結(jié)合時間因子的社交網(wǎng)絡(luò)用戶影響力分析
本文關(guān)鍵詞:結(jié)合時間因子的社交網(wǎng)絡(luò)用戶影響力分析,由筆耕文化傳播整理發(fā)布。
【摘要】:伴隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展,人們之間信息交流的方式也發(fā)生了巨大的變化,信息傳播的速度和規(guī)模都達(dá)到了空前的水平,特別是在社交網(wǎng)絡(luò)出現(xiàn)之后,人們可以通過各種終端設(shè)備在這個平臺上隨時隨地發(fā)布自己的動態(tài),每天在社交網(wǎng)絡(luò)平臺上都會產(chǎn)生海量的數(shù)據(jù),社交網(wǎng)絡(luò)在消息傳播中扮演者越來也重要的角色。新浪微博,國內(nèi)最大的社交網(wǎng)絡(luò)平臺之一。微博用戶可以通過相互之間的關(guān)注機(jī)制分享消息,由于微博消息的傳播具有實(shí)時性特點(diǎn),并且不受空間地域的影響,使得微博在人們?nèi)粘=涣髦邪缪葜絹碓街匾慕巧?大有超越傳統(tǒng)媒體的趨勢。因此,對于新浪微博的研究蘊(yùn)含著巨大的科研和商業(yè)價值。其中,對微博用戶影響力的研究就是當(dāng)下最熱門的社交網(wǎng)絡(luò)課題之一。因?yàn)槲⒉┥系母鞣N交互活動也屬于用戶的主觀行為,所以本文基于人類行為動力學(xué)相關(guān)理論,提出了一種實(shí)時的計(jì)算新浪微博用戶影響力的方法。本文主要工作包括以下幾點(diǎn):首先,闡述復(fù)雜網(wǎng)絡(luò)的概念,通過對社交網(wǎng)絡(luò)和復(fù)雜網(wǎng)絡(luò)的研究表明,社交網(wǎng)絡(luò)屬于復(fù)雜網(wǎng)絡(luò)的一種,具有復(fù)雜網(wǎng)絡(luò)的兩個基本特點(diǎn):小世界性和無標(biāo)度特性。同時還論述了社交網(wǎng)絡(luò)的發(fā)展和研究現(xiàn)狀。其次,通過新浪提供的API結(jié)構(gòu)設(shè)計(jì)了微博數(shù)據(jù)爬取程序,用來爬取本文所需要的實(shí)驗(yàn)數(shù)據(jù),然后結(jié)合人類行為動力學(xué)的相關(guān)理論,研究證明了用戶的轉(zhuǎn)發(fā)行為的時間間隔是服從冪律分布而不是泊松分布的。再次,對用戶的關(guān)注行為進(jìn)行了數(shù)學(xué)建模,量化了特定時刻用戶之間的關(guān)注程度。基于PageRank的思想提出了本文的用戶影響力評估算法-RTRank。 RTRank算法是基于網(wǎng)絡(luò)結(jié)構(gòu)和用戶行為的時間間隔分布規(guī)律來實(shí)時計(jì)算用戶影響力,實(shí)驗(yàn)證明本算法具有良好的收斂性和實(shí)時性。最后,用粉絲量和PageRank算法分別計(jì)算用戶的影響力,并利用Spearman相關(guān)系數(shù)計(jì)算RTRank算法和這兩個算法的相關(guān)性,對結(jié)果進(jìn)行分析表明,本文中的方法在計(jì)算用戶影響力上表現(xiàn)的更加全面,而且具有很好的實(shí)時性。
【關(guān)鍵詞】:社交網(wǎng)絡(luò) 復(fù)雜網(wǎng)絡(luò) PageRank算法 用戶影響力
【學(xué)位授予單位】:廣東工業(yè)大學(xué)
【學(xué)位級別】:碩士
【學(xué)位授予年份】:2015
【分類號】:TP393.092
【目錄】:
- 摘要4-5
- ABSTRACT5-11
- 第一章 緒論11-17
- 1.1 研究背景及意義11-12
- 1.2 國內(nèi)外研究現(xiàn)狀12-15
- 1.2.1 社交網(wǎng)絡(luò)研究現(xiàn)狀12-14
- 1.2.2 用戶影響力研究現(xiàn)狀14-15
- 1.3 本文主要工作15
- 1.4 論文組織結(jié)構(gòu)15-17
