突发环境事件中微博影响力的预测研究

构建突发环境事件中微博影响力预测模型,有助于相关部门及早发现问题,并采取行动,保障网络舆情平稳发展。因此,本文以“xx突发环境事件”为研究对象,根据微博转发、点赞和评论次数衡量其影响力,选取微博用户、内容、时间特征,建立基于AdaBoost算法的微博影响力预测模型,并对微博特征重要性进行分析,结果表明该模型的预测精度可达到93.2%,能够较好地完成预测任务。此外,微博的内容、时间特征、用户基本信息、用户活跃度均对微博影响力产生作用,长文本的、通知类的微博影响力更高,白天发布的微博影响力要比晚上发布的高,政府媒体用户和大V用户发布的微博影响力更高,原创度高的用户发布的微博影响力也会更高。     

基于文本相似度的微博网络水军发现算法

微博中水军发表的评论内容具有重复或者相似性,提出了基于文本相似度的微博网络水军发现算法.评论内容可以用特征码来表示.特征码再通过高效的B-Tree来索引,使整个系统具有极高的处理效率.根据水军发帖的重复性或者相似性很高的特点,通过对多个相同或相似的评论内容进行统计分析找出出现次数频繁的用户,初步定义为水军.再对这些用户的评论内容进行分析,发现他们的评论内容基本上都是具有重复性.试验表明,该方法能够准确、有效地找出水军账户.     

基于多特征融合的微博用户权威度定量评价方法

微博用户权威度是评价微博信息可靠性的重要因素之一.本文针对微博用户权威度的定量计算提出了一种基于多特征融合的微博用户权威度定量评价模型.首先,提出了用户权威度的概念,将其定义为用户影响力和被信服度两部分组成;在暂不考虑用户领域影响因子的情况下,基于新浪微博数据,抽取出微博用户信息传播影响力、用户信息完整度、用户活跃度以及用户平台认证指数4项评价特征,以构建了用户权威度定量计算模型;然后,采用层次分析法对所构建模型的4项评价特征的权值进行确定,并分别给出了4项评价特征的提取算法.同时,在用户关注关系网络的基础上,提出了一种基于用户被关注价值的用户信息传播影响力模型UIRank,并通过实验验证了其比PageRank算法更加有效.实验结果表明,本文提出的微博用户权威度定量计算模型比较合理,为用户权威度的定量评价提供了一种可行的解决方案.     

基于Hadoop的微博用户影响力排名算法设计

微博用户影响力排名现主要以粉丝数为依据,但这种方法并不公正,针对这一问题,文中基于PageRank算法,提出一种基于PsoRank的评价算法。算法从用户自身质量及其粉丝质量入手,以粉丝数量、粉丝质量、评论率、转发率为因素,计算用户PIR值。最后,算法在Hadoop平台下实现,结果表明该算法相对于粉丝数量排名算法以及PageRank算法更能够反映用户真正的影响力。     

一种微博用户情感影响者发现模型

情感在微博网络中传播并感染用户,对微博网络甚至现实世界都有重要影响.发现具有情感影响力的用户(情感影响者)对社会管理或制定市场策略等具有重要意义.本文建立了包含两种节点(用户,微博)和三种关系(转发,关注,发帖)的异质微博网络,利用微博情感相似性和用户情感行为相似性将其转化为只包含用户节点的同质网络,进而在该网络中使用随机游走模型发现情感影响者.贡献包含以下方面:利用微博情感相似性和用户的情感行为相似性验证了本文所构建微博网络的情感同配性,确认了情感影响在该网络中存在;提出EmotionRank模型用以寻找情感影响者;基于微博数据的实验结果有效验证了该模型的有效性和优越性.     

面向话题的微博网络测量研究

针对话题生成网络的动态时序特性,设计定量计算方法,从微博内容、网络结构、用户行为角度开展面向话题的新浪微博网络测量研究,结果发现：少数微博被大量转发,转发次数与对应微博数呈现近似的幂率分布;话题热度呈现明显的突发性和变化趋势,局部波动率能够有效地在大量背景微博中发现突发话题;基于话题生成的转发网络的小世界特性并不明显,且密集的关注关系不一定引发频繁的转发行为;传播能力强的话题中含有较大比例的持续参与用户,用户行为的话题相关性能够有效检测潜在关键用户。测量结果有助于了解话题生成网络的内容传播特点、网络结构特性及用户行为模式,测量指标能够有效应用于微博话题影响力分析等相关研究。     

