意见领袖的识别准确度;通过识别不同时间段内的意见领袖,发现意见领袖是随着时间的变化而变化的,只有很少用户在不同的时间段内是意见领袖.

基于情感分析的社会网络用户影响力模型研究

在社会网络环境下,用户的评论信息可作为信息分析的重要数据源,评论信息中包括用户对产品、服务等多个方面的情感倾向,对用户情感的分析可以帮助企业、组织、机构了解产品或者服务的优缺点。本文从情感分析和用户影响力入手,构建了情感分析的用户影响力模型。利用八爪鱼采集软件获取同程旅游网中的评论信息,从数据预处理、词表的建构、用户情感分析和预测等方面对社交网络用户在线评论情感词进行分类和判断,以检验所构建模型的实际可用性。研究结果显示,所构建的模型可以帮助用户获取评论中的情感信息,模型对于正向和中性词汇的辨析效果高于负向情感倾向的词汇,同时根据数据结果绘制了评论信息的情感雷达图、用户影响力的幂律图和情感词的标签云图。

基于PageRank的多维度微博用户影响力度量

以新浪微博为研究对象,提出一种适用性更广、考虑因素更全面的微博用户影响力度量算法,将用户基本属性、用户交互行为和用户博文内容三个维度因素融入传统Page Rank算法中,提出了一种多维度微博用户影响力度量算法MDIR。实验结果表明,MDIR算法相较于其他常用的五种影响力度量算法,能更加全面、真实地反映微博用户的实际影响力。

基于用户分析的微博用户影响力度量模型

微博用户影响力作为影响力研究在微博领域的延伸,已逐渐成为一个研究热点。该文在传统影响力度量指标的基础上,结合微博价值、消息传播过程中产生的影响力扩散以及用户的活跃程度,提出了三种新影响力度量方法,包括微博影响力、行为影响力以及活跃度影响力。此外,通过有效融合上述三种新度量方法提出了新的微博用户影响力度量模型。最后,针对不同影响力度量指标,该文对它们的内部关系进行分析,并阐述了影响力度量指标之间关联程度及形成原因。

基于领域的微博用户影响力计算方法

为了充分考虑微博的跨领域与领域交叉性特点,提出了基于领域的微博用户影响力的计算方法.该方法依据用户的微博内容与ODP领域本体的相似度,通过KNN领域分类算法判别微博所属的领域;并根据用户的粉丝数、被提及数、被评论数、在线时间与注册时间、微博的转发数等参数运用影响力计算公式分别计算用户在各领域的影响力,从而确定微博用户在各领域的影响力大小.实验表明,本文的计算方法充分考虑了微博的跨领域性与领域交叉性特点,并能更好地计算用户在各领域的影响力大小.

TTRank:基于倾向性转变的用户影响力排序

近年来,不少学者从回复关系的角度分析用户影响力,但存在回复关系稀少、帖子内容被忽视、不能动态更新等问题.为弥补这些不足,提出了一种基于倾向性转变的用户影响力分析方法.先计算帖子的影响力,再提出"局部回复链"的概念,引入间接回复关系计算方法,增加了帖子之间的回复关系;然后对局部回复链,分析用户倾向性变化的过程,得到用户影响他人和受影响的程度,最终获得用户在指定范围内的影响力排名.该算法与10种经典的影响力分析算法对比以及实例分析的结果,说明该算法能从其他角度更好地刻画用户形象.

基于PageRank的用户影响力评价改进算法

为了解决传统微博用户影响力评价算法全面性和客观性差的问题,通过对微博用户影响力的定义和影响因素进行分析,鉴于微博社区网络与web页面网络的拓扑结构有着天然相似性的特点,提出了一种基于PageRank的用户影响力评价改进算法(Self and Followers User Influence Rank)SF-UIR.运用用户追随者数、用户是否认证、用户微博的传播能力三个指标对用户自身影响因素进行了量化,改善了PageRank值对用户影响力评价客观性差的问题.采用权重因子将追随者对其所关注用户的影响力贡献值进行科学的量化分配,解决了追随者影响力等值传递的弊端.与四类主流算法的对比实验结果表明:SFUIR算法同时考虑了基于用户行为的自身影响因素和基于拓扑结构的追随者影响因素,能够有效地解决追随者数量排名算法中的"僵尸粉"干扰问题,能比平均转发数算法更真实地反映用户的影响力高低,能有效规避K-覆盖度算法中未考虑微博用户自身行为特征和将所有的追随者都一视同仁的严重缺陷,能极大地改进PageRank算法单纯依赖追随者数量和追随者质量的不足,从而能够更加全面、更加客观地反映微博用户的影响力.

