新型单轴拉伸试样制备装置的研制及试验研究

针对当前社交网络中影响力量化多集中于用户维度,而缺乏对信息维度研究的问题,从微博信息入手,以线性加权模型为基础,提出一种结合评论数、转发数并引入转发地域分布信息的微博影响力量化模型(MIQM)。该模型综合考虑了群体对信息的关注度以及信息的扩散模式,并在地域维度对影响力展开了全局和局部分析。实验数据表明,MIQM局部模型和评论率模型相关性达0.43,全局模型和转发数模型相关性达0.98,说明MIQM模型能反应单个微博的影响力,局部模型可凸显关注度高的微博,全局模型能描述扩散性广的微博。     

基于h指数的旅游部门官微影响力评价及指标相关性研究——以四川省为例

旅游官方微博营销是近年来的研究热点。选取2016年1—12月四川省旅游发展委员会新浪官方微博发布的微博作为研究对象,引入h指数作为衡量指标,揭示旅游官方微博营销影响力。研究显示:粉丝对不同主题的微博关注度差异明显,特别是对旅游目的地、餐饮美食和旅游咨询等信息关注度较高。互动类微博发布数量较少,难以体现旅游局与粉丝之间的互动性。原创微博、评论总数、转发总数、转发h指数和评论h指数之间均存在显著相关。研究结论可为旅游部门微博营销提供决策参考,有利于推动四川加快建设旅游经济强省和世界重要旅游目的地。     

针对信息生产力的微博用户分类

该文研究用户分类对微博信息生产力的影响。首先通过用户发布微博的数量将用户分类,将微博的转发次数、评论次数与赞次数等作为微博的影响力大小判定因素,然后根据微博用户所发微博的平均影响力分析各类用户中用户影响力的分布情况,结合营销模型,以便增强用户在微博平台上的生产力。     

微博个性化转发行为预测新算法

目前,对微博转发行为预测主要是对所有微博用户的历史数据进行学习,从而得到转发模型.但是这类模型需要对所有用户的转发行为进行全局预测,存在同质性且无法对具体用户进行个性化预测的缺陷.针对这些问题,提出了基于多任务学习的个性化微博转发行为预测算法.对新浪微博进行了数据抓取、分析和特征选择,根据社会学中影响力的理论,针对微博用户之间进行社交信息交流而导致相互影响的特点,引入了多任务学习方法,以逻辑回归预测模型作为基准算法,将预测模型分为全局模型与个性模型进行学习.预测模型把对每个用户转发行为的预测对应为多个任务,根据微博用户间的社交交互对这些任务进行关联.实验结果表明,所提出的模型能够有效地对单个用户的微博转发行为进行预测,并且提高了转发行为预测的准确率.     

基于溯源的虚假信息传播控制方法

为了研究微博传播机制,本文提出一种基于溯源的虚假信息传播控制方法,根据微博转发关系和主题相关性得到级联集合,并结合用户关系网和信息级联关系网确定微博信息的真正发起者。通过文本情感分析和信息级联关系迭代计算节点的影响力指数和从众指数,提取微博信息早期重要参与者。综合发起者和早期重要参与者确定信息源头并进行评估。通过删除优质源头节点和全局高影响力节点来控制虚假信息的传播。在新浪微博数据集上通过实验验证了基于所有溯源节点的虚假信息控制策略效果最优。     

基于转发评论的微博语义扩充和分类方法

为了对微博用户、微博文本和微博评论进行分析和研究,提出了一种基于转发评论的微博语义扩充和分类方法.首先在对微博用户类型分析的基础上将微博分为6种类型;然后以信息发布型微博为研究对象,提出了微博评论选择算法,筛选出微博有效评论;再利用基于转发评论的微博语义扩充和分类(comment-based microblog's semantic expansion and classification,CBMSEC)方法,将微博有效评论信息补充进微博语义,改善微博数据稀疏的问题,提高微博的分类性能.     

微博网络中用户主题兴趣相关性及主题信息扩散研究

运用Twitter-LDA主题模型对新浪微博数据进行了主题分析,基于用户主题兴趣相关性的研究表明用户间的主题兴趣具有三度相关性,同一主题兴趣下三度以内粉丝的发文数随用户发文数增加而波动式增加,各度粉丝与用户主题兴趣的相似度随粉丝度数的增加而下降。通过分析比较不同主题类别微博的扩散差异,发现生活情感类的信息最受用户欢迎,不同主题类别微博被转发的概率存在显著差异,平均转发数相差可达10倍,微博信息扩散树中各类主题在微博信息扩散深度、扩散时间间隔和用户的扩散能力方面都表现出不同的特征。     

