基于Spark GraphX和社交网络大数据的用户影响力分析

利用社交网络大数据进行用户影响力分析,有助于识别网络环境中影响力强的用户以实现其社会和商业价值。传统方法无法高效处理海量社交网络数据,定量准确地分析用户影响力。为解决该问题,本文提出一种基于PageRank算法的改进的用户影响力评价模型,综合考虑了用户连接程度和活跃程度,并以支持大规模并行图计算的Spark GraphX为工具,快速高效地实现了微博用户影响力的定量分析与评价。实验结果表明,本文所提方法效率更高,得到的用户影响力结果更接近真实情况。     

基于团结构亲密度的移动社交网络数据转发算法

由于移动社交网络中不存在稳定的端到端连接,因此移动社交网络中的数据转发是一个重要问题.从节点的友好性角度出发,利用节点间的友好性,构造了节点间的团结构并利用团与节点、社区之间的亲密度,提出了一种基于团结构亲密度的数据转发算法(DFAIG).基本思想是,数据包携带节点只有在本社区AP或者相遇节点与以目的节点为中心的团结构的亲密度达到一定要求时,才转发数据包给相遇节点.仿真结果显示:与著名的Epidemic,Label和SGBR相比,提出的算法在降低网络开销上具有明显优势,且有效地提高数据包传递率.     

社交网络大数据下贪婪式实时网站推荐算法

社交网络每天都会产生结构化、半结构和非结构化的大数据,数据的增长速度超过了对硬件需求的摩尔定律。在社交网络中还存在各种恶意评价、刷分和刷网站关注度等不良现象,对大数据的分析处理带来了巨大挑战。为了提高数据的处理效率和网站推荐的准确性,提出了一种在 Hadoop 云平台下基于用户的贪婪式实时近似网站推荐的 RT-G 算法。算法通过迭代寻优算法找到最合适的用户数量作为网站推荐评价的用户标准,应用频度近似算法完成对网站的推荐,通过实验证明了方法的效率和有效性。     

基于Hadoop社交网络分析平台的设计与实现

随着社交网络的快速发展,海量社交网络的数据挖掘成为一个重要课题;针对海量数据的社交网络分析方法进行研究,以Hadoop的分布式文件系统和Map/Reduce并行方法设计基于Hadoop的分布式数据挖掘框架,在此基础上,通过Map/Reduce的并行方法,将传统数据挖掘算法并行化,以谱聚类的并行为例,阐述转化的过程并对在大数据条件下所面临的内存不足的问题给出相应的算法优化;最后对3个不同量级的数据集进行实验,验证基于Hadoop的社交网络分析平台的框架的合理性和算法并行化的有效性。     

基于社交网络用户特征的数据挖掘研究

随着网络与移动通讯的发展,人们的社交关系与网络衔接越来越紧密。本文对互联网社交网络用户特征进行分析,分析社交网络群体结构、用户影响力、用户活跃度,从用户特征权重的角度进行预测算法研究,建立社交网络用户特征的数据挖掘模型,利用蒙特卡罗仿真方法,实现对社交网络用户特征数据的加工与利用。     

基于长短期记忆网络的心理健康数据分布式采集模型研究

为了实现对心理健康数据的准确处理与分析,提出基于长短期记忆网络的心理健康数据分布式采集模型。利用长短期记忆网络的选择性记忆特性,对初始数据进行分解重构,将重构偏差较多的心理健康数据判定为冗余数据,同时将其过滤;将C/S架构作为模型的整体框架,使用数据源管理、数据采集管理、网络通信管理、数据缓存管理四个板块完成分布式采集任务,利用长连接、变长数据包和缓存机制确保数据传输时效,运用线程安全队列来维护模型操作安全。经仿真分析可知：该模型具有较高的数据分布式采集精度,采集速率快且稳定性强。     

基于学者社交模式的网络教学平台研究

社交应用的广泛使用及大数据环境下知识的快速累积,使传统网络教学平台难以满足基于社交的知识分享和团队学习这一新学习模式的需求。网络教学平台与社交平台协同发展,成为网络教学平台发展的新趋势。文章以学者网课程平台为研究对象,深入解析该课程平台提供的功能及其独具特色的"学者社交"模式,并在此基础上尝试对网络教学平台社交化发展进行思考和展望。     

社交网络的隐私保护

随着Facebook的上市,社交网络再次成为全球的焦点,网络中无时无刻不在产生用户数据,通过对海量的非结构化数据进行价值挖掘,社交网络引领其他互联网领域的应用率先进入大数据时代。本文描述了现阶段社交网络的特点及其对当今社会的影响,并对其存在的安全问题进行了分析,最后给出了相应的对策。     

基于社交网络好友攻击的位置隐私保护模型

随着无线网络的发展,移动社交网络用户发布其所在的地理位置信息时,如果包含敏感地理位置会导致用户隐私受到攻击。现有的位置隐私保护方法都是对用户发布的位置进行泛化处理,以牺牲用户的服务质量为代价,且大部分都是将攻击者定位在LBS服务商,没有考虑到统一对社交网络中的好友根据其可靠程度的不同提供不同准确度的地理位置信息。针对此问题,提出了基于社交网络好友亲密度分级的隐私保护模型L-intimacy,用来防止好友攻击者的攻击。理论分析和实验结果表明,与加入到Latitude服务的Google Maps相比,该方法既能保护移动社交网络用户的相关隐私,同时又具有较小的信息损失度。     

基于云计算的社交网络安全隐私数据融合方法研究

本论文研究的目的是将社交网络安全作为主要研究内容,构建起基于云计算的社交网络安全隐私数据融合方法,旨在提高公民社交网络中的个人隐私保护意识和安全技能、建立健全相关法律法规、加强行业自律、加强社会信用体系与信息伦理道德建设、防范非法恶意攻击。     

基于大数据的互联网社交平台个性化推荐探析

随着信息技术和互联网的发展,人们逐渐从以前的信息匮乏演变到如今的信息过载.进入大数据时代以来,互联网社交平台在为用户提供便捷的产品和服务的同时,也加大了用户在过量信息当中找到自己感兴趣的信息的难度.本文以互联网社交平台为例,研究大数据环境下的互联网社交平台的个性化推荐服务问题,探讨未来的发展趋势,具有一定的理论意义和现实意义.     

