异构社交网络用户兴趣挖掘方法

由于当前各类主流网络平台的发展呈现出“社交平台内容化、内容平台社交化”的趋势,用户分化也日趋明显,出现了拥有大规模粉丝的超级节点,因此,提出了一种基于社交关系的兴趣挖掘模型。结合矩阵分解和标签传播算法,将用户分为内容发布者和普通用户两类,并分别提取和计算兴趣话题,实现了在大规模异构网络中发现、挖掘用户兴趣。基于知乎数据集上设计的对比实验,验证了模型的有效性以及算法的性能优势。与基线方法相比,这种算法在查全率上最大提升约42%,F₁值最大提升约33%。     

密度峰值聚类的自适应社区发现算法

为减少社区发现算法中参数的选择对社区划分的影响,同时使算法能够自适应地进行社区划分,本文提出一种基于核密度估计的密度峰值聚类的社区发现算法KDED.首先,定义一种基于信任度的距离度量,将社交网络中的用户关系量化为距离矩阵,使用矩阵元素的大小度量用户关系的紧密程度;然后对距离矩阵进行核密度估计,统计各个节点在网络中的影响大小,结合热扩散模型改进计算流程,使其自适应不同规模的数据集以提高计算精度;结合密度峰值聚类原理和社区属性确定社区中心节点后,可根据节点间的距离得到社区内部层次结构和社区外部的自然结构;最后将剩余节点按距离分配到相应的社区当中以完成社区划分.仿真结果表明:通过可视化软件可观察到,通过KDED算法得到的社区划分结果具有清晰的自然结构和内部层次结构;随着社区规模的提升以及划分难度增加,KDED算法具有出色的稳定性;在真实数据集以及LFR基准网络上均得到较为接近真实划分结果的社区划分,自适应性良好,验证算法的可行性与有效性.     

基于监督随机游走的有影响力用户发现算法

基于用户主题偏好的监督随机游走是当前热点研究之一。受微博文本稀疏性的影响,基于微博主题衡量用户影响力的研究较少。为研究某些领域的用户影响力强弱,文章提出一种基于监督随机游走的有影响力用户发现算法(TP-SRW)。通过研究微博用户自身的属性和微博文本的主题特征,构建基于用户交互信息的个体链接关系,并结合代表用户同质性的微博主题兴趣的相似性,构建有向加权网络模型。实验结果分析表明,在不同主题下挖掘高影响力用户,提出的TP-SRW算法和模型具有良好的性能。     

标签关联与学习模型相结合的用户兴趣变化识别算法

通过分析用户的UGC内容获得用户的兴趣是目前一个研究热点,识别社交网络的用户兴趣变化对于提供高质量的网络个性化服务具有重要意义.对于UGC贫乏的"冷启动"用户,常用的LDA主题模型获取用户兴趣并不有效,而能有效识别用户兴趣的变化更是一个难点问题.针对这一问题,采用LDA获取网络主题,构建主题-标签模型,在此基础上采用基于标签关联的空间向量相似度计算方法,构建用户-主题模型,并结合学习模型,提出用户兴趣变化识别算法.在实验中,将所提出的算法应用于从微博网站所采集的大规模数据集,较为准确地获得了网络的主题、网络主题的核心用户及其在兴趣主题上的概率分布,有效地解决了模型中用户兴趣变化的识别问题.     

