在线社交网络中用户地理位置预测综述

随着智能移动终端的日益普及,人们越来越多地利用社交网络平台（如Twitter、新浪微博等）获取信息、评论和交流. 虽然全球卫星定位系统（GPS）设备能够精确获取位置信息,但是大量用户出于隐私和安全的考虑不会直接共享自己的位置信息. 因此,如何获取在线用户的地理位置成为了一个前沿的研究领域以及学术界和工业界共同关注的重要课题,并且成为众多下游应用的基础,例如基于位置的定向广告投放、事件/地点的推荐、自然灾害或疾病预警和网络犯罪的追踪等. 详细总结了预测社交网络用户地理位置的方法、数据、评价体系和基础算法. 首先,归纳了不同的定位任务以及相应的评价指标;其次,针对不同的任务梳理所用的数据类型和数据融合方式,并且,详尽分析了已有的信息抽取和特征选择方式及其优缺点;再次,对现有定位模型和算法进行分类,从地名词典、传统机器学习和深度学习3个方面对用户定位方法进行阐述和分析;最后,总结了社交网络用户地理位置预测的难点和面临的挑战,并展望该领域的发展趋势和未来研究所需要关注的方向.

     

社交网络用户标签预测研究

随着社交网站的流行以及用户的大规模增加,社交网络用户行为分析已经成为社交网站进行网站维护、性能优化和系统升级的重要基础,也是网络知识挖掘和信息检索的重要研究领域。为了更好地理解社交网络用户添加个人标签的行为特征,该文基于大约263万个微博用户的真实数据,对用户标签的分布进行了研究和分析。我们主要考察了用户标签的宏观分布特征,以及用户标签与关注对象的标签分布之间的联系,发现微博用户给自己添加标签时,在开始阶段倾向于使用反映个性的标签,之后会出于从众心理而选用大众化标签。我们将研究发现运用到基于关注关系的标签预测算法中,结果证实相关分析对于社交网站的标签推荐等课题具有一定的参考意义。     

基于社交网络用户特征的数据挖掘研究

随着网络与移动通讯的发展,人们的社交关系与网络衔接越来越紧密。本文对互联网社交网络用户特征进行分析,分析社交网络群体结构、用户影响力、用户活跃度,从用户特征权重的角度进行预测算法研究,建立社交网络用户特征的数据挖掘模型,利用蒙特卡罗仿真方法,实现对社交网络用户特征数据的加工与利用。     

基于场域理论的社交网络概述

场域理论是社会心理学的主要理论之一,是关于人类行为的一种概念模式,它起源于19世纪中叶的物理学概念。法国社会学家布迪厄提出了以场域、惯习、资本三个彼此关联的概念为基础的社会实践观来研究社会文化活动,构建了社会学研究的场域理论范式。社交网络场域有其特有的属性,其受众也在特定场域中表现出一定的行为特征。     

跨社交网络用户识别综述

随着互联网的快速发展,社交网络不断影响着人们的生活方式,其使用率也在不断提高.随着社交网络的发展以及其多样性的特征,用户可能同时具有多个社交网络的账号.如果能够识别出同一用户在不同社交网络中的账号,就能够整合出该用户较为全面的信息,从而挖掘出一些隐藏的信息,对于好友推荐、广告推荐、信息扩散的研究也很有帮助.目前用户识别...     

智媒时代：社交机器人在认知域对抗中的运用及启示

在智能媒体传播时代,社交机器人与人类用户共存已经成为社交网络空间的新场景。本文关注到俄乌冲突中社交机器人的广泛使用,从对社交机器人的基本认识出发,廓清概念实质,总结其智能化、社交性和社会性的特点,对其在新闻扩散、网络水军、政党选战和情感补偿领域的现实应用情况进行梳理。结合局部热点问题中对社交机器人的使用情况,分析其认知对抗策略,主要有以人格化形象大量推送信息、大规模群体协同引导舆论走向、多主题构建战争叙事、触发标签战制造信息迷雾,并在抢占国际话语权、配合军事行动、维护意识形态安全、舒缓士兵精神压力方面得出了社交机器人在认知域对抗中运用的启示。     

