基于交互行为的在线社会网络水军检测方法

网络水军对广告、谣言、木马和恶意链接进行传播,不仅干扰用户对在线社会网络的正常访问,还可能引发网络安全、社会稳定等方面的问题。针对网络水军信息传播的特点,提出基于交互行为的信息传播模型。模型根据不同传播主体间的交互定义特征来量化传播行为,使用决策树方法对水军传播的信息进行检测。通过新浪微博的真实数据分析传播模型并验证检测方法,结果表明检测方法能够对微博中水军信息进行有效检测。     

基于代理的社会网络信息传播与控制模型

提出一种基于代理的信息传播与控制模型,在对信息分类的基础上,以含有经济刺激的广告信息为例研究信息的传播与控制,构建在线与离线相融合的社会网络结构,并对代理的属性、行为及影响因素进行定义,同时设定信息传播机制,采用模糊逻辑处理方式对认知、说服、决策、传播4个决策步骤进行建模。NetLogo和C++仿真结果表明,影响力大的节点作为初始节点能加快信息的传播速度,且经济刺激和政策系数的不同会产生不同的传播效果。由此,可以通过控制初始节点的选择、经济刺激强度和外部环境等因素实施信息传播的控制。     

基于网络模体的移动社会网络信息可控传播方法

移动社会网络中的信息传播具有突发性、多元性、偏差性等特点,使得相关话题和事件能够在短时间内形成强大的网络和社会舆论场,这有可能被恶意用户利用来散布谣言,给网络环境带来了恶劣的影响。针对这一问题,该文提出一种基于网络模体的信息可控传播方法。首先,提出多实体的竞争性独立级联模型(MCIC),该模型在信息竞争扩散理论的基础上,首次结合社会网络层用户的社会属性,来感知恶意信息并控制信息传播。其次,该文定义了控制信息流模体(CIFM),并选择出具有可控传播功能的关键网络模体,设计其在通信层的高效可控传播算法。最后,通过理论推导证明了该文方法具有收敛性。仿真实验表明,与其他方法相比,所提方法不仅在信息传播中最大感染时间和平均感染时间上更有优势,而且在控制信息传播方面的效果也是最好的。     

社会网络隐私信息研究

人们对于微博、微信和Facebook等社交网站的使用频率增加,由其产生出的社会网络数据也随之增加。攻击者对这类数据进行分析和研究,可以快速获得他人的地址、喜好、网络交易等隐私信息。目前已有许多专家对社会网络数据发布隐私保护模型进行研究。文章主要介绍社会网络相关概念、社会网络隐私信息及其相关的隐私保护技术。     

网络社区成员信息共享对消费者团购意愿的影响

本文从网络社区成员信息共享的质量的视角出发,探索了信息共享对消费者团购意愿的影响。通过问卷调查及其数据分析得出：信息共享的相关性、及时性与消费者团购意愿显著正相关;信息共享的频率、持续时间与消费者团购意愿正相关,但不显著。     

在线社会网络虚假信息检测关键技术研究综述

随着互联网技术的不断发展,在线社会网络在拉近人们彼此距离的同时也加速了虚假信息的传播速度,导致虚假信息充斥整个网络空间,严重危害社会、政治和经济秩序,影响公共安全。因此,研究虚假信息检测是一项必要而且重要的工作。首先,介绍了虚假信息检测的研究背景以及国内外研究现状;其次,介绍了虚假信息相关的概念、公开数据集和评价指标;再次,从内容特征和上下文特征两个方面对虚假信息检测技术进行了详细介绍;最后,归纳和总结了各种检测技术的优缺点,并对未来的工作进行了展望。     

基于社会网络的精确营销策略及方法

在深入分析社会网络用户行为的基础上,构建了一个用户信任网络。基于该用户信任网络,通过GN(Girvan和Newman提出)算法进行群体划分,并在群体划分基础上,利用文本分析技术实现群体兴趣发现,确定群体营销内容;基于用户信任网络最大生成树确定关键传播路径,并依据关键传播路径上节点信任度指标确定营销关键点,从而依据营销内容和营销关键点推动差异化、精确化营销。     

