用户在线行为的记忆性研究

用户在线行为的记忆性研究有助于揭示用户在线行为特性,构建更准确的在线行为预测模式,对基于在线行为的网络安全防御和信息推荐都具有重要的意义。基于收集的某高校网关日志数据,首先分析了用户在线行为中的记忆特性。研究发现用户的在线行为具有较强的记忆性,其分布服从高斯分布。其次,定义了用户在线行为的记忆长度,统计发现其在个体水平和群体水平上都呈现幂律分布,表明用户的在线行为存在长期记忆。据此建立了马尔科夫过程模型,仿真重现了用户上网行为的记忆性特征。研究结果表明用户的在线行为不仅具有记忆性,而且这种记忆性可以为用户在线行为模式的构建提供指导。

P2P网络中基于K-means聚类的用户在线行为分析

使用K-means的聚类方法,从用户上下线规律的角度,对P2P网络中的用户进行了聚类分析,发现系统中存在稳定的节点类,以及在线规律呈现日周期规律但是与其他类节点可以互补的节点类,我们提出,合理有效地利用这些用户节点可以提高一些P2P系统的性能以及可靠性。

选择性聚合算法对在线用户行为数据的隐私保护

为解决在线用户行为数据隐私泄露问题,本文提出一种隐私保护选择聚合算法(PPSAA),通过采用BGN密码系统和添加噪声法对用户的敏感数据进行加密,并支持在线用户行为分析的选择性聚合功能,将同态加密和差分隐私机制相结合,使个人隐私得到较好保护。最后,通过对真实在线行为数据集的跟踪驱动,仿真表明,该算法有效地支持总体聚合查询和各种选择性聚合查询,与仅添加噪声算法相比,PPSAA算法具有较小的计算开销。

在线人类行为动力学中的肥尾特征

回顾了最近有关在线人类行为动力学重要的实证结果:在线行为的时间间隔分布的肥尾特征.通过博客发文与维基修改记录等在线行为数据的实证结果,阐述了时间间隔分布的幂指数随着活跃性减小而递减的关系;进一步强调了在不同时间尺度上人类行为的时间间隔分布表现出来的异质性;最后总结和展望了这些特性对于未来研究在线群体演化的重要意义.

基于声誉与基于网络结构的用户聚类比较分析

用户聚类问题是在线用户行为分析的一个重要研究方向。基于在线评分系统,用户声誉反映的是用户对产品打分的准确程度,用户——产品二部分网络结构反映的是用户对产品的品味偏好。结合声誉度量算法,分别采用DBSCAN方法和基于模块度的贪婪算法从用户打分准确程度和品味偏好角度进行用户聚类,提出一种一致性度量指标来衡量根据用户声誉与根据网络结构得到的两种聚类结果之间的联系。两个实证数据集上的实验结果表明根据用户声誉与根据网络结构得到的两种聚类结果是不一致的,说明打分准确程度相似的用户的品味偏好并不相似。

知识付费情境下在线用户参与行为影响因素研究综述

知识付费的兴起,给在线用户带来了全新的知识交流模式,对知识付费参与用户、平台以及图书馆的运营有着重要的意义。对在线用户知识付费参与行为进行评述,可为该领域进一步研究提供系统的参考。基于知识付费情境,从微观、中观、宏观环境层面,评述在线用户知识付费参与行为影响因素的研究现状。知识付费参与行为受到微观(意见领袖特征、价格效用、内容质量)、中观(平台技术、交互设计、平台信任)、宏观(社会影响、社会价值)环境因素的综合影响作用。同时,知识付费行为还受到个体特征的调节作用。

基于Petri网的微博网络信息传播模型

微博网络中的信息传播模型是分析用户行为,找出传播路径,确定领袖人物,发现舆情热点等研究的基础。虽然多种不同角度的信息传播模型已经得到广泛研究,但缺乏对信息动态传播过程的直观描述。本文基于Petri网的结构和特征,针对微博网络信息传播过程,提出了一种简单直观的描述模型,该模型首先对微博网络的信息动态传播过程中的对象进行结构化描述。本文根据微博网络的用户结构关系,并利用Petri网的相关理论,形式化解释和定义信息传播基本对象,从而更加直接描述了微博网络中的转发、评论、回复等多种用户行为。在此基础上,本文利用Petri网能够描述信息流动问题的特征,结合颜色Petri网和时延Petri网,从Petri网系统的角度表示信息动态传播路径,并研究网络的动态性质和传播条件,使得信息传播模型更加真实地模拟信息传播情况。最后本文分析信息传播算例和新浪微博真实数据实验,验证了模型的有效性和可行性,为舆情态势分析以及用户行为的研究提供帮助和支持,同时也为其它社交网络信息传播的用户行为描述提供了新的思路。