基于意见领袖的微博生命周期预测模型研究

为了有效研究社交网络中意见领袖在新浪微博传播所起的作用及微博的生命周期和传播模式,提出了一种OLB微博传播预测模型。首先通过爬取微博数据,进行数据分析;其次,拟合出与影响力有关的四个因素的数学表达式,并通过层次分析法给出权重计算方法;最后利用计算的影响力以及转发数与相关因素的关系构建出OLB模型,从而对意见领袖传播作用及微博生命周期进行实验预测分析。仿真结果表明,在微博信息传播中意见领袖影响力与其微博的传播作用成正比例关系,通过误差分析得到四组数据的平均误差值分别为1.0%、5.0%、2.4%及5.1%,提出的OLB模型对于预测微博传播模式合理、有效。     

分级意见领袖下的微博信息传播与数学建模

为了有效地分析意见领袖在微博在线社交网络传播中所起的作用及微博信息传播的生命周期,提出了一种OLL分级意见领袖模型。首先,爬取微博数据,并进行数据统计分析;其次,将传播力构建为转发数、活跃度与粉丝量3个因素相关的函数,并建立一种基于层次分析的权重计算方法;最后, 利用计算的传播力并结合OLL模型,对意见领袖传播作用及微博生命周期进行了实验分析。仿真结果表明:意见领袖在微博信息传播中有很强的传播效应,通过计算得出OLL模型仿真与3组真实数据的误差分别为9.6%,13.4%,4.5%,从而证明了所提OLL模型对于分析意见领袖在微博信息传播中的生命周期是合理且有效的。     

基于循环神经网络的微博转发行为预测

随着网络的飞速发展,微博逐渐成为社交网络中信息传播及信息收集的重要平台,微博转发是微博信息传播的重要途径,研究微博转发问题对微博信息传播、微博营销、舆情监控有着极其重要的意义.影响微博转发的主要因素有：粉丝兴趣与微博文本的相似度,微博营销策略及用户粉丝数量的变化.以往的预测模型没有综合考虑这两方面因素,基于此,提出了一种基于循环神经网络的方法来对微博转发量级进行预测,首先利用SIM-LSTM模型构建微博转发趋势度,然后再利用TF-IDF构建粉丝兴趣和微博文本的相似度,最后通过神经网络模型来预测粉丝是否会转发该微博.实验结果表明本文提出的算法相对于其他预测算法F1评估值提高了近5%.     

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。     

基于HRank的微博用户影响力评价

针对微博社交网络平台中的用户影响力评价问题,提出了一种基于HRank的评价算法。该算法将评价科学家科研绩效影响力的判定参数H指数引入进来,构造出能反映用户影响覆盖度的粉丝H指数和用户微博受追捧程度的微博被转发H指数,以分别表征用户的静态特征和在微博平台上的动态行为特征。在此基础上,结合粉丝H指数和微博被转发H指数构建出对用户影响力进行综合评价的HRank模型。粉丝数与用户影响力的相关性不是很强,同样数据集下相对PageRank,HRank用户影响力模型与新浪用户影响力官方排名更为接近,可有效实现对微博用户影响力的客观评判。     

基于特定话题的微博意见领袖在线检测方法

针对目前已有的微博意见领袖识别模型存在的不足以及意见领袖在线检测方法研究的缺乏,提出一种基于特定话题的微博意见领袖在线检测方法。对某一话题进行约一周的微博意见领袖在线检测实验,结果表明该方法能够在线收集与指定话题有关的微博信息并且能够动态计算出参与该话题讨论的用户的影响力,从而检测出其中的意见领袖。     

特定话题传播网络中的意见领袖检测方法

针对中文微博目前已有的意见领袖识别模型存在的不足,提出一种特定话题转播网络中的意见领袖检测方法.识别模型通过转发关系建立信息传播网络,以用户自身权威值和转发用户的支持力来评价用户的影响力.通过对微博两周以来特定话题下意见领袖的检测实验,结果表明该方法能够有效地识别特定话题下的意见领袖.     

