Modeling of large-scale social network services based on mechanisms of information diffusion: Sina Weibo as a case study

The purpose of this paper is to investigate the characteristics of the dissemination of information in the community. A variety of possible factors that affect the dissemination of information in Sina Weibo have been discussed. By analyzing the process of the information dissemination in the community of Sina Weibo, we found the information dissemination of Weibo community and the dynamic model are very similar. With the aid of data intensive computing theory, the various features have been mined and modeled. The dynamic model is improved and redefined to characterize the community. Then the SEINR model is proposed. The basic reproductive number, the existence of equilibrium point and the stability of the network are analyzed and proved in detail. By comparing with real data in Weibo community, we show that the SEINR model accurately reflects the dissemination of information community. Furthermore, we investigate the SEINR model in detail to show the influences of different parameters on information dissemination by simulations.     

在线社会网络的数据采集方法的研究

在线社会网络是一个由亿万级用户及联接关系构成的大规模集合,其中以新浪微博为典型代表,目前已经成为人们日常交流的重要方式.如何在新浪微博中分析其用户的特征和网络拓扑结构成为研究在线社会网络的基础,利用新浪微博开放平台提供的API采集数据,实验证明,该方法切实可行.     

电视媒体微博营销之现状考察及其发展——以浙江卫视新浪官方微博为例

作为Web2.0的产物,微博既是有史以来最简易的信息发布工具,也是有史以来最高效的信息传播工具。自2009年新浪微博开创中国微博元年,微博在吸引了海量的受众的同时,也吸引了包括电视媒体在内的各大机构的加盟。本文以浙江卫视新浪官方微博为研究个案,在对其微博营销实践研究的基础上,提出针对性的建议方案,为起步不久的国内电视媒体微博营销提出值得借鉴的思考。     

在线社交网络的UNI64采样方法

在对社交网络采样方法进行研究时,常以拒绝-接受采样法得到的样本作为对照来评价其他采样方法的优劣.由于各种在线社交网络陆续将其用户ID系统由32位升级为64位,导致拒绝-接受采样法的采样命中率近乎为零.本文根据在线社交网络的特点,以新浪微博为例,对其用户ID分布情况进行分析,提出了一种改进的拒绝-接受采样法UNI64.该方法通过分析网络有效ID样本的分布情况,结合聚类的方法将整个样本空间划分为有效区间和无效区间,并使采样算法避开无效区间,仅在有效区间内生成待测样本,从而有效提高了拒绝-接受采样法在有效样本极为稀疏的样本空间内采样的命中率.     

基于GA-IPSO-BSVM算法的新浪微博评论信息分类

针对新浪微博评论信息准确分类问题, 本文基于遗传算法(genetic algorithm, GA)、粒子群算法(particle swarm optimization, PSO)和支持向量机(support vector machine, SVM)算法, 提出一种改进GA-IPSO-BSVM (genetic algorithm-improved particle swarm optimization-balanced support vector machine)的分类模型, 以实现提升新浪微博评论信息分类的准确性和收敛性. 首先, 为了有效提升算法的收敛速度, 并高效节省计算资源, 该模型在迭代前期引入GA的淘汰机制, 删除大量低速粒子. 其次, 在迭代中期, 为了避免算法陷入局部最优解, 改进PSO中粒子关系的拓扑结构, 采用K均值聚类(K-means)算法对粒子群进行聚类分区, 将各粒子群体在所属社区中进行粒子群迭代, 选出各个区域中优秀粒子. 再次, 在迭代后期, 将所有区域优秀粒子组合成优秀粒子群体, 并将该群体进行迭代, 得出全局最优解. 从次, 结合GA和IPSO对BSVM进行超参数优化, 提升分类准确率. 最后, 利用所提出的GA-IPSO-BSVM模型对于新浪微博评论信息进行分类预测验证. 经实验结果表明, 该分类模型应用于新浪微博信息分类的准确度优于其他基准模型.     

基于领域划分的微博用户影响力分析

近年来微博作为一种新兴的社交网络逐渐被广大用户使用.微博信息简短、更新迅速、包含信息量大,给微博用户获取信息带来了诸多不便,因此,利用影响力分析的手段找到具有较大影响力的微博用户具有重大意义.微博内容较传统的媒体信息具有较强的时效性和权威性,同时微博用语也极其不规范,这给微博用户影响力的分析带来了极大的困难.首先对获取的微博用户信息进行领域的划分,采用基于微博内容和用户关注的方式将用户归类到其所属的领域.其中,采用新词发现以及特征扩展的方法来提高划分结果的准确性.然后,对各个领域的用户进行影响力分析,提出3种影响力传播模型,用户最终的影响力大小根据3种模型的结果进行加权计算.最后对实验结果进行分析、比较,证明了计算用户影响力的方法能取得较优的结果.     

新浪微博用户及其微博特征分析

基于新浪微博用户之间的关注关系网络,分析了衡量微博用户影响力的三个指标——粉丝数、User PR值以及用户活跃度,发现粉丝数分布和User PR值分布均服从幂律分布,活跃度分布不同于前两种分布。分别对三种排名靠前的用户及其发布的微博进行分析,发现排名靠前的用户中,User PR值的认证用户多于粉丝数;活跃度排名靠前的用户在广告营销活动中受到广泛的青睐;新浪微博用户乐于转发和评论他人的微博,微博中嵌入了大量的图片、视频和链接。     

World of Similitude: The Metamorphosis of Iranian Architecture

How can an ancient architectural heritage become a rich resource for inspiration rather than a burden or a limitation? Moving away from a conventional formal analysis of historic architecture, which identifies particular periods with specific styles or characteristics, Farshad Farahi suggests an approach that unites the contemporary philosophically and spiritually with its past - by seeking out an imaginary dimension or ‘World of Similitude’.     

新浪微博反垃圾中特征选择的重要性分析

微博中的垃圾用户非常普遍,其异常行为及生产的垃圾信息显著降低了用户体验。为了提高识别准确率,已有研究或是尽可能多地定义特征,或是不断尝试提出新的分类检测方法;那么,微博反垃圾问题的突破点优先置于寻找分类特征还是改进分类检测方法,是否特征越多检测效果越好,新的方法是否可以显著提高检测效果。以新浪微博为例, 试图通过不同的特征选择方法与不同的分类器组合实验回答以上问题,实验结果表明特征组的选择较分类器的改进更为重要,需从内容信息、用户行为和社会关系多侧面生成特征,且特征并非越多检测效果越好,这些结论将有助于未来微博反垃圾工作的突破。     

我国大型门户网站广告现状探析

当前大型门户网站的广告涉及的面不广,主要集中在其他商业网站、服装、食品和电器等行业,广告中涉及的特殊商品不多,主要集中在食品、药品等行业,存在问题的特殊商品广告主要集中在食品和药品广告中,化妆品、房地产和学校教育广告从内容上看基本符合广告法规在发布禁止行和命令行标准的要求。