基于PageRank的用户影响力评价改进算法

为了解决传统微博用户影响力评价算法全面性和客观性差的问题,通过对微博用户影响力的定义和影响因素进行分析,鉴于微博社区网络与web页面网络的拓扑结构有着天然相似性的特点,提出了一种基于PageRank的用户影响力评价改进算法(Self and Followers User Influence Rank)SF-UIR.运用用户追随者数、用户是否认证、用户微博的传播能力三个指标对用户自身影响因素进行了量化,改善了PageRank值对用户影响力评价客观性差的问题.采用权重因子将追随者对其所关注用户的影响力贡献值进行科学的量化分配,解决了追随者影响力等值传递的弊端.与四类主流算法的对比实验结果表明:SFUIR算法同时考虑了基于用户行为的自身影响因素和基于拓扑结构的追随者影响因素,能够有效地解决追随者数量排名算法中的"僵尸粉"干扰问题,能比平均转发数算法更真实地反映用户的影响力高低,能有效规避K-覆盖度算法中未考虑微博用户自身行为特征和将所有的追随者都一视同仁的严重缺陷,能极大地改进PageRank算法单纯依赖追随者数量和追随者质量的不足,从而能够更加全面、更加客观地反映微博用户的影响力.     

基于多Agent的微博社交网络信息传播模型

针对传统微博社交网络信息传播模型没有考虑用户个体差异性和用户强弱关系的问题,本文建立了基于多Agent的微博社交网络信息传播模型。将微博用户抽象为Agent,并定义Agent的属性,分析微博社交网络信息的传播机制,定义Agent之间的交互规则,考虑不同强弱关系下影响用户转发信息行为的因素,通过仿真实验探究个体态度、影响力、个体间认同度等因素对微博网络信息传播的影响。仿真结果表明,微博信息的传播呈裂变式扩散模式,微博用户的态度、影响力等因素对信息的传播起促进作用,所提出的相关影响变量对有效利用与管控微博信息传播具有一定的启示意义。     

微博转发预测算法评测系统的建立及性能比较

为解决微博转发行为预测问题,提出了一个基本的预测算法评测系统框架.该系统解决了原始微博数据的抓取和预处理,以及用户微博的转发和忽略行为的判定,微博和用户的特征提取等问题,为解决微博转发行为预测问题提供了技术基础.详细分析了现有文献和工作中的微博转发行为预测算法,阐述了它们的基本原理.通过定量实验分析了不同微博转发行为预测算法的在局部预测问题和全局预测问题方面的性能,并且从算法的原理等方面出发给出了定性的分析.     

基于图卷积网络的归纳式微博谣言检测新方法

为了解决传统图卷积神经网络在进行谣言检测时面临的未充分考虑单词语义信息以及池化方法选择困难的问题,提出基于图卷积网络(GCN)的归纳式微博谣言检测新方法. 考虑单词之间的语义关系,结合传统词共现建图方法提出基于词语义相关性的微博事件建图方法,并结合图卷积网络和门循环单元(GRU)实现节点信息聚合;为了有效融合不同节点状态的特征信息,提出基于注意力机制的多池化方法融合策略融合最大池、平均池和全局池以获取最终的图级向量;为了提高微博谣言检测效率,探究微博评论时间对检测结果的影响,获得用于模型训练的最佳评论利用时间阈值. 实验结果表明,本研究方法在给定数据集上的表现普遍优于Text-CNN、Bi-GCN、TextING等典型方法,验证了其在微博谣言检测领域的有效性.     

微博社区中用户行为特征及其机理研究

基于微博数据的实证分析表明,微博用户发布微博的数量及时间间隔均服从幂律分布。通过分析微博用户之间的社会网络关系与用户行为之间的联系,发现微博消息数量的分布幂指数与用户互动指数呈反向关系,且随着互动指数的升高,幂指数的下降趋缓。在排除用户之间的评论、转发行为的影响后,个体用户发微博的时间间隔分布幂指数与用户互动指数呈正相关关系。基于上述实证分析,引入用户间评论转发行为、用户间的社会网络关系作为微博用户行为的驱动因素,提出了一种基于社会关系的动力学模型,模型仿真结果与实际数据一致。     

