基于用户行为的社交网络人格特质识别方法

社交网络已成为人们获取和发布信息的一个重要平台,也是黑客发起网络诈骗的主要场地。大多数黑客在发起网络诈骗之前,首先会判别目标用户的主要人格特点,然后根据主要人格特点制定与其接触的策略。因此,面向社交网络用户的人格特质识别方法的研究对提高用户识别社交网络诈骗能力具有重要意义。提出基于用户的人格特质识别方法。通过构建面向社交网络的人格特质词典提取用户发表或转发文本信息中能反映用户主要人格特质类型的观测值,采用5个具有不同参数值的隐半马尔可夫模型刻画用户在社交网络上发表或转发文本信息的行为过程。在人格特质识别阶段,通过计算每个用户在发表或转发文本信息过程中产生的观测序列相对于模型的平均对数似然概率,以识别用户所属的人格特质类型。在采集的新浪微博数据集上进行实验,结果表明,当假正率为10%时,该方法的总真正率为93.18%,能准确识别用户的人格特质类型。     

基于群体行为的社交媒体中水军分析

社交媒体是当下非常热门的一种互联网应用。在发生公共事件时,许多当事人雇佣公关公司在社交媒体上发布虚假信息来影响舆情。这部分为公关公司所服务的社交媒体账号称为水军。水军在当下的中国社交媒体中有泛滥的趋势。基于水军的群体行为分析社交媒体中的水军集团。定义了情感社会网络和情感社会网络中的团的概念;设计了一个分析框架,包括提出了情感社会网络中发现社区,以及从社区中发现对立的派别（称为团）的算法。从微博的评论数据构建情感社会网络,并发现情感社会网络中的团,可以识别水军,而且可以考察社交媒体中的水军集团的特性。采用人工标注的数据集进行了实验。     

考虑社交网络用户行为的网络病毒传播建模

针对已有病毒传播模型都没有考虑不同社交网络间的用户交互行为对网络病毒传播规律的影响,建立了考虑不同社交网络用户交互行为的微分方程动力学模型。利用稳定性理论分析了模型反映的网络病毒传播动力学性态,得到了控制网络病毒传播的基本再生数的精确数学表达式。进一步,采用龙格-库塔数值方法,通过仿真实验,验证了理论分析的正确性。研究结果表明,基本再生数是网络病毒扩散基本态势的直接决定因素,当基本再生数的值小于等于1时,随着时间演化,网络病毒的扩散会被彻底控制。另外还发现,分散用户到不同社交网络更有利于缓解网络病毒的扩散。     

社交网络用户行为挖掘研究进展与展望

随着信息技术飞速发展,社交网络逐渐占领了人们日常交往、娱乐和购物等主要平台。因此,大量围绕社交网络展开的研究也变得非常热门.现有的围绕社交网络用户行为展开的研究热点主要有：基于社交网络用户行为的用户影响力研究、基于用户行为的推荐系统研究、以及社交网络用户隐私方面的研究等。社交网络是互联网的主要组成模块之一,同时也是大数据时代的主要数据提供者之一,未来对于社交网络的研究会越来越受到学术界以及工业界的更多投入,本文对社交网络用户行为挖掘的研究现状、热点展开论述,并作出展望,提出一些目前尚缺深入研究的方向,以期对读者有所帮助。     

一种社交网络Sybil用户检测方法

对社交网络中广泛存在的“女巫攻击”(Sybil Attack)进行检测。通过对收集的近10万微博用户数据提取特征并进行分析,同时结合网络可信度,提出了社交网络Sybil用户检测方法。最后通过实验验证了该方法的有效性。     

基于泰文社交网络的用户行为可视化方法探讨

针对大规模社交群体中查询结果过于复杂等问题,将个性化定制和可视化联系起来,能够帮助开发者分析海量数据中的有用信息。本文以泰文版的Facebook为研究对象,结合当前社交网络的OAuth认证、Graph Search社交图谱搜索等原理,对其用户行为可视化方法进行了探讨。考虑到防火墙对Facebook的限制,对自由构建可视化模型的相关泰文文本处理技术还不够成熟。本文利用JJT(Java Scipt Info Vis Toolkit)工具,查询定制了RGraph可视化模型构建的相关参数,并通过Visual.ly数据可视化平台将程序脚本打包成可视化定制模版,实现了基于泰文社交网络行为的可视化图谱。     

