發(fā)布時(shí)間：2018-09-17 11:37

【摘要】：社會網(wǎng)絡(luò)因?yàn)槠浣Y(jié)構(gòu)復(fù)雜,用戶行為各異,用戶各種活動產(chǎn)生的數(shù)據(jù)量巨大,因此,對其的研究充滿了挑戰(zhàn)。正因?yàn)槿绱?也吸引了各方研究人員的注意,取得了豐富的研究成果。但是,在線社會網(wǎng)絡(luò)作為近幾年新生事物,還在發(fā)展壯大之中,這其中必然有很多問題等待人們的研究。本文針對社會網(wǎng)絡(luò)個(gè)體特點(diǎn)、群體特點(diǎn)以及結(jié)構(gòu)特點(diǎn),對社會網(wǎng)絡(luò)中幾個(gè)關(guān)鍵的問題進(jìn)行了討論和研究,主要研究內(nèi)容和成果包括：(1)在社會網(wǎng)絡(luò)用戶個(gè)體分析方面,本文重點(diǎn)研究了通過用戶發(fā)表內(nèi)容來計(jì)算用戶-話題之間的關(guān)系。在對用戶-話題關(guān)系計(jì)算方面,本文以用戶在社會網(wǎng)絡(luò)上公開發(fā)表內(nèi)容為數(shù)據(jù)來源,利用非負(fù)矩陣分解技術(shù),提出了用戶-話題敏感度計(jì)算算法。該算法能夠通過分析用戶過去發(fā)表的內(nèi)容,有效計(jì)算用戶對話題感興趣程度。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明文中提出的算法能夠有效分析用戶發(fā)表內(nèi)容,計(jì)算用戶-話題敏感度。特別的,隨著微博的流行,信息過載情況越來越嚴(yán)重,用戶越來越傾向發(fā)表短文本數(shù)據(jù)。短文本數(shù)據(jù)使用戶數(shù)據(jù)非常稀疏,本文特別提出基于單詞共現(xiàn)的短文本用戶-話題敏感度計(jì)算算法。普通算法不能很好的處理短文本稀疏數(shù)據(jù),而本文提出的專門針對短文本的算法可以有效的避免數(shù)據(jù)稀疏問題,有效計(jì)算出結(jié)果。對真實(shí)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)測試結(jié)果表明,本文提到的短文本用戶-話題關(guān)系計(jì)算算法能夠避免數(shù)據(jù)稀疏帶來的各種問題,有效進(jìn)行計(jì)算。(2)在社會網(wǎng)絡(luò)結(jié)構(gòu)挖掘方面,本文提出了臨界節(jié)點(diǎn)和臨界塊的概念,并設(shè)計(jì)了有效算法,在網(wǎng)絡(luò)中發(fā)現(xiàn)這類特殊節(jié)點(diǎn)。社會網(wǎng)絡(luò)中不同節(jié)點(diǎn)有不同的重要程度,這一概念早已深入人心,但是如何度量節(jié)點(diǎn)的重要性,人們提出了各種度量方法以及算法,包括各種中心性,k-shell、k-core等概念以及基于PageRank和HITS的各種算法。本文另辟蹊徑,從另一個(gè)角度提出了發(fā)現(xiàn)社會網(wǎng)絡(luò)中一類重要節(jié)點(diǎn)——臨界節(jié)點(diǎn)的算法。本文利用矩陣中Fiedler向量的性質(zhì),提出了啟發(fā)式算法有效地發(fā)現(xiàn)它們,并且針對真實(shí)數(shù)據(jù)集進(jìn)行了大量實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,在社會網(wǎng)絡(luò)中確實(shí)存在著臨界節(jié)點(diǎn),本文提出的算法能夠有效發(fā)現(xiàn)它們。(3)在社會網(wǎng)絡(luò)群體分析方面,本文研究如何發(fā)現(xiàn)網(wǎng)絡(luò)中的社區(qū)問題。社區(qū)發(fā)現(xiàn)問題吸引了眾多研究人員的注意,但是,當(dāng)前的研究大都基于網(wǎng)絡(luò)的結(jié)構(gòu)來進(jìn)行分析。考慮到用戶加入社區(qū)更多的原因是為特定的話題所吸引,話題對社區(qū)形成有重要影響,因此,本文綜合考慮了網(wǎng)絡(luò)結(jié)構(gòu)與用戶文本之間的關(guān)系,提出了同時(shí)基于結(jié)構(gòu)和話題進(jìn)行社區(qū)發(fā)現(xiàn)的算法。實(shí)驗(yàn)結(jié)果表明該算法能夠同時(shí)綜合利用社會網(wǎng)絡(luò)的結(jié)構(gòu)信息和文本中話題信息,有效的進(jìn)行社區(qū)發(fā)現(xiàn)。綜上所述,本文針對社會網(wǎng)絡(luò)中用戶分析,特殊節(jié)點(diǎn)發(fā)現(xiàn)以及社區(qū)發(fā)現(xiàn)等三個(gè)問題,提出了用戶-話題計(jì)算、臨界節(jié)點(diǎn)發(fā)現(xiàn)和話題社區(qū)發(fā)現(xiàn)等關(guān)鍵技術(shù),對于社會網(wǎng)絡(luò)的分析和挖掘工作具有重要的理論意義與應(yīng)用價(jià)值。
[Abstract]:Because of its complex structure, different user behaviors and huge amount of data generated by various user activities, social networks are facing great challenges. As a result, it has attracted the attention of researchers from all walks of life and has made abundant research achievements. In this paper, we discuss and study several key issues in social networks, including individual characteristics, group characteristics and structural characteristics of social networks. The main research contents and achievements include: (1) In the aspect of individual analysis of social network users, this paper focuses on the use of user-generated. In the aspect of