虚拟学习社区中意见领袖识别模型研究

虚拟学习社区是传统教育突破空间资源限制形成的便捷性学习环境,其中意见领袖是构成社区信息通路的重要角色,对其他用户有强大的影响力。为了准确识别社区中的意见领袖,构建出虚拟学习社区网络,分析各用户的中心性和社会网络角色特征,选取入度、出度、介数、特征向量中心性、用户活跃度、用户帖子转发量、用户帖子评论量等七个特征值作为筛选条件,结合基于K-means的用户聚类算法,提出基于K-means算法的意见领袖识别模型。最后,将该识别模型应用于某虚拟社区,根据各个聚类子类的特征向量,提取理论意义上的意见领袖集合。实验证明,获取意见领袖集合具有很高的准确性,识别出的意见领袖均处于中心者或桥梁位置,占据着社会网络的优势位置,在虚拟社区中承担着核心或中介等特殊作用。     

基于聚类分析的网络论坛意见领袖发现方法

提出表示网络论坛用户的特征值向量,它由7个特征值组成。设计基于EM算法的用户聚类算法,从实际的贴子数据中提取向量数据集,并基于聚类结果筛选出最符合意见领袖群体的子类。以某论坛为例,分别运用该方法及现有典型方法提取出意见领袖并进行比较,验证本文算法的正确性。     

基于标题聚类的论坛舆论领袖发现算法

为进行论坛舆情分析,提出一种基于标题聚类的舆论领袖发现算法。按时间将数据进行预处理,运用话题模型度量标题数据并依此进行标题聚类;建立同一话题下的变规模用户回复关系网络,结合情感分析和网络特性分析进行影响力排名以提取舆论领袖。该算法旨在快速发现某一网络热门事件中的舆论领袖,综合考虑了帖子的话题属性、情感倾向和网络结构关系。通过实验验证了该模型的可行性和有效性。     

基于时间变化图的网络论坛意见领袖识别算法

针对现有意见领袖识别算法难以捕获网络的动态特性这一现状,提出了一个基于时间变化图的网络论坛意见领袖识别算法。该算法将网络论坛的演变描述为一连串静态图,每一幅图代表一个给定时间窗口内用户间的所有交互。依据构造的量化指标识别不同时间窗口内的潜在意见领袖,这些意见领袖然后和其他时间窗口上的意见领袖相匹配以便识别随时间推移的真正意见领袖。实验结果证实了该算法的可行性和有效性。     

基于高权重词集的论坛影响力发现研究

网络论坛是中国网民一个重要的意见传播渠道,论坛舆论领袖对网络舆论导向起着至关重要的作用,影响力发现为越来越多的研究人员所关注。针对传统的在线论坛中有影响力主题计算方法的不足,本文将论坛中帖子间的回复关系映射为发帖者之间的关联关系,构造出一个社群网络,提出高权重词集的概念,基于此,通过计算词语在回帖传播链上的影响力,设计并实现了论坛中成员的影响力计算模型。通过实验验证了该模型在时间、空间复杂性上的优越性,为进一步研究复杂网络中的人物行为奠定了基础。     

基于多特征信息传播模型的微博意见领袖挖掘

在线社交网络中的意见领袖通常是指在社交网络的信息传播中具有较大社会影响力的个体。针对当前意见领袖挖掘方法中只考虑社交网络的拓扑结构和节点的个体属性,缺乏信息传播中交互特征的问题,该文提出了基于扩展独立级联模型,并融入网络结构特征、个体属性和行为特征的意见领袖挖掘模型(extended independent cascade, EIC)。该模型以个体属性、个体在信息传播过程中的交互行为建立加权的传播网络,利用改进的CELF(cost effective lazy forward)算法,挖掘网络中影响力较大的个体。通过实验验证,在意见领袖的扩展核心率指标上,该算法优于拓扑结构类算法,且具有较好的稳定性,同时并未降低意见领袖的传播范围。     

网络社区中的意见领袖特征分析

本文通过社会网络分析方法识别网络社区中的意见领袖.首先对意见领袖存在的人际关系网络结构特征进行分析,对比论坛、博客和问答网络之间的区别,提出基于无向、有权重网络模型更能真实准确地识别意见领袖.并基于该网络模型研究和分析了网络论坛结构特征,通过测量其小世界和无标度的复杂网络特征,定量分析意见领袖存在的社会性根源.其次提出...     

