社交网络事件检测分析及应用的研究

发布时间：2021-10-26 12:08

　　随着互联网的快速发展,人们获取、传播信息的方式发生了革命性的变化。尤其是在线社交网络（即社交网络服务,Social Network Service,SNS）的出现,改变了传统的信息扩散方式,社交网络已逐渐成为主流的信息发布和传播平台。事件（Event）是指具有主题,时间维度以及一组相关实体（如位置、人员、组织等）的抽象概念。本文开展社交网络上信息传播的数据挖掘和方法研究,通过对社交网络上事件产生、爆发和发展的研究,了解信息传播的模式和特点,进而为计算广告、数据新闻等实际应用场景提供有效支撑。具体的工作和创新如下:首先,本文提出了一种社交网络热点事件检测、追踪和演化分析方法。社交事件一般涉及时间、地点、主体等信息,可能关于时事政治、热门事件等,也可能是关于网络谣言、虚假广告等不良信息。反过来,人们可以通过社交网络上热烈讨论的内容来了解有什么事件发生。如何自动的发现这些社交事件及其演化关系,帮助用户过滤、组织管理信息是一个急需解决的任务。尽管之前有很多关于新闻事件和文档话题演化分析的相关工作,但是社交媒体带来了新的挑战:社交媒体通常是短文本,具有高维、稀疏、数据量大等特点;由于字数限制,用... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：92 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状及面临的主要挑战
        1.2.1 国内外研究现状
        1.2.2 面临的主要挑战
    1.3 研究内容与主要贡献
    1.4 组织结构
第2章 社交网络事件检测和追踪方法
    2.1 引言
    2.2 相关工作
        2.2.1 事件检测
        2.2.2 事件演变与追踪
        2.2.3 事件预测
    2.3 预备知识
        2.3.1 推特的生态系统
        2.3.2 事件(Event)
        2.3.3 隐狄利克雷分配模型(LDA)
        2.3.4 Twitter LDA
    2.4 事件检测和追踪方法
        2.4.1 问题描述
        2.4.2 事件检测
        2.4.3 事件演变和追踪
    2.5 实验分析
        2.5.1 数据集描述
        2.5.2 标准LDA和Twitter LDA比较
        2.5.3 实体抽取和时间分段
        2.5.4 事件追踪
    2.6 本章小结
第3章 社交网络事件序列的表示和预测方法
    3.1 引言
    3.2 相关工作
        3.2.1 基于特征的方法
        3.2.2 生成方法
    3.3 预备知识
        3.3.1 问题定义
        3.3.2 时间点过程
        3.3.3 变分自编码器
    3.4 基于变分点过程的事件序列分析模型
        3.4.1 事件的表示和低维嵌入
        3.4.2 生成
        3.4.3 推断
        3.4.4 学习
    3.5 实验分析
        3.5.1 数据集
        3.5.2 模型架构细节
        3.5.3 实现细节
        3.5.4 对比方法
        3.5.5 评价指标
        3.5.6 实验结果
    3.6 本章小结
第4章 社交媒体上的广告点击率预测方法
    4.1 引言
    4.2 相关工作
        4.2.1 点击率预测
        4.2.2 稀疏性问题
    4.3 稀疏因子分解机
        4.3.1 预备知识
        4.3.2 稀疏因子分解机模型
        4.3.3 贝叶斯推断
        4.3.4 分布式实现
    4.4 实验分析
        4.4.1 实验设置
        4.4.2 实验结果
        4.4.3 应用情况
    4.5 本章小结
第5章 总结与展望
    5.1 工作总结
    5.2 未来展望
参考文献
致谢
在读期间发表的学术论文与取得的研究成果


【参考文献】：
期刊论文
[1]计算广告:以数据为核心的Web综合应用[J]. 周傲英,周敏奇,宫学庆.  计算机学报. 2011(10)



本文编号：3459473