一种基于增广网络的快速微博社区检测算法

微博是当前最流行的在线社交媒体之一,有效地检测出微博用户的社区结构,能够帮助人们理解微博社交网络的结构和用户的行为特征,从而为用户提供个性化的服务。然而,现有社区检测算法大多只考虑社交网络节点之间的直接链接关系,忽略节点自身的内容特征。针对此问题,提出一种基于增广网络的快速微博社区检测算法。该算法通过融合社交网络的链接信息以及用户在微博上所发布的博文内容信息构建增广网络,然后以模块度为目标函数快速挖掘增广网络中的主题社区。通过真实微博社交网络的实验表明,提出的算法能够高效地检测出社交网络的主题社区。
     

基于ICN网络架构的社区感知型MSN路由机制

移动社交网络（mobile social network，简称MSN）利用移动用户之间的社交关系，通过节点间的协作式转发实现消息交付.然而，随着大数据时代的到来，MSN需要满足移动用户日益增长的对内容（如视频）的需求.由于信息中心网络（information-centric networking，简称ICN）对移动性的支持，基于ICN架构，提出了一种MSN中基于社区划分的路由机制.在兴趣决策中，利用节点请求中的内容名字获取用户的兴趣偏好，进而计算用户间的兴趣差异度量；根据兴趣差异将节点划分为兴趣社区，依据这些兴趣社区进行兴趣包路由.在数据决策中，根据节点历史相遇信息计算用户间的相遇规律度量，根据相遇规律将节点划分为社交社区，依据这些社交社区进行数据包路由.同时，根据兴趣社区和社交社区信息优化节点的内容缓存，以快速满足未来的内容请求.进行了仿真实验，通过与现有机制在包交付率、平均延迟、平均跳数和网络开销方面的性能对比，表明所提出的机制是可行且有效的.     

社交网络中感知技术的研究与应用

社交网络已成为互联网上最热门的话题和网络应用亮点,它让用户组织自己的网络链接,维护各种社会关系.社交网络重要的是对个人信息的维护,对网络内他人信息的感知;在社交网络环境下,用户的信息感知程度普遍较低.探索了是否可有效调整CSCW领域中的感知概念以应用到社会网络领域.分析了感知的概念和内涵,对比了CSCW领域的群组与社交网络中的社区,研究了社交网络感知信息的形成过程,从社交网络环境和群组两个方面讨论了感知技术的应用,改善了社交网络中的通信,增强了用户之间的交互性.最后,实现了面向科研工作者的社交网络--学术社区,在学术社区中应用感知技术,帮助研究者发现科研热点或某一领域的研究群体,促进学术交流和创新.     

基于SALSA的社交网络重要节点发现算法

社交网络中重要节点的发现研究具有较大的实际意义与价值。考虑社交网络中用户作为节点所包含一些特有的属性,通过将用户的社交行为划分强/弱关系的方式对社交网络拓扑结构的关系边进行补充,提出一种基于SALSA算法的加权算法WSALSA来发现社交网络中的重要节点。采用部分新浪微博真实数据进行实验及验证,对比PageRank、HITS和SALSA算法得到的节点影响力排序结果在SIR模型中的传播能力,结果表明WSALSA算法与SIR排序结果的斯皮尔曼相关系数值更高,对社交网络中节点重要性的评估更加准确。     

基于社区发现的社交网络影响力阻断最大化算法北大核心CSCD

随着社交网络的日益普及,社交网络已经成为信息传播的主要平台之一。由于对社交网络内容监管相对困难,导致一些负面信息容易快速扩散并产生较大的不良影响。影响力阻断最大化问题旨在寻找需要采用正影响的节点集,使信息传播过程中被负向消息影响的节点数量最小化。针对现有社交网络影响力阻断算法运行时间复杂度较高的问题,文章提出了基于社区发现的影响力阻断最大化算法,该算法首先使用社交网络节点的扩展h指数中心性来选择候选种子节点;然后以这些种子节点为起点,利用标签传播算法发现社交网络中的社区;接着通过计算社交网络社区的关系矩阵及当前关系矩阵的模块度对社区进行合并;最后,计算初始种子节点的标签度量等级,选取前k个节点作为具有最大阻断影响力的成员。实验结果表明,该算法阻断性能好,且时间复杂度低。     

基于社交网络节点中心度挖掘其社区框架

社区结构作为真实复杂网络所普遍具有的一个重要的拓扑特性,最近10年内得到了广泛而深入的研究。为解决社区挖掘策略时间复杂度过高、缺少与用户交互等问题,讨论了社交网络节点中心度、度的幂律分布等特性,提出了"关键子网络"和"社区框架"的概念,设计了社区框架挖掘算法MCF(Mine the Community Framework)和社区框架钻取算法DCF(Drill Down the Community Framework),其中MCF算法用于挖掘社交网络的社区框架,DCF用于对社区框架进行钻取,从不同粒度展现社区结构。实验结果和实验分析表明,MCF算法能够在较短时间内挖掘出反映复杂网络社区状态的社区框架,DCF算法可以以用户交互方式实现高质量的社区划分。     

Gnutella网络上的动态社区结构分析

研究Gnutella网络中动态社区(Community)结构的演化问题.定义了有关社区和节点的关键事件.通过在实际Gnutella网络测量数据中检测关键事件的发生,发现网络中节点登陆和退出非常频繁.基于关键事件定义表征社区稳定性的指标,在Gnutella网络数据中的测量表明,节点频繁登陆和退出造成了网络上社区结构的不稳定.另一方面,定义了反映用户所属社区稳定性的指标,对Gnutella网络拓扑数据的测量结果显示,用户经常更换自己所属社区,同样归咎于节点的频繁变动.     