- 第二章 社交網(wǎng)絡(luò)綜述17-25
- 2.1 復(fù)雜網(wǎng)絡(luò)17-19
- 2.1.1 小世界效應(yīng)17-18
- 2.1.2 無標(biāo)度特性18-19
- 2.2 社會網(wǎng)絡(luò)概述19-20
- 2.3 社會網(wǎng)絡(luò)分析理論20-22
- 2.3.1 150定律20-21
- 2.3.2 六度分割理論21-22
- 2.4 社會網(wǎng)絡(luò)分析指標(biāo)22-23
- 2.5 復(fù)雜網(wǎng)絡(luò)和社會網(wǎng)絡(luò)區(qū)別23
- 2.6 社交網(wǎng)絡(luò)概述23-24
- 2.7 本章小結(jié)24-25
- 第三章 微博用戶行為特征研究25-35
- 3.1 新浪微博綜述25-26
- 3.2 數(shù)據(jù)集26-30
- 3.2.1 爬取系統(tǒng)框架27-28
- 3.2.2 爬取流程28-29
- 3.2.3 爬取結(jié)果29-30
- 3.3 人類行為研究30-32
- 3.4 微博用戶行為研究32-34
- 3.4.1 轉(zhuǎn)發(fā)行為32-33
- 3.4.2 關(guān)注行為33-34
- 3.5 本章總結(jié)34-35
- 第四章 用戶影響力模型35-45
- 4.1 社交網(wǎng)絡(luò)中影響力的概念35-36
- 4.2 PageRank算法36-39
- 4.3 基于PageRank的影響力計(jì)算方法—RTRank39-44
- 4.3.1 算法基本思想39-41
- 4.3.2 用戶之間關(guān)注度度量41-43
- 4.3.3 算法基本流程43-44
- 4.4 本章小結(jié)44-45
- 第五章 實(shí)驗(yàn)結(jié)果45-52
- 5.1 RTRank算法的收斂性45-46
- 5.2 相關(guān)性分析46-48
- 5.2.1 FR和PR算法46-47
- 5.2.2 轉(zhuǎn)發(fā)次數(shù)47-48
- 5.3 RTRank實(shí)時性分析48-50
- 5.4 有效性驗(yàn)證50-51
- 5.5 本章小結(jié)51-52
- 總結(jié)與展望52-54
- 工作總結(jié)52
- 研究展望52-54
- 參考文獻(xiàn)54-58
- 攻讀學(xué)位期間發(fā)表論文58-60
- 致謝60
【參考文獻(xiàn)】
中國期刊全文數(shù)據(jù)庫 前4條
1 韓筱璞;汪秉宏;周濤;;人類行為動力學(xué)研究[J];復(fù)雜系統(tǒng)與復(fù)雜性科學(xué);2010年Z1期
2 陳舜華;王曉彤;郝志峰;蔡瑞初;肖曉軍;盧宇;;基于微博API的分布式抓取技術(shù)[J];電信科學(xué);2013年08期
3 郭進(jìn)時;湯紅波;吳凱;楊森;;基于社區(qū)結(jié)構(gòu)的影響力最大化算法[J];計(jì)算機(jī)應(yīng)用;2013年09期
4 吳信東;李毅;李磊;;在線社交網(wǎng)絡(luò)影響力分析[J];計(jì)算機(jī)學(xué)報;2014年04期
中國碩士學(xué)位論文全文數(shù)據(jù)庫 前4條
1 康書龍;基于用戶行為及關(guān)系的社交網(wǎng)絡(luò)節(jié)點(diǎn)影響力評價[D];北京郵電大學(xué);2011年
2 黃曉華;基于社會信息的移動社交網(wǎng)絡(luò)路由算法[D];上海交通大學(xué);2010年
3 張璇;基于社會網(wǎng)絡(luò)分析的輿情管理研究[D];合肥工業(yè)大學(xué);2013年
4 陳浩;基于Hadoop的微博用戶影響力排名算法研究[D];華東理工大學(xué);2014年
本文關(guān)鍵詞:結(jié)合時間因子的社交網(wǎng)絡(luò)用戶影響力分析,,由筆耕文化傳播整理發(fā)布。
本文編號:345007
本文鏈接:http://sikaile.net/guanlilunwen/ydhl/345007.html