融合用户兴趣偏好与影响力的目标社区发现

目标社区检测旨在找到符合用户偏好的有凝聚力的社区.然而,所有现有工作要么在很大程度上忽视社区的外部影响,要么不是\     

基于链接分析和用户兴趣的微博社区发现算法

微博网络中的每一个节点代表一个微博用户,微博用户之间除了存在一定的社会关系外,用户本身也具有一定的特性。用户之间明显的链接关系可以为社区发现提供重要的线索,但两个用户之间如果有相似的兴趣,那么即使用户之间没有明显的链接关系他们也可能加入到同一个社区,而传统的社区发现方法大多基于单个方面进行考虑。所以,提出一种结合链接分析和用户兴趣的微博社区发现方法。真实数据集上的仿真实验验证了该方法的合理性和有效性。     

在线用户兴趣多样性的实证研究

在线用户的群体兴趣对于分析在线社会网络以及个性化推荐至关重要。研究的目的是引入信息熵这一指标来准确度量用户兴趣的多样性。分别在电影网站MovieLens和音乐网站Last．FM数据上进行实证分析,即统计度相同的用户所选产品的信息熵值。MovieLens的结果表明,随着用户度的增加,熵值出现先上升后下降的趋势,即度小的用户和度大的用户的兴趣比较专一,而一般用户的兴趣较为多样;而Last．FM的结果表明,度小用户的兴趣非常多样,但随着用户听过的音乐数量越多,兴趣越明确。通过建立随机模型与实证结果进行比较,可以发现绝大多数用户在真实数据集上的兴趣的多样性比随机情况要大,可见用户的兴趣对用户行为模式的影响显著。     

一种基于社区结构的用户兴趣关联规则发现方法

提出一种基于用户社区结构的用户兴趣关联规则发现方法,通过对用户按照兴趣进行社区划分,挖掘社区群体的共同兴趣,高效地发现兴趣之间的关联规则。对兴趣关联规则的特点进行了研究,分析发现有效关联规则均产生于社区内部的兴趣之间,不同社区之间的兴趣关联较少。     

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%。     

基于在线品牌社区意见领袖的用户关键需求挖掘

随着社会的快速发展以及技术的不断进步,人们生活节奏不断加快,对产品的需求也在快速发生着变化。在线评论是目前用户需求表达的重要渠道。为克服不加区分挖掘所有评论的传统用户需求挖掘方法耗时过长,难以聚焦用户关键需求的问题,从用户关键性与需求关键性的双关键性角度出发,研发了一种基于在线品牌社区意见领袖的用户关键需求挖掘方法以快速获取用户重要需求,简称KEY-DEMANDS-OL。该方法依据帕累托法则,依托意见领袖评论大数据,采用优化的情感程度及初始改进率,结合KANO模型对用户关键需求进行挖掘。该方法不仅考虑了程度副词的语义信息,提高了情感分析的准确率,而且能够完成意见领袖的生成内容与KANO模型的自动整合,实现用户关键需求的获取与分类。研究结果表明,与挖掘所有评论的传统方法相比,KEY-DEMANDS-OL可以快速获取用户的关键需求,为企业制定产品优化方案提供辅助决策支持。     

基于Bayes概率的用户兴趣发现

本文结合网页结构，充分考虑用户在网页的滞留时间和页面切换，基于Bayes概率提出了一种能挖掘出优良的用户兴趣迁移模式及感兴趣的页面。采用本文提出的思想及算法，再结合人工智能策略，将能更好地辅助网站设计，并为电子商务的决策提供充分依据。     

社交网络用户发布模式和兴趣预测研究

数十亿用户通过在社交网络服务上发布照片和文本来分享他们的想法。他们对各种主题感兴趣,通常有不同的情感倾向和发布活动。提出了一个模型来表征社交网络用户的发布活动,以预测用户的兴趣。应用LDA来构建用户发帖的典型模式模型,以将用户的发贴行为表示为发帖模式的概率分布。从发布模式结果中提取出用户行为特征,并与从用户点赞的主页中提取的语言特征结合,构建兴趣预测模型。实验结果显示,使用从用户的发布行为中提取出的用户行为特征可以提高预测的准确性。     

基于深度学习的在线健康社区抑郁症用户画像研究

人工智能与深度学习技术为精准识别在线健康社区抑郁症患者奠定了基础.首先构建了基于TCNN-GRU深度学习的抑郁情感分类模型,进行在线健康社区实验数据集进行抑郁情感分类标注后,通过TCNN-GRU模型判别用户的抑郁症倾向;在此基础上,进一步提出抑郁指数的概念,通过对抑郁指数和患者抑郁程度两者关系的深度挖掘,由此建立基于深...     

