基于多社交关系的社团划分概率矩阵推荐算法

随着大数据的不断发展,用户的个性化推荐得到普遍应用,现有的推荐算法忽略了用户之间的多种社交关系组成的社团结构,但在现实的网络空间中用户间的多种社交关系可以很好的作用于推荐系统。基于多子网复合复杂网络模型,利用多种社交关系组成的社团结构特性,提出了基于多社交关系的社团划分概率矩阵推荐算法。通过在真实数据集Epinions上与现有推荐算法进行对比,准确率评价指标δMAE、δRMSE分别提高了30%、20%,由此可以证明,基于多社交关系的社团划分概率矩阵推荐算法能有效提高推荐准确率。

基于多子网复合复杂网络模型的多关系社交网络重要节点发现算法

为提高社交网络中重要节点评估的效率和有效性,根据社交网络中存在多种相互影响的关系的特性,基于复杂网络理论提出了一种适用于多关系社交网络的重要节点发现算法.首先使用多子网复合复杂网络模型建立包含多种关系的复杂网络,然后采用信号传播方法体现网络中多种关系和节点间的相互影响,以及这些影响的传递性,最后利用矩阵迭代方法模拟信号传播过程,定量分析网络中各节点的重要度.该算法综合了社交网络中节点的全局和局部重要性,考虑了各节点重要度的相互影响,在豆瓣网上的实验结果表明,与传统社交网络重要节点发现算法相比,该算法在迭代次数、涵盖率等指标上都有较大改善,有助于提高社交网络中舆情分析、社团结构发现、信息传播等工作的效率和准确性.

网络社交关系对体适能健身消费决策的影响

随着信息技术的高速发展,电子商务行业相比之前愈发成熟,消费者做出消费决策时受到网络社交关系的影响。为此,本文通过梳理文献和专家咨询提出了网络社交关系对体适能健身消费决策影响的研究模型,并进行实证分析。研究结果表明:网络社交关系显著影响居民体适能健身消费决策,而居民消费意愿在这种影响中起中介作用。

基于大数据分析的多关系社交网络舆情传播模型研究

为了真实再现舆情在多关系社交网络中的传播过程,通过对爬取的新浪微博数据进行大数据分析,从中得到社交网络中多种关系对网络舆情传播的影响,基于复杂网络理论提出了一种适用于多关系社交网络的舆情传播模型,该模型根据多种关系对舆情传播的影响界定传播模型中各状态之间的转移过程和转移概率.仿真结果表明:与传统社交网络舆情传播模型相比,该舆情传播模型可以更好地描述真实互联网环境中的舆情传播规律.

多关系社交网络中社团结构发现算法

社交网络的节点之间存在着多种关系,这些关系共同决定了网络中节点的社团结构划分。为了准确地发现多关系社交网络中的社团结构,通过研究信息在多子网复合复杂网络模型上的传播过程,提出了一种多关系网络中的社团结构发现算法。该算法基于多子网复合复杂网络模型建立的多关系社交网络,利用信息在多关系社交网络中的传播过程,将网络中的节点转化成能够被聚类算法处理的向量形式,进而采用聚类算法完成多关系社交网络中的社团结构划分。该算法综合考虑了网络中多种关系的相互作用以及异质节点间的相互影响,得到的传播信息量矩阵表示了各节点在整个网络中的影响力,并将影响力相似的节点划分到同一个社团结构中。实验结果显示,与传统社团结构发现算法相比,该算法不仅在准确度上有所提高,还能将异质节点划分到一个社团中,可以根据用户不同需求挖掘出多关系社交网络中的隐藏信息。

基于MRLT模型多关系社交网络影响力最大化研究

社交网络影响力最大化问题是基于特定的传播模型,在网络中寻找一组初始传播节点集合,通过其产生最终传播影响范围最大的一种最优化问题。已有的相关研究大多只是针对单关系社交网络,即在社交网络中只存在一种关系,但在现实中,社交网络的用户之间往往存在着多种关系,并且这多种关系共同影响着网络信息传播及其最终影响范围。在线性阈值模型的基础上,结合网络节点间存在的多种关系,提出MRLT传播模型来建模节点间的影响力传播过程,在此基础上提出基于反向可达集的MR-RRset算法,解决了传统影响力最大化问题研究过程中由于使用贪心算法所导致的计算性能较低的问题。最后通过在真实数据集上的实验对比,表明所提方法具有更好的影响力传播范围及较大的计算性能提升。

基于社交网络关系的行为推理模型构建

现实社会中每个人的行为特征具有典型的个性化属性,通过面向社会大众行为的普适性模型去推理个体行为的特征具有一定的困难和误差。在当前移动互联网信息化的大背景下,大数据为我们提供了丰富的数据集。文中探讨了在大数据平台对移动互联网用户社交网络关系的特征采集基础上,通过LSTM和Apriori理论的算法模型构建,实现时空位置轨迹下的网络行为分析和推理。

