基于社交媒体用户的隐藏属性推断及聚类分析研究

发布时间：2023-06-03 10:51

　　随着网络的飞速发展,社交媒体传播迅速,其影响力不可同日而语。在人工智能的帮助下,可以深入的了解社交媒体用户个人和群体的基本信息。通过挖掘社交媒体用户的潜在行为模式和基本特征,为政府部门提供多方面和个性化的决策支持,并解决实际存在的现实问题已经成为当今学术界和工业界共同关注的热门话题。但目前的研究没有考虑到社交媒体的复杂性,仅靠单一的博文信息和传统模型并不能充分刻画用户隐藏属性,从而导致用户隐藏属性分析和用户兴趣挖掘模型效果不理想。为此,本文通过引入基于多特征的社交媒体用户隐藏属性分析模型和社交媒体用户兴趣挖掘方法来解决以上问题,并展开了基于微博平台的用户年龄、用户性别和用户兴趣三类用户隐藏属性的研究工作。本文的主要工作包括:第一,针对现有的用户隐藏属性分析方法使用的用户信息比较单一,采用的模型较为传统,导致用户隐藏属性分析精度低的问题。本文主要针对用户年龄和用户性别两类用户隐藏属性展开研究。本文在构建出微博用户多特征体系的基础上,对Stacking模型进行改进。首先通过Word2vec模型从微博文本数据中构造出文本特征;然后从微博用户数据中构造出用于微博隐藏属性分析的基础特征,并通过基...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状及问题分析
        1.2.1 社交媒体用户的隐藏属性分析技术研究
        1.2.2 社交媒体用户兴趣挖掘技术研究
        1.2.3 存在的问题及研究难点
    1.3 论文主要工作
    1.4 论文组织结构
第2章 相关理论叙述
    2.1 社交媒体用户的隐藏属性分析技术
        2.1.1 词向量
        2.1.2 集成学习算法
    2.2 社交媒体用户兴趣挖掘技术
        2.2.1 LDA主题模型
        2.2.2 可视化相关技术
    2.3 本章小结
第3章 基于多特征的社交媒体用户隐藏属性分析研究
    3.1 问题描述与改进思路
    3.2 多特征融合的用户隐藏属性推断方法
        3.2.1 文本特征构建
        3.2.2 用户特征构建
    3.3 三层Stacking分类模型
    3.4 算法描述
    3.5 实验和分析
        3.5.1 实验方案
        3.5.2 实验结果及分析
    3.6 本章小结
第4章 社交媒体用户兴趣挖掘方法研究
    4.1 问题描述与改进思路
    4.2 社交媒体用户兴趣挖掘方法
        4.2.1 数据预处理
        4.2.2 基于微博内容的LDA主题特征构建
        4.2.3 特征提取
        4.2.4 模型构建
    4.3 算法描述
    4.4 实验和分析
        4.4.1 实验数据集
        4.4.2 实验方案
        4.4.3 实验结果及分析
        4.4.4 用户隐藏属性可视化
    4.5 本章小结
第5章 社交媒体用户隐藏属性分析原型系统
    5.1 系统整体描述
        5.1.1 功能设计
        5.1.2 模块设计
        5.1.3 数据库设计
    5.2 系统实现与界面展示
    5.3 本章小结
第6章 总结及未来的工作
    6.1 论文工作总结
    6.2 未来的工作
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3829195