基于行为和社团的微博用户传播影响力分析

为快速、准确地识别微博网络中具有较大影响力的节点,提出了一种基于用户关系、行为以及社团结构的影响力评价算法。首先,根据模块度对加权有向微博网络进行社团划分;接着综合微博网络中用户的粉丝数量、粉丝质量以及跨社团数目等特性度量节点的影响力。同时,对粉丝质量进行深入的分析,利用粉丝对用户的关注度作为粉丝质量的分配标准,最终完成用户传播影响力的评价。实验结果表明,该算法显著提高了评估用户传播影响力的准确性。     

基于情感倾向性分析的微博意见领袖识别模型

当前,微博意见领袖识别的研究方法纷繁多样,常见的方法有:对用户的个性化特征进行综合分析的方法和基于社交网络结构的分析方法。这些方法大多只考虑了用户的特征,未考虑用户之间的互动行为,或者未考虑 微博文本的情感因素。为此,提出了一种基于微博情感分析的微博意见领袖识别方法。首先,在基于合成情感词典的词频统计结果的基础上,利用支持向量机对微博博文进行情感分析;然后,将变异系数法用于微博属性权重的计算,以体现微博的影响力;最后,利用改进的PageRank算法在微博用户转发关系网络中预测用户影响力的扩散过程,计算用户最终影响力的大小。在新浪微博数据集上通过实验评测该方法的性能,结果表明该方法能够有效提高识别性能。     

基于用户属性与覆盖范围的意见领袖挖掘研究

针对微博信息的交互性和不确定性,本文提出一种基于用户属性与覆盖范围的意见领袖研究方法。该方法分别计算用户属性值和用户传播覆盖范围。根据粉丝忠实程度计算出用户属性值从而得到用户属性排名。利用用户间微博内容主题相似度构建贡献图,获得用户覆盖范围排名。最后,结合用户属性排名和用户覆盖范围排名生成最终的意见领袖排名。实验结果表明,本方法相比其它意见领袖挖掘方法有更好的效果。     

基于微博的UVFR谣言传播模型研究及仿真

针对微博网络谣言的传播机制进行了研究,根据其传播特征将微博谣言的受众用户划分为未知者、浏览者、转发者、评论者四类,从而构建一个UVFR网络谣言传播模型。利用该模型分析主要参数对传播过程的影响,提出相应的控制策略。模型的主要特点是重新定义了谣言传播规则和传播动力学方程,使得传播过程的描述更加符合微博用户行为。使用多主体仿真平台在无标度网络结构下对谣言的传播行为进行了仿真研究。通过将仿真结果与新浪微博真实数据进行比较,证实了所得结论的合理性和有效性。仿真实验结果表明,初始传播节点越多,谣言传播的速度越快;转发概率越大,谣言传播的范围越广。     

Simulating the spread of opinions in online social networks when targeting opinion leaders

An increasing number of people are joining online social networks. By interacting with each other, network members influence one another’s opinion. These influencing effects can be utilized by marketing. A wave of influence can be triggered by addressing only a few opinion leaders in the network. Targeting the right opinion leaders is a big challenge. This paper presents a new approach which simulates the spread of opinions when influencing certain opinion leaders. In contrast to other approaches, the influencing effects are not assumed but revealed by real data. The principles of opinion formation are detected by ant mining algorithms before they are applied to simulate the spread of opinions. The approach is applied to an online gaming community and provides valuable insights for marketing.     

基于正负反馈的SEIR微博舆情传播模型

社交网络舆情已经成为社会舆情的主要阵地。针对传统模型难以描述社交网络舆情话题的真实传播过程,分析社交网络舆情话题的真实特点,补充加入社交网络中显著的水军和僵尸粉这2大显著特征,作为舆情话题传播中的正负反馈,分别对舆情话题的传播起到推动及抑制作用,构建带有正负反馈的社交网络舆情传播话题模型,提高舆情预测模型的准确率,得出正负反馈对舆情传播的影响力。     

Influence identification of opinion leaders in social networks: an agent-based simulation on competing advertisements