基于语料阶梯评价的互联网论坛舆论领袖筛选算法

针对互联网论坛中舆论领袖筛选问题,提出了基于发帖网民的语料和基于网民的网络行为统计属性特征的互补性网络舆论领袖筛选模型.通过深入分析基于在线社区内容的"影响力扩散模型",提出了基于发帖网民语料的"阶梯式"评价法的全新算法.对基于统计属性特征评价方法的属性进行了重新定义,选取了更为合理的网络统计数据,增加了互补性的属性值,使评价方法更趋完善.通过与专家法人工筛选出的舆论领袖相比较,该模型筛选出舆论领袖的成功率在85%以上,模型具有较强的实用性和重要应用价值.     

基于情感倾向性的意见领袖发现方法

随着社交网络的迅猛发展,大量的网民参与到话题讨论,积极推动着信息的传播。而意见领袖在信息传播中又起着决定性的作用。因此,如何在网络舆论中准确寻找意见领袖成为研究热点。针对传统的意见领袖研究方法没有将用户节点看作网络或仅仅把网络中的用户节点权重看成是回复次数叠加的问题,综合考虑回帖者的情感倾向,提出基于回帖者情感倾向性的意见领袖发现算法。实验表明,改进的意见领袖发现算法与传统的PR算法、UI-LR算法相比具有更高的识别精度。     

基于幂律分布的网络用户快速排序算法

随着网络论坛、博客、微博的发展,引出社会网络中的用户排序问题。将在线网络论坛中用户映射为节点,用户评论过程中形成的回复关系映射为有向关联图,其节点度符合幂律分布。且论坛中用户的主题发布行为和回复关系符合Pagerank算法的互增强和随机游走特性,因此选用Pagerank算法排序用户影响力。该文提出的研究问题 如何提高用户排序应用中数据的存储和运行效率。天涯网络论坛中80%以上用户入度为0,据此,根据入度是否为0划分为两个集合,对入度为0集合按出度构造链接表,设计了基于集合划分的高效排序算法SD-Rank。SD-Rank时空复杂性为O(V′),V′为入度非0节点集。对天涯网络论坛真实用户数据的实验结果表明 SD-Rank算法时空复杂性优于Pagerank算法。     

一种基于情感倾向分析的网络团体意见领袖识别算法

意见领袖对网络舆情的产生和发展有着重要的指引作用,挖掘和识别网络社区中的意见领袖有重要的现实意义。结合聚类算法和分类算法的优势,提出一种基于话题内容分析的兴趣团体发现方法,以有效识别出兴趣团体。并通过分析用户回帖情感倾向来计算用户间链接的权重。在此基础上,提出了一种新的LeaderRank意见领袖发现算法,通过实验证明该算法能有效提高意见领袖挖掘的准确度。     

基于支持向量机的炒作微博识别方法

微博是舆论传播的中心和渠道,同时参与舆论的形成、发展与引导过程,其自媒体发布、意见领袖参与等因素在一定程度上造成了微博谣言、虚假炒作、社会动员等现象。针对炒作微博的传播特点,分析其群体的隐蔽策划现象,挖掘出普通微博和炒作微博在传播网络结构、转发增量统计等方面的差异。通过社交网站的应用程序接口对目标微博的所有评论、转发和点赞用户进行信息获取,构建该微博的传播网络,利用社团模块度、平均最短路径和网络直径这3个属性度量该网络的紧密程度,基于支持向量机对所抽取的微博进行分类,进而识别出炒作微博。实验结果表明,该方法对微博传播用户的属性信息依赖小以及传播网络结构特征敏感,并且具有较高的炒作微博识别准确率。     

一种基于个体中心论的局部优化社区发现算法

随着社会网络网站的流行,虚拟社会网络中的社区发现成为一个热门研究领域.针对虚拟网络中总是以一个或多个个体为中心特点,提出了一个针对大规模社区网络的局部优化社区发现的算法,在一定程度上弥补了传统算法无法适应大规模网络的不足.实验表明与我们直观想象不同,虚拟网络中那些度最大的点并不一定适合于作为社区中心.     

网络论坛意见领袖挖掘系统设计与实现

意见领袖在网络舆情形成过程中作用显著,如何从海量评论中挖掘意见领袖具有重要的现实意义.综合运用网络爬虫、正文抽取、文本倾向性分析、影响力计算、网络可视化等信息处理技术,设计并实现了网络论坛意见领袖自动挖掘系统.实际运行结果表明,该系统具有识别结果准确、效率高、健壮性强的特点.     

