現(xiàn)實(shí)世界的熱點(diǎn)事件將引起社交網(wǎng)絡(luò)中用戶的大規(guī)模討論,因此從社交網(wǎng)絡(luò)數(shù)據(jù)入手可以挖掘出現(xiàn)實(shí)世界中人們所關(guān)注的熱點(diǎn)事件。社交網(wǎng)絡(luò)中的用戶間交互越為頻繁,說明人們?cè)綖殛P(guān)注某一事件,因此可以通過構(gòu)建社交網(wǎng)絡(luò)用戶交互網(wǎng)絡(luò),檢測(cè)社交網(wǎng)絡(luò)中用戶交互密集的社區(qū),并進(jìn)一步抽取出能夠代表討論社區(qū)的關(guān)鍵詞來識(shí)別出熱點(diǎn)事件。然而隨著社交網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大,傳統(tǒng)的社區(qū)檢測(cè)算法在時(shí)間和空間上的消耗將不斷擴(kuò)大,十分浪費(fèi)計(jì)算資源,因此本文基于傳統(tǒng)的K-Clique社區(qū)檢測(cè)算法提出了一種增量社區(qū)檢測(cè)算法,有效降低了增量型網(wǎng)絡(luò)的社區(qū)檢測(cè)時(shí)間成本。社交網(wǎng)絡(luò)不僅會(huì)隨著時(shí)間不斷擴(kuò)張,網(wǎng)絡(luò)中的元素也會(huì)隨著時(shí)間的推移而逐漸失效。因此本文針對(duì)動(dòng)態(tài)更新的社交網(wǎng)絡(luò),在增量社區(qū)檢測(cè)算法的基礎(chǔ)上,設(shè)計(jì)和實(shí)現(xiàn)了動(dòng)態(tài)社區(qū)檢測(cè)算法。本文提出的增量社區(qū)檢測(cè)算法和動(dòng)態(tài)社交網(wǎng)絡(luò)的社區(qū)檢測(cè)算法均采用動(dòng)態(tài)更新的方式,當(dāng)社交網(wǎng)絡(luò)規(guī)模擴(kuò)大,采用增量方式對(duì)已有的社區(qū)進(jìn)行更新。當(dāng)網(wǎng)絡(luò)中有元素隨著時(shí)間的推移而失效時(shí),能及時(shí)有效的對(duì)社區(qū)進(jìn)行更新,消除社區(qū)中的過期元素。最后設(shè)計(jì)實(shí)現(xiàn)了一種基于隊(duì)列的TF-IDF(詞頻-反文檔頻率)社區(qū)關(guān)鍵詞提取方式,提取事件關(guān)鍵詞。通過仿真測(cè)試比較了本文提出的增量社區(qū)檢測(cè)算法、動(dòng)態(tài)社區(qū)檢測(cè)方法與傳統(tǒng)K-clique社區(qū)檢測(cè)方法,測(cè)試結(jié)果說明這些算法能夠在較高的準(zhǔn)確率的前提下大大提高社區(qū)檢測(cè)的運(yùn)行效率,針對(duì)社交網(wǎng)絡(luò)數(shù)據(jù)設(shè)計(jì)的基于隊(duì)列的TF-IDF關(guān)鍵詞提取方法能有序有效地提取社交網(wǎng)絡(luò)中引發(fā)討論的關(guān)鍵詞。
【學(xué)位單位】：南京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP393.09
【部分圖文】：

事件檢測(cè)系統(tǒng)的難點(diǎn)主要分為兩二是從社區(qū)中提取事件關(guān)鍵詞。行為所構(gòu)成的網(wǎng)絡(luò)結(jié)構(gòu)是較為復(fù)雜的。這存在重疊，即社區(qū)之間有相交的部分。針lique 社區(qū)檢測(cè)算法進(jìn)行社區(qū)檢測(cè)。該算法透算法[68]，這種算法第一步需要在網(wǎng)絡(luò)中與參數(shù) K 有關(guān)，如 2-Clique 是兩個(gè)結(jié)點(diǎn)組圖。而 K-Clique 社區(qū)則是由若干個(gè) K-Cliq圖之間有（k-1）個(gè)結(jié)點(diǎn)重疊。如圖 3.2 中的完全子圖，其中，前兩個(gè)完全子圖有 2構(gòu)成一個(gè)包含四個(gè)結(jié)點(diǎn)的 3-Clique 社區(qū)（

