基于非负矩阵分解的用户话题兴趣度算法

Web媒体被公认为继报纸、广播、电视之后的"第四媒体"。而Web2.0的迅速普及,又使当今的Web媒体呈现了一种"自媒体"形式,即每个用户既是信息的接受者,也是信息发布者和信息转发者,在信息传递过程中,用户与用户互动,影响信息传播的进程。用户本身的特性对于传播有很大影响,信息传播依赖于用户个体的行为模式。因此,需要对用户和传播话题之间的关系进行建模,来度量用户对某个话题的感兴趣程度。论文提出了有效的算法来对用户进行感兴趣的话题推荐,该算法基于非负矩阵分解理论,分析用户发表过的内容,将用户感兴趣的话题推荐给该用户。该文针对研究小组下载的真实数据集-科学网数据集进行实验分析,实验结果表明算法能够有效地将用户感兴趣的话题推荐给用户。

基于话题的信息空间模型与用户模型

信息网络中拥有大量并且不断增长的信息,而用户的信息需求又是各不相同、极具个性化的。为了帮助用户及时得到相关的信息,信息过滤技术依据用户不同的需求从信息流中选择用户需求的信息并及时送给用户,为用户提供个性化的服务,并能节省网络带宽。在信息过滤环境中,需要有效地解决两个具有不确定性的问题:用户兴趣的改变和动态的信息流;同时,还要对用户兴趣及进入信息流进行匹配计算,以便将有用信息及时、准确地送到需要它们的用户处。为此就需要用一种模型化的方法有效地表示用户兴趣及信息空间,从而可对二者进行匹配计算。

基于用户影响力的热点话题检测方法研究

[目的/意义]对微博消息进行热点话题挖掘,进而从海量微博文本中实时找出用户关注、讨论的热点事件,是进行舆情监测、应急管理的基础。然而,现有微博热点话题检测研究却大多忽略了不同影响力用户对话题产生及传播的作用,并且检测结果直观性较差。针对此问题,提出了基于用户影响力的热点话题检测方法。[方法/过程]首先识别用户特征要素,构建用户影响力模型,计算用户影响力;然后,综合考虑主题词影响力、影响力增长速度和增长斜率,提出基于用户影响力的微博热点话题主题词抽取方法,抽取主题词簇;之后,识别核心主题词并进行热点话题关键词抽取。最后,通过实验验证方法的有效性。[结果/结论]实验结果表明:基于用户影响力的热点话题检测方法能够有效识别并直观表达出检测时间窗口内的典型热点话题;该方法能有效提升实证性热点话题识别效率,减少娱乐性热点话题的识别;通过对不同时间窗口内同一话题的关键词抽取,可以实现对相应话题的热点跟踪。

社交网络高影响力用户发现算法研究

社交网络中高影响力用户在产品推荐、广告营销、舆情监测、信息阻断等方面有着广泛的应用.有效挖掘高影响力用户与社交网络的拓扑结构、用户发布的消息及围绕消息所产生的交互行为都紧密相关.当前的研究主要围绕社交网络节点、用户话题、转发行为等不同维度进行深入分析.如何有效对社交网络短文本消息进行话题描述、探查用户发布消息与用户交互行为之间的级联机制,已成为社交网络影响力用户发现的关键问题.针对上述关键问题,在提取基于词向量描述的话题子网、hashtag标题子网的基础上,提出了基于话题的社交网络影响力用户发现方法,在不同的数据集上,通过与不同的社交网络影响力用户发现算法进行对比,并对基于不同数据集的影响力用户的可视化分析,实验验证了所提算法的有效性.