【摘要】：社會(huì)化網(wǎng)絡(luò)為可描述現(xiàn)實(shí)社會(huì)活動(dòng)的虛擬網(wǎng)絡(luò),該虛擬網(wǎng)絡(luò)劃分的聚類結(jié)果體現(xiàn)了真實(shí)社會(huì)活動(dòng)群體的狀態(tài),這些群體可能因?yàn)槟撤N原因(家人、同事或相同興趣等)自然形成。因此社會(huì)化網(wǎng)絡(luò)是真實(shí)社會(huì)的寫照,并且通過研究社會(huì)化網(wǎng)絡(luò)結(jié)構(gòu)可以獲知現(xiàn)實(shí)社會(huì)的特征和發(fā)展趨勢(shì)。雖然通過分析社區(qū)內(nèi)節(jié)點(diǎn)分布情況和社區(qū)間關(guān)聯(lián)情況可以幫助獲知用戶特征和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)等信息,但是由于人物角色和人物關(guān)系的多樣性和復(fù)雜性,導(dǎo)致社會(huì)化網(wǎng)絡(luò)中的節(jié)點(diǎn)屬性和節(jié)點(diǎn)間關(guān)聯(lián)關(guān)系具有多樣性和復(fù)雜性,因此針對(duì)社會(huì)化網(wǎng)絡(luò)結(jié)構(gòu)的研究不能局限于不可重疊的分類、聚類等算法。由于不同的社會(huì)屬性導(dǎo)致不同的社區(qū)劃分,社會(huì)化網(wǎng)絡(luò)用戶可能同時(shí)從屬于多個(gè)社區(qū)。另一方面,節(jié)點(diǎn)間的一條關(guān)聯(lián)關(guān)系的類型是單一的,因此每條邊可唯一劃分到某特定社區(qū)。如假設(shè)社會(huì)化網(wǎng)絡(luò)中唯一有價(jià)值的知識(shí)是網(wǎng)絡(luò)結(jié)構(gòu),那么節(jié)點(diǎn)的特征是其所有邊的特征集合。社會(huì)化網(wǎng)絡(luò)允許用戶自主生成個(gè)性化數(shù)據(jù),豐富的用戶信息有利于全方面分析用戶特征,但用戶自主產(chǎn)生的數(shù)據(jù)規(guī)范性較差且信息產(chǎn)生過程不可控,所以其數(shù)據(jù)是大規(guī)模且低質(zhì)量的。因此管理復(fù)雜網(wǎng)絡(luò)信息的難度增加,并且其處理對(duì)象不能局限于寫入性知識(shí),必須重視擁有大量領(lǐng)域知識(shí)的中心節(jié)點(diǎn)或?qū)＜夜?jié)點(diǎn),該類節(jié)點(diǎn)可為復(fù)雜網(wǎng)絡(luò)提供高質(zhì)量信息,并擴(kuò)充網(wǎng)絡(luò)有效知識(shí)儲(chǔ)備量。另外,關(guān)注類似于中心節(jié)點(diǎn)的核心節(jié)點(diǎn),可幫助獲知信息傳播規(guī)律、預(yù)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)發(fā)展趨勢(shì)、分析節(jié)點(diǎn)狀態(tài)變化概率等。由于社會(huì)化網(wǎng)絡(luò)為動(dòng)態(tài)網(wǎng)絡(luò),因此其分析算法的穩(wěn)定性需控制在合理范圍內(nèi),即算法過于穩(wěn)定導(dǎo)致對(duì)新增數(shù)據(jù)不敏感,相反導(dǎo)致算法易受臨時(shí)性信息影響而錯(cuò)誤劃分節(jié)點(diǎn)。綜上,針對(duì)社會(huì)化網(wǎng)絡(luò)的研究面臨很多困難,無論是從數(shù)據(jù)復(fù)雜度方面或是動(dòng)態(tài)網(wǎng)絡(luò)結(jié)構(gòu)分析難度方面都對(duì)現(xiàn)有的數(shù)據(jù)挖掘算法提出了挑戰(zhàn),但是無論是社會(huì)化搜索、個(gè)性化推薦,還是人物角色多重定位、知識(shí)圖譜構(gòu)建都建立在社會(huì)化網(wǎng)絡(luò)基礎(chǔ)之上,這是以往所有網(wǎng)絡(luò)平臺(tái)無法實(shí)現(xiàn)的。時(shí)至今日,互聯(lián)網(wǎng)逐步邁向全網(wǎng)社交化時(shí)代,并且伴隨著移動(dòng)終端的普及和移動(dòng)網(wǎng)絡(luò)技術(shù)的提升,社會(huì)化網(wǎng)絡(luò)呈現(xiàn)微信息、移動(dòng)化特征,使得網(wǎng)絡(luò)更加全面覆蓋生活,因此針對(duì)社會(huì)化網(wǎng)絡(luò)的研究引起越來越多的科研人員、企業(yè)、政府機(jī)關(guān)的重視。正如當(dāng)年以雅虎為代表的門戶互聯(lián)網(wǎng)時(shí)代被以谷歌為代表的搜索引擎時(shí)代更替一樣,也許將來社交網(wǎng)絡(luò)時(shí)代會(huì)更替如今已屹立十年的搜索引擎時(shí)代。無論如何,社會(huì)化網(wǎng)絡(luò)的低運(yùn)營成本,以及更具粘性的服務(wù),正在改變著傳統(tǒng)互聯(lián)網(wǎng)格局。本文從不同方面對(duì)社會(huì)化網(wǎng)絡(luò)進(jìn)行研究。第一,綜合分析節(jié)點(diǎn)的臨時(shí)性屬性和節(jié)點(diǎn)維持固有狀態(tài)能力,最終提出穩(wěn)定性較強(qiáng)的社區(qū)劃分算法。本文提出的算法不單純依據(jù)新增數(shù)據(jù)或節(jié)點(diǎn)現(xiàn)有特征,而是綜合考慮網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的歷史數(shù)據(jù)以及節(jié)點(diǎn)維持固有狀態(tài)能力和新增數(shù)據(jù)變化程度,用于計(jì)算狀態(tài)發(fā)生變化的節(jié)點(diǎn)對(duì)原始集群的隸屬程度,并結(jié)合新增數(shù)據(jù)以及數(shù)據(jù)變化趨勢(shì)以確定節(jié)點(diǎn)變化程度,最終實(shí)現(xiàn)社區(qū)劃分及動(dòng)態(tài)更新。第二,提出一種基于屬性的邊綁定算法,該方法以更加清晰的方式展示復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu),其將相似的邊輸出在相近的位置并調(diào)整邊的弧度,進(jìn)而實(shí)現(xiàn)相似節(jié)點(diǎn)聚類和社區(qū)發(fā)現(xiàn)。第三,以被分析對(duì)象為中心節(jié)點(diǎn),計(jì)算其與存在通路但不直接相連節(jié)點(diǎn)的關(guān)聯(lián)概率,實(shí)現(xiàn)網(wǎng)絡(luò)有效知識(shí)的合理擴(kuò)充,以彌補(bǔ)確定性事件的小數(shù)據(jù)問題,進(jìn)而根據(jù)邊的屬性進(jìn)行邊的不重疊聚類,通過對(duì)節(jié)點(diǎn)集合的分析、合并,最終實(shí)現(xiàn)可重疊節(jié)點(diǎn)社區(qū)劃分。