一种微博用户影响力的计算方法

针对微博中用户影响力分析这个问题,提出用户影响力的计算方法。该方法首先提出用户自身影响力以及用户被影响力的概念,并根据用户自身特征与用户粉丝情况得出其计算公式,从而可以综合考虑用户在微博中的所有信息,计算出用户影响力。实验结果表明,这种计算方法能比较好地反映用户在其粉丝中的影响力。

融合用户行为与博文内容的微博用户影响力预测

随着微博等社交网络平台的兴起,民众参与线上生活、从中获取信息并相互交流的现象愈加普遍,分析社会网络中用户影响力等热点问题引起越来越广泛的关注.基于新浪微博提供的大规模数据集,利用用户所发微博产生的影响效果对用户影响力进行度量,将用户发微博时间、用户微博的转发、评论、点赞等交互行为与博文的内容相结合,分类提取特征,结合回归分析,预测用户影响力,并使用多视角堆模型融合方法改进预测精度.实验结果表明,提取用户行为与博文内容特征的方法可以有效预测用户影响力的变化,且随着特征数的增多、多视角堆模型融合方法的加入,预测准确度得到提升.

基于HRank的微博用户影响力评价

针对微博社交网络平台中的用户影响力评价问题,提出了一种基于HRank的评价算法。该算法将评价科学家科研绩效影响力的判定参数H指数引入进来,构造出能反映用户影响覆盖度的粉丝H指数和用户微博受追捧程度的微博被转发H指数,以分别表征用户的静态特征和在微博平台上的动态行为特征。在此基础上,结合粉丝H指数和微博被转发H指数构建出对用户影响力进行综合评价的HRank模型。粉丝数与用户影响力的相关性不是很强,同样数据集下相对PageRank,HRank用户影响力模型与新浪用户影响力官方排名更为接近,可有效实现对微博用户影响力的客观评判。

PageRank模型的改进及微博用户影响力挖掘算法

随着Web技术的发展,微博逐渐成为当下最流行的社交平台之一。微博中用户影响力计算是相关研究中的焦点问题。通过对PageRank模型的改进,提出一种新的用户影响力挖掘算法PR4WB(PageRank for Micro Blogs),解决了传统的PageRank算法由于页面权威值的等分传递带来的潜在误差过大的问题。PR4WB算法在考虑微博中用户关系的同时,利用社会网络概念将自身的活跃度、博文质量及可信性加以关联,形成动态的评价模型。基于Twitter数据的实验表明,PR4WB算法能更加准确、客观地反映出用户的实际影响力。

一种新的微博社区用户影响力评估算法

近年来,微博用户都凭借其自身在社区中的影响力来对信息传播做出贡献,尤其是活跃的大V用户能够引起信息广泛的传播。为了在微博社区中提高用户影响力衡量的准确性,提出了一种基于传统的PageRank算法和用户交互行为的用户影响力改进算法(IUIR算法),此算法通过直接质量指数和间接质量指数来构建微博用户的质量指数,再结合近期用户的活跃度来构造用户影响力评价公式。在新浪微博数据集上进行实验,并与传统的PageRank算法作比较,结果表明,该算法能够更有效地反映微博用户影响力的排名。

基于网络新闻评论的四度用户影响力分析模型

由于网络新闻评论的开放性和传播性,经常引发舆论事件,为能正确引导社会舆论,需要重点关注某些具有较高影响力的用户。针对已有方法未能全面考虑表征网络新闻评论用户影响力的因素,提出四度用户影响力分析模型——FDRank(four-degree influence rank),通过综合考虑用户的评论内容、评论情感值、自身质量以及网络结构4个方面,使用线性融合的方式对用户的影响力进行分析。实验结果表明,把用户评论情感值作为评价用户影响力分析的因素之一,能使模型获得更好的结果,与多种传统算法进行对比,FDRank算法均取得最优的准确率和召回率。

基于PageRank和用户行为的微博用户影响力评估

微博用户在消息传播过程中起到一个至关重要的作用,具有强大影响的微博用户是舆论形成、传播引导的关键因素。为了更准确地评估微博用户的影响力,文章提出了基于Page Rank和用户行为的用户影响力评估(UIA,User Influence Assessment)算法,该算法对用户自身的活跃度和用户之间的联系度进行综合考量,通过对用户的行为分析,可以提取并量化出影响用户自身活跃度和影响用户之间联系度的相关因素,进而计算出权值分配比例。该算法既避免了Page Rank的主题漂移现象,又系统化地衡量了用户影响力,具有较高的准确性。

社交网络用户影响力量化模型研究——以新浪微博为例

[目的/意义]社交网络用户影响力对信息的传播有显著影响,如何对用户影响力进行准确的量化判定,是目前亟待解决的问题。[方法/过程]以新浪微博为研究对象,通过非监督类神经网络模型中的增长阶层式自组织映像图来分析社交媒体用户各领域影响力,给出微博用户影响力的量化评估方法,综合考虑用户所发表言论的价值性与话题性以及用户在社群网络结构中的重要性。[结果/结论]实验结果显示,所提出的用户影响力评估方法,能够有效地将使用者不同面向的影响力以量化的方式来表示,并准确呈现不同时点的用户影响力。