基于多层网络的社交媒体人物关系分析方法研究

发布时间：2022-08-29 18:15

　　社交网络平台是人们在互联网上沟通交流的重要途径之一,分析社交网络中用户的影响力可以帮助我们了解互联网信息动态,以便更好地控制舆情;利用链路预测挖掘网络中用户间的潜在关系,有助于了解用户喜好,完善用户推荐系统为用户提供更加优质的服务。现有的利用用户网络来分析影响力的方法仅考虑了单一关系网络中用户节点的拓扑性质,没有考虑用户的行为特征、用户间的拓扑关系以及真实社交网络中用户间多交互关系特点,导致对用户影响力评估不准确。此外,在链路预测方面现有方法大多只考虑用户节点对的特征,忽略了单个重要用户对连接关系建立的贡献以及其他重要的节点特征。本文基于具有代表性的推特平台,提出了基于多层网络的社交媒体人物关系分析方法,用以研究用户的影响力排序和用户间的潜在关系挖掘。本文的主要工作和贡献如下:（1）为了更准确地评估推特用户的影响力,本文提出了一种新的用户节点中心性度量——引力中心性。该中心性度量受万有引力公式启发,认为用户之间存在吸引力,将用户自身的行为属性视为节点质量,并基于距离平方反比公式,同时考虑了用户间的拓扑相似性,以用户对其他用户的总吸引力强度衡量用户的影响力。利用SIR传播模型和肯德尔等级... 

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
缩略词表
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 用户影响力排序研究现状
        1.2.2 用户网络的潜在关系挖掘研究现状
    1.3 论文的主要工作与贡献
    1.4 论文章节安排
第二章 相关理论基础和技术
    2.1 复杂网络相关理论基础
    2.2 复杂网络节点影响力评估算法
    2.3 复杂网络链路预测算法
    2.4 图嵌入技术
    2.5 本章小结
第三章 推特用户影响力排序方法研究
    3.1 研究背景
    3.2 基于引力场的用户影响力排序方法研究
        3.2.1 用户间的拓扑相似性研究
        3.2.2 基于距离平方反比的引力中心性
    3.3 基于多层网络的用户影响力排序方法研究
        3.3.1 推特用户多层关系网络构建
        3.3.2 基于层间相似性的用户多层网络融合方法研究
    3.4 实验与分析
        3.4.1 实验数据与评估指标
        3.4.2 实验过程
        3.4.3 结果和分析
    3.5 本章小结
第四章 基于最优化的推特用户潜在关系挖掘
    4.1 研究背景
    4.2 基于最优化理论的链路预测方法研究
        4.2.1 链路预测与AUC分数
        4.2.2 有序节点对的特征向量构建
        4.2.3 AUC优化过程
    4.3 实验与分析
        4.3.1 实验数据与评估指标
        4.3.2 实验过程
        4.3.3 结果和分析
    4.4 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 工作展望
致谢
参考文献
攻读硕士学位期间取得的研究成果



本文编号：3678776