第四,提出一種在興趣領(lǐng)域中尋求知識(shí)量較多用戶的信息檢索方法,即通過構(gòu)建用戶興趣分布曲線和計(jì)算臨界點(diǎn)處斜率以發(fā)現(xiàn)專家用戶,最終實(shí)現(xiàn)從眾多用戶群中發(fā)現(xiàn)興趣領(lǐng)域?qū)＜?其中所指專家不僅包含權(quán)威用戶中的專家節(jié)點(diǎn),也包含普通用戶中的專家節(jié)點(diǎn)。第五,提出一種知識(shí)表示方法和架構(gòu)融合策略,采用挖掘多文檔共同出現(xiàn)的結(jié)構(gòu)實(shí)現(xiàn)隱含語義關(guān)系發(fā)現(xiàn)。該算法可同時(shí)分析多個(gè)文檔,并且文檔分析過程中僅需掃描文檔一遍,因此該方法極大程度地降低了算法的計(jì)算復(fù)雜度并提高了文本匹配的準(zhǔn)確度。第六,通過構(gòu)建貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)針對(duì)復(fù)雜概率模型的約減,并在低密度網(wǎng)絡(luò)中分析節(jié)點(diǎn)間的影響度以預(yù)測(cè)中心節(jié)點(diǎn)狀態(tài)并分析網(wǎng)絡(luò)結(jié)構(gòu)變化趨勢(shì)。該方法根據(jù)用戶間的三種不同關(guān)聯(lián)形式和最短距離,計(jì)算節(jié)點(diǎn)間的相互影響度,以分析鄰接節(jié)點(diǎn)狀態(tài)變化程度,并預(yù)測(cè)中心節(jié)點(diǎn)的動(dòng)作趨勢(shì)。最后,各章的實(shí)驗(yàn)部分分別在不同數(shù)據(jù)集中將新提出的算法與其他相似算法進(jìn)行比較,進(jìn)而可視化輸出對(duì)比結(jié)果并詳細(xì)說明優(yōu)勢(shì)和區(qū)別,以驗(yàn)證算法的可行性和正確性。
[Abstract]:Social networks are virtual networks that can describe real social activities. The clustering results of the virtual networks represent the state of real social groups, which may naturally form for some reason (family members, colleagues or the same interests, etc.). The network structure can reveal the characteristics and development trends of the real society. Although the analysis of the distribution of nodes in the community and the association between communities can help to get the information of user characteristics and network topology, the diversity and complexity of personas and relationships lead to the node attributes and nodes in the social network. Because of the diversity and complexity of point-to-point association, the study of social network structure can not be limited to non-overlapping classification, clustering and other algorithms. If the only valuable knowledge in a social network is the network structure, then the characteristics of a node are the feature sets of all its edges. Social networks allow users to generate personalized data independently, and rich user information is conducive to the full analysis of user characteristics. However, the data generated by users is not standardized and the process of information generation is uncontrollable, so the data is large-scale and low-quality. Therefore, it is more difficult to manage complex network information, and its processing objects can not be limited to written knowledge. We must attach importance to the central node or expert node with a large amount of domain knowledge. It can provide high-quality information for complex networks and expand the effective knowledge reserve of networks.In addition, focusing on core nodes similar to central nodes can help to know the law of information transmission, predict the development trend of network structure, and analyze the probability of node state change.Because the social network is a dynamic network, the stability of the analysis algorithm needs to be improved. Control within a reasonable range, that is, the algorithm is too stable to be sensitive to new