网络舆情演化模型研究

随着互联网的快速发展,网络舆情对社会的影响与日俱增,建立网络舆情的演化模型,对于正确应对网络舆情,维护社会稳定具有重要的意义。通过研究网络舆情演化模型,提出了基于Logistic模型和遗传算法建立网络舆情演化模型,并给出了详细的建模方法。实验证明,该方法是有效和可行的。     

引入时间机制的网络舆情演化分析方法研究

网络舆情的迅速发展使舆情发展成为研究热点,它对舆情的预测预警具有重要意义。从文本聚类入手,针对舆情的演化分析过程,在时间序列上进行K-means聚类研究,得到聚类中心,又依此对聚类中的词频统计进行时序加权处理,使统计所得关键词更具有代表性。通过对时间聚类法和时序加权统计法所得关键词的分析,得到了舆情演化的趋势。研究结果表明该方法降低了聚类的维数,减少了噪声,提高了聚类的准确度,增强了演化分析的可信度。     

一种高聚类系数的无标度网络演化模型

考虑到BA无标度演化模型和其它无标度演化模型不能实现真实网络中较大的聚类系数,本文提出了一个高聚类系数的无标度演化模型.模型具有一个可调参数p∈[0,1].通过调节p来调节网络的聚类系数,能使模型与真实网络更加匹配.此外本文还解析导出关于度分布的差分方程,并确定了通过调节p,模型能达到的最大聚类系数.p和γ的关系也利用平均场方法推导出来.仿真结果验证了理论推导所得结论的正确性,同时也揭示了该网络演化模型的一些重要性质,表明网络演化模型能较好的模拟真实网络,特别在聚类系数指标上.     

复杂网络中的在线社交网络演化模型

在线社交网络是一种广泛存在的社会网络,其节点度遵循幂率分布规律,但对于其结构演化模型方面的相关研究还不多。基于复杂网络理论研究在线社交网络内部结构特征,提出一种结合内增长、外增长及内部边更替的演化模型,借助平均场理论分析该模型的拓扑特性,实验和理论分析表明由该模型生成的网络,其度分布服从幂率分布,且通过调整参数,幂率指数在1~3,能较好地反映不同类型的真实在线社交网络的度分布特征,因此具有广泛适用性。     

基于复杂网络方法的舆情热点挖掘

研究使用复杂网络理论和算法的网络舆情热点提取.网络舆情分析技术可以分为基于内容的分析方法和基于数据挖掘的分析方法,二者均是采用传统技术处理网络舆情,并未结合网络特性.针对上述问题,开拓了舆情分析的思路,提出采用网络化方法处理网络问题的思想,将舆情网络的页面视为节点,链接关系作为边,构建符合复杂网络特征的舆情传播网络.使用PageRank算法和Hits算法,可以挖掘出舆情网络中的重要节点,进而发现舆情热点.以维基百科数据为仿真数据集,采用新提出的方法,可以挖掘相关领域的热点条目.仿真结果表明,两种方法均可以完成网络舆情热点的发掘工作,从复杂网络的角度处理网络舆情热点挖掘问题是可行的.但PageRank方法侧重于链接节点的影响,Hits算法侧重考虑节点自身的核心程度,挖掘结果存在一定差异.将两种方法的挖掘结果相结合,结合领域特征,可以获取网络舆情热点.     

基于代价的复杂网络抗攻击性研究

目前的复杂网络抗攻击性研究大多基于"无代价"条件,而这一假设下的大多数复杂网络面对的选择性攻击都非常脆弱,这与现实网络相矛盾。针对这一矛盾,提出代价下影响复杂网络抗攻击性的关键指标——网络紧致系数、平均度;基于网络紧致系数、平均度建立了代价下面向节点的选择性攻击模型,定性分析了网络紧致系数、平均度与复杂网络抗攻击性间的关系。仿真结果证实了所提度量指标的有效性:网络紧致系数越大、平均度越大,则网络越鲁棒;相同平均度下,网络紧致系数越大,则网络越鲁棒。     