社会网络谣言检测综述

当前社会网络已取代传统媒体成为信息交流的重要平台,社会网络中的信息具有传播速度快,范围广,即时性强等优点.然而,由于发布信息时缺乏有效的监管手段,导致社会网络平台同时也成为谣言传播的温床.因此,快速有效地检测出社会网络谣言,对净化网络环境,维护公共安全至关重要.本文首先对谣言定义进行阐述,并描述当前谣言检测的问题及检测过程;其次,介绍不同数据获取方式并分析其利弊,同时对比谣言检测中不同的数据标注方法;第三,根据谣言检测技术的发展对现有的人工、机器学习和深度学习的谣言检测方法进行分析对比;第四,通过实验在相同公开数据集下对当前主流算法进行实证评估;最后,对社会网络谣言检测技术面临的挑战进行归纳并总结全文.     

基于双编码的重叠社团检测多目标优化方法

近年来,多目标进化方法已被广泛应用于重叠社团检测问题并取得了较好的社团划分性能.如何设计合适的个体编码以及进化策略是提高基于多目标进化重叠社团检测算法性能的重要因素.为此,本文设计了一种双编码表示方法对非重叠社团结构和重叠点分别进行编码,能够有效解码得到重叠社团结构.在双编码表示的基础上,本文提出了一种基于双编码的重叠社团检测多目标优化方法(DRMOEA).在DRMOEA中,为了获得好的初始个体并提高算法检测性能,本文提出了一种基于社团边界点的初始化策略.除此之外,针对双编码中的重叠点编码部分,本文提出了基于精英个体边界点的交叉策略,该策略利用社团边界信息引导种群向好的方向进化,从而有效提高了算法的检测性能.最后,在9个真实世界网络上的实验结果表明DRMOEA算法优于其他5个代表性重叠社团检测算法.     

基于隶属度的社会化网络重叠社区发现及动态集群演化分析

社会化网络中节点的复合属性可能为临时或过时状态,并且节点拥有一定能力维持固有状态,所以不可单纯依据新增数据或节点现有特征确定社区划分.本文提出可重叠社区发现算法及集群动态更新方案,根据网络历史数据分析节点对原始集群的隶属程度,并结合新增数据确定节点变化趋势,实现网络结构分析及社区动态更新.本文分别在不同数据集中测试聚类效果,实验结果证明算法既保持对新增数据的敏感度,也防止了节点短暂特征或节点维持固有状态的能力对划分结果的负面影响.     

基于社会网络增量的动态社区组织探测

在现实世界中,社会网络结构并不是一成不变的,而是随着时间的推移不断变化,同样社区作为社会网络的一个本质特性也是如此。为了揭示真实的网络社区结构,该文提出一种基于属性加权网络的增量式动态社区发现算法,将网络的属性信息融合在拓扑图中,定义了节点与社区之间的拓扑势吸引,利用网络相对于前一时刻的改变量不断更新完善当前时刻社区结构。通过在真实网络数据上进行实验仿真,证明此算法能够更有效、更实时地发现有意义的社区结构,并具有较小的时间复杂性。     

基于影响力与种子扩展的重叠社区发现

社区发现作为复杂社交网络中一个重要的研究方向.针对目前基于种子节点的算法在种子选取与扩展等方面的不足,提出了一种基于影响力与种子扩展的重叠社区发现算法（Influence Seeds Extension Overlapping Community Detection,简称i-SEOCD算法）.首先,利用节点影响力策略找出具有紧密结构的种子社区.其次,从这些种子社区出发,计算社区邻居集节点与社区的相似度,并取出相似度超过设定阈值的节点.然后,采用优化自适应函数的策略来扩展社区.最后,对网络中的自由节点进行社区隶属划分,进而实现了整个网络的重叠社区结构挖掘.在真实社交网络和人工生成网络上实验表明,i-SEOCD算法能够准确、快速地发现复杂网络中的重叠社区结构.     

