流感疫情出现后微博网民行为实证研究

针对微博用户间显性社交关系和实际互动频率不一致的现象,借鉴语义网络中描述本体的符号化思想,构建了一个由5类实体对象组成的微博信息流形式化模型,并用符号语言对新浪微博用户在2010年7月至2013年8月谈论流感疫情时涌现的信息扩散网络的提取过程进行了形式化描述。信息扩散网络的网络密度、聚类系数和网络直径等拓扑属性的测量结果显示:参与者互动网络具有无标度和小世界特性,微博空间的互动群体较为松散,而且构建的形式化符号体系可清楚描述用户关系、用户互动行为和信息扩散过程等信息传播时空信息。     

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。     

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.     

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%。     

基于社团信息传播能力分析的微博舆情热点监测

在分析微博舆情热点监测研究局限的基础上,从信息传播角度提出一种基于社团信息传播能力分析的微博舆情热点监测方法。该方法首先基于微博用户间信息交互构建微博信息交互网络;然后采用快速Newman社团发现算法挖掘信息交互网络中的信息传播社团;最后根据用户传播影响力和用户间交互紧密度对社团的传播能力进行评估,并通过对具有较强信息传播能力社团中信息交互的监测实现微博潜在舆情热点的挖掘。实验结果表明,微博信息传播社团的信息传播能力与热点微博信息在社团中的真实传播效果具有较高的拟合度,通过对强传播能力社团中信息交互情况的实时监测,可发现潜在舆情热点信息。     

兴趣、习惯、交互三重驱动的微博用户动力学模型

针对微博用户行为问题,采集Sina微博实证数据分析了不同情境下的微博用户行为特征。分析结果表明:微博用户的发布行为存在周期性和阵发性,用户发布微博的时间间隔服从幂律分布,且幂指数与用户活跃性呈正相关关系,同时用户之间的交互能够进一步激发用户的发布行为。在此基础上,构建了兴趣、习惯、交互三重驱动模式下的用户行为动力学模型,通过数学推导可知,该模型能够获得幂指数为参数可调的幂律分布,且模型仿真结果与实证数据分析结果相吻合。     

基于粒子群优化算法的社交网络可视化

为了使用户快捷、清晰地发现及研究微博用户之间的关系,提出基于粒子群优化(PSO)算法的微博数据可视化方法.根据用户在微博中的影响力将用户分为n层,以此来表示用户在网络中对信息的传播影响力的等级.基于数据的关联关系对数据进行子群划分;基于粒子群优化算法,设计目标函数,使粒子群优化算法适应社交网络的布局要求.为了进一步增强可视化效果,降低视觉复杂度,采用曲线代替直线,应用传输函数设置不透明度以及交互的可视化技术.实验结果表明,该方法可以形成清晰的可视化结果,以便更好地分析微博用户之间的关系.     

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。     

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.     

微博用户推荐模型的研究

微博用户推荐对改善用户体验、促进社交网络长远发展具有重要意义。该文提取了能够充分反映微博用户之间相关性的多个特征,并通过逻辑回归模型对潜在的用户进行评分排序,为目标用户推荐前N个潜在用户。基于新浪微博数据集的实验结果表明,基于逻辑回归方法的用户推荐模型是切实有效的,可以为微博用户提供高性能的个性化用户推荐。     

基于复杂网络分析的微博网络舆情传播

为了探索微博网络舆情传播机制,采用复杂网络分析方法,并结合新浪微博获取的数据,分析了微博的社会网络结构的特点及其对舆情传播的影响。首先介绍了微博社会网络组成机制。然后采用复杂社会网络分析方法分析了微博社会网络的无尺度特性和小世界特征。最后结合实际的网络舆情事件案例,分析评价了微博社会网络拓扑结构对网络舆情传播的影响。     

微博在高校学生群体中的采用接受度模型对比

针对微博在高校学生群体中的应用情况,采用基于自我效能感的价值接受度模型(SVAM)和价值接受度模型(VAM)分别对其进行了实证研究。结果表明,微博的情感价值、功能价值和社会价值是微博感知价值的主要影响因素,微博的自我效能感对情感价值和功能价值的形成具有显著影响,且与感知价值一起直接影响了用户的态度,甚至采用意图。进一步的对比研究发现,自我效能感对采用态度的影响不容忽视,并影响模型对采用意图的解释度。     

蛛网态微博关系网中有影响力用户的识别研究

通过分析蛛网态微博关系网的特点,指出识别蛛网态微博关系网中有影响力用户的重要意义.重点探讨微博用户自身属性对用户影响力的作用,结合PageRank算法原理,提出一种蛛网态微博关系网中有影响力用户发现方法 (Influential User Discovering Algorithm,IUDA),并基于新浪微博的真实用户数据将该方法与另外两种方法进行对比实验.结果显示,结合用户本身影响值的IUDA方法可以更高质量地发现蛛网态微博网中有影响力用户,客观反映用户的影响力.     

