Web社会网络的粗糙属性图模型及应用

针对Web环境下的社会网络具有信息粗糙性的特征,即Web数据中有大量垃圾内容和垃圾链接,同时很多信息是不完整的、缺失的,且信息有重复现象存在等,在已提出的属性图模型基础上,结合粗糙集理论解决不完备信息的优势,首先提出粗糙顶点属性图和粗糙边属性图,进而给出粗糙属性图的概念,以对Web社会网络结构进行分析,使其能够描述复杂Web社会网络中的不完整信息以及动态变化的链接。其次对粗糙属性图的粗糙特性进行分析,给出粗糙顶点精度、粗糙边精度和粗糙图精度等概念,得出粗糙属性图的精度与顶点和边集属性划分程度有关的结论,即人们对图的认知程度与图的精度密切相关。最后,在中国知网上通过对论文作者进行查询得到粗糙图,并通过不断添加顶点属性,将图顶点划分得越来越精细,挖掘出要查询的作者合作关系图,从而说明粗糙属性图在社会网络分析中符合人们的认知过程。

Web社会网络中引入群体凝聚度的信任模型

根据社会网络中人们的行动决策会受到周围人群影响的特征,在Web社会网络环境中提出了一个引入群体凝聚度的信任模型GC-Trust.模型首先对节点进行凝聚群的划分,其次从两个层面研究信任度,一是凝聚群之间的信任度,二是凝聚群与单个节点之间的信任度,再利用节点所在凝聚群内的群凝聚度以及节点在自身凝聚群中的影响力作为不同信任度之间的权重将他们进行综合,从而综合形成节点的凝聚信任度,以便选择合适的对象.实验表明GC-Trust模型与Tidal Trust模型以及基于同质度的信任模型相比,在凝聚群规模相对平衡且凝聚度高的环境中具有更高信任预测准确度.

结合网页和语句共现的Web社会关系评估

针对现有Web社会关系评估方法准确率较低的问题,提出一种结合网页与语句共现的Web社会关系评估方法。根据人名对在Web中的网页共现和页面内语句共现情况,综合评估2个人之间社会关系的强弱,设计相应的关系评估函数。实验结果表明,该评估方法能准确地度量Web社会关系的强弱,并且在度量关系权重时,语句共现比网页共现对评估结果的准确性起到更重要的决定作用。

基于中心性和PageRank的网页综合评分方法

为准确、高效地对网页进行评分,提出了一种基于中心性(结点度、居间度和紧密度)和PageRank算法的网页评分方法CentralRank.它采用PageRank算法计算网页分数,借助中心性度量的方法计算页面在Web社会网络中的重要性.为了验证CentralRank的性能优势,设计了一个网页抓取器,可利用该抓取器自动、准确地下载网页信息.该网页抓取器集成了网络信息采集、页面内容分析和页面消重3项技术.基于大量真实数据的实验结果表明:CentralRank在保证网页评分时间性能的前提下,比单纯基于中心性的网页评分算法和PageRank算法更准确、有效,预测准确性分别提高约14.2%和7.5%.