基于链接分析和用户兴趣的微博社区发现算法

发布时间：2017-06-12 03:05

  本文关键词：基于链接分析和用户兴趣的微博社区发现算法，，由笔耕文化传播整理发布。

【摘要】：微博作为一种新兴的社交媒体,近几年发展迅速,影响越来越广泛,逐渐成为一种重要的交流平台。微博网络的大量用户组成了不同的虚拟社区,有效挖掘具有网络结构内聚性和用户兴趣内聚性的微博社区,对于提高微博个性化推荐、微博市场营销以及链接预测的准确性具有重要意义。目前,经典的社区划分算法大多缺乏对节点之间的链接关系以及节点内容的综合考虑,其划分出的社区普遍具有较低的兴趣内聚性。现有的基于节点之间的链接关系和节点内容的社区划分算法主要是通过分析用户所发的微博内容获得用户的兴趣信息。而用户发布的微博内容通常包含大量的噪音信息并且微博的发布具有很大的随意性,这使得微博内容难于准确反映用户的兴趣。基于以上背景,本文分析了用户资料,分析发现用户资料信息可以很好的反应用户的特点,本文将这些信息统一称为用户的兴趣信息。论文针对微博社区发现问题展开研究,在对已有的社区发现算法进行分析总结的基础上,根据微博网络的特点,提出一种基于用户之间的链接关系和用户兴趣的微博社区发现算法,使得划分的社区能够更好的反映真实的社会关系,达到网络结构内聚性和兴趣内聚性。论文的主要研究内容如下:首先,论文介绍了复杂网络中常用的经典社区发现算法,对比分析算法在微博社区发现中存在的优势及不足;对已有的社区评价方法进行了分类和介绍,并对网络分析工具作了简单的描述。其次,介绍了两个比较著名的微博平台,并对微博网络的特点进行了简单的描述;分析了微博网络中常用的两种社区发现算法存在的不足,然后引出了基于用户兴趣的社区发现技术。最后,论文分析了微博用户的链接关系和用户兴趣,推导出链接相似度公式和用户兴趣相似度公式,结合两者计算出用户之间的总相似度。根据用户之间的总相似度将微博网络转换成一个无向有权网络,在Louvain算法的基础上本文提出一种新的社区划分算法对微博网络进行社区划分。使用社会网络分析工具Pajek对社区进行可视化,得到社区的可视化效果,对社区有了更加直观的认识,通过引入不同的社区评价指标与已有的社区发现算法进行对比,验证了本文方法的有效性。
【关键词】：微博网络 社区发现 链接分析 用户兴趣
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.092;O157.5
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-14
• 1.1 研究背景及意义9-10
• 1.2 研究现状10-11
• 1.3 本文主要研究内容11-12
• 1.4 本文组织结构12-14
• 2 复杂网络社区发现研究及相关技术介绍14-28
• 2.1 图论14-16
• 2.2 社区定义16-18
• 2.3 经典社区发现算法18-22
• 2.3.1 KL算法18
• 2.3.2 谱平分法18-19
• 2.3.3 GN算法和快速Newman算法19-21
• 2.3.4 LPA算法21-22
• 2.3.5 Louvain算法22
• 2.4 社区评价方法22-26
• 2.5 网络分析工具Pajek26-27
• 2.6 本章小结27-28
• 3 微博社区发现相关理论和技术28-36
• 3.1 微博相关介绍28-32
• 3.1.1 Twitter28-29
• 3.1.2 新浪微博29-32
• 3.2 微博社区发现相关方法分析32-35
• 3.2.1 基于链接分析的社区发现方法32-33
• 3.2.2 基于博文内容的社区发现方法33-34
• 3.2.3 基于用户兴趣的社区发现方法34-35
• 3.3 本章小结35-36
• 4 基于链接分析和用户兴趣的微博社区发现36-43
• 4.1 链接相似度36-37
• 4.1.1 共同关注和共同粉丝相似度36-37
• 4.1.2 转发相似度37
• 4.2 兴趣相似度37-39
• 4.2.1 所在地信息相似度37-38
• 4.2.2 用户标签信息相似度38
• 4.2.3 用户简介信息相似度和总的兴趣相似度38-39
• 4.3 用户总的相似度39
• 4.4 社区分类算法39-42
• 4.5 本章小结42-43
• 5 实验结果及评价43-51
• 5.1 数据采集43-45
• 5.2 实验结果与分析45-50
• 5.2.1 使用数据集1进行实验46-48
• 5.2.2 使用数据集2进行实验48-49
• 5.2.3 实验结果分析49-50
• 5.3 本章小结50-51
• 6 总结与展望51-53
• 6.1 结论51-52
• 6.2 展望52-53
• 致谢53-54
• 参考文献54-58
• 攻读硕士期间的研究成果及参加的科研项目58

