基于博弈的社会网络个性化好友推荐算法研究

随着在线社会网络规模的不断扩大,在线社会网络中的用户信息过载问题成为业界关注的焦点。社会网络中实体的复杂性和社交网络结构的复杂性给社交网站中的个性化推荐带来新的研究问题和挑战。提出一种基于博弈的预测模型,利用非合作博弈进行链接预测,设计了一个通过链接预测来实现个性化推荐的算法。最后,在来自学者网SCHOLAT的真实数据集上进行了实验,结果证明该方法能够有效地提高推荐的准确性。     

在线社会网络的动态社区发现及演化

在线社会网络研究中,动态隐含社区或群组结构的发现及演化探测是一个十分关键的核心问题,它对于在中观(Mesoscopic)视图观察在线社会网络隐结构特征、预测演化趋势、掌控网络势态、发现网络异常群体事件等具有重要意义.文中首先分析了动态社区发现和社区演化研究的关系,给出动态社区研究中关键挑战问题;然后根据问题背景的不同,从“同构社会网络的动态社区研究”和“异构社会网络的动态社区研究”两个方面进行国内外相关研究现状的阐述和分析,其中,在“同构社会网络的动态社区研究”中,根据评价方法的差异和关注问题的不同将当前相关研究分为基于时空独立评价、时空集成评价、统一评价和增量式算法4大类进行综述,同时对动态社区发现的重要应用——异常群体发现的研究进行介绍;最后对在线社会网络动态社区领域的难点和发展趋势进行分析和展望.     

一种在线社会网络的信息扩散预测模型*

论文针对在线社会网络中的信息扩散问题,提出了一个信息扩散的预测模型。首先给出了以好友关系作为用户距离度量的方法;然后将信息扩散看作是“社会扩散”和“内部扩散”两种方式同时作用的结果,并分别将Fick扩散理论和Logistic增长模型用于描述这两个过程,设计了Fick‐Logistic扩散预测模型。最后,用该模型对Digg数据集中最具代表性的新闻实例进行预测。较高的预测准确率表明,论文提出的Fick‐Logistic扩散预测模型能较好描述Digg在线社会网络中的信息扩散过程,具有较好的预测性能。     

基于活动的社交网络中的群组推荐算法设计

在基于活动的社交网络（EBSN）中,群组中聚集了具有相似兴趣的用户,并为用户组织并举办线下活动,在社区的发展中起到了至关重要的作用,因而理解用户加入群组的原因和群组形成的过程在社交网络的研究中是一个重要的议题.本文通过基于活动的社交网络中的一些相关内容信息,比如社交网络中的标签信息和地理位置信息,来辅助推荐系统更好地为用户预测对于群组的偏好.本文提出了SEGELER （pair-wiSE Geo-social Event-based LatEnt factoR）模型,并使用这些社交网络中的信息,来为用户的兴趣进行预测.通过在真实的EBSN数据集上进行实验与验证,本文的模型不仅可以有效提升对于用户偏好的预测,也可以缓解冷启动问题.     

基于微博的用户社区网络挖掘分析

以新浪微博为研究平台,随机获取微博用户数据作为研究样本,通过共链关系构建社会网络,利用聚类分析方法对样本进行微博关注好友的网络群体分析,网络内部子结构分析和个体角色分析。进而从微博用户好友数据中挖掘关注对象的特征和关注对象间的关联特征,并对改进微博用户关注好友的推荐和信息推送提出一些建议。     

基于微博的用户社区网络挖掘分析

以新浪微博为研究平台,随机获取微博用户数据作为研究样本,通过共链关系构建社会网络,利用聚类分析方法对样本进行微博关注好友的网络群体分析,网络内部子结构分析和个体角色分析。进而从微博用户好友数据中挖掘关注对象的特征和关注对象间的关联特征,并对改进微博用户关注好友的推荐和信息推送提出一些建议。     

Gnutella网络上的动态社区结构分析

研究Gnutella网络中动态社区(Community)结构的演化问题.定义了有关社区和节点的关键事件.通过在实际Gnutella网络测量数据中检测关键事件的发生,发现网络中节点登陆和退出非常频繁.基于关键事件定义表征社区稳定性的指标,在Gnutella网络数据中的测量表明,节点频繁登陆和退出造成了网络上社区结构的不稳定.另一方面,定义了反映用户所属社区稳定性的指标,对Gnutella网络拓扑数据的测量结果显示,用户经常更换自己所属社区,同样归咎于节点的频繁变动.     

基于异构社交网络信息和内容信息的事件推荐

基于事件的社交网络使得事件推荐受到越来越多的关注.不同于其他推荐问题(如电影推荐等),事件推荐具有3类不同信息:用户构成的异构社交网络关系信息(在线社交网络和离线社交网络)、用户/事件的内容信息、用户对事件的隐式反馈信息.如何有效融合这些信息进行事件推荐是该领域学者普遍关注的问题.提出一种新的混合事件推荐方法CHS-BPR,该方法以贝叶斯潜在因子模型为基本框架来处理用户对事件的隐式反馈信息,同时考虑用户/事件的内容信息和用户之间的异构社交网络信息,首次实现了同时使用3种信息来做事件推荐,并以真实数据集验证了所提方法的有效性.     

基于相似度的微博社交网络的社区发现方法

作为一种新兴的社交媒体,微博由于其信息的简短性、实时性和公开性,在短短4年内已积累数以亿计的用户并且数量还在迅速增长,由此带来的社会影响日益广泛.对微博用户关系网络进行社区发现具有重要的理论和实际意义.根据微博网络的有向性及建立关注关系的随意性等特点,提出一种基于共同关注和共同粉丝的微博用户相似度,定义此相似度的模块化函数,依据贪心算法思想设计出基于此模块化函数最大化的社区发现方法,并在此基础上将该方法推广到具有标签信息的微博网络中.应用该方法处理了3个真实的微博用户关系网络数据,结果表明该方法可以有效地发掘微博用户关系网络中的社区结构.     

社交网络中感知技术的研究与应用

社交网络已成为互联网上最热门的话题和网络应用亮点,它让用户组织自己的网络链接,维护各种社会关系.社交网络重要的是对个人信息的维护,对网络内他人信息的感知;在社交网络环境下,用户的信息感知程度普遍较低.探索了是否可有效调整CSCW领域中的感知概念以应用到社会网络领域.分析了感知的概念和内涵,对比了CSCW领域的群组与社交网络中的社区,研究了社交网络感知信息的形成过程,从社交网络环境和群组两个方面讨论了感知技术的应用,改善了社交网络中的通信,增强了用户之间的交互性.最后,实现了面向科研工作者的社交网络--学术社区,在学术社区中应用感知技术,帮助研究者发现科研热点或某一领域的研究群体,促进学术交流和创新.