本文關(guān)鍵詞：社會網(wǎng)絡(luò)上的用戶屬性推測方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：在線社交網(wǎng)站是web2.0時代的標(biāo)志性產(chǎn)物,它改變了人們的生活方式,數(shù)以千萬的用戶在社交網(wǎng)站上聯(lián)絡(luò)好友、分享動態(tài)、參與活動。社交網(wǎng)站提供基本資料頁面供注冊用戶填寫,如性別、生日、地理位置、教育背景、興趣愛好等等,然而現(xiàn)實卻是,社交網(wǎng)站的用戶資料存在著嚴(yán)重的不完整、不準(zhǔn)確問題。本文研究社交網(wǎng)絡(luò)中的用戶屬性推測方法,主要貢獻(xiàn)包括以下三點:第一,傳統(tǒng)關(guān)系型數(shù)據(jù)分類方法是基于不同的應(yīng)用場景提出的,本文詳盡考察了相關(guān)的經(jīng)典算法,并在真實社交網(wǎng)絡(luò)用戶屬性數(shù)據(jù)集上進(jìn)行橫向?qū)Ρ葘嶒?對照實驗結(jié)果對經(jīng)典算法的優(yōu)劣展開討論。第二,本文結(jié)合社會學(xué)中“強關(guān)系”和“弱關(guān)系”的劃分,分析了利用同質(zhì)性進(jìn)行屬性推測的本質(zhì),提出了“同質(zhì)邊”與“異質(zhì)邊”的概念,指出“異質(zhì)邊”是影響屬性推測的噪音。隨后本文引入擴展的歐式距離,提出一種自學(xué)習(xí)的邊的同質(zhì)性度量,使用該度量采取簡單的刪邊降噪手段,實驗證明了結(jié)合該自學(xué)習(xí)度量的降噪手段的有效性。該部分研究展示了尋求有效的數(shù)據(jù)預(yù)處理手段,可以在一定程度上提高屬性推測的準(zhǔn)確率。第三,本文提出一種新的用戶屬性推測方法——跳數(shù)限制的近鄰算法(Hops Limited Relational Neighbor),它主要針對經(jīng)典算法LI(Local Iterative)的不穩(wěn)定問題,一個重要缺陷是迭代輪數(shù)增加時,準(zhǔn)確率先上升后下降。通過在LI算法框架下,重新設(shè)計鄰居節(jié)點的投票過程,加入更加細(xì)致的標(biāo)簽傳播控制、標(biāo)簽傳播距離限制和膨脹操作,在準(zhǔn)確率可比的前提下,大幅度提高了LI算法的穩(wěn)定性。
【關(guān)鍵詞】：社交網(wǎng)絡(luò) 屬性推測 節(jié)點分類 降噪
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP393.09
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-16
• 1.1 課題的研究背景及意義8-10
• 1.2 問題規(guī)范化表示10
• 1.3 研究現(xiàn)狀與待解決問題10-13
• 1.3.1 研究現(xiàn)狀10-13
• 1.3.2 待解決的問題13
• 1.4 論文主要研究內(nèi)容與組織結(jié)構(gòu)13-16
• 1.4.1 主要研究內(nèi)容13-14
• 1.4.2 組織結(jié)構(gòu)14-16
• 第2章 社交網(wǎng)絡(luò)中用戶屬性推測問題描述16-23
• 2.1 用戶屬性的標(biāo)簽表示16-17
• 2.2 相關(guān)度量及評價方法17-18
• 2.2.1 相關(guān)度量17-18
• 2.2.2 評價方法18
• 2.3 數(shù)據(jù)收集與實驗數(shù)據(jù)集抽取18-23
• 2.3.1 數(shù)據(jù)收集18-20
• 2.3.2 數(shù)據(jù)集抽取20-23
• 第3章 社交網(wǎng)絡(luò)中用戶屬性推測相關(guān)方法23-34
• 3.1 引言23
• 3.2 經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)的分類方法23-27
• 3.2.1 SVM24-25
• 3.2.2 GNN25
• 3.2.3 CNM算法與LPA算法25-26
• 3.2.4 IRN算法與LI算法26-27
• 3.3 對比實驗27-32
• 3.3.1 用戶學(xué)校數(shù)據(jù)集上的實驗28-29
• 3.3.2 用戶學(xué)院數(shù)據(jù)集上的實驗29-31
• 3.3.3 用戶性別數(shù)據(jù)集上的實驗31-32
• 3.4 本章小結(jié)32-34
• 第4章 基于自學(xué)習(xí)度量的邊的同質(zhì)性評價34-48
• 4.1 引言34
• 4.2 異質(zhì)邊對屬性推測的影響34-38
• 4.2.1 同質(zhì)邊與異質(zhì)邊34-35
• 4.2.2 異質(zhì)邊的影響35
• 4.2.3 驗證實驗及結(jié)論35-38
• 4.3 邊的同質(zhì)性評價38-40
• 4.3.1 常見的相似性度量38
• 4.3.2 歐氏距離及擴展38-39
• 4.3.3 自學(xué)習(xí)度量的應(yīng)用39-40
• 4.4 使用自學(xué)習(xí)度量對邊降噪40-41
• 4.5 實驗41-47
• 4.5.1 PR曲線實驗41-44
• 4.5.2 刪邊實驗44-47
• 4.6 本章小結(jié)47-48
• 第5章 跳數(shù)限制的近鄰算法48-59
• 5.1 前言48
• 5.2 LI算法及其問題48-50
• 5.2.1 LI算法流程48-49
• 5.2.2 LI算法存在的問題49-50
• 5.3 相關(guān)的工作50-52
• 5.3.1 p RN50-51
• 5.3.2 δ-LPA51
• 5.3.3 MCL和Label Rank51-52
• 5.4 跳數(shù)限制的近鄰算法52-54
• 5.5 實驗54-58
• 5.5.1 算法穩(wěn)定性實驗54-56
• 5.5.2 算法效果實驗56-58
• 5.6 本章小結(jié)58-59
• 結(jié)論59-61
• 參考文獻(xiàn)61-65
• 致謝65

