基于社群挖掘的用户个性化信息推荐方法研究

当前情报学科的发展目前呈现出多维度、跨学科等特点,而结合个性化信息推荐算法,可为其注入新活力。本文的研究是为了提高个性化信息推荐的效果,解决个性化信息推荐的稀疏性问题,以期可以促进情报学科的新发展,为此,我们引入了社群挖掘概念,得到TO算法,在协同过滤或关联规则推荐之前先对数据进行社团划分,通过对Book-crossing公开数据集的验证分析,并与对照算法相比,我们发现TO算法的准确率和调和度都最佳。

突发公共卫生事件微博网络社群挖掘及特征研究——基于2022年上海疫情事件的分析

[目的/意义]微博用户作为网络信息传播的节点主体,构成了不同的网络社群。挖掘突发公共卫生事件下微博中存在的网络社群并对其特征进行探究,识别具有影响力的网络社群,对政府危机应对、舆情引导有着重要的现实意义。[方法/过程]以2022年上海疫情事件作为信息源,基于LDA模型结合用户转发关系挖掘微博中的网络社群,并对划分后的社群进行社会网络分析及情感分析。[结果/结论]社群挖掘能有效减少微博网络中用户间弱联系,微博网络社群中信息具有良好的可达性。微博网络整体情感倾向较为积极,但仍存在少数负向情感主导社群。具有良好信息可达性的网络社群情感占比较为集中,呈现出更为明显的情感倾向,微博网络社群内部可能产生用户间“情绪感染”现象。

微博社交网络中用户群体关系挖掘与群体行为分析

提出了一种基于权重属性的图聚类方式。该图聚类方式在图聚类的基础上,考虑了每个节点的不同属性,并根据影响度给属性分配权重,从而在依据亲密度构建的网络拓扑图上进行图聚类的修正。实验证明,该方法更符合实际的群体聚合方式。

基于加权网随机区块模型的学术热点提取算法

学术热点在把握科学前沿、掌握学术动向、制订科研规划、学术作品评审等领域中有广泛的应用。针对学术热点发现中对文献市场选择性影响体现不足和热点内容结构表现单一的问题,本文提出了以学者选读文献为基础的学术热点提取模型和算法,设计了基于加权网模块社群挖掘算法的随机区组模型两阶段算法,用于发现带结构的学术热点,模拟和实证研究均表明算法在学术热点提取中取得良好效果。

微博用户关系提取与推荐的软件系统

Web2.0时代的到来让社会媒体以前所未有的方式逐步改变着人们的生活,并颠覆了人们获取信息的方式,用户不仅可以接收信息,同时还可以参与发布信息和传播信息,更加重要的是用户不再是独立的个体,他们通过互相交互而产生关系。目前大部分研究人员对于社会网络关系的研究都是从关系的意义和价值的角度出发的,即利用已存在的关系去分析其他问题,比如关键人物挖掘、信息传播路径和信息分享机制等,而很少去研究社会关系本身,但是研究分析用户的关系链,不仅能够实现用户对好友的快速定位和管理,还能方便地从海量的关注对象中找到自己感兴趣的好友。本文针对这一问题,重点研究了社会媒体中用户之间社会关系挖掘的相关问题,包括对已有关系的研究和对未知潜在关系的研究。通过对社会关系进行计算研究,能够提取用户之间的关系,对用户进行内容的推荐。