大数据下的基于主题模型的社交网络链接预测

计算机技术和网络的发展使得数据呈爆炸式的涌现,社交媒体不断融入到人们的生活中,社会网络分析已成为研究的热点。随着大数据时代的到来,对社交网络链接算法研究产生巨大影响,原有的基于网络结构的预测方法已经渐渐不适应现状。因此,提出了一种基于主题模型的社交网络链接预测方法。首先以微博社交网络为数据源,将实验网络分为测试集和训练集;其次利用主题模型得到用户的主题特征,结合命名实体集和用户联系特征集合得到用户的兴趣特征相似性度量,加上网络结构相似性从而得到用户节点相似度,进而对社交网络链接进行预测;最终使用链接预测最常用的评价体系AUC来评价链接预测方法的效果。通过实验验证,该方法的预测准确率更高。     

基于节点亲密度和影响力的社交网络舆论形成模型

针对舆论传播过程中个体交互的广泛性和个体社会影响力的差异性,在Hegselmann-Krause模型的基础上建立了社交网络舆论形成模型。新模型通过引入个体间亲密度、人际相似性和交互强度等概念,对个体交互集合进行了扩展,并对影响力权重进行了合理量化,进而构建更切合实际的观点交互规则。通过一系列仿真实验,分析了模型主要参数在舆论演化中的作用。结果表明：在不同信任阈值下,群体观点均能收敛到一致,形成舆论共识;且信任阈值越大,收敛时间越短;当信任阈值为0.2时,收敛时间仅为10。同时,扩大交互集合、提高人际相似性的作用强度会促进舆论共识的形成。此外,当无标度网络的聚类系数和平均度较高时,群体观点更容易产生趋同效应。研究结果有助于理解舆论形成的动力学过程,对社会管理者进行决策分析具有指导作用。     

基于朴素贝叶斯算法的社交网络数据挖掘技术研究

近年来,随着互联网技术飞速发展与普及,大量社交网络平台迅速崛起。社交网络平台拉近了日常人际关系,提供了便捷的信息通讯交流通道。同时,针对社交网络平台数据挖掘的技术研究成为不可缺少的网络数据研究领域一部分。现有社交网络数据挖掘技术所采用的传统数据挖掘算法与数据分离模式,存在大数据多元特征条件下,数据挖掘准确度降低、挖掘分类逻辑混乱等现象。针对问题产生根源,提出基于朴素贝叶斯算法的社交网络数据挖掘技术研究。采用基于朴素贝叶斯算法设计的PCIE-FN社交网络数据挖掘平台进行全面化的深入性解决。通过实验证明,提出的基于朴素贝叶斯算法的社交网络数据挖掘技术研究,各项数据满足社交网络数据挖掘日常应用要求。     

网络大数据:现状与展望

网络大数据是指“人、机、物”三元世界在网络空间(Cyberspace)中交互、融合所产生并在互联网上可获得的大数据.网络大数据的规模和复杂度的增长超出了硬件能力增长的摩尔定律,给现有的IT架构以及机器处理和计算能力带来了极大挑战.同时,也为人们深度挖掘和充分利用网络大数据的大价值带来了巨大机遇.因此,迫切需要探讨大数据的科学问题,发现网络大数据的共性规律,研究网络大数据定性、定量分析的基础理论与基本方法.文中分析了网络大数据的复杂性、不确定性和涌现性,总结了网络空间感知与数据表示、网络大数据存储与管理体系、网络大数据挖掘和社会计算以及网络数据平台系统与应用等方面的主要问题与研究现状,并对大数据科学、数据计算需要的新模式与新范式、新型的IT基础架构和数据的安全与隐私等方面的发展趋势进行了展望.     

面向社交大数据的个体行为信任评价

由于大数据环境下个体行为具有多样性的特点,使得基于局部信息的一般个体行为信任评价模型考虑因素不全面,导致个体面临信任危机。为此,提出一种改进的个体行为信任评价模型。采用多数据融合获得信任评价结果,利用D-S理论对关联信任评价的个体信任mass函数值与评估结果进行整合,计算个体出现不信任情况的概率。融合个体信任态势求出关联个体的不信任态势,获得个体参与信任评价的权重,得出个体行为信任评价。实验结果表明,与基于局部信息的一般个体行为信任评价模型相比,该模型具有更高的可靠性和安全性。     

基于社交网络的信息推荐系统

随着互联网的快速发展,从海量信息中获取感兴趣的信息越来越困难。推荐系统正是解决这一难题最热门的技术之一。数据稀疏性问题是当前推荐系统所面临的主要问题之一。为了缓解数据稀疏性的问题,本文借助社交网络,提出了一种融合用户社交网络的推荐算法,将用户在社交网络中的亲密度引入推荐系统。在实验部分,本文采用百度电影推荐算法创新大赛的数据集,设计实验验证了提出算法的有效性。实验结果表明,本文提出的算法能够有效地缓解传统协同过滤算法面临的数据稀疏性问题,明显提高预测的准确性。