重叠网络社团的划分及可视化

发布时间：2020-09-18 16:55

　　微博,作为当前重要的信息传播平台之一,已成为计算机科学、社会学等学科的重要研究对象。采用社会网络分析的方法研究微博用户行为、发现微博社团有助于掌握用户聚集情况,以便规范网络管理,引导和监控网络空间群体性事件,对维护网络空间安全有重要意义。本文以微博用户行为和微博网络为研究对象,针对现有研究中存在的主要问题,对微博用户行为、微博重叠社团发现以及微博社团可视化布局进行了重点研究。第一,针对现有用户行为的研究中缺少对用户行为综合量化的问题,提出一种用户行为关系紧密度算法。算法考虑用户行为的差异性,计算相邻用户间转发和提及行为数量占双方对应行为总数量的比例,综合关注、转发、提及三种行为得到用户行为关系紧密度。实验使用真实微博数据集验证,结果表明该算法能够有效地反映用户行为关系的紧密性。将用户行为关系紧密度与近期活跃度结合,计算得到用户重要度贡献值,在此基础上提出一种改进的微博用户重要度排序算法。实验结果表明算法能够有效识别近期活跃度高的用户。第二,针对现有微博社团发现研究多是套用传统聚类算法,划分结果不能体现微博用户行为关系的问题,提出一种结合用户行为的微博网络重叠社团发现算法。将用户行为关系紧密度融入贪婪团扩张重叠社团发现算法,针对加权网络转换社区适应度函数。实验表明改进算法更适应微博特性,得到的社团结构更能体现用户行为关系的紧密程度。第三,针对现有社团可视化研究中存在的布局算法难以较好地展示社团结构的问题,提出一种结合微博网络特性的布局算法。引入用户行为关系紧密度用来改进力导引(FR)算法,并通过加入社团内部引力来实现社团内部节点的聚集。实验表明相比以往的微博网络可视化方法,本文布局算法使社团结构明显,算法效率更高。
【学位单位】：重庆邮电大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP393.092;TP393.08;TP301.6
【部分图文】：

数据集,用户属性,重要度,数据集中

(a) 用户关注数据集截取 (b) 微博转发数据集截取图 3.4 微博数据集截取对于用户重要度的计算，选用“新浪微博”数据集中的部分用户，构建用户关络，摘取其中用户属性信息数据如图 3.5 所示。

用户信息,数据集,用户属性,重要度

(a) 用户关注数据集截取 (b) 微博转发数据集截取图 3.4 微博数据集截取对于用户重要度的计算，选用“新浪微博”数据集中的部分用户，构建用户关注网络，摘取其中用户属性信息数据如图 3.5 所示。

(a) 用户粉丝数分布 (b) 用户关注数分布图 3.6 微博用户粉丝数、关注数分布通过图 3.6 可以看出，大部分的用户粉丝数目分布较为集中在 1K 以下，拥有超大规模粉丝数的用户所占比例较低，这与表 3.1 中反映的信息对应。用户关注数目分布则呈现不同的特点，每个用户只选择一些用户来关注，大部分集中在较少的关注数，仅有很少的用户拥有较多的关注数。即使拥有更多的关注用户，人们所花费的社交平台上的时间也是有限的，无法每天都浏览所有关注对象的微博。用户 p 转发 q 的微博记为一次转发行为。分析 4219 对 p 对 q 的转发数据，结合用户 p 的总转发微博数和用户 q 的总被转发微博数进行对比分析，如图 3.7 所示。

【参考文献】