一种基于多模式影响力的微博信息扩散预测方法

摘 要: 微博服务已经成为加强人们互相沟通的重要媒体。微博区分于传统社交网络最重要的特征为信息的分裂式传播。微博的信息扩散能够带来巨大的商业价值,同时也为谣言的传播带来了良好滋润环境。如果能够预测某个信息是否会被爆发式地传播,以及哪些用户会加入到信息的传播中将是非常有意义的工作。本文中定义了三种模式的影响力：1）面向兴趣的影响力,2）面向社交关系的影响力,3）面向传播能力的影响力。本文提出了一种基于扩散的影响力模型来区分和度量不同类型的影响力。进一步地,本文利用微博用户传播博文给影响力用户的意图来对影响力传播预测建模。预测模型能够预测新博文将来的扩散状态。本文利用真实的微博数据来评测预测模型,实验结果表明本文提出的方法准确性由于传统的预测模型。     

基于Swarm模型的微博用户影响力评价方法

微博作为一种重要的社交媒体,许多学者都对微博中用户的影响力进行研究,但大多数影响力的评价算法都是根据微博话题中用户的静态属性或微博话题发生后用户的行为特征对用户影响力进行评价。从用户的转发、评论和点赞三种行为入手,结合突现计算模型,提出一种基于Swarm模型的用户影响力排序算法,SMRank算法可以在微博话题发生的过程中对用户每个时间段的影响力进行计算,给出了一种计算微博话题用户影响力的新方法。通过使用真实的微博话题数据进行实验,结果表明提出的SMRank算法可以有效地发现微博话题中影响等级较大的用户,并能计算出不同用户不同时刻的影响力。     

基于用户行为的改进PageRank影响力算法

PageRank算法在计算用户影响力方面只考虑用户间的跟随关系,导致计算结果准确性低下。为此,提出一种将用户行为因素与PageRank算法相结合的URank算法。利用网络中用户发布信息的转发率、评论率以及是否认证等行为因素,综合用户自身质量与追随者质量,得到用户影响力。基于SIR传播模型的实验结果表明,URank算法在计算准确性方面优于PageRank算法。     

基于PageRank的微博用户影响力算法研究

随着Web技术的发展,微博已经成为最受欢迎的社交平台之一了。在中国,微博用户规模已经达到了2.42亿。微博用户影响力计算对社会信息在微博里面有效传播,正确传播,健康传播有着非常重要的意义。本文以新浪微博数据为实验的对象,通过改进传统的PageRank模型,提出了的新型用户影响力排名算法---MBUI-Rank(Micro-Blog User Influence Rank)算法。在考虑传统PageRank方法的用户链接关系的同时,MBUI-Rank算法还考虑到微博用户自身行为活动,构建用户对微博的影响的动态挖掘模型。实验结果表明,MBUI-Rank算法与传统的PageRank算法相比,可以更加真实有效地反映微博用户的实际影响力。     

TTRank:基于倾向性转变的用户影响力排序

近年来,不少学者从回复关系的角度分析用户影响力,但存在回复关系稀少、帖子内容被忽视、不能动态更新等问题.为弥补这些不足,提出了一种基于倾向性转变的用户影响力分析方法.先计算帖子的影响力,再提出“局部回复链”的概念,引入间接回复关系计算方法,增加了帖子之间的回复关系;然后对局部回复链,分析用户倾向性变化的过程,得到用户影响他人和受影响的程度,最终获得用户在指定范围内的影响力排名.该算法与10种经典的影响力分析算法对比以及实例分析的结果,说明该算法能从其他角度更好地刻画用户形象.     

基于网络结构的多种用户影响力分析算法对比研究

随着社交网络的发展,人们可以非常平等、快捷地发布和接受信息,这导致线上生活对线下生活的影响越来越大。社会化营销应运而生,其非常重要的一个需求是要最大化营销活动在社交网络中的影响力。因此,社交网络中用户影响力分析成为一个至关重要的研究点。该文重点考察了基于网络结构的影响力分析方法,主要包括最大度算法、距离中心点算法、类似PageRank算法的PeopleRank算法等,并给出了具体的分析结论。     

基于PageRank的多维度微博用户影响力度量

以新浪微博为研究对象,提出一种适用性更广、考虑因素更全面的微博用户影响力度量算法,将用户基本属性、用户交互行为和用户博文内容三个维度因素融入传统PageRank算法中,提出了一种多维度微博用户影响力度量算法——MDIR（multi-dimension influence rank）。实验结果表明,MDIR算法相较于其他常用的五种影响力度量算法,能更加全面、真实地反映微博用户的实际影响力。     

一种微博用户影响力的计算方法

针对微博中用户影响力分析这个问题,提出用户影响力的计算方法。该方法首先提出用户自身影响力以及用户被影响力的概念,并根据用户自身特征与用户粉丝情况得出其计算公式,从而可以综合考虑用户在微博中的所有信息,计算出用户影响力。实验结果表明,这种计算方法能比较好地反映用户在其粉丝中的影响力。     

基于用户行为的微博用户社会影响力分析

社会影响力分析是当前在线社会网络研究中的热点方向.随着微博成为了一种至关重要的大众媒体,更好的分析和衡量微博用户的社会影响力引起越来越广泛的关注.基于从新浪微博收集的大规模数据集,作者结合社会影响力在微博环境中的传播情况,分析了用户行为因素之间的关系.然后提出了一个通过预测用户传播信息能力大小来分析和度量用户社会影响力的方法.该方法结合了来自社会网络结构和用户行为因素两方面的信息,获得了更好的影响力估计结果.基于大规模数据的实验结果表明,作者提出的方法是较为有效的.     