data, on the contrary, the algorithm is vulnerable to the impact of temporary information and the wrong division of nodes. Digging algorithms pose challenges, but whether it is social search, personalized recommendation, or multi-role relocation, knowledge mapping is built on the basis of social networks, which is not possible for all network platforms in the past. With the advancement of mobile network technology, social network presents micro-information and mobile features, making the network more comprehensive coverage of life, so the study of social network has attracted more and more researchers, enterprises and government departments'attention. In any case, the low operating costs of social networks, as well as more sticky services, are changing the traditional pattern of the Internet. Temporary attributes and the ability of nodes to maintain their inherent state are used to propose a stable community partitioning algorithm. The algorithm proposed in this paper is not only based on the new data or the existing characteristics of nodes, but also considers the historical data of network topology, the ability of nodes to maintain their inherent state and the degree of change of new data to calculate the state. Secondly, an attribute-based EDGE-BINDING algorithm is proposed to show the complex network structure in a clearer way, which will be similar to the edge-feeding. Thirdly, taking the analyzed object as the central node, the probability of association between the node and the existing path but not directly connected nodes is calculated, so that the effective knowledge of the network can be reasonably expanded to make up for the small data problem of deterministic events, and then according to the belonging of the edges. Fourthly, an information retrieval method for users with more knowledge in the field of interest is proposed, that is, to discover expert users by constructing user interest distribution curve and calculating slope at critical point. Fifthly, a knowledge representation method and an architecture fusion strategy are proposed to discover implicit semantic relationships by mining the structure of multiple documents. This method greatly reduces the computational complexity of the algorithm and improves the accuracy of text matching. Sixthly, a Bayesian network is constructed to reduce the complexity of the probability model, and the influence between nodes in the low density network is analyzed in advance. The method calculates the degree of mutual influence between nodes according to the three different association forms and the shortest distance between users, analyzes the degree of state change of adjacent nodes, and predicts the action trend of central nodes. Finally, the experimental parts of each chapter are introduced in different data sets. The proposed algorithm is compared with other similar algorithms, and the results are visualized and the advantages and differences are explained in detail to verify the feasibility and correctness of the algorithm.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP393.09

