一种基于排名聚合的社交网络关键用户挖掘方法

带有时间属性的动态社交网络逐步成为社交网络研究热点。相比静态网络,动态网络考虑用户交互发生的先后顺序,能够更直接地描述用户的交互关系和顺序。传统社交网络挖掘方法往往从用户交互路径进行评估,忽略了动态社交网络中交互时间片段的相互影响。综合考虑用户的交互顺序与时间影响,采用超邻接矩阵描述动态网络,并用排名聚合理论对用户影响力进行综合排名,提出了一种基于排名聚合的社交网络关键用户识别方法。Workspace实证数据集显示,该方法在准确率对比结果中,Spearman相关系数最多提高了13.45%,说明该方法在社交网络关键用户挖掘中具有适用性和有效性。

改进PageRank算法挖掘社交网络关键用户

为了准确而快速地挖掘社交网络中的隐藏关键用户,文中在分析经典PageRank算法平均分配权值缺点的基础上,为社交网络中的每个用户节点设置各自的权威度,并结合用户浏览网页的现实情况,模拟用户可以根据主观意向选择节点对应的链接操作,提出一种Au-2S-PageRank(Authority-2Step-PageRank)算法。该算法在程序设计上融合传统AuPageRank和2S-PageRank算法的优点,可解决权值分配和用户主观意向难以确定这两方面的问题。另外,使用推特数据集对Au-2S-PageRank算法、经典PageRank算法、MBUI-SFIM算法进行测试仿真。实验结果表明,相比另外两种数据挖掘算法,Au-2S-PageRank算法可以更加高效且准确地挖掘有向社交网络中的关键用户。