基于用户偏好特征的微博转发预测

在线社交网络为信息的传播提供了渠道,但同时也加快了不良信息的传播速度。针对真实场景下新浪微博社交网络中的转发现象,分析了微博网络中用户之间的相互影响关系,以及微博文本内容等特征对受众用户的影响,证明了这些信息对于预测微博转发序列的有效性。提出了一种综合微博用户偏好信息及关系信息的微博转发序列预测方法,该方法使用Transformer编码器分析了微博发布之后的早期转发序列,随后,使用注意力机制处理微博文本信息和其他信息对转发过程的影响,预测下一步可能会转发的用户。从真实社交网络中提取得到微博的转发序列,共涉及14 891位用户,使用提出的方法处理该数据集,实验结果表明,所提方法的概率排名TOP500的准确率达到71%,对比当前同类型预测方法,所提方法的性能提升了约10%。     

一种改进的微博用户影响力评价算法

微博用户的影响力研究是微博社区研究的一个热点。以新浪微博为研究对象,构建了用户活跃度和历史关注度两个评价指标,引入微博传播能力这一因子,提出了一种基于传统的PageRank算法的改进算法（userinfluencerank）模型,通过实验与传统算法进行对比,验证了该算法的有效性和准确性。     

微博社交网络舆情监测指标体系构建

在研究微博信息传播模式的基础上,借鉴网络传播中采用的信息空间模型构建了微博舆情的三维空间,对微博舆情的主客体进行分析,建立了微博舆情监测指标体系。该指标体系充分考虑了主客体的不同特点和关系,并提出体系中不同指标的量化方法,为管理者对微博舆情进行疏导提供了决策上的支持。     

基于观点挖掘的突发事件微博意见领袖识别方法

基于意见领袖概念的本质,运用观点挖掘技术研究突发事件中微博意见领袖的识别,为网络舆情治理提供参考.提出三步识别方法框架:首先采用文献分析法构建指标模型,评价微博博主的信息影响力;其次构建文本主客观分类模型,计算高影响力博主事件相关博文的观点输出性,识别观点博文;然后针对观点博文的评论文本构建情感极性分类模型,计算博文观...     

一种基于话题传播的微博用户影响力分析方法

基于微博话题传播过程,提出了一种新的用户影响力分析方法.该方法首先结合微博信息传播机制,构建信息推送网和信息转发网;其次,基于上述网络建立话题传播网模型并提出CTDN构建算法;最后,以该模型为基础设计并实现了一种用户影响力排序算法TD-InfluenceRank,该算法在迭代计算用户影响力时通过考虑节点间的信息传播,使影响力更多地转移给关系密切的节点.实验结果表明,以TD-InfluenceRank算法为核心的用户影响力分析方法,能够有效提高话题传播中用户影响力分析的准确性.     

一种情感分析与质量控制的异常评论识别方法

针对因数据量的增加以及异常评论策略的更新,以用户内容和行为为基础的传统微博异常评论识别方法效果不断下降的问题,提出一种基于情感分析和质量控制的微博异常评论识别方法.通过将预处理后的微博评论进行情感分析,将微博评论进行量化处理,在对微博评论进行质量控制的过程中,根据异常与正常用户在时域上对热点微博的评论分布差别检测可疑时间间隔,结合用户聚类分析,设计了异常评论识别模型.结果表明:该方法利用情感评分,对于评论文本进行较为准确的情感分类,然后通过调整边界值范围和时间阈值范围来限定异常检测等级,当边界值范围增大时,对于异常评论的检测范围扩大,容忍度下降,检测灵敏度高;当时间阈值扩大时,容忍度提高,检测灵敏度较低;适当的选择边界值和时间阈值,可以有效提高与正常评论行为相似的异常评论识别准确率.     

多特征神经网络微博转发预测

随着社交网络的快速发展,微博已成为一种信息扩散传播的平台。鉴于微博信息扩散的特点,挖掘微博转发过程中的潜在规律对于舆情监控、热点话题追踪、产品营销等有着重要意义。以新浪微博作为数据源,以用户和微博内容作为特征源,引入机器学习中的神经网络预测算法建立预测模型,实现对微博的转发预测。结果表明,与传统预测方法的对比,对微博转发可以做出较高准确率的预测。     

DHC定理在有向含权网络上的推广及应用

节点影响力排序是网络科学研究领域的热点问题,对该问题的研究极具理论意义与应用价值。最近有研究将原本用于衡量科学家科研影响力的H指数,引入到复杂网络中刻画节点的影响力,并发现节点的度、H指数和核数的内在联系,称为DHC定理。本文在原有研究基础上提出了有向含权网络上的H指数,并证明了DHC定理在有向含权网络中仍然成立。在此基础上,本文比较了这些节点中心性指标在含权网络上进行节点排序的准确性和分辨力,并考察了权重因素对排序准确性的影响。最后本文用含权有向网络上的DHC定理深入分析了中国城市间微博转发网络,对中国城市的在线媒体影响力进行排名,并总结了信息在不同城市用户之间的传播模式。