基于自适应差异化图卷积的社交网络新增恶意用户检测

社交网络新增恶意用户检测作为一项分类任务，一直面临着数据样本不足、恶意用户标注稀少的问题。在数据有限的情况下，为了能够精确地检测出恶意用户，提出一种基于自适应差异化图卷积网络的检测方法。该方法通过提取社交网络中的用户特征和社交关系构建社交网络图。构建社交网络图后，计算节点与邻居的相似度，并对邻居进行优先级排序，利用优先级顺序采样关键邻居。关键邻居的特征通过自适应权重的加权平均方式聚合到节点自身，以此更新节点特征。特征更新后的节点通过特征降维和归一化计算得到恶意值，利用恶意值判断用户的恶意性。实验表明该方法和其他方法相比，具有更高的恶意用户查全率和整体查准率，并且能够快速地完成对新增用户的检测，证明了自适应差异化图卷积网络能够有效捕捉到少量样本的关键特征。     

考虑用户和传播属性的节点影响力评估算法

在微博的传播过程中,关键节点起着意见领袖的作用,在社交网络中发现关键节点对舆情的分析、控制等方面是非常有意义的,作为社交网络的传播节点,用户不仅与用户本身属性有关,还与微博消息的传播属性有关。对两种属性分别选取三个指标,利用层次分析法中构造判断矩阵的方法评估各个指标的权重,将用户系数和传播系数分别作为传播网络的节点和边的权值,形成双加权的网络拓扑图,然后建立考虑用户和传播属性的影响力评估算法来计算转发节点的影响力。通过与现有算法进行比较,表明本文的算法能够更加客观准确地评估关键节点在传播过程中的重要程度。     

社交网Twitter平台的人物关系网社区发现

社交网络服务（social networking service,SNS）已融入到大众生活中。人们将自己的信息上传到网络中,并通过社交网站管理自己的社交圈子,由此造成大量的个人信息在社交网络上被公开。文章基于Twitter平台,设计实现了Twitter用户关系网的社区发现。通过实时采集Twitter用户信息,重建人物关系网,改进Newman快速算法划分社区发现人物关系网。文章通过可视化的界面呈现用户的社区关系,提供用户网络行为,为决策者的舆情监控或个性推荐提供了参考凭据。     

一种新的微博社区发现算法

在舆情分析、微博营销和个性化推荐等方面,微博社区发现的研究都具有重要的应用价值。为了准确而有效地发现微博社交网络中的社区,提出一种基于信任关联度的微博社区发现算法(TRKM算法)。该算法通过微博用户的评论、转发、原创微博等属性来构造节点间信任关联度,再利用微博社区的模块度对网络社区划分效果进行评价。在新浪微博明星和普通用户数据集上进行实验,并将TRKM算法与传统K-means算法作比较。实验表明,该算法能够更有效地发现微博用户关系网络中的社区结构。     

基于用户行为的社交网络节点可视化设计

为了更好表现用户间的关系数据,用户节点网络的可视化成为社交应用中主要的分析方式。目前,常用的节点网络仍是基于网络社交关系这一因素,而社交网络基于用户群体具有动态变化的特性。为了更好表现社交网络动态性和用户驱动的特性,文章将结合用户行为数据,通过采用多变量视角和添加时间维对现有的社交图谱进行改良,以提高可视化图包含的信息量和可用性。     

基于用户行为的社交网络人格特质识别方法

社交网络已成为人们获取和发布信息的一个重要平台,也是黑客发起网络诈骗的主要场地。大多数黑客在发起网络诈骗之前,首先会判别目标用户的主要人格特点,然后根据主要人格特点制定与其接触的策略。因此,面向社交网络用户的人格特质识别方法的研究对提高用户识别社交网络诈骗能力具有重要意义。提出基于用户的人格特质识别方法。通过构建面向社交网络的人格特质词典提取用户发表或转发文本信息中能反映用户主要人格特质类型的观测值,采用5个具有不同参数值的隐半马尔可夫模型刻画用户在社交网络上发表或转发文本信息的行为过程。在人格特质识别阶段,通过计算每个用户在发表或转发文本信息过程中产生的观测序列相对于模型的平均对数似然概率,以识别用户所属的人格特质类型。在采集的新浪微博数据集上进行实验,结果表明,当假正率为10%时,该方法的总真正率为93.18%,能准确识别用户的人格特质类型。     

