音乐社交网站

苹果Ping的铩羽而归并没有让音乐社交网站的从业者知难而退，相反，国内的多家音乐社交网站依然在低调前行。     

微博社交网络的对称程度实证分析

Twitter和Sina微博注册用户构成关注关系社交网络,运用一种对称程度来研究其对称性随社交圈子规模变化的规律。首先根据收集的100万条新浪用户之间的关注关系和236个Twitter用户及其之间的关注关系来构建初始社交网络,选取其中具有明显对称性的连通子网络作为研究的主要对象,通过去除法得到:影响社交网络最大连通子网络对称性的主要因素是大V用户和可忽略用户。其次,采用比较分析法得出Twitter的大V用户构成的社交子网络对称性较强。最后,从功能定位方面分析了两种微博的不同;通过对初始网络的所有连通子网络的对称程度的研究,得出社交圈规模越小、相应的对称性越强的结论。     

社交网Twitter平台的人物关系网社区发现

社交网络服务（social networking service,SNS）已融入到大众生活中。人们将自己的信息上传到网络中,并通过社交网站管理自己的社交圈子,由此造成大量的个人信息在社交网络上被公开。文章基于Twitter平台,设计实现了Twitter用户关系网的社区发现。通过实时采集Twitter用户信息,重建人物关系网,改进Newman快速算法划分社区发现人物关系网。文章通过可视化的界面呈现用户的社区关系,提供用户网络行为,为决策者的舆情监控或个性推荐提供了参考凭据。     

部委

新闻和社交媒体用户品牌榜Facebook超苹果排第一据社交分析公司General Sentiment的最新数据显示,Facebook是新闻媒体、社交媒体和Twitter用户心目中价值最高的品牌。在General Sentiment列出的价值最高的二十大品牌中,有11家科技公司上榜,分别是Facebook(第一位)、苹果(第二位)、Google     

一种基于复合网的面向微博关注的推荐算法

针对在线社交网络朋友推荐问题,尝试利用描述多种关系的多子网复合复杂网络构建社交网络的复合网,引入连接度来表示对已连接朋友的喜爱程度,从而为用户提供个性化推荐。本文以微博中为用户推荐关注为例。     

融合社会关系的社交网络情感分析综述

随着以用户为中心的Web 2.0的发展,社交网络平台以惊人的影响力渗入到生活的方方面面,对社交网络中的内容进行情感分析已经成为热点研究课题.Twitter、新浪微博等在线社交网站吸引了大量用户,通过用户间的交互,产生了许多包含用户间社会关系的信息,并且这些社会关系被广泛应用于社交网络的情感分析.融合社会关系的社交网络情...     

社交网络用户影响力分析ABP算法研究与应用

社交网络作为一种交往方式,已经深入人心。其用户数据在这个大数据时代蕴藏着大量的价值。随着Twitter API的开放,社交网络Twitter俨然成为一个深受欢迎的研究对象,而用户影响力更是其中的研究热点。PageRank算法计算用户影响力已经由来已久,但是它太依赖于用户之间的关注关系,排名不具备时效性。引入用户活跃度的改进PageRank算法,具备一定的时效性,但是不具有足够的说服力和准确性。研究了一种新的基于时间分布用户活跃度的ABP算法,并为不同时段的活跃度加以相应的时效权重因子。最后,以Twitter为研究对象,结合社交关系网,通过实例分析说明ABP算法更具时效性和说服力,可以比较准确地提高活跃用户的排名,降低非活跃用户排名。     

微软谷歌争夺Twitter估值20亿美元

社交网络公司BuddyMedia的首席执行官Michael Lazerow近日表示，微软或是谷歌可能将于明年收购微型博客网站Twitter。     

“微博化”助推移动SNS前期发展

以Twitter为代表的微博客,无疑是这一年来互联网界最耀眼的明星。成立仅3年,Twitter已蹿升为仅次于Facebook和MySpace的第三大社交网站,其用户不仅有奥巴马、施瓦辛格等政要,有奥尼尔、黛米·摩尔等体育娱乐界明星,还有千千万万普通市民。在Twitter上,朋友、同事和名人的即时信息相互流通,构成了一个巨大的延伸社交网络。     