基于传染病模型的LPA特征阀值社团划分方法

社团结构划分对于分析复杂网络的统计特性非常重要.在非均匀社交网络的信息传播中,社团结构划分更是一个广泛关注的研究热点,相关研究往往侧重于研究紧密连接的社团结构对于信息传播所产生的关键影响.传统社团划分方法大多基于点和边的相关特性进行构建,如标签传播算法LPA（Label Propagation Algorithm）通过半监督机器学习方法,基于网络节点标签的智能交换和社团融合过程进行社团划分,但运行效率较低.为提高LPA类算法的运行速度,使其快速收敛,并提高社团划分精度,特别是重叠社团划分精度,针对LPA算法划分中的低运行效率和低融合收敛速度,本文从标签传播的网络连接矩阵本质出发,将该矩阵的最大非零特征值与网络标签信息传播的阀值相结合,提出了新的基于传染病传播模型的社团划分方法（简称ESLPA算法,Epidemic Spreading LPA）.通过经典LFR Benchmark模拟测试网络、随机网络以及真实社交网络数据上的算法验证,结果表明该算法时间复杂度大幅优于经典LPA算法,在重叠社团划分上精确度优于基于LPA模型的经典COPRA算法,特别是在重叠社团较明显时,划分精度接近精度较高GA、N-cut和A-cut算法,明显优于GN、FastGN和CPM等经典算法.     

基于链接相似性聚类的重叠社区识别

社区结构是社会网络最普遍和重要的拓扑属性之一,提出一种基于链接相似性聚类的重叠社区识别算法.该算法首先根据相邻链接的度分布状态,提出链接间的相似性度量方法;其次以链接相似性矩阵为输入,以链接社区的最优划分为目标,建立链接局部相似性聚类算法,实现了重叠社区的有效识别;然后对链接社区进行优化,解决了可能出现的过度重叠及孤立社区问题;最后在真实网络及人工合成网络上的实验验证了算法的高效性.     

基于边标签传播的复杂网络社区识别方法

针对传统基于标签传播的复杂网络重叠社区识别算法难以准确识别重叠节点的缺陷,本文通过分析边与其邻居边的关系,提出用来评估边归属社区的归属密度函数及归属倾向性函数,并在此基础上设计一种基于边标签传播的重叠社区识别方法(OLLP).该方法首先以每条边连接2个节点中度高的节点标签作为该边的标签;然后通过分析边的归属密度与归属倾向性迭代更新边标签,最终标签相同的边属于同一社区.在基准网络与真实网络数据集上进行测试,并与多个具有代表性的算法进行比较,实验结果表明了OLLP算法的有效性和可行性.     

基于结构紧密性的重叠社区发现算法

随着网络结构的不断扩大和日益复杂,传统的重叠社区发现算法已经不能有效地处理大规模网络数据,发现合理的社区结构.本文提出了顶点引力的概念,引入顶点凝聚度和社区凝聚度作为满足社区的外部结构稀疏性和社区内部结构紧密性的判定指标,构造了基于结构紧密性的重叠社区发现算法OCSC.该算法经过预处理,核心子图划分以及核心社区的扩展三个步骤,能有效地发现重叠社区,通过对人工合成网络和真实网络结构的社区发现实验,运用NMI和F1Score等指标验证OCSC算法的合理性和优越性.     

人际网络关系抽取和结构挖掘

社会是一个由多种多样的关系构成的巨大网络.对社会网络进行研究,可以揭示关系的结构,解释一定的社会现象.为此首先引入关系以及关系描述词的定义,利用关系抽取技术,扩展传统的二元关系,提出了一种基于同义词词林的提取关系描述词的方法,并收集特定领域内的人物关系信息构建成人际网络.接着对人际关系网络的拓扑结构,社区发现以及网络社区核心人物进行了研究,同时对分析结果实现了可视化.结果表明,社会网络分析可以揭示真实社会中的许多现象,有助于人们理解和开发这些网络.