圖 3.5 失效結(jié)點(diǎn)和失效邊的刪除清理 CSS 的過程如算法 5：clearCSS，而遇到過期邊導(dǎo)致完全子圖結(jié)構(gòu)分裂的處理過如算法 6：resolveClique .。算法 5: clearCSSInput: CSSOutput: 清理過期元素后的CSSfor c in CSS do刪除 c 中權(quán)重降為 0 的結(jié)點(diǎn)以及其所有連邊if sizeOf (c ) < Kthen刪除 c 中權(quán)重降為 0 的邊將 c 剩余部分合并入 DSSCSS CSS c

28圖 3.6 Clique 存儲(chǔ)映射表圖 3.6 中有兩個(gè)哈希表，HashTable2 中，每個(gè) clique 都是一個(gè)真實(shí)的完全子圖結(jié)構(gòu)，且每一個(gè) clique 都有唯一對(duì)應(yīng)的 key 值。HashTable1 表示結(jié)點(diǎn)到 clique 鍵值對(duì)的映射，其中的Key_Clique 表示的就是 HashTable2 中的 key。當(dāng)結(jié)點(diǎn)屬于某一個(gè) clique 中，那么就將 node 作為 key，該 clique 對(duì)應(yīng)的編號(hào)作為值存儲(chǔ)在左側(cè)的哈希表中。我們還定義了一個(gè)資源池 POOL，即 clique 的 key 值的資源分配池
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 費(fèi)紹棟;楊玉珍;劉培玉;王健;;融合情感過濾的突發(fā)事件檢測(cè)方法[J];計(jì)算機(jī)應(yīng)用;2015年05期

2 張曉霞;王名揚(yáng);賈沖沖;董煦;;基于突發(fā)詞H指數(shù)的微博突發(fā)事件檢測(cè)算法研究[J];情報(bào)雜志;2015年02期

3 趙潔;馬錚;周曉峰;金培權(quán);;基于突發(fā)詞項(xiàng)頻域分析的微博突發(fā)事件檢測(cè)[J];情報(bào)理論與實(shí)踐;2015年01期

4 馮戈利;;跨文檔事件檢測(cè)算法[J];機(jī)械設(shè)計(jì)與制造工程;2015年01期

5 李艷;郝身剛;趙衛(wèi)東;姜桂洪;;時(shí)間敏感的社交網(wǎng)絡(luò)熱點(diǎn)話題檢測(cè)[J];計(jì)算機(jī)工程與設(shè)計(jì);2014年12期

6 唐曉波;童海燕;嚴(yán)承希;;基于話題情感強(qiáng)度的微博輿情分析[J];圖書館學(xué)研究;2014年17期

7 吳新宇;郭會(huì)文;李楠楠;王歡;陳彥倫;;基于視頻的人群異常事件檢測(cè)綜述[J];電子測(cè)量與儀器學(xué)報(bào);2014年06期

8 謝思發(fā);林琛;蘇旋;江弋;;Hadoop平臺(tái)的微博熱點(diǎn)事件挖掘[J];小型微型計(jì)算機(jī)系統(tǒng);2014年04期

9 郭跇秀;呂學(xué)強(qiáng);李卓;;基于突發(fā)詞聚類的微博突發(fā)事件檢測(cè)方法[J];計(jì)算機(jī)應(yīng)用;2014年02期

10 卞藝杰;陳超;馬玲玲;陳遠(yuǎn)磊;;一種改進(jìn)的LSH/MinHash協(xié)同過濾算法[J];計(jì)算機(jī)與現(xiàn)代化;2013年12期

相關(guān)博士學(xué)位論文 前1條

1 楊爾弘;突發(fā)事件信息提取研究[D];北京語言大學(xué);2005年

相關(guān)碩士學(xué)位論文 前4條

1 張志瑛;基于主題模型和社區(qū)發(fā)現(xiàn)的微博熱點(diǎn)事件檢測(cè)研究[D];西南大學(xué);2014年

2 趙江江;開放域事件抽取與微博事件檢測(cè)跟蹤[D];哈爾濱工業(yè)大學(xué);2013年

3 楊文漪;面向微博的事件檢測(cè)算法研究[D];北京郵電大學(xué);2013年

4 李婷玉;基于語義的文本事件信息抽取方法的研究與實(shí)現(xiàn)[D];上海交通大學(xué);2012年

本文編號(hào)：2864535