社交网络用户在在线媒体中点播行为预测

在线媒体快速发展,为用户带来丰富多彩信息的同时,用户的参与也给在线媒体本身带来巨大的经济利益。因此,如何通过精确预测用户的偏好以增加在线媒体点击,成为一个学术界和工业界均关注的问题。现有的预测方法主要是借助用户个人信息和历史行为来预测用户行为,然而此类方法没有考虑媒体本身缺乏用户信息造成无法预测的问题。随着社交网络的发展,在线媒体与服务运营商间的兼并或合作的增多,支持用户通过单一账户使用多个媒体网络服务的情况越来越常见,这就为基于用户在社交网络中的资料预测用户在其他媒体中的喜好提供海量可信的基础数据。该文基于社交网络Google+和视频媒体YouTube的数据,首先证明用户在YouTube偏好具有高度的集聚性,并提出用户在社交网络中偏好与其在线媒体点击行为具有关联性,基于这种关联性,该文使用社交网络用户信息预测用户在在线媒体中的点播行为。实验结果显示,使用社交网络用户信息可以有效预测用户偏好,预测准确率比仅使用媒体本身信息提高了17%,而且能满足用户个性化需求。     

基于位置的社交网络链接预测特征研究

基于位置的社交网络(Location-Based Social Network,LBSN)提供了用户在线网络关系和签到行为双重信息,连接了虚拟网络和现实生活.本文结合传统的基于网络结构和空间位置相似性的LBSN链接预测方法,从签到时间和频率2方面提出新的链接预测特征,通过Brightkite网络数据统计分析证明其预测有效性.综合多种指标建立LBSN链接预测框架,实验结果表明加入这2类指标后预测准确率有明显提高.     

网络空间认知域安全防护策略研究

随着信息化进程的不断深入,网络空间与物理域、信息域、认知域和社会域的融合日益紧密,网络空间认知域安全作为国家战略安全的重要组成部分,其范围已经涉及国防安全、社会安全、文化安全、政治安全、意识形态安全、舆论安全等。指出了当前认知域防护要遵循Web2. 0时代"社交"和"交互"的理念来构建,通过抢占国家道义制高点构建话语体系,并提出当前应主要围绕聚焦(舆情事件)、聚合(渠道平台)、聚能(意见领袖)、聚势(媒体融合)四条主要路径开展认知域防护工作。     

应用于认知无线电频谱预测的小波神经网络模型

精确的频谱预测能够有效地降低认知无线电系统的能耗,还有助于提高认知无线电系统的吞吐量。针对频谱预测方法的预测精度问题,提出了一种小波神经网络频谱预测模型,以预测通道占用状态情况。该模型利用离散小波变换产生分析信号的时频分布,使用一个时间序列来表示某子信道的占用状态;对预测精度、利用率和参数初始化之间的权衡进行了分析,以便选择一个近于最优的模型。实验测量结果表明,与基于BP神经网络算法的模型相比,所提模型在预测精度和能耗方面均表现出较优的性能。     

基于特征与域感知的点击率预估方法

点击率预估是推荐系统中的核心任务,其关键是学习有效的特征交互,但现有基于深度神经网络的点击率预估方法未考虑冷启动问题,导致准确率降低。结合特征信息和域信息的嵌入,提出一种特征交互的点击率预估方法FF-GNN。利用基于图神经网络的交互模块分别提取特征嵌入和域嵌入的结构信息,建模细粒度的特征交互和粗粒度的域交互过程。同时通过设计图神经网络的权重计算模块,交叉引用特征图神经网络和域图神经网络的低阶特征信息,实现特征交互和个性化建模域交互。在此基础上,采用注意力机制融合特征交互和域交互模块的结果预测点击率。在Criteo和Frappe公开数据集上的实验结果验证了FF-GNN方法的有效性,其AUC指标相较于同类型Fi-GNN方法分别提高0.57和0.85个百分点,能够同时关注特征和域信息,提高点击率预估的准确度。     

基于双分支特征提取和自适应胶囊网络的DGA域名检测方法

面向域名生成算法(DGA,domain generation algorithm)的域名检测方法普遍具有特征提取能力弱、特征信息压缩比高等特点,这导致特征信息丢失、特征结构破坏以及域名检测效果较差等诸多不足.针对上述问题,提出一种基于双分支特征提取和自适应胶囊网络的DGA域名检测方法.首先,通过样本清洗和字典构建重构原始样本并生成重构样本集.其次,通过双分支特征提取网络处理重构样本,在其中利用切片金字塔网络提取域名局部特征,利用Transformer提取域名全局特征,并利用轻量级注意力融合不同层次的域名特征.然后,利用自适应胶囊网络计算域名特征图的重要度系数,将域名文本特征转换为向量域名特征,并通过特征转移计算基于文本特征的域名分类概率,同时利用多层感知机处理域名统计特征,以此计算基于统计特征的域名分类概率.最后,通过合并得到的两种不同视角的域名分类概率进行域名检测.大量的实验表明,本文所提方法在DGA域名检测以及DGA域名家族检测分类方面均取得了当前领先的检测效果,其中,在DGA域名检测中F1分数提升了0.76%~5.57%,在DGA域名家族检测分类中F1分数(宏平均)提升了1.79%~3.68%.     