一种改进的新浪微博好友推荐算法

目前新浪微博的好友推荐机制存在一些缺点,通过研究微博社区结构和权威用户对好友推荐的影响,提出了一种改进的基于新浪微博的好友推荐算法。在同一微博社区中,通过查找权威用户,并结合用户之间的兴趣相似度和信任度进行好友推荐,推荐过程中两次计算了用户的兴趣相似度并引入用户间信任度传播模型。选取微博社区中目标用户进行实验的结果表明,权威用户在好友推荐中起了重要作用,提高了好友推荐的效果。同时通过将该算法推荐的好友列表和原新浪微博推荐的好友列表作对比,实验表明该算法具有较好的推荐效果。     

基于引力作用的可选粒度社区发现算法

社区发现是复杂网络研究中的一个重要领域,且应用广泛,但目前已有的大多数算法都需采用社区评判函数来确定社区结构的划分,且仅能得到一种划分结果。引入宇宙星系模型和万有引力定律,基于引力思想提出一种新的复杂网络社区发现算法,为网络中节点赋予质量并构建出社区框架,继而利用引力作用完成社区结构划分,并可对发现社区的粒度大小进行选择以得到多种划分结果,无需先验知识及相关参数。通过真实网络实验验证,并与现有的社区发现算法比较,本文提出的算法能有效且较为准确地挖掘出复杂网络中的社区结构。     

基于节点相似性的并行启发式网络拓扑结构发现算法

针对网络社区发现算法的低精确度与高复杂度问题，在节点相似性的基础上提出了一种适用于复杂网络的社区发现算法。利用邻接矩阵和经典决策规则，制定具有较高可靠性和准确性的相似性判定准则，实现网络拓扑中相邻节点之间关系的量化与计算。通过引入具有较少冲突的哈希表，提出具有并行运算结构的启发式社区发现算法，完成对复杂网络拓扑结构的高质量检测。仿真测试结果表明，与经典的Jaccard准则发现算法相比，基于节点相似性的发现算法具有更高的发现精确度及时间效率。     

基于兴趣注意力网络的会话推荐算法

针对现有基于图神经网络的会话推荐算法对用户主要兴趣偏好提取不充分的问题,提出了一种基于兴趣注意力网络的会话推荐算法（Session-Based Recommender Method Based on Interest Attention Network,SR-IAN）。首先,使用图神经网络捕获物品之间的上下文转换关系,得到物品的图嵌入向量;其次,将图嵌入向量输入兴趣注意力网络中,提取用户的主要兴趣偏好;然后通过注意力层对物品的图嵌入向量进行加权区分;最后,通过预测层得到候选物品的点击概率值并对其进行排序。算法模型在3个公开数据集Diginetica、Retailrocket和Tmall上进行了实验验证,相比基准模型在MRR@20指标上分别有0.942%、1.183%和2.977%的提升,同时降低了模型时间复杂度,验证了该方法的有效性和高效性。     

基于结构相似度的多尺度局部社区发现算法

社会网络规模巨大且结构动态变化给传统社区发现算法带来了巨大挑战,局部社区算法通过种子节点进行扩展得到局部社区,较好解决了这些问题。结合节点结构相似度在传统社区定义的基础上提出了一种新的社区定义,在该定义基础上引入尺度因子并定义了结构模块度,基于该模块度提出了一种多尺度局部社区发现算法,并改进该算法使之应用到局部重叠社区发现。通过实验选择效果较好的节点结构相似度,在真实网络中和其他局部社区发现算法进行对比实验,结果表明该算法具有较好的性能。     

基于局部模块度的社区层次结构发现方法

为了发现复杂网络中社区之间的层次关系,提出了一种基于局部模块度的社区层次结构发现方法。文章方法克服了多分辨率方法无法给出整个网络的层次划分以及无法直接定位造成社区层次变化的分辨率等方面不足,选取网络中的大度数节点基于R公式进行社区层次结构探测,根据局部模块度值变化过程中产生的极大值和极小值定义了社区层次区分度来判断是否到达层次边界。并对网络进行裁剪,从不同的大度数节点出发来发现网络中的全部层次结构。在经典数据集和人工生成网络上进行了实验,并与现有算法进行比较。实验结果证明章算法的有效性。     

基于关键字组合的网格层次社区资源发现

基于节点间的相关性创建网格社区,实现社区资源检索是近年来受到较多关注的网格资源发现方案之一.为了将扁平社区模型扩展为层次结构,并支持资源的多关键字组合检索,提出了基于频繁关键字组合的网格层次社区模型,采用跳表结构组织社区覆盖网络,设计了相应的资源检索方法,可以将查询消息快速路由给目标社区,并支持查询消息向下层社区的受控扩散.仿真实验表明,查询消息到达目标社区的跳数随网格规模的扩大而缓慢增长,使资源发现系统具有良好的伸缩性.     

