微博用户群体结构挖掘算法分析研究
发布时间：2022-10-15 17:50
摘要：近年来,随着Web2.0技术的不断发展,各大门户网站纷纷推出了自己的微博站点,微博用户数量剧增,用户群庞大,信息数据量呈现几何形式增长。微博也因其短小精悍、易于传播的特点逐渐成为互联网市场的新宠。同时,由于其固有的特征和传播机制,使得在这类社交网络环境中,用户群体结构相对复杂,文本内容巨大而琐碎,难以转换成可以使用的结构化格式。在这样庞杂的网络环境下,如何对网络用户的组群关系进行挖掘,以实现对其所呈现出的社群结构高效而准确的识别,便具有较大的理论及现实意义。 论文主要工作如下： 1、介绍了社会网络和微博的概念以及特点,对复杂网络的度量参数、结构特征和基本模型进行了分析,并根据对网络群体结构的研究给出了传统静态社群以及动态社群的定义和数学模型。 2、通过对主流挖掘算法的比对分析,本文发现已有的一些经典算法都是针对于普通社会网络的,并未体现出微博环境下网络结构的特点,因而在微博网络中的运行时间和空间效率较低。因此,本文提出了基于微博用户自定义兴趣标签的动态网络模型。该模型以用户自定义兴趣标签作为确定用户组群关系的一个重要指标,将其和用户固有关联关系以矩阵的方式...
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
致谢
中文摘要
ABSTRACT
1 绪论
1.1 研究背景
1.1.1 社会网络的基本概念和发展历程
1.1.2 微博发展现状及其特点
1.1.3 网络群体结构的相关研究
1.2 研究方向和意义
1.3 论文结构安排
2 复杂网络社群发现算法分析
2.1 复杂网络分析概述
2.1.1 复杂网络度量方法及参数
2.1.2 复杂网络的结构特性
2.1.3 复杂网络的基本模型
2.2 社群相关概念
2.3 主流社群挖掘算法
2.3.1 图形分割算法
2.3.2 分裂法
2.3.3 凝聚法
2.3.4 其他社群挖掘算法
2.4 本章小结
3 基于微博用户自定义兴趣标签的网络建模
3.1 问题的提出
3.1.1 传统静态社群的数学模型
3.1.2 动态社群的数学模型
3.1.3 微博中社群的产生过程和结构特征
3.2 基于微博用户自定义兴趣标签的关系模型
3.2.1 微博用户兴趣关系模型方案设计
3.2.2 微博用户的选取策略
3.2.3 用户兴趣点的表征
3.2.4 用户关系矩阵的构建
3.3 用户兴趣关系模型分析
3.3.1 数据库设计
3.3.2 模型构建
3.3.3 模型分析
3.4 本章小结
4 基于用户兴趣标签的动态社群差分算法
4.1 算法原理介绍
4.1.1 动态社群差分算法基本思想
4.1.2 动态社群差分算法实现
4.1.3 算法复杂度分析
4.2 实验方案及准备
4.2.1 实验总体设计
4.2.2 数据库设计
4.2.3 数据的获取及实验环境配置
4.2.4 相关参数指标的选择
4.3 实验仿真结果分析
4.3.1 社群兴趣特性分析
4.3.2 算法效率及准确度分析
4.4 本章小结
5 总结与展望
5.1 论文工作总结
5.2 论文工作展望
参考文献
作者简历
学位论文数据集
【参考文献】：
期刊论文
[1]启发式动态社区挖掘算法研究与实现[J]. 马瑞新,邓贵仕,王晓. 大连理工大学学报. 2012(02)
[2]基于微博的网络社群研究[J]. 梅泽勇,高舒. 图书馆学研究. 2012(05)
[3]微博虽“微”足值道尔——微博特性之浅析[J]. 刘丽清. 东南传播. 2009(11)
[4]大型在线社会网络结构分析[J]. 胡海波,徐玲,王科,汪小帆. 上海交通大学学报. 2009(04)
博士论文
[1]复杂网络中的社团检测问题研究[D]. 杨树忠.北京交通大学 2009
硕士论文
[1]微博网络的社区发现研究[D]. 曾王辉.云南大学 2012
[2]复杂网络中的重叠社区发现算法研究[D]. 商源纯.北京交通大学 2011
[3]微博的传播机制及影响力研究[D]. 左晓娜.陕西师范大学 2011
