基于社交网络的虚拟团队成员推荐模型

为研究如何帮助社交网络中虚拟团队从海量的用户中筛选更多行为相似的用户加入团队,建立了一种基于社交网络的团队成员推荐模型,为虚拟团队推荐一些行为特征相似的用户作为候选团队成员。通过对用户信息和团队信息进行分词处理,得到用户标签向量集和团队标签向量集;将基于遗传算法的聚类算法应用于团队标签向量集,得到团队聚类簇和团队聚类中心;在此基础上,将团队聚类中心作为用户集的初始聚类中心,聚类出行为特征与团队聚类中心相似的用户簇,将这些用户簇作为相应团队聚类簇的候选推荐用户;再应用协同过滤思想,筛选出团队推荐成员列表。实验结果表明,该算法有效地解决了虚拟团队成员推荐问题。

在线社交网络挖掘综述

介绍了在线社交网络挖掘产生的背景以及不同学科领域研究的侧重点,并对在线社交网络挖掘所涉及的用户分类、社区发现、观点挖掘、情感分析、信息传播、社会化推荐以及可视化分析等代表性研究话题的现状进行了详细论述,重点归纳了每一个话题所涉及的关键问题和代表性解决方法.分析和讨论了在线社交网络的迅速发展给在线社交网络挖掘领域所带来的新问题和新挑战,最后指出了该领域的发展前景.

基于标签传播的可并行复杂网络重叠社区发现算法

针对复杂网络重叠社区发现算法中预先输入参数的局限性以及标签冗余等缺点,提出一种改进的复杂网络重叠社区发现算法,最小极大团标签传播算法MMCLPA(minimal maximal clique label propagation algorithm).该算法通过寻找网络中的最小极大团(MMC)并对每个MMC中的节点赋予相同的标签来减少冗余标签,提高算法的稳定性.标签更新时采用亲密度作为权重并由MMC构成的核心节点群向四周扩散,后期处理采用自适应阈值方式克服了预先输入参数对未知网络的局限性.通过仿真和真实网络数据与其他几种有代表性的社区发现算法的实验对比分析,表明MMCLPA算法提高了对混合参数u的容忍度以及算法的鲁棒性.利用分布式计算模型Map Reduce和Hadoop云平台实现了MMCLPA算法的并行化,实验结果表明并行化的MMCLPA算法在百万级节点的复杂网络大数据中拥有单机系统下近似的社区发现质量以及良好的可扩展性.