一种特征转移和域自适应的异质缺陷预测方法

软件缺陷预测是软件工程领域中的一个研究热点.跨项目缺陷预测(Cross-Project Defect Prediction, CPDP)采用源项目的缺陷数据来预测目标项目的缺陷倾向性.然而,源项目和目标项目的特征可能会有所不同.因此,研究人员提出了异质缺陷预测(Heterogeneous Defect Prediction, HDP).为了提高HDP模型的性能,本文提出了一种基于特征迁移和域自适应的异质缺陷预测(Feature Transfer and Domain Adaptation, FTDA)方法.首先,FTDA使用基于相关性的特征选择算法从源项目的特征集中选择最优的特征子集.随后,使用欧氏距离进行匹配特征,并为每个目标项目选择最合适的源项目.再次,使用TCA算法解决不同项目之间的分布差异问题.最后,使用SMOTETomek算法处理类不平衡问题.为了验证FTDA方法的有效性,本文对AEEEM,PROMISE,NASA和Relink数据集中的24个项目进行了实证研究.实证研究表明,FTDA显著提高了异质缺陷预测的性能.     

无线认知传感器网络的研究

在无线传感器网络中引入认知无线电技术,构成无线认知传感器网络,可以减少ISM频段干扰,提高数据传输率。对无线认知传感器网络的研究目前已成为一个新的研究领域。介绍了无线认知传感器网络的概念,从无线认知传感器网络的节点、频谱感知、频谱决策、频谱共享、频谱迁移、网络层、传输层、应用层等方面综述了现有的研究成果,讨论了目前存在的问题和需要进一步研究的方向。     

基于正交化设计思想的领域特征模型构造过程

特征模型是现阶段领域工程普遍采用的描述领域需求的方法,本文在已有研究的基础上,针对现有特征模型结构上的不足,参考正交软件体系结构的设计思想提出了正交化特征模型的思想,给出了一个正交特征模型的构造过程.实践证明正交特征模型具有结构清晰,易转化为构件模型,可保持分析阶段和设计阶段的追踪性等优点.     

基于时空Transformer的社交网络信息传播预测

随着社交网络的日益普及和广泛应用,信息传播预测逐渐成为了社交网络分析领域的一个热点研究问题.之前大部分研究要么只利用信息传播序列,要么只利用用户之间的社交网络来进行预测,难以对信息传播过程的复杂性进行有效建模.此外,常用于信息传播预测的循环神经网络(recurrent neural network, RNN)及其变体难以有效捕获信息之间的相关性.为解决上述问题,提出了一个新的基于时空Transformer的社交网络信息传播预测模型STT.该模型首先构建由社交网络图和动态传播图组成的异构图并使用图卷积网络(graph convolutional network, GCN)来学习用户的结构特征;然后将用户的时序特征和结构特征放入到Transformer中进行融合来获取时空特征;为有效融合用户的时序特征和结构特征,提出了一种新的残差融合方式来替代Transformer中原有的残差连接;最后利用Transformer来进行信息传播预测.真实数据集上的大量实验验证了模型STT的有效性.     

一种新型的认知无线电网络架构

网络宽带化、业务多样化以及现有的固定频谱管理模式使无线网络面临资源日益匮乏的巨大挑战。动态变化的异构网络环境更加剧了资源紧缺和业务需求之间的矛盾,严重制约了现有和未来无线网络的部署和运行。为解决以上难题,首先对现有无线网络协议进行了详细讨论与分析,总结出其自身特点和存在的问题,包括IEEE 802.22认知功能、IEEE 1900.4认知功能和ETSI RRS(重配置无线子系统)认知功能。在深入研究无线网络中认知理论与方法的基础上,提出一种全新的认知无线网络架构模型,包括系统频谱管理、网络规划管理、重配置管理、无线资源管理、认知环处理以及认知信息承载方式。该架构能够更好地协调和支持网络的学习、推理、预测、融合、决策和重构等行为。     

单时序特征图卷积网络融合预测方法

近年来,图神经网络逐渐成为深度学习领域广泛讨论的话题和研究的重点,但大多数研究都是基于图节点,在存在多维属性的前提下进行分类和回归预测,对单时序特征的图节点预测并不能产生理想的效果。本文提出一种时序图卷积网络算法,可以在复杂图网络中,只根据节点单一特征的时序序列,实现对该特征的预测。算法通过在传统图卷积网络中对邻接矩阵参数化,解决单一特征条件下的参数退化问题,并结合长短时记忆网络的序列学习方法,将时序信息融入到训练过程中,提高训练精度。在交通流量数据集PeMS和Los上的实验表明,其预测精度要优于GCN、T-GCN、GRU、LSTM等主流算法。