社交网络用户在在线媒体中点播行为预测

在线媒体快速发展,为用户带来丰富多彩信息的同时,用户的参与也给在线媒体本身带来巨大的经济利益。因此,如何通过精确预测用户的偏好以增加在线媒体点击,成为一个学术界和工业界均关注的问题。现有的预测方法主要是借助用户个人信息和历史行为来预测用户行为,然而此类方法没有考虑媒体本身缺乏用户信息造成无法预测的问题。随着社交网络的发展,在线媒体与服务运营商间的兼并或合作的增多,支持用户通过单一账户使用多个媒体网络服务的情况越来越常见,这就为基于用户在社交网络中的资料预测用户在其他媒体中的喜好提供海量可信的基础数据。该文基于社交网络Google+和视频媒体YouTube的数据,首先证明用户在YouTube偏好具有高度的集聚性,并提出用户在社交网络中偏好与其在线媒体点击行为具有关联性,基于这种关联性,该文使用社交网络用户信息预测用户在在线媒体中的点播行为。实验结果显示,使用社交网络用户信息可以有效预测用户偏好,预测准确率比仅使用媒体本身信息提高了17%,而且能满足用户个性化需求。     

基于位置的社交网络用户签到及相关行为研究

Web2.0时代,空间定位技术不断成熟,使得基于位置的社交网络(LBSN)快速发展.LBSN用户的典型行为是签到以及针对签到地进行评论等.探索用户签到及相关行为的规律及背后动机,可以更好地了解用户的需求,发现系统设计与用户需求的不匹配之处,这对LBSN类应用的设计和开发具有一定的指导意义.利用在线数据抓取工具GooSeeker抽样国内典型的LBSN嘀咕网的用户数据.通过对获取的数据进行处理、分析,获知用户签到行为特点.同时关注用户发布的签到地评论的内容,并且使用分类工具SVMCLS将用户对麦当劳的评论划分为不同的倾向级别,从而得到用户对麦当劳的主观情感倾向性.结果发现嘀咕网用户签到的时间和地点存在规律性特征.用户趋向于在签到地做出正面的评论,并且评论的内容比较简短.这些发现有助于LBSN类系统设计和开发人员更好地了解用户,获知用户的需求,最终完善自己的设计,为用户提供更好的应用服务.     

基于二分图模型的在线社交网络故障检测

在线社交网络现已呈现出规模化和复杂化的趋势,一旦发生网络故障,会造成巨大损失。基于此,开展了利用二分图模型技术的在线社交网络故障检测研究,通过分析目前网络故障诊断技术现状以及常用的技术手段,构建网络故障传播模型,建立了故障源、故障时间、关联故障以及因果关系之间的联系,基于建立的二分图模型,采用拉格朗日算法进行故障诊断,引入了拉格朗日乘子,将复杂多元的目标函数分解成多个子问题,实现故障快速诊断检测。     

社交网络中的用户行为分析

近年来,国内人民的生活水平在不断的提高,互联网迅速的发展起来,并且出现在人们生活的各个领域中,导致网络用户的数量大大增加。本文通过对网络用户的行为进行分析,运用信息检索的方式来对网络用户进行分类,进而分析网络用户的行为特征。采用CHI特征选择算法对特征进行提取,通过整合特征词将网络用户分类,然后采用TF-IDF算法对特征进行加权运算,分析了算法的不足并为相关的特征词分配了适当的权重,然后对这些网络的身份进行识别。最后本文进行扩展,通过特殊举例用户的网络数据,用余弦定理进行相似度比较,这样可以了解这些用户之间拥有多少相同的话题和爱好,大大增加了彼此之间成为好友的可能性。这种方法在以后也可以应用在用普通的文本搜索相似的文章中。     

社交网络用户行为的体裁互文性分析

社交网络是基于用户之间共同的兴趣、爱好等构建的一种社会关系网络服务。社交网络中包含了大量的用户行为,研究这些行为对增强用户体验,增加用户使用粘性,提高资源的分享率以及其它一些服务的有效性都具有十分重要的意义。体裁互文性是语言学的基本概念,它与用户行为具有一些共性特征。实验表明,社交网络用户行为和体裁互文性具有相似性,利用体裁互文性研究用户的行为将更有利于信息共享、传播以及知识通信。     

P2P网络中基于K-means聚类的用户在线行为分析

使用K-means的聚类方法,从用户上下线规律的角度,对P2P网络中的用户进行了聚类分析,发现系统中存在稳定的节点类,以及在线规律呈现日周期规律但是与其他类节点可以互补的节点类,我们提出,合理有效地利用这些用户节点可以提高一些P2P系统的性能以及可靠性.     

