基于局部社区发现的微信朋友圈信息流广告推荐算法研究

发布时间：2017-09-24 02:43

  本文关键词：基于局部社区发现的微信朋友圈信息流广告推荐算法研究

  更多相关文章： 社区发现 微信 广告 Igraph

【摘要】：随着信息技术的快速发展,网络已融入到人们的日常生活之中,各种各样的社交网络平台不断涌现,社交媒体已成为现代企业营销的重要渠道之一。利用大型复杂网络中的社区发现技术,可以有效识别社交网络中的兴趣社区,为企业和消费者之间的沟通架起了一座桥梁。微信是当今中国最火的社交媒体平台,越来越多的企业通过微信朋友圈信息流广告来向消费者传播品牌信息。由于这种新型的广告模式上线时间较短,消费者普遍反映收到的产品广告与自己的消费需求不符。基于此,本研究致力于找到一种新的用户选择算法用于提高微信朋友圈信息流广告推荐系统的精准性。本文首先对复杂网络中的典型的社区发现算法进行了回顾,通过比较其优缺点,发现基于全局的社区发现算法需要预先了解社区的相关信息,计算复杂度高、耗时长,而基于局部的社区发现算法具有计算速度快、需要信息少、复杂度低等优点。在此基础上,对微信现有朋友圈信息流广告推荐算法的不足进行了分析,结合微信网络的特点,本文借鉴L-壳算法提出了一种基于局部社区发现的微信网络广告目标社区发现算法。算法从目标微信公众号开始,首先搜寻到该公众号的所有关注者作为第一层节点添加到目标社区中,再利用算法找到所有第一层节点的邻居节点作为第二层节点将其添加到目标社区中,然后以局部社区模块度M为评价指标对第二层节点进行选择,最后将目标微信公众号、第一层节点和优化后的第二层节点结合在一起作为微信广告的目标社区。本文对L-壳算法做了三点改进：首先,在初始节点选择上,指定以目标微信公众号为初始节点；其次,在停止标准设定上,采用广度优先宽度为2的方式对用户筛选后停止；最后,在社区节点筛选上,采用模块度M这一客观指标对节点进行筛选。研究运用Igraph软件进行网络的分析和可视化处理,在已知网络结构的空手道网络、人人网络、海豚社会网络和美国政治书籍网络上运行了本算法。用发现社区的质量作为广告效果,以认可度最高的Newman提出的模块度Q和算法运行时间为评价指标,和典型的Infomap算法、Fastunfloding算法、标签传播算法、模块度矩阵谱聚类、自旋玻璃算法、Walktrap算法、GN算法、快速贪婪算法的运算结果进行了对比。结果表明,本算法能够正确识别节点的社区归属,发现的社区有着较好的社区结构,以局部社区模块度M为节点的删除标准可以有效识别出边界节点,算法的运行时间比软件内置的社区发现算法的运行时间长。此外,本文的研究结果还验证了张婷娜(2010)的研究结论：随机网络虽然理论上没有社区结构特性,但是仍有可能出现模块度较大的分割；Newman的模块度不适合用来测量社区差异较大的网络。最后,对研究进行了总结,为企业和用户提出了相关建议,并对未来的研究方向进行了展望。
【关键词】：社区发现 微信 广告 Igraph
【学位授予单位】：浙江工商大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3;F713.8
【目录】：

• 摘要2-4
• ABSTRACT4-8
• 1 绪论8-13
• 1.1 研究背景和意义8-11
• 1.2 研究内容11-12
• 1.3 研究难点与创新点12-13
• 2 文献综述13-31
• 2.1 社区的定义13-16
• 2.2 社区发现方法16-27
• 2.3 社区发现评价指标27-31
• 2.4 现有研究述评31
• 3 微信及朋友圈信息流广告相关介绍31-39
• 3.1 微信用户特性和网络特点31-34
• 3.2 信息流广告相关介绍34-39
• 4 基于局部社区发现的朋友圈信息流广告推荐算法构建39-51
• 4.1 局部社区发现方法39-44
• 4.2 推荐算法的选择44-47
• 4.3 对L-壳算法的改进47-49
• 4.4 推荐算法实现49-51
• 5 实验及结果分析51-65
• 5.1 实验环境53
• 5.2 评价指标53-54
• 5.3 结果与分析54-64
• 5.4 算法效果评价64-65
• 6 研究总结与展望65-69
• 6.1 研究总结65-66
• 6.2 研究启示66-67
• 6.3 展望67-69
• 参考文献69-73
• 附录73-84
• 本文算法Python代码73-75
• 典型社区发现算法Python调用代码75-80
• 典型算法空手道网络输出结果图80-81
• 典型算法人人网络输出结果图81-82
• 典型算法海豚社会网络输出结果图82-83
• 典型算法美国政治书籍网络输出结果图83-84
• 致谢84-85

【参考文献】

中国期刊全文数据库 前1条

1 吴英骏;黄翰;郝志峰;陈丰;;Local Community Detection Using Link Similarity[J];Journal of Computer Science & Technology;2012年06期

，

本文编号：908921