一种基于加权复杂网络特征的K-means聚类算法

在分析了传统的基于划分的K—means聚类算法的优越性和存在不足的基础上，根据近两年复杂网络研究中部分新的理论成果，提出了复杂网络加权度、加权聚集度与加权聚集系数的定义，并将数据聚类转换为复杂网络上的节点聚类，提出基于加权复杂网络特征的K—means聚类算法（简称WCNFC算法）。实验结果表明，该算法根据节点加权复杂网络特征值，能够较好地找到聚类中心，有效地避免了对初始化选值敏感性的问题，从而使得聚类质量大大提高。     

一种基于加权复杂网络特征的K-means聚类算法

在分析了传统的基于划分的K-means聚类算法的优越性和存在不足的基础上,根据近两年复杂网络研究中部分新的理论成果,提出了复杂网络加权度、加权聚集度与加权聚集系数的定义,并将数据聚类转换为复杂网络上的节点聚类,提出基于加权复杂网络特征的K-means聚类算法(简称WCNFC算法)。实验结果表明,该算法根据节点加权复杂网络特征值,能够较好地找到聚类中心,有效地避免了对初始化选值敏感性的问题,从而使得聚类质量大大提高。     

网络舆情演化的阶段分析

网络舆情演化的阶段分析对于研究网络舆情的演化规律具有重要的意义。由于网络舆情演化比较复杂,因此网络舆情演化过程的阶段划分也有一定难度,为便于研究,本文把网络舆情演化过程简化为三个阶段：初始传播阶段、迅速扩散阶段和消退阶段,在此基础上对网络舆情演化过程进行阶段分析。首先分析网络舆情的构成要素,然后分析网络舆情演化所具有的影响因素,最后分别对这三个阶段的演化因素和特征量的变化进行详细分析,并尽可能采用量化语言来分析每个阶段的特征变化,希望有助于对网络舆情演化规律的定量研究。     

基于网络舆情的K-Means算法的改进研究

传统的K-Means聚类算法只能保证收敛到局部最优,从而导致聚类结果对初始代表点的选择非常敏感;凝聚层次聚类虽无需选择初始的聚类中心,但计算复杂度较高,而且凝聚过程不可逆。结合网络舆情的特点,深入剖析了K-Means聚类算法和凝聚层次聚类算法的优缺点,对K-Means聚类算法进行改进。改进后算法的核心思想是,结合两种算法分别在初始点选择和聚类过程两个方面的优势,进行整合优化。通过实验分析及实际应用表明,改进后的文本聚类算法在很大程度上可以提高网络舆情信息聚类结果的准确性、有效性以及算法的效率。     

基于改进HK模型的社交网络舆情演化

传统网络舆情演化研究中,网络结构平均聚类系数较小,平均路径长度较大,且个体之间的相对权威性相等.针对这种情况,提出一种基于个体相对权威性的改进HK (Hegsekmann-Krause)模型来对个体间的权威性进行量化,同时构建更符合实际社交网络性质的网络拓扑结构.实验结果表明:该模型随着有限信任阈值增大,演化后的最终观...     

基于复值小波包概率模型的纹理分类研究

为准确描述纹理,发挥复值小波包变换多方向通道等优点,首次基于复值小波包对纹理采用概率模型进行自适应描述,并同最大似然分类方法结合进行纹理分类.提出融合各类纹理最优描述的方法,将图库分类正确率从85%提高到93%.     

一种结合模型集成的舆情管理模型的研究

针对社交网络特定网络舆情信息难以收集分析的问题,提出一种结合模型集成的网络舆情管理模型。对各大社交门户网站的采集器提出模块化的概念,在获取信息的速度和获取舆情信息的质量上相较于传统模型有较大提升。为了数据分析更加精确,提出一种新的集成学习算法。在此算法的基础之上设计一种新的分析模型,实现了对网络舆情的快速采集、高效分析。实验结果表明,模型在舆情信息采集以及舆情分析方面有较强的性能,有助于网络舆情的管理。     

基于网络核心体的复杂网络控制分析

针对无向网络实际控制问题,提出了一种有效设置控制输入矩阵,从而完成网络控制的方法.该方法表明,在一定条件下,对网络控制核心体实施控制即可控制整个网络.实例检验了理论分析的结果,表明该理论的正确性和可行性.该项研究揭示了无向网络中重要结构对整个网络的支配作用,为控制大型复杂网络提供了一个有效的方法.     