基于用户关系的跨社交网络用户身份关联方法

为识别出不同社交网络平台中属于同一自然人的账号,提出了一种基于用户关系的跨社交网络用户身份关联方法。首先,设计了基于网络表示学习的用户关系提取模块,将大规模用户关系转换至低维向量空间进行表示;然后,针对异构信息网络改进了传统网络表示学习算法,提出了CSN_LINE算法,实现融合跨社交网络先验关联关系的网络表示;最后,构建了基于多层感知机的用户身份关联模型。实验结果表示,提出的方法与目前先进的方法相比,综合指标F1值和正确率的提高均超过12%,证明了该方法的合理性和有效性。     

社交网络关键黑客节点识别方法北大核心CSCD

计算机网络安全形势严峻,对实施网络攻击的黑客以及黑客所在组织的研究越来越重要。社交网络有不受时间空间限制的特点,因此成为黑客交流的主要平台,也是网络安全研究人员获取信息的重要渠道。为了对社交网络中的黑客进行分析,文章提出一种基于社区发现的社交网络关键黑客节点识别方法。首先,文章通过图卷积网络以无监督方式实现网络的社区划分;然后,利用用户之间的交互行为和主题相似度,通过改进的Page Rank算法实现社区内黑客节点的影响力度量;最后,通过独立级联模型评估关键黑客节点对网络传播效率的作用。在Twitter数据集上的实验表明,该方法能有效识别社交网络中的关键黑客用户。     

社交网络中用户隐私推理与保护研究综述

如今微博和Twitter等社交网络平台被广泛地用于交流、创建在线社区并进行社交活动。用户所发布的内容可以被推理出大量隐私信息,这导致社交网络中针对用户的隐私推理技术的兴起。利用用户的文本内容及在线行为等知识可以对用户进行推理攻击,社交关系推理和属性推理是对社交网络用户隐私的两种基本攻击。针对推理攻击保护机制和方法的研究也在日益增加,对隐私推理和保护技术相关的研究和文献进行了分类并总结,最后进行了探讨和展望。     

基于Wi-Fi技术的移动SNS近距离传播方式研究

由于手机中GPS定位精度低和室内环境中卫星信号弱,造成了移动SNS在室内和近距离环境中社交网络扩展性能差。针对这种情况,提出了基于Wi-Fi技术的近距离社交网络扩展算法设计。算法首先在服务器端保存SNS用户手机Wi-Fi的MAC地址与用户的对应信息,然后与同一局域网内的所有设备进行Ping通信找到所有周边设备MAC地址,再在服务器端数据库中对MAC地址进行匹配后,确定其为周边的社交网络设备,并最终建立社交网络。实验结果表明,移动SNS采用该算法比采用GPS等定位技术能更加有效、快速地扩展近距离范围内的社交网络。     

融合超图注意力机制与图卷积网络的信息扩散预测

针对传统的信息预测缺乏对用户全局性依赖挖掘进行研究,提出了一种融合超图注意力机制与图卷积网络的信息扩散预测模型(HGACN)。首先构建用户社交关系子图,采样获得子级联序列,输入图卷积神经网络学习用户社交关系结构特征;其次,综合考虑用户间和级联间的全局依赖,采用超图注意机制(HGAT)学习用户不同时间间隔的交互特征;最后,将学习到的用户表示捕获到嵌入模块,利用门控机制将其融合获得更具表现力的用户表示,利用带掩码的多头注意力机制进行信息预测。在Twitter等五个数据集上的实验结果表明,提出的HGACN模型在hits@N提高了4.4%,map@N提高了2.2%,都显著优于已有的MS-HGAT等扩散预测模型,证明HGACN模型是合理、有效的。这对谣言监测以及恶意账户的检测有非常重大的意义。     

DOS命令明明白白我的网

小渔:Ping一个IP地址可以检测电脑连接主机的速度和可靠性,Ping一个城名可解析该域名所对应的IP地址;此外,Telnet这条命令可以用来与远程主机连接,实现上传下载,或登录BBS。让我们再来看看网络方面其他非常有用的DOS命令。     

