發(fā)布時間：2017-10-06 21:35

  本文關(guān)鍵詞：社交網(wǎng)絡(luò)節(jié)點及其關(guān)系的研究

  更多相關(guān)文章： 社交網(wǎng)絡(luò) 節(jié)點影響力 鏈接預(yù)測 網(wǎng)絡(luò)

【摘要】：在線社交網(wǎng)絡(luò)的快速發(fā)展,沖擊和改變著人們的生活和思維方式。于無形之中,人們已成為各種社交網(wǎng)絡(luò)中的一員,比如,在各種諸如QQ,微博等通訊社交網(wǎng)絡(luò)中,人們發(fā)表著自己的生活瑣事,抒寫著自己的心情故事。在社交網(wǎng)絡(luò)中人們不僅僅表達自己的生活,同時也洞察周圍的人和事。對社交網(wǎng)絡(luò)的研究也具有重要的實際意義和理論意義,比如有針對性的研究社交網(wǎng)絡(luò)中某一個用戶,可以有的放矢的推薦產(chǎn)品、推薦朋友、或者引導(dǎo)某種輿論觀點的傳播等。如何將具體的社交網(wǎng)絡(luò)抽象成網(wǎng)絡(luò)拓撲圖,研究網(wǎng)絡(luò)圖的節(jié)點和節(jié)點關(guān)系正是本文所討論的主題。不同的社交網(wǎng)絡(luò)結(jié)構(gòu)圖中,節(jié)點和邊代表不同的實際意義,比如在Facebook社交網(wǎng)絡(luò)中,節(jié)點表示用戶,邊表示用戶之間的朋友、轉(zhuǎn)發(fā)等關(guān)系。本文也考慮了不同社交網(wǎng)絡(luò)的特點,主要的研究工作從兩個方面展開。首先,社交網(wǎng)絡(luò)節(jié)點的研究。社交網(wǎng)絡(luò)中,每一個節(jié)點的重要程度不一樣,其影響力也不盡相同,對節(jié)點影響力的度量可以幫助用戶或商家找到影響力大的用戶。本文提出了一種在微博社交網(wǎng)絡(luò)中評價用戶的影響力的算法,和傳統(tǒng)的用戶影響力的評價方法相比,綜合考慮用戶的活躍度和用戶所發(fā)微博質(zhì)量兩個方面的因素。通過在公開語料集和真實數(shù)據(jù)中的實驗,表明該方法是可行的,并比傳統(tǒng)的用戶影響力的評價方法更能客觀真實的反映用戶的實際影響力。其次,社交網(wǎng)絡(luò)節(jié)點關(guān)系的研究。如何預(yù)測社交網(wǎng)絡(luò)中節(jié)點的鏈接情況,本文從節(jié)點屬性和網(wǎng)絡(luò)拓撲結(jié)構(gòu)兩個方面對節(jié)點的未知鏈接進行研究。在對以往傳統(tǒng)方法基于節(jié)點鄰近度和基于網(wǎng)絡(luò)拓撲結(jié)構(gòu)的方法總結(jié)后,提出了基于AdaBoost提升算法對未知鏈接進行預(yù)測。實驗在公開的數(shù)據(jù)集科學(xué)論文合著網(wǎng)絡(luò)上進行,和傳統(tǒng)的基于節(jié)點屬性和基于路徑的方法等單一的弱分類器都進行了比較,證明基于AdaBoost方法的強分類器能更準(zhǔn)確的提高未知鏈接的準(zhǔn)確率,提高分類性能。最后,對社交網(wǎng)絡(luò)中節(jié)點及其關(guān)系的研究進行了歸納和總結(jié),并提出了對未來工作的展望。對社交網(wǎng)絡(luò)的研究,可以從不同的側(cè)重點進行,每一種算法都有其不足和改進之處,對社交網(wǎng)絡(luò)的研究在實際的應(yīng)用中具有指導(dǎo)作用。
【關(guān)鍵詞】：社交網(wǎng)絡(luò) 節(jié)點影響力 鏈接預(yù)測 網(wǎng)絡(luò)
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP393.09
【目錄】：

• 摘要4-5
• Abstract5-8
• 1 緒論8-19
• 1.1 研究背景8-9
• 1.2 研究現(xiàn)狀9-15
• 1.2.1 個體影響力分析10-12
• 1.2.2 節(jié)點關(guān)系預(yù)測12-15
• 1.3 本文工作15-17
• 1.4 本文結(jié)構(gòu)17-19
• 2 相關(guān)技術(shù)與問題定義19-27
• 2.1 相關(guān)技術(shù)19-24
• 2.1.1 PageRank算法19-21
• 2.1.2 AdaBoost算法21-23
• 2.1.3 評價體系23-24
• 2.2 問題定義24-25
• 2.3 本章總結(jié)25-27
• 3 基于PageRank算法的社交網(wǎng)絡(luò)節(jié)點影響力評估27-36
• 3.1 問題引出27
• 3.2 算法設(shè)計27-30
• 3.2.1 加入權(quán)重的用戶影響力評價方法27-28
• 3.2.2 用戶排名的影響力評價指標(biāo)28-29
• 3.2.3 對比實驗描述29-30
• 3.3 實驗結(jié)果與分析30-34
• 3.3.1 語料簡介30-31
• 3.3.2 實驗流程31
• 3.3.3 實驗結(jié)果及分析31-34
• 3.4 本章總結(jié)34-36
• 4 基于AdaBoost算法的社交網(wǎng)絡(luò)節(jié)點關(guān)系預(yù)測36-44
• 4.1 問題引出36
• 4.2 算法設(shè)計36-39
• 4.2.1 AdaBoost算法36-37
• 4.2.2 弱分類器的選擇37-38
• 4.2.3 強分類器的形成38-39
• 4.2.4 對比實驗描述39
• 4.3 實驗結(jié)果與分析39-43
• 4.3.1 語料簡介39-40
• 4.3.2 實驗流程40
• 4.3.3 實驗評價指標(biāo)40-41
• 4.3.4 實驗結(jié)果及分析41-43
• 4.4 本章總結(jié)43-44
• 結(jié)論44-45
• 參考文獻45-48
• 攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況48-49
• 致謝49-50

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 楊s，

本文編號：985172