基于SUP-LightGBM的跨社交网络用户识别

对同一用户在多个社交网络中的信息进行整合,以支持用户画像、个性化推荐等应用需求,跨社交网络用户身份识别成为研究热点,但现有识别方法存在数据难获取、真实性不足、识别精度不高等问题。针对这些问题,论文设计网络爬虫程序,从真实社交网络Facebook和Twitter网站中获取用户好友关系数据,解决了数据难获取与真实性不足的问题,并首次加入好友昵称特征(SUP),使用SUP-LightGBM算法对Facebook和Twitter中相同的用户进行识别,提高了识别精度。实验结果表明,SUP-LightGBM算法的精确率、召回率、F_(1)值和准确率分别达到了98.35%、96.08%、97.19%和97.09%;相比不使用SUP特征时分别提高11.06%、21.43%、16.74%和15.8%,证实了文中方法的有效性。

基于用户关系的跨社交网络用户识别方法研究

为了识别出用户在不同社交网络平台中的身份,跨社交网络的身份识别研究已成为学术界的热门话题。相较于其他的识别方法,用户关系不易伪造,识别结果更加可靠、准确。通过综述跨社交网络的身份识别研究进展,基于用户关系这一角度,总结了现有的识别方法,有助于读者了解到该领域的研究现状。结果显示,基于用户关系的跨社交网络用户识别方法的识别精度高,但难度较大,仍须进一步研究改进。

基于深度学习的跨社交网络用户身份识别研究

近年来跨社交网络用户身份识别技术成为众多学者研究的一个热点领域。但现有的跨社交网络身份识别技术存在诸如识别的成本高、准确率低和普适度不足等缺点。而依靠社交网络上的用户昵称采用深度学习方法进行身份识别可以克服这些缺点。该方法首先采用网络爬虫爬取了同一用户在社交网络Facebook和Twitter上的昵称对,然后在对数据清洗、转换、集成和处理后作为实验数据集;最后对实验数据集采用深度学习算法进行训练和识别。实验表明,基于深度学习的身份识别算法的准确率、精确率、召回率,和F1值分别达到了92.44%、94.29%、92.44%、93.11%和92.49%,结果优于传统机器学习算法以及该领域其他相似研究的识别效果,证实了该方法可以以较低数据获取成本实现较高识别效果并在不同社交网络使用。