[4]基于距离相似度的复杂网络社区挖掘方法[D]. 李兆南.吉林大学 2011
[5]粗糙集与蚁群算法在网络社区结构发现中的应用研究[D]. 朱文强.苏州大学 2011
[6]基于微博的网络热点发现模型及平台研究[D]. 张静.华中科技大学 2010
[7]新浪微博的发展研究[D]. 郑雅真.北京交通大学 2010
[8]社会关系网络社区结构识别[D]. 单波.哈尔滨工业大学 2009
[9]复杂网络上的信息传播[D]. 辛强伟.西安理工大学 2007
本文编号：3691760
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
致谢
中文摘要
ABSTRACT
1 绪论
1.1 研究背景
1.1.1 社会网络的基本概念和发展历程
1.1.2 微博发展现状及其特点
1.1.3 网络群体结构的相关研究
1.2 研究方向和意义
1.3 论文结构安排
2 复杂网络社群发现算法分析
2.1 复杂网络分析概述
2.1.1 复杂网络度量方法及参数
2.1.2 复杂网络的结构特性
2.1.3 复杂网络的基本模型
2.2 社群相关概念
2.3 主流社群挖掘算法
2.3.1 图形分割算法
2.3.2 分裂法
2.3.3 凝聚法
2.3.4 其他社群挖掘算法
2.4 本章小结
3 基于微博用户自定义兴趣标签的网络建模
3.1 问题的提出
3.1.1 传统静态社群的数学模型
3.1.2 动态社群的数学模型
3.1.3 微博中社群的产生过程和结构特征
3.2 基于微博用户自定义兴趣标签的关系模型
3.2.1 微博用户兴趣关系模型方案设计
3.2.2 微博用户的选取策略
3.2.3 用户兴趣点的表征
3.2.4 用户关系矩阵的构建
3.3 用户兴趣关系模型分析
3.3.1 数据库设计
3.3.2 模型构建
3.3.3 模型分析
3.4 本章小结
4 基于用户兴趣标签的动态社群差分算法
4.1 算法原理介绍
4.1.1 动态社群差分算法基本思想
4.1.2 动态社群差分算法实现
4.1.3 算法复杂度分析
4.2 实验方案及准备
4.2.1 实验总体设计
4.2.2 数据库设计
4.2.3 数据的获取及实验环境配置
4.2.4 相关参数指标的选择
4.3 实验仿真结果分析
4.3.1 社群兴趣特性分析
4.3.2 算法效率及准确度分析
4.4 本章小结
5 总结与展望
5.1 论文工作总结
5.2 论文工作展望
参考文献
作者简历
学位论文数据集
【参考文献】：
期刊论文
[1]启发式动态社区挖掘算法研究与实现[J]. 马瑞新,邓贵仕,王晓. 大连理工大学学报. 2012(02)
[2]基于微博的网络社群研究[J]. 梅泽勇,高舒. 图书馆学研究. 2012(05)
[3]微博虽“微”足值道尔——微博特性之浅析[J]. 刘丽清. 东南传播. 2009(11)
[4]大型在线社会网络结构分析[J]. 胡海波,徐玲,王科,汪小帆. 上海交通大学学报. 2009(04)
博士论文
[1]复杂网络中的社团检测问题研究[D]. 杨树忠.北京交通大学 2009
硕士论文
[1]微博网络的社区发现研究[D]. 曾王辉.云南大学 2012
[2]复杂网络中的重叠社区发现算法研究[D]. 商源纯.北京交通大学 2011
[3]微博的传播机制及影响力研究[D]. 左晓娜.陕西师范大学 2011
[4]基于距离相似度的复杂网络社区挖掘方法[D]. 李兆南.吉林大学 2011
[5]粗糙集与蚁群算法在网络社区结构发现中的应用研究[D]. 朱文强.苏州大学 2011
[6]基于微博的网络热点发现模型及平台研究[D]. 张静.华中科技大学 2010
[7]新浪微博的发展研究[D]. 郑雅真.北京交通大学 2010
[8]社会关系网络社区结构识别[D]. 单波.哈尔滨工业大学 2009
[9]复杂网络上的信息传播[D]. 辛强伟.西安理工大学 2007
本文编号：3691760
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3691760.html