YouTube与Google+整合推动视频共享更社交化

正据悉,近日YouTube与Google+加强了整合,YouTube用户可以在YouTube上显示其Google+的资料和页面,以及来自其他一些社交网络的信息,如Facebook和Twitter等。这样的整合无疑给用户带来和无限的便利,可以更快的获取信息,不用同时登录多个社交网络来查看信息消息。通过此次整合,YouTube允许用户将其Google+的帐号推广到YouTube视频广播网络,如此用户就可以通过视频广播     

苹果Ping屏得了天下吗？

苹果终于向开放迈出了一步，利用音乐社交网络继续网罗果粉，然而苹果屏天下的路并非一帆风顺。     

利用准私密社交网络文本数据检测抑郁用户的可行性分析

社交媒体的发展为抑郁用户的检测提供了一条新的途径。已有的相关研究通常是利用用户在Twitter、微博等社交网络平台上的用户行为数据或公开发表的文本内容,较少有利用微信朋友圈、QQ空间这种相对比较私密的社交网络数据。直观地,这类准私密社交网络数据更能反映用户的心理健康状况。该文主要讨论利用准私密社交网络文本数据检测抑郁用户的可行性,包括训练样本的选择、特征量化方法、检测模型选择和不同文本特征下的模型分类效果等。实验表明,采用平衡高低分组的方法选择样本比非平衡高低分组样本和离散化的高低分组样本训练的分类器要好;利用Z-score标准化的特征量化方法比直接使用频次或归一化频率要好;随机梯度下降模型SGD较支持向量机SVM等其他用于对比的分类模型要好。实验还发现,相对于词袋、词向量等文本特征,主题特征有较好的效果,可以使社交网络用户抑郁检测模型的F值达到0.753,而对抑郁用户的检测精度达到0.813。     

图表示学习短视频智能推荐研究综述

随着短视频数量的爆发式增长, 精准的个性化短视频推荐成为学术界和工业界的迫切需求。然而,现有的推荐方法没有考虑实际的短视频具有数据多源异构多模态、用户行为复杂多样、用户兴趣动态变化等特点。短视频模态间的语义鸿沟、社交网络用户多行为挖掘、用户动态兴趣捕捉依然是短视频推荐领域面临的三个重要问题。针对当前推荐系统存在的问题,并充分考虑短视频推荐系统的实际需求,本文介绍了短视频推荐中基于图表示学习的短视频推荐方法;研究了短视频异构多模态特征表示,充分挖掘视频内容特征并进行高效融合;研究了短视频社交网络用户多行为表示,通过社交网络用户多种行为挖掘更细粒度的用户偏好;研究了用户的动态偏好表示方法,通过利用时序信息建模用户的动态兴趣,保证推荐结果的准确度并增加其多样性与个性化。本研究可在理论和实践上推进基于图特征学习的短视频推荐研究,也可作为短视频推荐系统的关键技术。     

基于高阶和时序特征的图神经网络社会化推荐算法研究

跨项目社会推荐是一种将社交关系整合到推荐系统中的方法。社会化推荐中包含用户-项目交互图和社交网络图,用户是连接这两个图的桥梁,其表示学习对提升社会化推荐的性能至关重要。然而,现有方法主要使用用户或项目的静态属性和社交网络中的显式朋友关系来进行表示学习,用户和项目交互的时序信息及隐式朋友关系未得到充分利用。因此,在社会化推荐中,如何有效利用时序信息和社交信息成为重要的研究课题之一。文中通过建模用户的隐式朋友和项目的社交属性,提出了一种新颖的基于高阶和时序特征的图神经网络社会化推荐算法(Graph Neural Networks Social Recommendation Based on High-order and Temporal Features)模型,简称HTGSR。HTGSR首先利用门控递归单元对基于项目的用户表征进行建模,以反映用户的近期动态偏好,并定义一个高阶建模单元来提取用户的高阶连通特征,挖掘用户的隐式朋友信息;其次利用注意力机制获取基于社交关系的用户表征;然后提出不同的项目社交网络的构建方式,并利用注意力机制来获取项目表征;最后将用户和项目的潜在表征输入到多层感知机,...