复杂网络中的社团结构算法综述

社团结构是复杂网络的一个极其重要的特性,网络社团结构挖掘在生物学、计算机科学和社会学等多个领域都具有很重要的意义。近年来,针对不同类型的大规模复杂网络,人们提出了很多寻找社团结构的算法。该文综述了该领域最新的比较有代表性的一些算法,重点分析了基于模块度指标的改进算法,能够体现社团层次性和重叠性的新算法,衡量社团划分算法好坏的基准图。最后展望了该领域的未来研究方向。     

复杂网络中的二阶邻居网络

基于以单个节点为中心的两层邻居网络,研究了复杂网络中的局部拓扑结构,提出邻居度等相关概念,分析了邻居度在复杂网络中信息的传递控制、MAS中的结构自组织、系统的鲁棒性以及网络社区发现等方面的应用,其中通过邻居度的分解可以有效地对Zachary社会关系网进行社区划分。     

基于种子节点集的社区层次结构发现算法

针对多分辨率方法无法直接给定社区层次结构的问题,提出一种基于种子节点集的社区层次结构发现算法。该算法通过选取种子节点,并根据余弦相似度的大小添加其最近邻节点共同构成种子节点集;再由种子节点集出发,基于分辨率公式进行社区层次结构探测,根据节点加入社区的度值比来判断是否到达层次边界;最后在已发现完毕的社区外选取新的种子节点集,并由此出发直到全网络的社区层次结构发现完毕。将该算法分别应用于人工网络和真实社会网络,实验表明,相较于其它算法,该算法能够更好地发现网络中全部的社区层次结构。     

Community discovery method with uncertainty measure of overlappingnodes based on topological potential

Community discovery of complex networks,esp.of social networks,has been a hotly debated topic in academic circles in recent years.Since actual networks usually contain some overlapping nodes that are d...     

基于点击图特征的稀疏广告点击率预测方法

为更全面地反映用户个人偏好,提高推荐的准确度,提出了一种融合多源异构数据的混合推荐模型.综合考虑了用户社交关系和用户评论对用户评分的影响,从评论中提取主题信息作为用户和商家的特征,采用社区发现算法为用户划分社区,利用机器学习方法为社区建立模型,预测用户对商家的评分,再根据评分对商家进行排序,取前N个商家推荐给用户.实验结果表明,提出的混合推荐模型与经典推荐算法相比,可提高评分预测的准确度,从而提高推荐的准确度.     

基于层次分析法的郑州新区电压等级序列优化研究

提出了一种基于层次分析法的地区电网建设评估方法.通过负荷密度法建立电网模型,以技术性、经济性和社会性3方面为决策指标建立层次结构,利用层次分析法对郑州新区电压等级序列进行综合性评估,提出了优化电压序列.该方法通过建立判断矩阵,将复杂系统的决策思维进行层次化,改变了以往单纯依靠专家经验确定权重的模式,适用于对配电网综合评价指标权重的确定.     

基于因果模型的社交网络用户购物行为研究

社交网络用户的购物行为体现用户在社交影响下自身物质需求和社交需求的意愿,是社交网络营销的重要研究内容。传统的网络购物行为分析仅关注用户行为间的相似度,忽略了用户的社交需求及同伴行为的影响。对此,结合反从众理论和社交需求特性,对用户购物行为进行特征构建;其次,针对社交网络用户数据不完全观察特性,提出了基于快速因果推断（Fast Causal Inference,FCI）的用户行为因果机制发现算法;最后,基于模型的实验分析和实证分析验证了模型因果机制的合理性。