一种基于网络结构的微博用户重要度算法

微博是一个基于用户关系的信息分享、传播以及获取平台,庞大的微博用户群构成了一个复杂的在线社区网络,每天都有巨大的信息量在其间产生、流动、扩散,影响着人们的工作生活。通过这个网络找出重要的关键用户,无论对市场营销还是舆论控制都具有十分重要的意义。相关研究均以改进链接分析中的PageRank算法为主,然而在复杂的网络以及部分数据难以获取的情况下,这些算法并不适用。文中通过划分子网的方法降低网络复杂度,提出了一种单纯的基于网络结构的PageRank改进算法来计算用户的重要程度。实验数据分析表明,该算法简单可靠,能准确反映微博用户的重要程度。     

一种基于MapReduce架构的微博用户影响力评价算法的设计与实现

随着互联网的高速发展和Web2.0时代的到来,微博用户正以惊人的速度在增长.新浪微博现以粉丝数作为用户排名的依据,在僵尸粉和大量低使用率帐号的影响下,这种简单的排名依据难以表征用户的影响力.本文以海量新浪微博数据为分析对象,在分布式系统上构建微博用户的影响力评价模型.文章主要以微博用户的转发网络计算微博用户的微博影响力,再利用关注关系计算微博用户的潜在影响力,最后合成微博用户影响力的评价模型.实验及分析表明,该评价方法在微博服务中能有效的反映微博用户的真实影响力,适用于度量微博用户的影响力.     

基于Nutch的网页排序算法研究

网页排序算法对根据用户查询词搜索到的大量页面进行排序,从而返回给用户,因此排序算法对搜索引擎的好坏起着关键作用。Nutch搜索引擎只实现了基本的综合排序模型,针对Nutch默认排序算法的不足,在Page Rank算法中加入时间因子、链接权重因子,并结合How Net来计算网页的语义相似度,将改进后的Page Rank算法和基于语义的主题相关度算法应用在Nutch排序算法中。实验结果表明:改进的排序算法使得Nutch的搜索结果排序准确率和首页命中率都有了明显提升。     

基于知识图谱表示学习的谣言早期检测方法

社交网络谣言是严重危害社会安全的一个重要问题.目前的谣言检测方法基本上都依赖用户评论数据.为了获取可供模型训练的足量评论数据，需要任由谣言在社交平台上传播一段时间，这就扩大了谣言的危害.本文提出了一种基于知识图谱表示学习的谣言检测方法.该方法不依赖用户评论数据.首先基于PN-KG2REC算法得到实体和关系的表示；然后将待检测三元组中的实体和关系表示进行拼接，得到三元组表示；最后对三元组的向量表示进行分类，并根据分类结果判断待检测三元组描述内容的真假性.采用公开数据的实验结果表明，本文提出的谣言检测方法在不依赖用户评论数据的前提下，能够有效地对谣言进行早期检测.     

TPRank用户影响力评价算法的应用

目前针对社交网络的数据挖掘,出现了越来越多的研究热点。结合用户影响力分析建模,提出了TPRank用户影响力评价算法,该算法可以在特定话题下对用户影响力进行评价。引入用户活跃度的概念来反映用户发布微博的频率高低,在此概念的基础上,提出了基准用户影响力评价算法,而后提出了用户聚集系数的概念来反映一个用户的凝聚力大小,对基准用户影响力评价算法进行修正,得到最终的用户影响力评价算法TPRank。该算法综合考虑了用户活跃度、转发行为、时间和聚集系数等因素。最后在新浪微博数据集上进行了实验,利用TPRank找出了特定话题下影响力大的用户。     

基于LSTM深度学习模型的中国电信官方微博用户情绪分析

中国电信官方微博（简称电信官微）作为一种互联网媒体,是中国电信对外发布信息并获取用户反馈的重要渠道。用户对电信官微消息内容的评论,反映了用户对中国电信品牌、产品和服务的不同态度。爬取了电信官微的消息内容和评论数据,对经过清洗的数据采用Word2vec进行文本信息表示,并使用深度学习平台基于LSTM深度神经网络模型进行用户交互文本的正负面情感分类,实现电信官微访问用户情绪分析。     

基于标签的在线学习资源推荐算法

在线学习是目前获取知识的一种重要途径,然而信息过载导致从在线学习平台的大量资源中找到所需的学习资源非常困难.本文提出了一种基于标签的推荐算法,混合基于内容推荐和协同过滤推荐,采用TF-IDF来平衡热门标签的权重,采用修正的余弦函数相似性计算用户间、资源间的相似性,结合学科知识图谱,让推荐结果在相似基础上增加扩展性,满足进阶学习特点.实验结果表明,本文提出的算法在准确率和推荐效率上优于传统的协同过滤推荐算法,为解决同类问题提供了较强的参考价值.     