【相似文献】

中国期刊全文数据库 前10条

1 邵秀丽;乜聚科;侯乐彩;田振雷;;基于综合用户信息的用户兴趣建模研究[J];南开大学学报(自然科学版);2009年03期

2 王开选;;结构模型对用户兴趣变化的适应研究[J];今日科苑;2008年24期

3 勾智楠;;基于用户兴趣的多属性效用算法的研究[J];河北工业科技;2012年02期

4 宋雅婷;徐天伟;;基于用户兴趣的个性化推荐技术综述[J];云南大学学报(自然科学版);2012年S1期

5 南智敏;钱松荣;;引入漂移特性的用户兴趣模型优化研究[J];微型电脑应用;2012年03期

6 伍大清;阳小华;马家宇;胡东;吴取劲;;基于隐式反馈的用户兴趣漂移方法[J];计算机应用与软件;2010年09期

7 曹毅;贺卫红;;基于用户兴趣的混合推荐模型[J];系统工程;2009年06期

8 张瑜;袁方;;基于用户兴趣的个性化信息检索方法[J];山东大学学报(理学版);2006年03期

9 王道平;李志隆;杨岑;;基于热门物品惩罚和用户兴趣变化的知识推送算法[J];系统工程;2014年01期

10 王有为;张健斌;;一种新的层次结构网站用户兴趣模式变化识别算法[J];系统工程理论与实践;2008年10期

中国重要会议论文全文数据库 前7条

1 赵琦;骆志刚;田文颖;李聪;丁凡;;一种基于负反馈信息的用户兴趣模型修正方法[A];中国通信学会第六届学术年会论文集（下）[C];2009年

2 孙静;郭奇;张志强;冯建华;;一种基于面向领域检索系统的用户兴趣获取方法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

3 孙铁利;教巍巍;;基于马尔科夫模型的用户兴趣导航模型系统(英文)[A];计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（上册）[C];2006年

4 廖祝华;刘建勋;易爱平;;基于用户兴趣的Web服务发现[A];2006年全国开放式分布与并行计算机学术会议论文集（三）[C];2006年

5 李晓黎;史忠植;梁永全;刘福桃;;INTERNET网上一种识别用户兴趣的学习方法[A];第十六届全国数据库学术会议论文集[C];1999年

6 田萱;杜小勇;;基于SAM模型的用户兴趣表示研究[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年

7 王勇;刘奕群;张敏;马少平;茹立云;;基于用户兴趣分析的网页生命周期建模(英文)[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

中国重要报纸全文数据库 前1条

1 中国科学院计算技术研究所 王 斌;内容为王[N];计算机世界;2004年

中国博士学位论文全文数据库 前9条

1 梁政;面向在线社交网络舆情的信息传播分析关键技术研究[D];国防科学技术大学;2014年

2 张召;在线论坛用户兴趣图谱发现与个性化信息推荐[D];华东师范大学;2012年

3 刘淇;基于用户兴趣建模的推荐方法及应用研究[D];中国科学技术大学;2013年

4 郭岩;网络日志中用户兴趣的挖掘及利用[D];中国科学院研究生院（计算技术研究所）;2004年

5 吴丽辉;个性化的Web信息采集技术研究[D];中国科学院研究生院（计算技术研究所）;2005年

6 谢兴;社会网络中兴趣发现与信息组织的研究[D];复旦大学;2011年

7 李东胜;基于兴趣与保护隐私的在线社区推荐技术研究[D];复旦大学;2012年

8 陈浩;Web搜索的用户兴趣与智能优化研究[D];中南大学;2012年

9 姜邵巍;基于竞争关系的推荐技术研究[D];北京邮电大学;2014年

中国硕士学位论文全文数据库 前10条

1 梁润庭(Runting Leung);面向微博用户的兴趣识别算法的研究与实现[D];西南交通大学;2015年

2 崔瑞飞;微博兴趣社区发现及其热议话题检测技术研究[D];解放军信息工程大学;2014年

3 于岩;基于用户影响力的用户兴趣建模方法研究[D];解放军信息工程大学;2015年

4 米鹏;面向社区用户的推荐策略研究[D];北方工业大学;2016年

5 樊梦佳;节点内容和链接关系相融合的微博用户兴趣社区发现[D];北京信息科技大学;2015年

6 黄宏亮;基于用户兴趣差异化的概念汽车设计研究[D];华中科技大学;2014年

7 雷滋和;基于微博用户的新闻推荐系统的设计与实现[D];西南交通大学;2016年

8 高健明;基于多源数据融合的微博用户兴趣挖掘方法[D];哈尔滨工业大学;2016年

9 杜雨萌;微博用户兴趣识别技术的研究与应用[D];哈尔滨工业大学;2016年

10 王夏阳;基于关联分析的用户兴趣漂移挖掘算法研究[D];中国民航大学;2016年

  本文关键词：基于链接分析和用户兴趣的微博社区发现算法，由笔耕文化传播整理发布。

本文编号：443076