在线旅游社区用户行为规律的探讨

本文通过抽样采集国内最大的在线旅游社区平台马蜂窝中的用户成员帖子数据,进行预处理并借助数据挖掘技术进行挖掘,从而获得在线旅游社区的用户潜在的行为规律,并对这些行为规律进行相关描述.基于关联规则数据挖掘的在线旅游社区用户行为规律研究结果具有一定的意义,可为在线旅游社区的运营者开展针对性的运营提供有益的参考.     

一种融合话题和行为的在线问答社区领域专家发现方法

根据在线问答社区中答案的产生过程,提出一种“问题-回答者-话题”(Question-Answerer-Topic, QAT)模型,对“问题-回答者对”(question-answerer pair)的领域话题分布进行建模,并结合社区中的点赞行为,融入用户在每个问题下答案的获赞数据,计算用户在领域话题分布下的专业水平,最后结合链接分析的方法,提出一种主题敏感的PageRank改进模型,最终得到每位用户在领域话题下的专家得分。基于中文在线问答社区知乎网的人工智能领域真实数据集进行实验和对比分析,实验结果表明,本文提出的领域专家发现方法明显优于其他现有方法。     

基于图卷积神经网络的在线社区行为预测

在线知识社区中,问题的回答可以看作多个回答者用户(领域专家)之间的协作行为.协作行为在知识社区中通常是大规模地发生,协作行为预测对在线社交中领域专家的推荐有重要意义.基于在线知识社区中回答者用户之间的协作行为,构建以领域专家为节点,以他们之间的协作回答关系为边的协作网络.由于协作行为网络的构建与社交关系网络的构建上结构...     

基于背景和内容的微博用户兴趣挖掘

微博用户兴趣挖掘是个性化推荐、社群划分的基础工作.在深入分析微博网络特点的基础上,给出了能够揭示微博网络多模性的描述模型,对面向微博网络的后续研究具有参考价值.根据微博网络的特点,提出了基于背景的用户静态兴趣表示及挖掘方法,以及基于微博的用户动态兴趣表示和挖掘方法.针对微博网络中缺少背景信息、发表微博很少的大量不活跃用户,提出了基于关注的用户兴趣挖掘方法.以新浪微博为例,选取了时尚、企业管理、教育、军事、文化这5个领域进行用户兴趣挖掘及相似度计算的实验分析和比较,结果表明,与主流的兴趣挖掘方法相比,该微博用户兴趣的表示和挖掘方法可以有效地改善微博用户兴趣挖掘的效果.     

在线社交网络社区的启发式挖掘框架

指出基于全局优化的社区挖掘方法的不足,给出OSNs网络及其社区挖掘的形式定义,提出一个启发式社区挖掘框架,在此框架下对包括LWP,Clauset,Schaeffer,Papadopoulos,Bagrow与Chen在内的6种启发式社区挖掘算法进行分析比较.通过3个真实OSNs网络的实验比较,验证了启发式社区挖掘框架的可行性,在结果社区有效性与时间效率上对6种启发式算法进行比较,实验结论为网络社区挖掘的工程实践与理论研究提供了借鉴.     