user-topic relationship calculation, this paper proposes a user-topic sensitivity calculation algorithm based on non-negative matrix decomposition technique, which takes publicly published content of users on social networks as data source. Experimental results on real data sets show that the proposed algorithm can effectively analyze user publications and calculate user-topic sensitivity. In particular, with the popularity of micro-blogs, information overload is becoming more and more serious, and users are increasingly inclined to publish short text data. In this paper, we propose a short-text user-topic sensitivity algorithm based on word co-occurrence. The general algorithm can not deal with sparse short-text data very well, and the special algorithm for short-text proposed in this paper can effectively avoid the problem of data sparsity and calculate the results. Experimental results on real data are given. The results show that the short-text user-topic relationship algorithm mentioned in this paper can avoid all kinds of problems caused by data sparsity and efficiently compute. (2) In the aspect of social network structure mining, this paper puts forward the concept of critical node and critical block, and designs an effective algorithm to find these special nodes in the network. Points have different degrees of importance, this concept has long been deeply rooted in people's hearts, but how to measure the importance of nodes, people have proposed a variety of measurement methods and algorithms, including various concepts such as centrality, k-shell, k-core and algorithms based on PageRank and HITS. In this paper, a heuristic algorithm based on the properties of Fiedler vectors in matrices is proposed to effectively discover critical nodes, and a large number of experiments are carried out on real data sets. Community discovery has attracted the attention of many researchers, but most of the current research is based on the structure of the network. Therefore, considering the relationship between network structure and user text, this paper proposes an algorithm for community discovery based on both structure and topic. Experimental results show that the algorithm can make use of both the structure information of social network and the topic information in text to effectively discover communities. Aiming at the three problems of user analysis, special node discovery and community discovery in social networks, this paper puts forward the key technologies of user-topic computing, critical node discovery and topic community discovery, which have important theoretical significance and application value for the analysis and mining of social networks.
【學(xué)位授予單位】：東北大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2014
【分類號】：TP393.09;TP391.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何光輝;張?zhí)?;保持拓?fù)湫苑秦?fù)矩陣分解法在人臉識別的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2010年14期

