基于豆瓣同城活动的线上线下社交影响研究

社交网络中单纯的线上交互已经无法满足用户的需求,一些新型的融合用户线上和线下体验的社交网络服务开始出现.文中基于国内知名的豆瓣同城活动网站,探索用户线下活动和线上行为的特点,进而研究线上线下的社交影响.通过对44天内采集到的6545个活动和近10万次参与用户的统计分析,结合对活跃用户的问卷调查和真实数据实例验证两种方式,发现线上社交影响在一定条件下推动了活动的开展,而活动的开展对用户线上社交关系的建立也有一定的促进作用.该研究有助于理解基于线下活动的社交网络及其参与者的行为特点,并验证了线下活动与线上关系的相互影响,该研究成果对于广告投放、活动组织和好友推荐等应用有重要现实意义.     

基于异构社交网络信息和内容信息的事件推荐

基于事件的社交网络使得事件推荐受到越来越多的关注.不同于其他推荐问题(如电影推荐等),事件推荐具有3类不同信息:用户构成的异构社交网络关系信息(在线社交网络和离线社交网络)、用户/事件的内容信息、用户对事件的隐式反馈信息.如何有效融合这些信息进行事件推荐是该领域学者普遍关注的问题.提出一种新的混合事件推荐方法CHS-BPR,该方法以贝叶斯潜在因子模型为基本框架来处理用户对事件的隐式反馈信息,同时考虑用户/事件的内容信息和用户之间的异构社交网络信息,首次实现了同时使用3种信息来做事件推荐,并以真实数据集验证了所提方法的有效性.     

社会媒体大数据分析研究综述

社会媒体作为人们传播信息和表达观点的重要渠道,包含大量丰富的有用信息,近年来已成为大数据最具代表性的数据来源之一,挖掘与分析这些信息对社会发展影响深远。按照社交媒体的构成要素将目前研究划分为3类,即从基于用户的分析、基于关系的分析和基于交互内容的分析三方面进行总结分析。首先,从多源异构网络中识别用户身份,发现社群并计算用户影响力来分析基于用户的数据;其次,从用户关系强度计算、信息传播和影响力最大化3个角度探讨了基于交互关系为中心的数据分析;然后,基于用户交互内容探讨了特征提取与选择、话题事件挖掘、多媒体数据分析以及情感分析4个问题。最后,从信息传播、影响力计算、特征提取与选择、微博新闻挖掘、社会媒体大数据融合和跨语言情感分析6个方面指出了现有研究的挑战性和未来研究的新视角。     

基于异构特征的符号社交网络关系分类

符号社交网络关系分类是研究社交关系挖掘领域中一个崭新的研究方向。传统基于同构社交网络的关系分类模型在进行特征提取时,并未考虑符号社交网络中存在异构边(正、负边),提取特征需要代表网络的异构属性这一问题,同时也忽略了异构特征中所蕴含的社交平衡理论。针对以上不足,提出一种新颖的基于异构网络特征的关系分类模型,在特征提取方面主要通过引入朴素贝叶斯模型度量相邻异构关系的影响和结合社会化平衡理论形成的三角关系构建获得,并采用SVM等三类经典的有监督模型进行分类,验证特征的有效性。实验结果表明,改进后异构特征选择算法优化了特征的提取,显著提高了分类效果,从而证明了异构特征提取算法的有效性,为符号社会网络关系特征提取及关系分类提供一种新的思路。     

基于地域特征和异构社交关系的事件推荐算法研究

近几年,在基于事件的社交网络(EBSNs)服务中,为便于增强用户体验,事件推荐任务一直被广泛研究。本文基于对EBSN中用户行为数据的详细分析,提出了一种新型的融合多种数据特征的潜在因子模型。该模型综合考虑EBSN中两种新型的数据特征: 异构的社交关系特征(线上社交关系+线下社交关系)和用户参与行为的地域性特征。基于真实的Meetup数据集,实验结果表明我们的算法在解决事件推荐问题时比传统的算法有更好的性能。
     