In social networks, factors that influence the spread of information are essential for companies to comprehend. This study uses the opinion dynamic theory to investigate the influence of multiple advertisement opinion leaders in social networks. We construct an integrated bounded confidence model to simulate the evolution of followers’ opinions under two advertisement opinion leaders. Through experimental simulation, we found that the weight of influence on advertisements has a dual effect on the evolution of followers’ opinions, and the probability that information is transmitted by opinion leaders has a significant impact on the evolution of collective opinions. The results show that, for competitive products, companies should properly understand the propaganda power of product advertisements and improve the probability of information being successfully transmitted by opinion leaders.     

一种基于RNN的社交消息爆发预测模型

社交网络中,消息的爆发预测属于社交网络流行动态分析的范畴,是社会计算领域的研究热点之一.通过利用基于深度循环神经网络对社交消息的传播过程进行建模,提出了SMOP（social messages outbreak prediction model based on recurrent neural network）模型.与传统的基于机器学习的模型相比,SMOP直接对消息转发的到达过程进行建模,避免了传统方法中繁琐的特征工程;与基于点随机过程的模型相比,SMOP可以自动学习消息传播过程的速率函数,不需要手动定义消息传播速率的特征函数,具有较强的数据场景适应性.另外,SMOP采用了时间向量和用户向量的输入表示方法,将时间的周期性和用户的兴趣偏好建模到传播过程之中,提升了SMOP的预测效果.在Twitter和新浪微博数据集上的实验结果均表明,SMOP具有优良的数据适应能力,可以在消息传播的早期（0.5h）,以较高的F1值预测某条社交消息是否爆发,验证了模型的有效性.     

即时通信蠕虫传播建模

基于对即时通信蠕虫和即时通信网络特点的分析,使用离散时间方法,提出一个即时通信蠕虫离散数学传播模型。开发即时通信蠕虫传播仿真软件用于验证模型的正确性。基于仿真软件进行的大量仿真实验表明,该蠕虫传播模型是正确的,可以用于分析蠕虫的传播行为并预测传播趋势。     

微博网络信息传播研究综述

微博作为一种新型的社交网络平台, 以其使用方式便捷、传播迅速、交互性强等特点, 在信息分发和舆论传播方面发挥了非常重要的作用。简要介绍了微博的相关机制, 分析了微博信息的传播特征以及影响信息传播的三大因素, 对目前研究所使用的信息传播模型进行了分类, 重点综述了基于传播过程的模型、基于影响力的模型以及基于转发因素的模型, 并对这三类模型的优缺点作了比较分析, 提出了该领域的研究方向和目标。     

基于局域信息的社交网络信息传播模型

针对传统传播模型更适用于均匀网络而无法有效应用于现实非均匀无标度社交网络的问题,提出一种基于用户局域信息的社交网络信息传播模型。模型中考虑了无标度网络中用户间拓扑特征差异和用户影响力不同对信息传播的影响,根据节点周边邻居节点的感染情况和权威性计算感染概率,模拟现实社交网络中的信息传播情况。通过在采集的真实微博网络数据上进行仿真实验,结果表明该模型较传统的SIR模型更能体现社交网络中信息传播的快速性与范围的广泛性;同时,通过调整模型中的相关参数,验证了相关管控措施对传播效果的影响。     

基于Hadoop的微博舆情监控系统

随着在线社会网络如社交网站、微博、在线社区等的快速发展, 一个真正的双向传播和新媒体时代逐步形成. 在线社会网络让每个用户都能创造自己的内容, 并且快速传播出去. 据不完全统计, 新浪微博平均每秒有超过1000条的新微博产生, 日增量数据为5TB, 因此海量数据给舆情监控带来了严峻的挑战. 将介绍一种基于Hadoop的微博舆情监控系统, 能够对大规模采集数据进行挖掘、分析, 实现对舆情热点话题的发现及追踪、对微博的社会网络分析, 分析结果可视化呈现, 为党政机关、大型企业等单位和组织及时发现敏感信息、掌握