网络社交用户影响力与好友推荐研究

发布时间：2021-04-08 18:19

　　随着社交网络的快速发展,在线网络社交平台成为了现代人们主流信息交流渠道。首先,网络用户影响力作为用户信息传播能力的度量指标,被广泛使用在社会热点新闻挖掘及舆论导向等研究领域,研究社交网络用户影响力有助于挖掘网络信息传播关键路径和关键节点,为相关部门如何加快正面信息传播和控制负面信息扩散提供决策支撑。其次,通过目前主流的社交网络平台,用户不仅可以获得相关帮助和感兴趣的信息,还可以结识更多的好友,从而扩展自己的好友圈。这些都很有意义。本文主要的工作有以下两点。第一,针对传统PageRank算法采用均值分配方式进而造成PR值损失问题,提出一种参数可调的社交用户影响力衡量方法,该方法首先是考虑PageRank算法PR值分配规律,通过分析用户行为发生频率计算得到对应可调参数,然后将可调参数与计算用户交互行为影响力公式相结合得到调整后的PR值,最后再考虑用户社交关系影响力,综合得到社交网络用户影响力度量公式。该算法与其它算法在相同数据集上进行对比实验,计算得到的RMSE值最小,进而表明该算法得到的用户影响力排名结果更接近于真实的用户影响力排名。第二,随着移动设配的GPS定位数据不断增长,大数据驱使... 

【文章来源】：广东工业大学广东省

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

PageRank简单网络结构示意图

(a) (b) 2-2 (a) 简单的 PageRank；(b) 修正后的 PageRank 且 d=0.85Fig.2-2 (a) Simple PageRank; (b) Modified PageRank and d=0.85决 Rank sinks 和 Rank leaks 问题，需要对传统 PageRank 算法公vind Arasu 在《Junghoo Cho Hector Garcia - Molina, Andreas Phavan. Searching the Web》提出 PageRank 算法修正后的计算公式( )ieRank p 表达式为：1( )( )( )jjipjqPageRank pPageRank p qN L p ip 和，jp 表示被研究的网页，N 表示被研究页面的总数，q 表示g factor），通过大量实验证明 q 一般取值为 0.85。正后的 PageRank 算法，在强连通图中计算出的 PR 值如图 2-2 的(图中计算得出的结果如下：

广东工业大学硕士学位论文所示，用户 A 和用户 B 是两个互相关注的用户，根据 Tunk实情况下，用户 B 虽然关注了用户 A，但是用户 B 不一定能weet，特别是当用户 B 关注了大量其他用户时，用户 B 浏览率为1 Following (B)。以图 2-3 为例，用户 B 关注了 7 个用户个用户发布的 Tweet 时间和数目不同)，用户 B 能浏览到用

【参考文献】：
期刊论文
[1]基于用户项目体验度的协同过滤推荐算法[J]. 郑苏洋,姜久雷,王晓峰.  计算机工程. 2017(08)
[2]PageRank模型的改进及微博用户影响力挖掘算法[J]. 毛国君,谢松燕,胡殿军.  计算机应用与软件. 2017(05)
[3]一种融合用户上下文信息和动态预测的协同过滤推荐算法[J]. 吕杰,关欣,李锵,张立毅.  小型微型计算机系统. 2016(08)
[4]基于领域划分的微博用户影响力分析[J]. 刘金龙,吴斌,陈震,沈崇玮.  计算机科学. 2015(05)
[5]基于用户行为综合分析的微博用户影响力评价方法[J]. 齐超,陈鸿昶,于洪涛.  计算机应用研究. 2014(07)
[6]基于关联规则与标签的好友推荐算法[J]. 胡文江,胡大伟,高永兵,郝斌.  计算机工程与科学. 2013(02)
[7]基于项目评分预测的协同过滤推荐算法[J]. 邓爱林,朱扬勇,施伯乐.  软件学报. 2003(09)



本文编号：3126025