本文關(guān)鍵詞：基于事件的社交網(wǎng)絡(luò)核心節(jié)點挖掘算法的研究與應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)的發(fā)展,社交網(wǎng)絡(luò)已日趨發(fā)達(dá)和成熟,用戶的參與度也來到了一個前所未有的高度,社交網(wǎng)絡(luò)現(xiàn)已成為了大多數(shù)新聞事件的最早傳播源,所以對于社交網(wǎng)絡(luò)中新事件的檢測已經(jīng)成為學(xué)術(shù)界和政府機(jī)構(gòu)關(guān)注的焦點。社交網(wǎng)絡(luò)中的事件以用戶發(fā)送或者轉(zhuǎn)發(fā)狀態(tài)進(jìn)行傳播,其中的部分核心用戶對事件傳播有著極其重要的作用,所以對于社交網(wǎng)絡(luò)中核心用戶的挖掘也一直是學(xué)術(shù)界討論的熱點。然而,現(xiàn)有對于新事件檢測的核心用戶挖掘算法普遍存在由于核心用戶數(shù)量過大致使在線新事件檢測的算法效率不高的問題。設(shè)計一個對核心節(jié)點進(jìn)行過濾而獲取“真核心”的算法,對于減少處理的用戶數(shù)量以提升在線新事件檢測的算法效率有著重要的現(xiàn)實意義。 本文以傳統(tǒng)的新事件檢測算法為基礎(chǔ),討論了在獲取核心節(jié)點時現(xiàn)有的方法,研究了突破現(xiàn)有算法以獲得較高檢測效率的方式,進(jìn)而提出了基于事件的核心節(jié)點挖掘算法(Event Based Key Node Detection, EBKND),該算法可通過比較節(jié)點關(guān)于事件傳播的作用,去除作用重復(fù)的節(jié)點,從而減少在線新事件檢測時所需處理的核心節(jié)點數(shù)量,并且由于該算法能在前期離線運(yùn)行,節(jié)省了檢測所需時間和硬件開銷。最后本文通過實驗證明了該算法在獲得較高效率和穩(wěn)定性的同時,并未明顯降低新事件檢測的敏銳度,以此證明該算法的可行性和有效性。
【關(guān)鍵詞】：社交網(wǎng)絡(luò) 新事件檢測 核心節(jié)點 相似性
【學(xué)位授予單位】：華東理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP393.09;TP391.1
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-17
• 1.1 課題背景9
• 1.2 基本概念9-14
• 1.2.1 事件9-11
• 1.2.2 核心節(jié)點11-12
• 1.2.3 圖壓縮12-13
• 1.2.4 事件檢測13
• 1.2.5 社交網(wǎng)絡(luò)中的事件檢測13-14
• 1.3 研究意義14-16
• 1.4 研究內(nèi)容及組織結(jié)構(gòu)16-17
• 1.4.1 研究內(nèi)容16
• 1.4.2 組織結(jié)構(gòu)16-17
• 第2章 文獻(xiàn)綜述17-22
• 2.1 新事件檢測技術(shù)17-19
• 2.2 節(jié)點相似性分析技術(shù)19-22
• 第3章 社交網(wǎng)絡(luò)中新事件檢測方法22-26
• 3.1 傳統(tǒng)社交網(wǎng)絡(luò)新事件新檢測框架22-24
• 3.1.1 監(jiān)測用戶獲取22-23
• 3.1.2 用戶微博獲取23
• 3.1.3 新事件檢測23-24
• 3.2 改進(jìn)的社交網(wǎng)絡(luò)新事件檢測框架24-26
• 第4章 基于事件的社交網(wǎng)絡(luò)核心節(jié)點挖掘算法EBKND26-38
• 4.1 算法啟發(fā)26
• 4.2 EBKND設(shè)計框架26-33
• 4.2.1 熱門事件獲取27
• 4.2.2 原始節(jié)點選取27-28
• 4.2.3 基于事件的轉(zhuǎn)發(fā)圖構(gòu)建28-30
• 4.2.4 核心節(jié)點挖掘30-32
• 4.2.5 核心節(jié)點驗證32-33
• 4.3 關(guān)系與算法33-37
• 4.3.1 關(guān)系與算法定義33-34
• 4.3.2 關(guān)系說明34-37
• 4.3.3 算法控制37
• 4.4 算法總結(jié)37-38
• 第5章 基于事件的社交網(wǎng)絡(luò)核心節(jié)點挖掘系統(tǒng)的設(shè)計與實現(xiàn)38-51
• 5.1 EBKND實驗環(huán)境38
• 5.2 EBKND系統(tǒng)設(shè)計38-51
• 5.2.1 微博信息采集模塊39-46
• 5.2.2 微博數(shù)據(jù)預(yù)處理模塊46-49
• 5.2.3 核心節(jié)點篩選模塊49-50
• 5.2.4 核心節(jié)點驗證模塊50-51
• 第6章 實驗設(shè)計與結(jié)果分析51-57
• 6.1 實驗設(shè)計51-56
• 6.2 實驗結(jié)果分析56-57
• 第7章 總結(jié)和展望57-59
• 7.1 總結(jié)57
• 7.2 展望57-59
• 參考文獻(xiàn)59-63
• 附錄：碩士期間主要工作63-64
• 致謝64

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 李泓波;張健沛;楊靜;白勁波;初妍;張樂君;;基于社區(qū)節(jié)點重要性的社會網(wǎng)絡(luò)壓縮方法[J];北京大學(xué)學(xué)報(自然科學(xué)版);2013年01期

2 周茜,趙明生,扈e

本文編號：369368