2 史加榮;焦李成;尚凡華;;不完全非負(fù)矩陣分解的加速算法[J];電子學(xué)報(bào);2011年02期

3 王文俊;張軍英;;一種非負(fù)矩陣分解的快速方法[J];計(jì)算機(jī)工程與應(yīng)用;2009年25期

4 張雷鳴;李秋丹;廖勝才;;非負(fù)矩陣分解在標(biāo)簽語義分析中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2010年04期

5 于彬;;基于局部非負(fù)矩陣分解的人臉識別[J];科學(xué)技術(shù)與工程;2010年33期

6 姜偉;楊炳儒;隋海峰;;局部敏感非負(fù)矩陣分解[J];計(jì)算機(jī)科學(xué);2010年12期

7 宋金歌;楊景;陳平;佘玉梅;;一種非負(fù)矩陣分解的快速稀疏算法[J];云南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

8 高燕燕;;非負(fù)矩陣分解及其應(yīng)用探討[J];硅谷;2011年23期

9 郝紅;徐常青;張新平;;基于非負(fù)矩陣分解的航拍圖像信息提取[J];浙江農(nóng)林大學(xué)學(xué)報(bào);2012年01期

10 吳榮玉;樊豐;舒建;;基于非負(fù)矩陣分解的魯棒哈希函數(shù)驗(yàn)證性研究[J];電子技術(shù)應(yīng)用;2012年01期

相關(guān)會議論文 前10條

1 孫江明;李通化;;非平滑三維非負(fù)矩陣分解[A];第九屆全國計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負(fù)矩陣分解的自動多文摘方法[A];中國計(jì)算機(jī)語言學(xué)研究前沿進(jìn)展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負(fù)矩陣分解的圖像檢索[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2011)論文集【oral】[C];2011年

4 徐利民;龔珊;余再軍;;奇異值分解與非負(fù)矩陣分解色在數(shù)據(jù)降維方面的特性分析[A];2010年通信理論與信號處理學(xué)術(shù)年會論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負(fù)矩陣分解和支持向量機(jī)的軸心軌跡圖識別[A];2008年全國振動工程及應(yīng)用學(xué)術(shù)會議暨第十一屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負(fù)矩陣分解[A];中國自動化學(xué)會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 楊寶;朱啟兵;黃敏;;基于非負(fù)矩陣分解一稀疏表示分類的玻璃缺陷圖像識別[A];第24屆中國控制與決策會議論文集[C];2012年

8 錢樂樂;高雋;徐小紅;;非負(fù)性約束的圖像稀疏編碼[A];第七屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2009年

9 朱昊;黃源水;付夢印;;基于NMF的道路識別算法在野外環(huán)境感知中的應(yīng)用[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會論文集（下冊）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負(fù)矩陣分解和向量相似測度的語音與音樂分離算法[A];第十一屆全國人機(jī)語音通訊學(xué)術(shù)會議論文集（一）[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 楊士準(zhǔn);基于樣本和特征的遷移學(xué)習(xí)方法及應(yīng)用[D];國防科學(xué)技術(shù)大學(xué);2013年

2 葉軍;基于正則化方法的非負(fù)矩陣分解算法及其應(yīng)用研究[D];南京理工大學(xué);2014年

3 陸玉武;圖像分類中流形回歸與非負(fù)矩陣分解研究[D];哈爾濱工業(yè)大學(xué);2015年

4 張恩德;在線社會網(wǎng)絡(luò)分析與挖掘若干關(guān)鍵問題研究[D];東北大學(xué);2014年

5 胡俐蕊;非負(fù)矩陣分解方法及其在選票圖像識別中的應(yīng)用[D];安徽大學(xué);2013年

6 殷海青;圖像分析中的非負(fù)矩陣分解理論及其最優(yōu)化和正則化方法研究[D];西安電子科技大學(xué);2011年

7 楊洪禮;非負(fù)矩陣與張量分解及其應(yīng)用[D];山東科技大學(xué);2011年

8 史加榮;多尺度張量逼近及應(yīng)用[D];西安電子科技大學(xué);2012年

9 方蔚濤;人臉識別特征抽取算法的研究[D];重慶大學(xué);2012年

10 劉昱昊;基于非負(fù)矩陣分解算法的人臉識別技術(shù)的研究[D];吉林大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 謝昊;非負(fù)矩陣分解初始化及其應(yīng)用[D];暨南大學(xué);2015年

2 王一;凸與半非負(fù)矩陣分解的近點(diǎn)梯度方法研究[D];東北師范大學(xué);2015年

3 項(xiàng)磊;基于乳腺癌計(jì)算機(jī)輔助診斷的病理圖像分析[D];南京信息工程大學(xué);2015年

4 王丹;基于非負(fù)矩陣分解的腦電信號特征提取算法研究[D];燕山大學(xué);2015年

5 馬春霞;非負(fù)矩陣分解及在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用研究[D];曲阜師范大學(xué);2015年

6 崔艷榮;基于非負(fù)矩陣分解的高光譜遙感數(shù)據(jù)融合方法分析及應(yīng)用[D];電子科技大學(xué);2014年

7 賴淑珍;非負(fù)矩陣分解若干算法研究與應(yīng)用[D];電子科技大學(xué);2014年

8 趙龍;基于多流形正則化非負(fù)矩陣分解的多視圖聚類[D];大連理工大學(xué);2015年

9 黃震;基于多視角非負(fù)矩陣分解的同名區(qū)分算法研究[D];大連理工大學(xué);2015年

10 邵強(qiáng);改進(jìn)的非負(fù)矩陣分解算法及其在人臉識別中的應(yīng)用[D];河北工業(yè)大學(xué);2015年

，

本文編號：2245774