基于双层采样主动学习的社交网络虚假用户检测方法

社交网络的飞速发展给用户带来了便捷,但是社交网络开放性的特点使得其容易受到虚假用户的影响.虚假用户借用社交网络传播虚假信息达到自身的目的,这种行为严重影响着社交网络的安全性和稳定性.目前社交网络虚假用户的检测方法主要通过用户的行为、文本和网络关系等特征对用户进行分类,由于人工标注用户数据需要的代价较大,导致分类器能够使用的标签样本不足.为解决此问题,本文提出一种基于双层采样主动学习的社交网络虚假用户检测方法,该方法使用样本不确定性、代表性和多样性3个指标评估未标记样本的价值,并使用排序和聚类相结合的双层采样算法对未标记样本进行筛选,选出最有价值的样本给专家标注,用于对分类模型的训练.在Twitter、Apontador和Youtube数据集上的实验说明本文所提方法在标签样本数量不足的情况下,只使用少量有标签样本就可以达到与有监督学习接近的检测效果;并且,对比其他主动学习方法,本文方法具有更高的准确率和召回率,需要的标签样本数量更少.     

应用随机游走的社交网络用户分类方法

针对现有在线社交网络用户分类方法不能有效利用用户属性和关系网络信息提高分类性能的问题,设计了一种基于随机游走模型的多标签分类方法MLCMRW。该方法的分类过程包括学习用户初始化类别标签以及通过迭代推理获得用户稳定标签分布两个阶段,并且其可以同时考虑用户属性以及关系网络特征信息进行分类。多个在线社交网络数据集上进行的实验表明,MLCMRW比其它已有的代表性方法有更好的分类性能,并且更适合对现实中的在线社交网络进行用户分类。     

GPRS用户行为特征分析

随着GPRS网络和业务的快速发展和智能手机的广泛使用,移动互联网用户数在逐年激增,这使得人们越来越重视GPRS网络的安全和性能,各大运营商纷纷要求对GPRS网络流量进行有效监测,以达到对网络进行维护和优化的目的.本文介绍了一种基于Linux平台的GPRS信令数据采集系统实现方法,通过在现实网络环境中部署该系统,能够采集到真实的移动用户数据,再通过对这些数据进行大量有效分析,可以得出具有普遍意义的GPRS网络信令特征,本文主要是分析用户的会话行为特征,这为运营商进行网络维护和优化提供了决策依据.     

基于用户行为的社交网络节点可视化设计

为了更好表现用户间的关系数据,用户节点网络的可视化成为社交应用中主要的分析方式。目前,常用的节点网络仍是基于网络社交关系这一因素,而社交网络基于用户群体具有动态变化的特性。为了更好表现社交网络动态性和用户驱动的特性,文章将结合用户行为数据,通过采用多变量视角和添加时间维对现有的社交图谱进行改良,以提高可视化图包含的信息量和可用性。     

基于用户紧密度的在线社会网络社区发现算法

针对在线社会网络潜在社区难以检测的问题,根据在线社会网络的独有特性,提出一种基于用户紧密度的在线社会网络社区发现算法。创建初步用户图,依据节点属性相似性算法计算用户个体紧密度,基于共有邻居相似性算法计算用户社区紧密度,从而构造出完整用户图,利用层次聚类算法对完整用户图进行处理,发现潜在社区。实验结果表明,与NAS、CNS算法相比,该算法的社区凝聚度与正确率更高,分别达到0.67和97.1%。     

基于用户行为的产品垃圾评论者检测研究

为找到垃圾评论的制造者,提出一种基于用户行为的产品垃圾评论者检测方法。从垃圾评论者的行为目的出发,将其发表垃圾评论的5种行为模式作为垃圾评论者的检测指标,从卓越亚马逊网站获取1 470个评论用户,按单指标选取、5个指标集成选取的方法确定最可能和最不可能成为垃圾评论者的评论用户各25个,并对这50个评论者进行人工标记,根据标记结果设计有监督的线性回归模型。实验结果表明,该模型从1 470个评论者中发现88个用户为垃圾评论者,对垃圾评论者的检测效果优于基于用户有用性投票的基准方法。     

一种基于用户网络签到行为的地点推荐方法

基于位置的地点推荐服务日益强调用户的个性化需求。对此,可通过社交网站上用户与其好友之间、用户与签到地点以及地点与地点之间的关联,来从用户的网络签到行为中总结出用户的出行特点,从而提出一种基于用户网络签到行为的个性化地点推荐方法。该方法通过融合用户对地点的个人偏好程度、地点自身属性对用户的影响程度以及用户好友对地点的推荐程度,来筛选出候选地点中满足用户个性化需求的地点。实验结果验证了该方法在一定场景下的可行性和有效性。