基于社交媒体的高影响力跨学科用户发现研究

社交媒体环境中非正式学术交流与正式学术交流相互补充,已共同构成了有机的科学交流整体,探讨社交媒体中跨学科高影响力用户不仅可以作为正式交流中结构规律认识的补充与完善,还有助于社交媒体上普通用户或新用户快速与高影响力用户交流寻得帮助。但现有跨学科用户研究大多依据科技文献来进行,并不能有效地发现社交网络上跨学科用户。为此,我们结合科技文献的领域分类语料,在科学网博客平台上进行跨学科高影响力用户发现。首先我们基于领域科技文献语料,完成科学网博文的学科领域划分,然后根据博文的学科分类计算用户学科属性及跨学科专业度,最后根据用户跨学科高影响力模型得到跨学高影响力科用户。这为社交媒体上跨学科用户发现提供了一定的借鉴。

D2D中基于社交关系的按需用户发现策略

无线多媒体业务的爆炸式增长使得D2D(Device-to-Device)通信技术成为下一代移动通信系统的研究热点。用户发现策略,作为D2D关键技术之一,旨在有效发现潜在的D2D邻居用户。基于现有用户发现策略建立D2D链路,正面临着有效性和安全性的巨大挑战。本文考虑到每个用户不可避免地处于移动社交网络中,提出了基于社交关系的按需用户发现策略。主要根据用户请求的文件、具有的社交关系以及基站反馈和更新系统用户的状态信息表,来发现潜在的D2D用户对并建立D2D链路。理论分析及仿真结果表明,该策略可以更有效地发现邻居用户,并提高了D2D链路建立的安全性。

基于忠诚度的社交网络用户发现方法

针对社交网络中提高用户的高黏性问题,提出了一种基于用户忠诚度的用户发现的算法。该算法利用双重RFM模型对用户忠诚度进行计算,挖掘出忠诚度不同分类的用户。首先,通过双重RFM模型动态计算出用户在某一时间段的消费价值与行为价值,得到用户某一时间段的忠诚度;其次,根据用户的忠诚度,确定标度曲线,利用相似度计算找到典型的忠诚用户与不忠诚用户;最后,采用基于模块度的社区发现与独立级联传播模型,发现潜在的忠诚用户与不忠诚用户。在某社交网络的微博数据集上,实现了社会性网络服务(SNS)下用户忠诚度的量化表示,获得了基于用户忠诚度的用户发现结果。实验结果表明,所提算法能够有效挖掘出基于忠诚度的用户分类,可以为社交网站针对用户的个性化推荐及营销等,提供理论支持和实用方法。

社会关系网络中影响力用户发现方法研究

【目的】为使结点投放的社会性网络广告绩效最大化,探索一种遴选网络影响力用户的新方法。【方法】从社会资本测量的视角,将社交网络上的用户间关系描述为社会关系网络基本图谱,据此建立用户影响力社会资本测度模型,通过对基本图谱下的用户随机游走行为发生可能性的概率计算,以识别和发现有影响力的用户。【结果】经识别的目标用户在其特定领域拥有相当的话语影响力,可对其他用户施加信息影响,经与"新浪微博"平台标识的影响力用户对比,验证该方法的有效合理性。【局限】未考虑社交网络用户的博文内容对其话语影响力的贡献。【结论】为企业投放社会性网络广告遴选有影响力用户,提供理论支持和实用方法。

新浪微博用户网络分析及关键用户快速发现研究

随着微博用户的不断增加,微博用户网络也在不断地变化和发展。该文首先讨论了微博用户网络的现状和微博用户网络分析的内容,然后基于实际的微博用户数据,研究微博用户网络节点的度分布。在此基础上,分析影响微博用户节点关键程度的因素,提出了一种结合用户活跃度、用户粉丝重要程度的微博关键用户发现算法。该算法充分考虑了微博高时效性的特点,能够从不断变化的微博用户网络中,快速发现关键用户。

融合知识特征与协同属性的创新用户群发现研究

企业创新社区作为用户参与的典型应用,可以为企业的产品开发与改进提供创新灵感。然而,互联网平台的开放性使得社区中的用户及其生成内容趋于无组织性,进而导致社区的知识组织与创新孕育效能低下。特别地,独立用户的创新活动常常受到其认知的限制。为了促使企业创新社区的用户创意得以有效聚集和碰撞,本文聚焦具体知识情景,对最具知识潜能与合作潜能的协同创新用户群进行识别,以最大限度的激发用户间的协同效用。因此,本文充分利用超网络的复杂系统分析能力,提出用户的知识特征与用户间协同属性的量化方法,并利用遗传算法,实现创新用户群发现的最优化求解。本文利用MIUI社区的真实数据进行实验研究,验证了该方法的可行性与有效性。本文着眼于创新用户群体的识别,完善了知识量化体系,同时,对在线协同创新等社区运营实践具有较好的指导意义。