面向主题社团的意见领袖挖掘方法

意见领袖在不同的主题社团下对舆情的传播影响力是不同的,为了在社交网络中快速准确挖掘出意见领袖,提出一种面向主题社团的意见领袖挖掘方法。根据提出的兴趣隐含狄利克雷分布（Interest Latent Dirichlet Allocation,I-LDA）主题模型得到主题表达能力更强的主题分布,并在此基础上计算相邻用户的主题相似度。采用基于主题相似度的多标签均衡社团划分算法划分主题社团,使相似度大的用户被划分到相同的主题社团中,由此进一步提升社团划分的准确性与合理性。对于意见领袖的挖掘,提出一种快速意见领袖挖掘算法（Quickly-Ming Opinion Leader Algorithm,QMOLA）,先通过结构特征筛选出主题社团中的意见领袖候选人,再结合传播特征和情感特征挖掘主题社团中的意见领袖。对比实验结果表明,QMOLA相对于传统的意见领袖挖掘方法在挖掘效率上具有明显的优势,而且挖掘出的意见领袖具有更高的覆盖率和支持率。     

改进LeaderRank算法的意见领袖挖掘

意见领袖挖掘是社会网络研究的重要课题,对于舆情控制、信息传播等方面具有重要意义。LeaderRank算法是一个有效的意见领袖挖掘算法。为提高LeaderRank算法的准确性和抗干扰能力,在LeaderRank算法基础上,加入用户之间的情感倾向、用户活跃程度,提出了改进的LeaderRank算法。基于SIR模型的实验验证表明,改进算法的准确性和抗干扰能力均得到了有效提升。     

基于模糊阈值补偿的混合蛙跳算法

针对混合蛙跳算法(SFLA)求解复杂问题时收敛速度慢、优化精度低的缺点,提出一种基于模糊阈值补偿的混合蛙跳算法(FTCSFLA)。在SFLA的基础上,采用模糊分组方法对青蛙分组并改进局部搜索的扰动策略。在族群中定义模糊隶属度、隶属度阈值和补偿系数,利用邻域青蛙之间的分布程度衡量某一青蛙的模糊隶属度。在一次局部搜索中,对族群最差个体按模糊隶属度和隶属度阈值关系给出2种更新方法,设置相应的补偿系数。实验结果表明,隶属度阈值为0.9的FTCSFLA其收敛精度、速度均优于SFLA和隶属度阈值为0.5的FTCSFLA,当隶属度阈值取值在(0.5,0.9]之间时,FTCSFLA的性能达到最优。     

社交网络中意见领袖的敏感舆论倾向识别

为准确识别意见领袖的敏感舆论倾向,有效把控敏感类舆情的发展,提出基于多任务学习的敏感舆论倾向识别模型(MTL-SA-LSTM)和基于指纹汇聚技术的快速识别模型.以准确识别意见领袖的敏感舆论倾向为目标,兼顾其识别效率.采用指纹汇聚技术关联原始敏感词和变形敏感词,采用语义指纹技术快速识别重复或相似度较高文本的敏感舆论倾向,通过MTL-SA-LSTM模型,对文本中的敏感舆论及舆论倾向两个任务进行识别.对比实验结果表明,该模型具有较高的识别准确率及识别效率.     

一种基于模糊相似关系的局部社区发现方法

近几年,在线社交媒体发展飞速,出现了大规模社会网络.传统的基于网络全局结构的社区发现方法难以有效地处理这些大网络.局部社区发现作为一种无需知道网络的全局结构、仅通过分析给定节点的周围节点之间的关系即可找出给定节点所在社区的方法,在社会网络大数据分析中具有重要的应用意义.针对真实世界网络结构中个体间的相似关系是模糊的或不确定性的,提出了一种基于模糊相似关系的局部社区发现方法.首先,采用模糊关系来描述两个节点之间的相似关系,以节点对的相似度作为该模糊关系的隶属函数;然后证明了该关系是一种模糊相似关系,将局部社区定义为给定节点关于模糊相似关系的等价类,进而采用最大连通子图算法求得给定节点所在的社区.分别在仿真网络和真实网络上进行了实验,实验结果表明,该算法能够有效地揭示出给定节点所在的局部社区,相比其他算法,具有更高的F-score.     

结合二层节点度和聚类系数的链路预测算法

研究复杂网络的链路预测算法对分析舆论传播方向、预测舆论演进趋势和控制舆论发展进程具有重要意义。针对现有的基于节点度的链路预测算法存在预测质量偏低的问题,提出了一种结合二层节点度和聚类系数的链路预测算法。算法全面考虑网络局部结构信息以及共同邻居节点之间的差异性,在相似性评价指标的选择上将节点度和聚类系数结合,深度挖掘节点相似性性质并将节点度扩展到二层。最后在三个真实数据集中分别进行仿真实验,结果表明提出的算法相比于Common Neighbors、Adamic-Adar和Resource Allocation等经典算法具有更好的性能。