基于多种社交关系的概率矩阵分解推荐算法

随着社交网络的发展,社会化推荐算法得到普遍应用,现有的推荐算法往往只是将一种社交关系引入到推荐系统,但在现实社交网络中用户之间往往存在多种社交关系。基于多子网复合复杂网络模型,利用共享用户特征矩阵,提出了基于多关系社交网络的矩阵分解推荐算法。通过在Epinions数据集上的实验结果分析,准确率评价指标MAE、RMSE和NMAE分别提高了34%、27%和7%,由此可以证明,多关系社交网络的矩阵分解推荐算法能有效提高推荐准确率。

“断亲”:概念、问题及思考

传统社会与现代社会的相互兼容带来家族主义到个体化的转向,对于亲属关系而言,人们不仅受到传统亲情观念的束缚,而且还有越来越多的理性考量,“断亲”现象愈演愈烈,值得仔细探讨。本文构建了基于社会、家庭与个人的亲属关系三角形理论框架,重新定义与描述“断亲”现象,并从社会结构与生活方式出发,挖掘“断亲”现象的孕育土壤。作为现代化的必然产物,“断亲”致使宗亲互助隐退、家庭功能被削弱的同时,也在一定程度上减少了社交成本。“断”后亦有重联现象,即“伸缩性弹簧的回归”。“断亲”不仅仅反映出个体对亲属关系的理性选择,更是对社会关系网络的结构性重塑。

基于多子网复合复杂网络模型的物质扩散推荐算法

融合社交网络的社会化推荐算法是目前推荐系统中普遍采用的方法。在现实的社交网络中,用户间存在多种关系,而每种关系对于推荐的影响是不同的,因此在推荐中单纯引入某一种社交关系必然影响推荐结果的准确率。本文基于多子网复合复杂网络模型,通过在用户-商品二部图上加载多关系社交网络,构建多关系复合网,提出了基于多关系复合网的物质扩散推荐算法。在真实的数据集Epinions和FilmTrust上的实验结果表明,加入两种社交关系的推荐算法比加入一种社交关系的推荐算法及传统的物质扩散算法在推荐准确率方面有显著提高。

基于动态加权图卷积的异常用户检测

异常用户通常会通过伪装来逃避检测,但无法轻易操纵用户间的交互,检测异常用户可以考虑用户间的交互关系信息。然而现有工作常常简化了现实存在的非对称关系,并且局限于单一的交互关系类型。为了解决上述问题,基于用户之间多种交互行为检测异常用户,结合知识图嵌入技术学习用户之间的交互关系信息,为了解决图卷积算子不能区分交互关系的主动与接受之间的差异这一问题,在对邻居节点进行聚合时结合标签预测信息作为先验知识对其动态加权。用Twitter数据集进行实验,AUC值达到了96.7%,并且在不平衡数据集上仍达到较好的检测性能。

Social network search based on semantic analysis and learning

Because of everyone＇s involvement in social networks, social networks are full of massive multimedia data, and events are got released and disseminated through social networks in the form of multi-modal and multi-attribute heterogeneous data. There have been numerous researches on social network search. Considering the spatio-temporal feature of messages and social relationships among users, we summarized an overall social network search framework from the perspective of semantics based on existing researches. For social network search, the acquisition and representation of spatio-temporal data is the basis, the semantic analysis and modeling of social network cross-media big data is an important component, deep semantic learning of social networks is the key research field, and the indexing and ranking mechanism is the indispensable part. This paper reviews the current studies in these fields, and then main challenges of social network search are given. Finally, we give an outlook to the prospect and further work of social network search.

社会感知驱动下的用户画像时空数据研究进展

【目的/意义】社会感知是借助海量时空数据研究人类时空间行为特征,进而揭示社会经济现象的时空分布、联系及过程的理论与方法。用户画像旨在通过挖掘用户属性特征和行为模式,以揭示群体、领域乃至社会现象的内在规律。用户画像是实现社会感知的重要手段。【方法/过程】紧密围绕社会感知数据涉及的情感认知、行为习惯和社交网络关系三个维度梳理与之映射的用户画像内容维度,更深层次地,对其三个维度中与用户画像息息相关的应用情境进行分类描述,以期总结其应用价值。【结果/结论】研究发现:当前用户画像的数据源拓展到多源异构时空数据;研究内容集中在情感及场所语义、空间交互以及社交网络挖掘等方面;时空语义推理等研究是该领域的拓展;应用情境可以在跨地域空间信息服务、城市人地交互关系挖掘、政府高效治理、领域事件时空关联趋势预测等主题领域加以展开。【创新/局限】社会感知数据的利用可以在多任务场景下实现态势感知和知识推理。通过融合多源异构时空数据和集成多种用户画像维度,能够实现多场景的精准知识服务。