改进的SCIR模型中社交网络信息传播研究

社交网络中用户转发是信息传播的重要渠道,研究用户转发模式和信息传播规律,将有利于在网络话题传播过程中进行监控和抑制。现有的建模研究中,存在模型通常缺少时效性,用户行为难以准确刻画的问题。因此,着重分析了社交网络用户行为模式,基于用户连接强度和邻居节点的影响改进了转发概率计算,其次在经典的传染病动力学SCIR模型中,引入在线和离线状态的节点,通过用户在线比率控制网络活跃度。仿真结果表明,该模型相较传统SCIR模型在信息传播过程中具有较好的稳定性和更高的覆盖率,节点属性变化走势更加接近真实网络,可以较好地模拟社交网络中的热点话题的传播规律。     

基于割点移除的社交网络重要节点评估与仿真

在社交网络中找到关键节点具有重要的意义,对于当前传统节点重要性方法没有考虑到对网络结构的破坏,不适用于社交网络等问题,提出了一种改进的,基于割点移除的社交网络重要节点评估方法APRRank.动态的利用Tarjan算法找到并移除社交网络最大联通分量的割点,将这些节点移除的顺序作为社交网络中关键节点排序结果.以4个真实社交网络作为仿真数据,与现有算法进行对比,进行鲁棒性测试.仿真结果表明,使用APRRank得到的重要节点在鲁棒性评价标准上具有更优的结果,可以更快的使整个网络失效,因此APRRank算法可以有效的得到社交网络中的重要节点.     

一种融合节点与链接属性的社交网络社区划分算法

针对传统社交网络社区划分算法普遍缺乏对节点属性、链接属性的综合考虑和充分表达利用节点与链接属性信息的模型和机制等问题, 提出了一种融合节点与链接属性的社交网络社区划分算法。该算法融合节点属性的相似度、节点间链接权值等链接属性信息, 定义了相似权值, 并以此为基础, 结合凝聚算法实现了对社交网络的社区划分。实验表明, 该算法对社交网络中属性比较明显的社区划分效果显著。     

基于割点移除的社交网络重要节点评估与仿真

在社交网络中找到关键节点具有重要的意义,对于当前传统节点重要性方法没有考虑到对网络结构的破坏,不适用于社交网络等问题,提出了一种改进的,基于割点移除的社交网络重要节点评估方法APRRank.动态的利用Tarjan算法找到并移除社交网络最大联通分量的割点,将这些节点移除的顺序作为社交网络中关键节点排序结果.以4个真实社交网络作为仿真数据,与现有算法进行对比,进行鲁棒性测试.仿真结果表明,使用APRRank得到的重要节点在鲁棒性评价标准上具有更优的结果,可以更快的使整个网络失效,因此APRRank算法可以有效的得到社交网络中的重要节点.     

弱连接边缘独立判别社交网络社区快速生成树推荐

针对传统社交网络社区推荐算法精度不高且计算复杂度过高的问题,提出一种弱连接边缘独立判别社交网络社区快速生成树检测算法,在提高社区推荐精度同时,降低算法计算复杂度。首先,结合社交网络社区推荐特点,设计基于边缘重量分配节点相似性的最大生成树算法,实现对社交网络社区的有效检测;其次,针对所提算法,存在弱连接边缘重复添加、删除,浪费计算资源的问题,提出弱连接边缘独立判别的快速生成树检测算法,进一步提高算法计算效率;最后,通过在标准测试数据库中的实验对比,验证了所提算法的有效性。     

基于LT模型的个性化关键传播用户挖掘

文中针对社交网络中特定用户展开个性化关键传播用户挖掘研究,目标是在线性阈值传播模型的基础上,挖掘出能够最大程度影响网络中特定用户的节点集合.尽管在社交网络影响最大化问题方面已存在相关工作,但该文工作偏重于针对网络中的特定用户展开,该问题的解决将有助于企业有效的进行个性化产品营销.为此,文中提出一种基于LT模型的个性化关键传播用户挖掘问题的解决框架.首先,在线性阈值模型的基本传播机制下,提出一个随机函数来模拟基于LT模型的个性化关键传播用户挖掘问题的目标函数,该随机函数具有较小方差的理论保证;然后,提出一个有效的求解算法从网络中挖掘针对特定用户的关键传播节点集合,理论证明该算法具有(1-1/e)的近似精度保证.实验使用真实的社交网络数据验证了算法的有效性.     

融入社区评估的节点重要性分析

针对在目标中挖掘关键成员的研究是社交网络领域的重要分支,但现有的重要性算法很容易出现挖掘的关键节点聚集现象。针对此问题,提出了一种融入社区评估的节点重要性算法,该算法根据目标群体网络拓扑结构,定义了社区重要性评估函数,融合了成员在其社区的内部影响力及外部连通性,综合评价成员重要度。以4个真实的复杂网络作为实验数据,与现有算法进行对比,从传播能力、鲁棒性和肯德尔相关系数三个维度验证,实验表明该算法对群体中的成员重要性度量更加准确。