基于异构社交上下文的多视图微博主题检测

社交媒体主题检测旨在从大规模短帖子中挖掘潜在的主题信息. 由于帖子形式简短、表达非正规化, 且社交媒体中用户交互复杂多样, 使得该任务具有一定的挑战性. 前人工作仅考虑了帖子的文本内容, 或者同时对同构情境下的社交上下文进行建模, 忽略了社交网络的异构性. 然而, 不同的用户交互方式, 如转发, 评论等, 可能意味着不同的行为模式和兴趣偏好, 其反映了对主题的不同的关注与理解; 此外, 不同用户对同一主题的发展和演化具有不同影响, 社区中处于引领地位的权威用户相对于普通用户对主题推断会产生更重要的作用. 因此, 提出一种新的多视图主题模型(multi-view topic model, MVTM), 通过编码微博会话网络中的异构社交上下文来推断更加完整、连贯的主题. 首先根据用户之间的交互关系构建一个属性多元异构会话网络, 并将其分解为具有不同交互语义的多个视图; 接着, 考虑不同交互方式与不同用户的重要性, 借助邻居级注意力和交互级注意力机制, 得到特定视图的嵌入表示; 最后, 设计一个多视图驱动的神经变分推理方法, 以捕捉不同视图之间的深层关联, 并自适应地平衡它们的一致性和独立性, 从而产生更连贯的主题. 在3个月新浪微博数据集上的实验结果证明所提方法的有效性.     

基于社交网络的安全关系研究

社交网络面临着许多的安全问题,目前大部分的研究主要集中于社交网络中的(核心)节点、关系、结构等方面,因此"安全关系"的研究显得尤为重要.通过分析安全风险与发生事件之间的关联,采取等级划分、数值度量、多态数据融合、逻辑关联等因素下定性与定量相结合的计算机制,提出了一种基于贝叶斯网络的社交网络安全关系态势评估模型,为社交网络上安全态势的感知与预测提供理论依据.     

面向社交媒体的高质量内容识别

如何从海量多媒体文章中自动识别高质量内容是信息推荐、搜索引擎等系统的核心功能之一.现有的方法在训练中依赖大量的人工标注数据.针对其未考虑社交媒体中的社交信息和视觉内容的问题,提出一种基于正无标记(positive and unlabeled, PU)学习的图卷积高质量文章内容识别模型——基于PU学习的图卷积网络(graph convolutional network based on positive and unlabeled learning, GCN-PU),在统一的框架中使用一个异构网络同时建模社交媒体文章的文本和社交信息,并在该网络上使用图卷积网络来融合这些信息得到高阶特征.另外,使用多媒体文章的全局视觉布局信息来捕捉文章的综合视觉质量特征,用于补充图卷积网络输出的高阶特征.最后,在训练机制和损失函数中引入了PU学习来充分利用社交媒体中大量未标注的文章信息.在真实社交媒体数据集上的实验结果表明,相比于现有的方法, GCN-PU方法的F值提升了3%以上.     

面向社交推荐的自适应高阶隐式关系建模

近年来,社交推荐的研究主要聚焦于社交网络中显式、隐式关系的联合建模,却忽视了高阶隐式关系并非对每个用户都同等重要这一特殊现象.高阶隐式关系对一个有着足够多邻居的用户与一个仅有少量邻居的用户重要性存在明显差异.此外,由于社交关系建立的随机性,显式关系并不总是可用的.提出了一种新的自适应高阶隐式关系建模方法 (adaptive high-order implicit relations modeling, AHIRM),该模型由3个部分组成:首先,过滤不可靠关系且识别出潜在可靠关系.旨在避免不可靠关系带来的负面影响,并部分缓解数据稀疏的问题;其次,设计自适应随机游走算法,结合规范化后的节点中心度为用户捕获不同阶数的邻居,构建用户间的高阶隐式关系,进而重构社交网络;最后,运用图卷积网络(graph convolutional network, GCN)聚合邻居节点信息,更新用户嵌入,实现高阶隐式关系建模,从而进一步缓解数据稀疏问题.在建模过程中,同时考虑到社交结构和个人偏好的影响,模拟并保留了社交影响传播的过程.在LastFM、Douban和Gowalla这3个数据集上与相关算法做了对比验证...     

基于位置的社交网络研究综述

当今,对线上社交网络的研究和线下人们在物理世界中活动的研究都已经很成熟,将线上社交网络和线下物理世界结合起来的异构网络成为研究热点,基于位置的社交网络是通过位置信息理解用户行为和偏好的新型异构网络。本文从服务和应用的角度对基于位置的社交网络的研究情况进行分析总结,为未来对异构网络进行深入研究以及在基于位置的社交网络中提出新的应用奠定基础。最后,本文对基于位置的社交网络的研究情况进行总结与展望。