基于智能Agent的用户兴趣发现和更新

提出了一种新的基于智能Agent的用户兴趣发现和更新方法，主要介绍了智能Agent需要跟踪用户的哪些行为，如何发现用户真正感兴趣的文献，如何通过分析提取兴趣特征词及权重计算等内容。该方法主要利用了用户浏览文献页面的信息，有效地解决了用户兴趣的自适应变化。

基于改进TextTiling方法的用户新兴趣发现的研究

个性化信息检索可以根据用户的检索兴趣返回个性化的检索结果.提出了用户新兴趣发现子任务,根据用户检索对象的变化识别包含新检索兴趣的查询.同时,引入TextTiling方法并对其进行改进,使系统可以自动选择合适的动态阈值并准确发现用户检索兴趣的转移.在构建的标准评测集上的实验结果表明,改进的TextTiling方法使得用户新兴趣发现系统性能提高了16.4%,而且此子任务使得最终的个性化检索系统的性能提高了3.8%.

基于Bayes概率的用户兴趣发现

本文结合网页结构,充分考虑用户在网页的滞留时间和页面切换,基于Bayes概率提出了一种能挖掘出优良的用户兴趣迁移模式及感兴趣的页面。采用本文提出的思想及算法,再结合人工智能策略,将能更好地辅助网站设计,并为电子商务的决策提供充分依据。

基于核心用户对发现的微博好友推荐算法

现有的微博好友推荐算法没有充分考虑网络关系结构,导致发现的邻居群合理性较差。针对这个问题,围绕微博用户群聚规律和社交网络特点展开研究,提出一种基于核心用户对发现的微博好友推荐算法;该算法首先将任意两个具有相互关注关系的用户封装成用户对的形式并计算各用户对之间的交互行为相似度,然后通过密度和距离两个参数发现核心用户对以及划分合理的邻居类簇,最后根据制定的推荐规则向用户进行好友推荐。结果表明,相比传统的协同过滤方法,该算法明显提高了微博好友推荐的精度,核心用户对发现、类簇的合理划分以及推荐规则的制定能够缓解数据稀疏和冷启动带来的问题。

基于用户兴趣和推荐信任域的微博推荐

向用户推荐其感兴趣的微博,是改善用户体验的重要途径。为使推荐的微博更加符合用户的兴趣和品味,提出的微博推荐方法不仅考虑用户自身的特点,而且还考虑所在社区对微博的评价。在技术实现上,采用支持向量机进行文本分类,以便发现用户的兴趣偏好;通过多维Newman算法进行用户社区的发现,并将社区视为推荐信任域。最后采用改进的协同过滤算法综合用户兴趣偏好和推荐信任域进行微博推荐,以此提高微博推荐的质量。实验结果表明,提出的微博推荐方法是切实有效的。

基于Web日志的个性化搜索引擎模型的发现

个性化搜索是指同样的关键字对不同的人返回其感兴趣的搜索结果。对于不同的用户个体,同样的关键字可能有不同含义,如关键字"apple"被爱好音乐的人士理解为Apple iPod,但也会被健康饮食的人士理解为apple fruit。每次用户搜索关键字的过程,都会被记录在网站服务器的后台日志中。通过若干挖掘算法,将Web原始日志信息进行用户识别,会话分组后,提取单一用户多次会话中的搜索关键字关联规则,为实现个性化搜索引擎提供参考。

高校图书馆服务变革的时代趋势及应对

为更好服务人才培养和学术研究等工作,图书馆要以"智慧服务"为基础框架,融入主动服务意识,通过为读者提供学习支持、学科服务等活动,有效应对图书馆服务变革的时代趋势。本文以高校图书馆服务变革的时代趋势为研究基础,从挖掘用户需求、优化知识服务和整合资源利用机制等多个视角提出服务变革的应对策略。

基于聚类挖掘算法的微博用户兴趣发现的实现

社会媒体是用户分享与获取信息的重要平台,本文基于微博用户数据,运用数据挖掘中的聚类算法,提出了微博用户兴趣的发现方法,实现了微博好友的分组和好友推荐,为新媒体社交网络平台上的新闻推荐和精准营销,进行了有益的探索。在探索聚类算法的过程中,本文针对K-means算法的不足之处,结合粒子群算法的优势,提出了改进后的粒子群K-means算法,该算法在微博用户兴趣发现中提高了聚类的效果。

Web日志挖掘中3GWAP子网的获取研究

随着3G时代的到来,手机上网已逐步普及,由于手机屏幕较小及上网带宽限制,需要为手机访问者提供只需保留原Web站点主干分支的WAP子网。WWW上用户的访问路径信息会被记录在Web服务器的日志记录中,分析这些日志并挖掘出用户的主要行为模式,可以提取出Web网站被频繁访问的主干部分。首先将原始日志序列转化成用户访问路径会话集UVPSD,然后通过约束的加权网站结构图WWSSG,最终实现了此Web站点的频繁主干子网的发现。在上海社区网上采用此算法提取出的3GWAP子网,实验数据表明,该子网覆盖了上海社区网的大部分热门栏目页面。