跨社交网络用户身份识别技术研究

发布时间：2022-02-24 19:16

　　跨社交网络用户身份识别是在线社交网络研究的重要组成部分,在多源数据融合、跨网络信息传播以及网络空间治安管理等方面具有重要的现实意义。近年来跨网络用户身份识别研究受到越来越多的关注,基于社交网络拓扑结构的用户身份识别算法层出不穷。但当前研究中仍然存在用户特征提取不全面、跨社交网络用户间关系建模不准确的问题。本文聚焦于从网络拓扑结构的角度解决用户身份识别问题,主要工作和创新点如下:1.针对现有研究中仅利用邻近性结构学习用户特征表示而导致用户特征提取不全面的问题,提出了基于社区结构表示学习的跨社交网络用户身份识别算法。首先,在学习社交网络中节点向量表示的过程中同时考虑一阶/二阶邻近性结构和社区结构,尽可能地保留社交网络原始结构信息;然后,将已知锚链接作为监督信息,训练BP神经网络,学习源网络和目标网络之间的非线性映射函数。在真实社交网络数据集和合成数据集上进行的一系列实验表明,该算法不仅提高了用户身份识别的准确性,其中0)（84）4)9)@1超过45%,比最先进的Deep Link算法提高了30%以上;而且在已知锚链接较少的场景下,仍然具有十分优异的表现,当已知锚链接仅有10%时,0)（84... 

【文章来源】：战略支援部队信息工程大学河南省

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 跨社交网络用户身份识别算法研究现状
        1.2.2 网络表示学习技术研究现状
    1.3 现有研究存在的问题
    1.4 主要研究内容
    1.5 论文组织架构
第二章 跨社交网络用户身份识别研究框架
    2.1 术语定义及相关概念
    2.2 问题描述及形式化定义
    2.3 用户身份识别基本研究框架
    2.4 评价指标
    2.5 本章小结
第三章 基于社区结构表示学习的跨社交网络用户身份识别
    3.1 问题分析
    3.2 社区一致性现象分析
    3.3 算法框架和基本步骤
        3.3.1 网络扩展
        3.3.2 融合社区结构特征的网络表示学习
        3.3.3 基于BP神经网络的映射学习
    3.4 实验
        3.4.1 实验数据
        3.4.2 实验设置
        3.4.3 在真实数据集上的实验结果及讨论
        3.4.4 在合成数据集上的实验结果及讨论
    3.5 本章小结
第四章 基于神经张量网络的跨社交网络用户身份识别
    4.1 问题分析
    4.2 算法框架和基本步骤
        4.2.1 基于Random Walks和 Skip-gram的网络表示学习
        4.2.2 基于神经张量网络的跨社交网络用户间关系建模
        4.2.3 基于多层感知机的用户身份识别
    4.3 实验
        4.3.1 实验数据
        4.3.2 实验设置
        4.3.3 实验结果及分析
    4.4 本章小结
第五章 基于图注意力网络的跨社交网络用户身份识别
    5.1 问题分析
    5.2 算法框架和基本步骤
        5.2.1 基于Node2vec的网络表示学习
        5.2.2 基于图注意力网络的节点特征强化
        5.2.3 基于神经张量网络的用户身份识别
    5.3 实验
        5.3.1 实验数据
        5.3.2 实验设置
        5.3.3 实验结果及分析
    5.4 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 工作展望
致谢
参考文献
作者简历


【参考文献】：
期刊论文
[1]网络表示学习综述[J]. 涂存超,杨成,刘知远,孙茂松.  中国科学:信息科学. 2017(08)
[2]基于用户名特征的用户身份同一性判定方法[J]. 刘东,吴泉源,韩伟红,周斌.  计算机学报. 2015(10)
[3]基于多属性决策的社交网络用户识别（英文）[J]. 叶娜,张银亮,董丽丽,边根庆,Enjie LIU,Gordon J.Clapworthy.  中国通信. 2013(12)
[4]FourSquare:移动社交新星[J]. 许秀全.  互联网天地. 2010(03)

硕士论文
[1]基于深度学习的火焰检测算法研究[D]. 薛港城.西安电子科技大学 2019
[2]结合图嵌入与矩阵分解的社会化推荐系统研究[D]. 张洪磊.北京交通大学 2019
[3]多源异构数据的跨域关联方法研究及应用[D]. 郭馨蔚.电子科技大学 2016



本文编号：3643352