基于代数连通性的复杂网络社区发现研究

网络的代数连通性是拉普拉斯矩阵的第二小特征值,它可以用于测量网络的连通程度。为改善复杂网络分割算法的时间复杂度,基于代数连通性提出一种谱优化模型,并将其应用于复杂网络的小社区发现中。通过最小化网络连通性函数在候选边集中选择要删除的边集。该凸优化问题可由半正定规划解决,但其时间复杂度高,所以只能处理规模适中的复杂网络。为解决这个模型优化问题,采用贪婪策略优化方法,使该算法可以应用于大规模复杂网络。另一方面,社区边界的边影响代数连通性函数的优化效果,根据费德勒向量为每条边设定权重来解决这一问题。最后应用该模型对模拟复杂网络和真实复杂网络实例进行验证,结果表明该模型有效降低了GN算法的迭代次数,从而降低其时间复杂度,并有效保持其分割效果。     

复杂网络的鲁棒性与中心性指标的研究

网络鲁棒性是指网络遭到随机故障或蓄意攻击时仍能维持其功能的能力,理解复杂网络部分结构的失效对网络结构和功能的影响有着非常重要的意义。针对不同的开放数据集和爬取的新浪微博数据集,通过计算移除部分节点后的巨片和连通子图数目等指标,着重分析蓄意攻击对网络的影响,发现度攻击策略对不同网络结构影响均较大,紧密度和介数攻击策略对网络结构的影响有明显区别。实验表明,非微博网络的蓄意攻击中,采用度和介数攻击策略效果较好,而微博网络应采用度和紧密度攻击策略。     

基于声誉的机会网络信任模型

机会网络中,节点间进行交互必须考虑其他节点的可信性。针对机会网络节点间信任问题,提出基于声誉的机会网络信任模型。该模型采用贝叶斯方法计算节点的直接声誉,并将时间退变因子引入到间接声誉的计算当中,利用加权求合的方法合成信任值,根据此信任值节点双方进行访问控制并更新信任表。最后研究模型各个参数对信任值的影响,该模型能够有效地提高节点交互成功率。     

基于贝叶斯网络的信息过滤模型研究

传统信息过滤模型很难描述对信息过滤结果产生影响的各种因素，如质量、内容、用户偏好之间复杂的关系，也无合适的方法让用户将知识加入到信息过滤系统中，因此，提出了基于贝叶斯网络的信息过滤模型BMIF（Bayesian model of information filtering),BMIF是贝叶斯网络的简化，它描述了信息过滤的基本结构，提供了6种节点用于描述影响信息过滤的事件之间的关系，在此基础上，提供了BMIF的各种使用方法，包括将传统方法使用BMIF描述，将词法知识用BMIF表示，以及将自动学习与手动交互结合，将合作过滤与内容过滤结合等。     

基于WN主要性能的研究

无线网络中拥塞控制、差错控制与安全性是网络通信性能优劣的关键所在，本文分析了无线网络的拥塞控制策略，差错控制策略与安全策略的相关机制和改进，规避意念，探讨了系统策略的合理取向。     

基于遗传神经网络的地震预测研究

分析遗传算法(GA)及BP神经网络的结构特性,提出利用具有全局搜索能力的遗传算法来弥补BP网络的不足,克服BP(Error Back Propagation)算法收敛速度慢,易陷入局部极小点的缺点,优化神经网络的连接权值和阈值.针对地震预测中,震级预测的困难性等问题,将具有全局搜索能力的遗传算法和具有深度搜索能力的BP算法相结合实现地震震级预测建模.通过实验比较得到了较好的预测结果,该模型是可行、有效的.