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前9條

1 強磊;;3G通用用戶屬性及其參考結(jié)構(gòu)的研究[J];信息網(wǎng)絡(luò);2006年03期

2 葉春曉;符云清;鐘將;馮永;;基于屬性的委托撤銷研究[J];計算機科學(xué);2008年03期

3 余坦;王益民;;一種基于用戶屬性的搜索算法[J];計算機系統(tǒng)應(yīng)用;2010年07期

4 唐金鵬;李玲琳;楊路明;;面向用戶屬性的RBAC模型[J];計算機工程與設(shè)計;2010年10期

5 蔣凌志;;基于屬性的RBAC系統(tǒng)[J];計算機系統(tǒng)應(yīng)用;2010年01期

6 葉春曉;符云清;吳中福;;基于角色限制條件的用戶-角色指派研究[J];計算機科學(xué);2004年07期

7 ;“小弟弟”盯著你[J];每周電腦報;1997年33期

8 曹玖新;吳江林;石偉;劉波;鄭嘯;羅軍舟;;新浪微博網(wǎng)信息傳播分析與預(yù)測[J];計算機學(xué)報;2014年04期

9 ;[J];;年期

中國重要報紙全文數(shù)據(jù)庫 前3條

1 馬志會;有線無線一體化不等于“統(tǒng)一品牌”[N];網(wǎng)絡(luò)世界;2009年

2 大竹剛;整合互聯(lián)網(wǎng)服務(wù)[N];中國計算機報;2002年

3 本報記者 別坤;王效轍:扁平化網(wǎng)絡(luò)更高效[N];計算機世界;2013年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 馮珍;產(chǎn)品級再使用研究[D];西安電子科技大學(xué);2005年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前9條

1 景志珍;基于組合賦權(quán)的軟件服務(wù)評價方法的研究與實現(xiàn)[D];昆明理工大學(xué);2015年

2 薛云霞;微博用戶屬性識別方法研究[D];蘇州大學(xué);2015年

3 張曉;社會網(wǎng)絡(luò)上的用戶屬性推測方法研究[D];哈爾濱工業(yè)大學(xué);2015年

4 張曉偉;用戶屬性在加強遠(yuǎn)程證明安全中的研究[D];太原理工大學(xué);2015年

5 丁璐;基于隱式反饋的音樂推薦技術(shù)研究[D];杭州電子科技大學(xué);2015年

6 何偉賓;微博用戶屬性信息挖掘平臺核心功能設(shè)計與實現(xiàn)[D];北京郵電大學(xué);2014年

7 張清華;基于資訊價值的移動訂閱研究[D];大連理工大學(xué);2010年

8 陳顯勇;融合用戶屬性和興趣的最大熵推薦算法研究[D];重慶大學(xué);2013年

9 周曉軍;基于RB-RBAC_（ex）模型的PMI系統(tǒng)的研究與設(shè)計[D];上海交通大學(xué);2010年

  本文關(guān)鍵詞：社會網(wǎng)絡(luò)上的用戶屬性推測方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：307491