社会化网络的结构、演化和应用研究

发布时间：2018-12-30 16:44

【摘要】：随着计算机科学与互联网技术的不断进步,以社交、信息分享、购物等为代表的社会化网络蓬勃发展,已经成为社会经济生活中不可或缺的部分。由于其所具备的社会经济价值和网络属性,使得社会化网络逐渐成为了网络挖掘的研究焦点,并催生了大量研究成果。这些研究成果主要集中在网络结构分析、网络演化和网络应用三个方面。其中,网络结构的研究以实证网络拓扑属性分析和社团挖掘为主。网络演化研究则聚焦于网络演化建模,意在抓住网络的连边机制,重现网络的增长过程。在社会化网络应用层面,信息推荐和网络预测最具代表性。信息推荐是基于用户历史的行为来预测用户潜在的行为。而以链路预测为代表的网络预测,则主要通过对已有网络结构的学习,预测下一步可能出现的连边。尽管针对社会化网络的研究已获得大量成果,但依旧存在以下几方面不足:首先,在社区挖掘中,社区划分仅仅依靠最小化簇之间的相似度,忽略了簇内节点的相似度,使得聚类效果不够理想;其次,传统演化模型中仅考虑拓扑性质上的连边机制,忽略了节点属性在网络演化过程中的影响,使得连边生成存在不合理情况;再者,虽然推荐算法层出不穷,但是大多算法依旧存在对二部图网络演化性质的忽略、相似度指标强依赖于度、无法解决冷启动问题和对评分行为挖掘不够充分等不足,使得推荐效果不尽人意;最后,在链路预测问题上,目前的研究都集中在全局性预测,而忽略了个性化预测,使得社交网络中的好友推荐问题无法得到很好地解决。针对上述不足,本文首先从实证网络出发,提出了基于密度分割的社区挖掘算法。然后,结合节点属性,提出了基于引力机制的网络演化模型。接着,从演化机制,相似性算法,冷启动和评分行为挖掘四个方面出发提升推荐性能。最后基于网络的结构和演化,提出了个性化链路预测和宏观经济预测算法。具体来讲,本文的主要工作和创新点如下;(1)基于密度分割的图聚类。本文在兼顾最小化簇之间的相似度同时,充分考虑了节点间拓扑相似度,提出了密度分割的思想,引入了一种新颖的图聚类算法:(8。在人工数据和真实网络等多组实验中,均显示(8算法具有聚类准确和时间开销低等优秀的性质,且好于大部分主流图聚类算法。(2)引力演化模型。本文提出了基于引力机制的网络演化模型,综合考虑了网络的择优连接机制和节点自身的属性。在基于实证网络的实验对比中,相比于随机模型和无标度模型,引力模型生成的网络在多个拓扑属性上更加接近真实网络。(3)推荐算法的改进策略。首先,我们将引力模型扩展到了推荐领域,在综合考虑商品的流行度和属性的基础上,进行相似度计算,并取得较好效果。接着,我们提出一种新的节点相似性指标-CosRA。在真实数据集上,基于该指标的推荐算法在多个指标上都优于现有经典算法。然后,我们将新商品的冷启动问题转化成了一个数学问题,提出了一种基于用户度的冷启动解决方案。最后,我们通过对用户评分行为的再挖掘,添加用户评分信息熵,优化了用户评分预测算法并提升了预测精度。(4)个性化链路预测。为解决社交网络中的好友推荐问题,本文改变了全局性预测的模式,提出了个性化链路预测的概念,为每个用户推荐等量好友。然后,我们在网络中增加了Grond节点,提升了热传导算法的性能。最后,我们综合了局部随机游走和带有Ground节点的热传导两种优质的算法,提出了一种混合预测算法。该算法在多个指标上均表现优异,有效实现了个性化链路预测。(5)基于社交网络的宏观经济预测。由于传统经济普查中,存在严重的滞后性等问题。本文通过分析过亿新浪微博用户的在线行为,发现在线社交行为与经济发展和产业结构具有强相关性,并在此基础上,提出了基于社交网络的宏观经济预测方案。
[Abstract]:......
【学位授予单位】：电子科技大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP393.0;TP311.13
，

本文编号：2395845