中国电子商务用户扩散模型分析

利用Bass创新扩散模型分析我国电子商务用户不断增多的扩散过程.通过中国上网用户的不断增加和历年来统计的电子商务用户数据进行模型参数的估计,建立电子商务用户增加的扩散模型.分析电子商务发展的背景和原因,根据数据模型参数得出的结果进行分析,对未来电子商务的发展做一个预测。     

虚拟教学环境中基于草图的自适应用户界面研究

将草图技术、自适应技术与传统的虚拟现实技术相结合应用于虚拟教学过程中,通过增强用户和系统之间个性化需求的交互处理来提高系统的智能性和友好性,进而有效提高虚拟教学环境的应用效果.旨在虚拟环境中构建基于草图的自适应用户界面并应用于虚拟教学来满足特定教学需求,着重结合实例分析了基于自适应草图用户界面的虚拟教学环境中的草图上下文处理机制.在上述研究基础上,设计开发了一个虚拟教学原型系统,实验证明该系统在用户体验上有明显的改善.     

基于信息偏好的影响最大化算法研究

实证研究表明,社会个体对于不同主题的信息有着不同的偏好,这对于社会网络中的信息传播过程起着非常重要的作用.影响最大化是社会网络信息传播领域中关于影响结点集挖掘的热点课题.它会从社会网络中寻找最具影响力的结点子集,以这些结点为目标进行影响传播时会获得最大的影响范围.以前关于影响最大化算法研究的大部分工作没有考虑社会个体的信息偏好,这大大降低了结果的准确性.为了提高影响最大化算法的效率和种子集的影响范围,提出一种基于信息偏好的2阶段启发式影响结点挖掘策略L_GAUP：第1阶段,基于网络中各结点对于信息主题的偏好程度,得到易感染结点网络;第2阶段,在易感染网络中,基于贪心策略进行影响结点的挖掘.实验中,在数据集douban上实现了L_GAUP,GAUP和CELF算法.实验结果表明,与基准算法GAUP相比,L_GAUP不仅在影响范围指标ISST和IS上有着更好的表现,在效率上也有大幅度的提高.     

基于动态用户画像的信息推荐研究

针对传统信息推荐方式精度偏低的问题,引入用户画像作为推荐基础,在深入研究文本分类和用户行为后,提出一种基于动态用户画像的推荐方法.该方法通过动态分析用户历史数据,预测用户的兴趣变化趋势,从而实现动态推荐.离线实验证明,该方法在预测用户偏好变化方面具有一定优势,相较于传统的基于标签的信息推荐,提高了推荐精度.     

基于传播时空特性的社交网络灰帽用户检测

社交网络灰帽用户极易隐藏且类型多样,导致现有检测算法适用性较差。提出一种基于传播时空特性的社交网络检测算法。构建用户生成内容传播网络度量白帽和灰帽用户在传播空间上的不同特性,融合时空传播特性并调节权重比例以提高分类性能。实验结果表明,该算法能有效检测不同类型灰帽用户,与用户特征分析、社交网络链接分析、多视图融合等主流灰帽用户检测算法相比,其在CAVERLEE、CRESCI-15、CRESCI-17等多个数据集上的准确率及AUC值最高分别提升26.08%和30.54%。     

基于浏览器收藏夹的用户行为研究

网络用户可以使用浏览器收藏夹收藏网页并快速访问其中内容。基于收藏夹的用户行为研究将对用户个性化、网页质量评估、大规模网页目录构建等方面的工作具有指导意义。该文使用近27万个用户的收藏夹数据,从组织结构、收藏内容和用户兴趣三个方面对用户收藏行为进行了研究。首先,我们提出收藏夹浏览点击模型,分析了收藏夹结构特征和使用效率;其次,通过与PageRank值比较,我们发现用户倾向于收藏质量高的网络资源;最后,我们结合ODP分析了收藏夹用户的兴趣分布特点。     

微博信息传播网络的结构属性分析

当前微博迅速流行,由于它交互结构的复杂性,其研究分析难度较大,该文提出了一种新颖的方法分析微博信息传播网络的属性。首先定义了信息源的概念,针对6个不同主题事件的微博传播结构,对各信息传播网络结构进行了可视化分析,并给出了信息源分布特征分析。带有时间标签的信息传播网络通常是有向非循环图,定义了3种信息传播微元结构,分别对应信息分散、信息聚集、信息传递。利用斯皮尔曼等级相关系数研究了它们之间的关联度,发现3种结构间有相当大的差异,基于这3种关系分析了信息传播网络的演变情况,得出信息分散结构在各时间片上的数量最多。     

ACT-LDA:集成话题、社区和影响力分析的概率模型

随着社交网络的发展,社交网络中的用户形成大规模的用户关系图,用户在社交网络中发表内容,这些内容及其链接关系形成大规模的文档图.如何根据用户关系图、文档图,挖掘出用户所形成的社区、社区用户的影响力以及各个社区的话题,是重要的问题,而目前这些工作相对独立.考虑了用户发表内容、用户之间的关系信息,利用话题传播、社区形成和用户影响力之间的关联性,提出了一个基于LDA (latent Dirichlet allocation)的集成话题发现、社区发现和用户影响力分析的统一模型ACT-LDA(author-community-topic LDA).模型采用变分推理的方法解决推理问题.在DBLP数据上进行了实验,取得了非常好的结果,证明了模型的有效性.     

基于微博的用户社区网络挖掘分析

以新浪微博为研究平台,随机获取微博用户数据作为研究样本,通过共链关系构建社会网络,利用聚类分析方法对样本进行微博关注好友的网络群体分析,网络内部子结构分析和个体角色分析。进而从微博用户好友数据中挖掘关注对象的特征和关注对象间的关联特征,并对改进微博用户关注好友的推荐和信息推送提出一些建议。