公益机构微博社会网络中心性分析

应用社会网络分析法,以腾讯微博为平台,以认证公益机构微博为样本,分析公益机构与微博之间互相关注的关系信息及“权利”。从点度中心性、中间中心性、接近中心性三方面的分析可以看出,不同的机构微博在信息获取与发布、信息走向控制上的权利及影响力有很大的差别,微博数值越高者相应的“权利”越大。     

基于深度学习的微博命名体识别

针对微博用语不规范,噪声多,更新快,缩略语多,且数据量大等相关特点,本文提出基于深度学习的方法进行微博命名体的识别。本文首先利用大量的未标注的微博信息对自动编码器训练,获得抽象特征,随后将这些特征作为深度学习网络的输入,最后得出句子中每个字的类标。在进行自动编码器训练的过程中,本文提出卷积方法替代窗口移动方法,以此获取句子中的长依赖信息。通过对新浪微博数据的实验结果表明,本文所给出的深度学习方法能够提高微博中命名体识别的F1值,说明了本文算法的有效性。     

基于PSO-SVM算法的长微博贴图识别方法

微博由于字数的限制,当用户需要发较多内容时通常以附图的形式给出,识别包含文本内容贴图的长微博能够为微博研究提供更多有用的数据.在支持向量机（SVM）的基础上结合粒子群算法（PSO）提出了一种识别长微博贴图的PSO-SVM算法.该方法提取长微博贴图的颜色矩和灰度共生矩阵特征,然后利用PSO算法对SVM模型中的误差惩罚参数和核函数进行优化得到最佳分类模型,其最优参数将被用作长微博贴图和非长微博贴图进行分类.实验表明,与传统的基于网格搜索法优化的SVM算法相比,PSO-SVM算法对长微博贴图识别具有更高的准确率和召回率.     

融合用户信任和影响力的top-N推荐算法

针对现有基于信任的推荐方法通常直接利用社交网络的二值信任关系来提高推荐质量,较少考虑用户间信任强度的差异和潜在影响的问题,提出结合用户信任和影响力的混合推荐算法进行top-N项目推荐. 采用自动编码器对用户行为进行无监督的初始特征优化,将高维、稀疏的用户行为压缩成低维、稠密的用户及项目特征向量;提出融合用户交互信息、偏好度和信任的新型信任度量模型,发掘社交网络中用户间的隐含信任关系,重构社会信任网络;将社会信任网络的拓扑结构和用户的交互信息融入结构洞算法,通过改进的结构洞算法来识别网络中的影响力用户,提高top-N项目推荐性能. 实验在FilmTrust、Epinions、Ciao这3个标准数据集上进行对比验证,实验结果证明了所提算法的有效性.     

基于社交网图和兴趣标签的协同推荐算法

为了提高用户对社交平台的粘性,通过用户的社交关系网来丰富用户的兴趣标签。以微博为例,用户的关注用户可以对用户的内容推荐进行协同性过滤,用户的关注用户的重要性受到自身粉丝数的制约,综合用户兴趣标签和用户社交网络图完成对用户推荐内容的协同过滤。以 Last．fm 数据作为测试数据集,实验结果表明：改进的算法能够较明显地提高推荐的准确度,从而表明融入用户社交关系网进行内容推荐对于提升用户的平台粘性具有一定的作用。     

基于节点态度的社交网络信息传播模型

为了揭示信息在社交网络中传播的内在规律,对社交网络的信息传播过程进行深入的研究,社交网络的信息传播过程除了受信息本身的吸引力和社交环境的影响,同时受节点对消息的态度的影响。然而,现有信息传播模型对节点态度考虑不足,不能体现节点态度的差异对信息传播所产生影响。本文结合传染病模型并考虑节点态度,提出了一种基于节点态度的社交网络信息传播模型,旨在分析节点态度对信息传播的影响,为研究社交网络的信息传播机理提供理论依据。首先,考虑到不同节点的态度及其变化规则的差异,从个体角度出发,基于节点行为定义了节点态度及其更新原则。其次,在传统传染病动力学SIRS模型基础上,结合信息传播与传染病感染扩散类似的传播机理,综合考虑节点态度对信息传播状态转移的影响,利用社会学习理论得到一种基于节点态度的社交网络传播模型。该模型能够分析节点态度对信息传播的影响,给出传播规则,并刻画信息传播的演化规律。最后,采用新浪微博的真实数据对本文的传播模型进行了仿真实验,仿真结果验证了节点态度影响着信息的传播,证明了本文所提模型能够更准确地描述信息传播规律,反映社交网络的信息传播过程。