在线教育环境中学习共同体研究综述

随着信息技术与教育的深度融合,蓬勃发展的在线教育已成为教育信息化进程的新常态,并产生了海量的教育数据,但也面临辍学率高、课程完成率低、监管不足等问题,因此如何对海量教育数据进行挖掘和分析是解决这些问题的关键.学习共同体是以学习者为核心要素的学习组织,强调学习过程中学习者之间互动交流、资源共享以及协作学习等行为,从而完成共同的学习任务或目标.对在线教育环境中学习共同体的研究进行回顾、分析和展望.首先,介绍在线教育环境中学习共同体的背景与重要性.其次,介绍不同学科中学习共同体的定义.然后,总结同质、异质和混合3种类型学习共同体的构建方法.接着,从共享、协作和激励3个方面讨论学习共同体的管理机制.最后,探讨和展望学习共同体未来的研究方向.     

Discovering High-Quality Threaded Discussions in Online Forums

Archives of threaded discussions generated by users in online forums and discussion boards contain valuable knowledge on various topics. However, not all threads are useful because of deliberate abuses, such as trolling and flaming, that are commonly observed in online conversations. The existence of various users with different levels of expertise also makes it difficult to assume that every discussion thread stored online contains high-quality contents. Although finding high-quality threads automatically can help both users and search engines sift through a huge amount of thread archives and make use of these potentially useful resources effectively, no previous work to our knowledge has performed a study on such task. In this paper, we propose an automatic method for distinguishing high-quality threads from low-quality ones in online discussion sites. We first suggest four different artificial measures for inducing overall quality of a thread based on ratings of its posts. We then propose two tasks involving prediction of thread quality without using post rating information. We adopt a popular machine learning framework to solve the two prediction tasks. Experimental results on a real world forum archive demonstrate that our method can significantly improve the prediction performance across all four measures of thread quality on both tasks. We also compare how different types of features derived from various aspects of threads contribute to the overall performance and investigate key features that play a crucial role in discovering high-quality threads in online discussion sites.     

Discovering Typed Communities in Mobile Social Networks

Mobile social networks,which consist of mobile users who communicate with each other using cell phones,are reflections of people’s interactions in social lives.Discovering typed communities(e.g.,family communities or corporate communities) in mobile social networks is a very promising problem.For example,it can help mobile operators to determine the target users for precision marketing.In this paper we propose discovering typed communities in mobile social networks by utilizing the labels of relationships between users.We use the user logs stored by mobile operators,including communication and user movement records,to collectively label all the relationships in a network,by employing an undirected probabilistic graphical model,i.e.,conditional random fields.Then we use two methods to discover typed communities based on the results of relationship labeling:one is simply retaining or cutting relationships according to their labels,and the other is using sophisticated weighted community detection algorithms.The experimental results show that our proposed framework performs well in terms of the accuracy of typed community detection in mobile social networks.     

Improving Friend Recommendation for Online Learning with Fine-Grained Evolving Interest

Friend recommendation plays a key role in promoting user experience in online social networks (OSNs). However, existing studies usually neglect users’ fine-grained interest as well as the evolving feature of interest, which may cause unsuitable recommendation. In particular, some OSNs, such as the online learning community, even have little work on friend recommendation. To this end, we strive to improve friend recommendation with fine-grained evolving interest in this paper. We take the online learning community as an application scenario, which is a special type of OSNs for people to learn courses online. Learning partners can help improve learners’ learning effect and improve the attractiveness of platforms. We propose a learning partner recommendation framework based on the evolution of fine-grained learning interest (LPRF-E for short). We extract a sequence of learning interest tags that changes over time. Then, we explore the time feature to predict evolving learning interest. Next, we recommend learning partners by fine-grained interest similarity. We also refine the learning partner recommendation framework with users’ social influence (denoted as LPRF-F for differentiation). Extensive experiments on two real datasets crawled from Chinese University MOOC and Douban Book validate that the proposed LPRF-E and LPRF-F models achieve a high accuracy (i.e., approximate 50% improvements on the precision and the recall) and can recommend learning partners with high quality (e.g., more experienced and helpful).     

中间件技术在汽车客运联网售票系统中的应用

如今计算机技术迅速发展,为了解决分布式环境问题,使得中间件技术受到人们广泛的关注。该文根据实际的引用环境,针对具体的应用系统——汽车客运联网售票系统设计和实现方案进行研究。并提出了基于中间件技术的技术方案,解决了汽车客运联网售票系统中的诸如：难以扩充、不易维护、异构环境下难以互操作等问题。     

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。