社交网络中关键因子决策的推荐方法研究

发布时间：2022-10-04 15:51

　　随着计算机科学与移动计算的快速发展,在线社交网络已经渗透至生活的各个角落,用户在社交网络中分享信息,建立并维持社交联系。社交平台所产生的社会学、行为心理学、信息科学等众多领域的数据的价值已经远远大于平台本身。各大企业开始将目光投向社交平台,希望借助社交平台中影响力大用户,提升产品推广或广告推荐的效果。因此,如何确定并选择影响力最大的用户（影响力最大化问题）,探究广告在社交网络中的传播方式,成为面向社交网络的广告推荐研究所面临的两个挑战。本文以在线社交网络为研究背景,重点关注影响力最大化,对社交网络的广告推荐问题展开了较为系统的研究,主要研究成果如下:（1）相似性与凝聚力并重的影响力最大化算法EPR和面向社交网络的广告推荐方法。对于给定拓扑的社交网络,考虑节点的中心性、相似性和凝聚力三个关键因子,基于经典PageRank算法思想,设计EPR算法对节点影响力进行排序,并选取种子节点;设计面向社交网络的广告推荐方法,模拟广告在真实世界的推广过程,设计广告信任度更新规则与并行推荐规则;用户接受广告与否,由贝叶斯概率理论决定,使得算法更具现实意义;采用真实数据集,分析推荐结果与推荐发起者、迭代次... 

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号说明
第一章 绪论
    1.1 研究背景与意义
    1.2 研究现状
    1.3 论文研究内容和创新点
    1.4 论文组织结构
第二章 社交网络与推荐系统相关理论
    2.1 社交网络与社会影响力
        2.1.1 社交网络
        2.1.2 社会影响力与影响力最大化
    2.2 网络拓扑特性
        2.2.1 中心性
        2.2.2 相似性
    2.3 影响力传播模型
        2.3.1 独立级联模型IC
        2.3.2 线性阈值模型LT
        2.3.3 传染病模型SIR
        2.3.4 博弈论模型Game Theoretic
    2.4 本章小结
第三章 节点相似性与凝聚力并重的广告推荐方法
    3.1 研究背景与意义
    3.2 社交网络建模
    3.3 基于中心性与相似性的信任感知策略
    3.4 相似性与凝聚力并重的影响力最大化算法EPR
        3.4.1 经典的PageRank算法
        3.4.2 EPR算法思想
        3.4.3 算法描述
    3.5 广告推荐方法
    3.6 案例分析
        3.6.1 相似性、中心性与凝聚力计算
        3.6.2 EPR算法实例与种子节点选取
        3.6.3 广告推荐方法实例
    3.7 实验结果与性能分析
        3.7.1 对比算法
        3.7.2 实验数据
        3.7.3 实验结果
    3.8 本章小结
第四章 面向符号网络的广告推荐方法
    4.1 研究背景与意义
    4.2 符号网络建模
    4.3 基于正、负关系的信任感知策略
    4.4 符号网络的影响力最大化算法SPR
        4.4.1 算法思想
        4.4.2 算法描述
    4.5 广告推荐方法
    4.6 案例分析
        4.6.1 SPR算法与种子节点的选取
        4.6.2 广告推荐方法实例
    4.7 实验结果与性能分析
        4.7.1 虚拟数据集
        4.7.2 实际数据集
    4.8 本章小结
总结与展望
参考文献
攻读硕士学位期间取得的研究成果
论文章节与研究成果对应关系
致谢


【参考文献】：
期刊论文
[1]符号网络研究综述[J]. 程苏琦,沈华伟,张国清,程学旗.  软件学报. 2014(01)
[2]博弈论与信息经济学[J]. 冯立威.  中国科技资源导刊. 2004 (08)



本文编号：3685319