基于用户与节点规模的微博突发话题传播预测算法

突发话题传播建模与预测的主要目的是对网络中可能产生不良影响的、紧急性突发事件的后续传播进行控制。目前微博网络中的话题传播与预测研究尚处于起步阶段。通过对病毒传染模型、消息传播模型以及话题传播模型的深入研究,提出一种基于微博粉丝关系、用户活跃度和影响力的话题传播模型,将微博用户集合划分为感染用户、易染用户和免疫用户,分析感染用户和易染用户的粉丝关系,预测下个时间窗口内被感染的用户规模。沿用话题传播模型研究中的“内外场强”概念,通过研究发现“内场强”和“外场强”有特定的比例关系,基于用户群的规模大小,分别提出基于用户和节点规模的话题传播预测算法。相关实验表明,基于用户的算法预测更为准确但是时间复杂度较高,基于节点规模的算法则更适合大规模数据集的处理。     

基于本体的网格服务动态组合算法研究

网格服务组合能够实现服务的增值功能。在研究了基于工作流和基于AI规划的网格服务组合的基础上,提出了基于本体的网格服务动态组合算法。描述了动态服务组合框架,对服务组合模型进行了分析。结合服务选择中基于关键字和语义的方法,给出了基于关键字的语义选择算法。根据服务之间的关系,提出了基于最短路径的网格服务组合算法。实验结果表明,该算法是可行和有效的,有较高的执行效率。     

一种基于用户动态兴趣和社交网络的微博推荐方法

针对为微博用户推荐符合其兴趣取向的个性化微博信息的问题,结合LDA主题模型,提出了一种基于用户动态兴趣和社交网络（DISN）的微博推荐方法.DISN方法首先引入时间函数,推断出用户的兴趣向量,通过对新发布的微博数据内容进行聚类分组,以用户兴趣向量筛选与用户最匹配的分组,随后以网格索引的形式对选定的分组中微博进行查询,计算微博发布者被目标用户关注的可能性并进行排序,最终形成推荐列表.实验验证了DISN方法较之传统方法更具有效性和高效性.     

面向新浪微博的信息溯源技术研究

随着微博的高速发展,微博信息溯源成为信息内容安全管理的重要研究内容之一.此前的信息溯源研究中,事件数据纯度不高,且用户影响力涉及的因素考虑得不够全面,本文即针对以上问题进行研究.首先,由于微博信息采集过程中,得到的数据纯度较低,对大量的新浪微博数据进行事件聚类,得到某一具体事件的相关微博.接着,为了得到更合理的用户影响力数值,针对具体事件涉及到的用户,考虑多个因素,进行用户影响力分析,得到用户的影响力数值.最后,综合考虑微博的发布时间和用户影响力数值,使用Hacker News排序算法,对具体事件进行信息溯源.最终分析得出了事件传播过程中,发布时间较早,且用户影响力较大的一篇微博为事件源头.     

一种改进的混合多因子推荐算法

在新闻网站、电子书城等应用中,为了提高计算用户间的相似性,在传统基于用户协同过滤和基于内容的混合推荐的基础上,引入人口统计信息和专家信任等因子,对混合推荐算法进行改进。最后,通过GroupLens提供的数据集对算法进行验证,与传统基于用户和基于项目的协同过滤算法相比,文中所提算法在准确率上有显著的提高。     

基于关系的微博重要度算法研究

近年来微博已经发展为一个影响力巨大的社交网络平台。针对微博的复杂网络特性,提出了对微博用户重要度的算法,从海量微博信息中智能提取重要内容。算法考虑到社交网络的节点间影响以及用户行为的传递性,同时为了提高对海量节点的处理能力,进行了有效的子网分划。通过实验,证明算法能有效分析网络中节点贡献内容的重要度,有助于提高社交网络中舆情监控、分析、管理等工作的效率和准确性。     

移动通信网中基于用户社会化关系挖掘的协同过滤算法

该文面对移动通信网中个性化服务推荐问题,结合社会化网络分析方法提出一种基于移动用户社会化关系挖掘的协同过滤算法。利用移动通信网中所形成社会化网络,预测潜在的社会化网络关系,并按关系紧密程度找到相似用户;然后结合基于用户评分相似度计算发现的最近邻用户,找到最相似的用户集合,进行移动用户偏好预测和推荐,有效地缓解数据稀疏性。仿真数据集和公开数据集实验表明了该算法在预测移动用户偏好和提高推荐精确度方面的可行性和有效性。