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王萍;;社會(huì)化網(wǎng)絡(luò)的信息擴(kuò)散研究[J];情報(bào)雜志;2009年10期

2 吳yP昕;吳波;張明;;社會(huì)化網(wǎng)絡(luò)隱患對(duì)國家信息安全的影響[J];當(dāng)代傳播;2010年01期

3 李遵白;;社會(huì)化網(wǎng)絡(luò)時(shí)代輿情變動(dòng)的基本機(jī)制與科學(xué)管理研究[J];前沿;2010年21期

4 翟旭瑾;;博客的社會(huì)化網(wǎng)絡(luò)連接對(duì)社會(huì)發(fā)展的影響[J];內(nèi)蒙古統(tǒng)戰(zhàn)理論研究;2013年01期

5 肖們;;社會(huì)化網(wǎng)絡(luò)中基于真實(shí)虛擬關(guān)系的營銷分析[J];現(xiàn)代傳播(中國傳媒大學(xué)學(xué)報(bào));2013年09期

6 翟旭瑾;;博客的社會(huì)化網(wǎng)絡(luò)連接對(duì)社會(huì)發(fā)展的影響[J];金田;2013年01期

7 肖們;;社會(huì)化網(wǎng)絡(luò)的發(fā)展與文化產(chǎn)業(yè)的演進(jìn)特征[J];湖南師范大學(xué)社會(huì)科學(xué)學(xué)報(bào);2014年04期

8 曹三省;;網(wǎng)人合一,物我不二:社會(huì)化網(wǎng)絡(luò)媒體模式技術(shù)演進(jìn)與模式變革[J];中國傳媒科技;2012年09期

9 趙林靜;;社會(huì)化網(wǎng)絡(luò)環(huán)境下圖書館內(nèi)容營銷策略研究[J];中國民航飛行學(xué)院學(xué)報(bào);2013年03期

10 ;關(guān)注[J];程序員;2008年04期

相關(guān)會(huì)議論文 前3條

1 周宇煜;;移動(dòng)社會(huì)化網(wǎng)絡(luò)業(yè)務(wù)發(fā)展趨勢(shì)和商業(yè)模式探討[A];2007年中國通信學(xué)會(huì)“移動(dòng)增值業(yè)務(wù)與應(yīng)用”學(xué)術(shù)年會(huì)論文集[C];2007年

2 張銳;;網(wǎng)絡(luò)媒體的現(xiàn)狀與變局[A];數(shù)字未來與媒介社會(huì)1[C];2010年

3 陳熹;徐曉杰;冒然;;社會(huì)化網(wǎng)絡(luò)下的自我表露:風(fēng)險(xiǎn)效用決策模型[A];第五屆（2010）中國管理學(xué)年會(huì)——信息管理分會(huì)場(chǎng)論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 喬文心;社會(huì)化網(wǎng)絡(luò)改變世界[N];青島日?qǐng)?bào);2013年

2 吳加錄;預(yù)知個(gè)性需求 社會(huì)化網(wǎng)絡(luò)推動(dòng)智能搜索[N];中國計(jì)算機(jī)報(bào);2008年

3 浙江大學(xué) 吳朝暉;社會(huì)管理須關(guān)注社會(huì)化網(wǎng)絡(luò)創(chuàng)新[N];科技日?qǐng)?bào);2011年

4 張丹;社會(huì)化網(wǎng)絡(luò)在檔案管理中的運(yùn)用[N];黃河報(bào);2011年

5 本報(bào)記者 董瀟;社會(huì)化網(wǎng)絡(luò)主宰互聯(lián)網(wǎng)[N];中華工商時(shí)報(bào);2011年

6 見習(xí)記者 趙曉悅;海銀：“孵”出下一個(gè)facebook？[N];21世紀(jì)經(jīng)濟(jì)報(bào)道;2012年

7 王超;市檢察院積極構(gòu)建預(yù)防職務(wù)犯罪社會(huì)化網(wǎng)絡(luò)[N];四平日?qǐng)?bào);2006年

8 本報(bào)記者 毛晶慧;開心網(wǎng)郭�。荷鐣�(huì)化網(wǎng)絡(luò)營銷理性爬坡[N];中國經(jīng)濟(jì)時(shí)報(bào);2011年

9 姜姝;把脈“Facebook魔力”[N];中國電腦教育報(bào);2007年

10 記者 文峰 實(shí)習(xí)生 彭瀲;推廣“社團(tuán)矯治”戒毒新模式[N];重慶日?qǐng)?bào);2005年

相關(guān)博士學(xué)位論文 前3條

1 劉樹棟;基于位置的移動(dòng)社會(huì)化網(wǎng)絡(luò)推薦技術(shù)研究[D];北京郵電大學(xué);2015年

2 國琳;社會(huì)化網(wǎng)絡(luò)集群結(jié)構(gòu)分析及動(dòng)態(tài)演化模型研究[D];吉林大學(xué);2016年

3 吳超;在線社會(huì)化網(wǎng)絡(luò)的語義分析和語義社會(huì)網(wǎng)的構(gòu)建[D];浙江大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 任軍虎;移動(dòng)圖書館戶服務(wù)交互研究[D];西安電子科技大學(xué);2014年

2 張宗宇;社會(huì)化網(wǎng)絡(luò)的鏈接預(yù)測(cè)[D];北京郵電大學(xué);2011年

3 宋薇;社會(huì)化網(wǎng)絡(luò)用戶行為研究與應(yīng)用[D];西安電子科技大學(xué);2013年

4 馬艷艷;社會(huì)化網(wǎng)絡(luò)中的社團(tuán)發(fā)現(xiàn)與應(yīng)用[D];西安電子科技大學(xué);2013年

5 賈曉英;運(yùn)用社會(huì)化網(wǎng)絡(luò)開展大學(xué)生思想政治教育研究[D];湖南科技大學(xué);2011年

6 崔明慧;公民社會(huì)議題下網(wǎng)絡(luò)虛擬自我認(rèn)同初探[D];山東大學(xué);2012年

7 張圣超;社會(huì)化網(wǎng)絡(luò)資源融合的人脈手機(jī)應(yīng)用設(shè)計(jì)[D];上海交通大學(xué);2014年

8 徐原;基于情境感知的移動(dòng)社會(huì)化網(wǎng)絡(luò)研究與設(shè)計(jì)[D];大連海事大學(xué);2010年

9 凌文倩;西安志勝機(jī)電有限公司傳統(tǒng)招聘與社會(huì)化網(wǎng)絡(luò)招聘的比較研究[D];西北農(nóng)林科技大學(xué);2014年

10 酆愛文;社會(huì)化網(wǎng)絡(luò)學(xué)習(xí)的研究[D];天津大學(xué);2012年

，

本文編號(hào)：2211429