社会化媒体中的政治传播机制与策略研究

社会化媒体为公众的自由表达和更充分地享有知情权提供了更多可能性,面对新的媒体环境,政府在信息传播中必须创新舆论引导方式方法,寻求社会化媒体环境下的舆论引导策略。     

比特驱动的瓦特变革—信息能源系统研究综述

采用科学知识图谱的方法系统梳理了信息能源系统研究的整体概况,以数据和知识混合驱动的方式展现了信息能源系统专业领域的热点领域和学术链条,并聚焦4个重点研究领域:优化调度、一致控制、用户驱动的优化管理、信息能源深度融合系统.在共被引分析基础上,依据文献重要性和贡献度人工筛选出高影响力文献,梳理了信息能源系统研究演化发展趋势...     

我国智慧社区的研究现状与前沿热点——基于CiteSpace的文献计量可视化分析

本文以中国知网（CNKI）数据库中2012～2022年收录的205篇以“智慧社区”为主题研究的北大核心与CSSCI来源期刊论文为数据来源，运用文献可视化分析软件CiteSpace.6.1.R2进行数据处理和统计分析，并绘制可视化的知识图谱，从年度发文量、作者及其合作情况、机构及其合作情况等方面对研究的现状进行系统分析，从关键词共现、关键词聚类等方面对研究的前沿热点进行整体分析，希望能为我国智慧社区下一步的发展和研究方向提供一定的参考。     

动态社区发现方法研究综述

随着社交媒体多样性的增加,实时分析社交网络的需求不断增大,动态社区发现的研究受到了广泛的关注。已有的社区发现综述多是侧重静态社区发现,以及相关方法的探讨,无法进行网络演化分析,此外社区的实体数据往往具有交叉更替性和时序性,因此对动态社区发现的研究现状进行分析和综述。首先,基于复杂网络的研究背景,提出了通用的动态社区发现研究框架;接着,形式化表示动态社区发现的相关定义,并从网络层面和节点层面对动态社区演化进行详细分析;然后,根据架构和技术的不同,对动态社区发现方法进行归纳分类,并结合常用数据集和评价指标对经典静态社区发现算法进行定性和定量分析;最后,介绍了社区发现的典型应用场景,探讨了当前动态社区发现研究面临的主要挑战,针对性地提出了相关解决方案,为动态社区发现研究领域勾画出较为清晰和全面的研究方向。     

一种基于拉普拉斯矩阵的在线社会网络社区发现算法

Web媒体被公认为继报纸、广播、电视之后的＂第四媒体＂。而Web2.0的迅速普及,又使当今的Web媒体呈现了一种＂自媒体＂形式,即每个用户既是信息的接受者,也是信息发布者和信息转发者,因此,在当今的Web上形成了在线社会网络。研究表明在线社会网络呈现出一种很强的＂模块性＂（＂社区性＂）,因此,在在线社会网络中,社区发现一直是一个研究热点,即如何设计算法以发现大规模社会网络中的社区结构。文章提出了一种基于拉普拉斯矩阵的在线社会网络社区发现算法,该算法将在线社会网络转换成以拉普拉斯矩阵形式表现,通过计算该矩阵的谱并利用其性质发现社会网络上的社区结构。文章同时针对人造数据集与真实数据集进行了实验,实验结果表明本算法能够有效的发现社会网络中的社区结构。     

复杂网络的社区发现算法研究

复杂网络是对于复杂系统的高度抽象,其中许多性质如小世界性质、无标度性质以及聚集性质等等已经得到了充分的研究。大量文献表明,复杂网络呈现出的社区结构特性。如何在大型网络中高效地发现社区问题是近年来复杂网络的研究热点。文章讨论了一些关于社区发现方面的概念、理论、算法及应用等,并简述了其发展趋势。     

基于社会化媒体的高校教学模式研究——以电子商务专业为例

针对现有高校课程教学存在的问题,结合当前流行的社会化媒体,研究和建立一种新型的教学模式,为开展适应互联网时代的高校教学提供支持。在分析社会化媒体、在线教育等相关概念的基础上,给出开展基于社会化媒体教学的流程,具体说明基于社会化媒体的电子商务专业教学模式。     

国内互联网真实源地址验证研究进展

为了分析我国源地址验证研究领域的研究现状、发展趋势和研究热点,梳理源地址验证研究的发展趋势,以推进国家网络数据可信化传输研究的进一步深入.以中国知网数据库收录的基于源地址验证研究的论文文献为研究的数据来源,应用文献计量学和科学知识图谱两种方法,采用可视化工具CiteSpace对研究样本进行信息统计、共引统计和聚类分析,...     

复杂网络社区发现研究进展

近年来,随着现代网络通信和社会媒体等技术的飞速发展,复杂网络成为多学科交叉研究的热点之一,社区发现是复杂网络中的一个重要问题,对其进行研究具有重要的理论意义和应用价值。该问题吸引了多个学科领域的众多学者的关注,并且已有许多社区发现算法被提出。已有的社区发现综述多是侧重某一方向或特定领域展开,基于此,文中在之前工作的基础上,对国内外社区发现工作进行了深入调研,较全面地阐述了复杂网络社区发现的研究现状。首先,针对不同网络结构,给出社区发现的问题定义和主要的评价指标。然后,介绍了不同网络结构中的经典社区发现算法,包括同质网络中的全局社区发现、局部社区发现算法,异质网络中的二分网络、三分网络和多分网络中的社区发现,结合节点内容和连接结构的社区发现算法,以及动态网络中的社区发现和社区演化工作。最后,简要介绍了社区发现的典型应用,包括影响最大化、链路预测和情感分析领域的应用。此外,探讨了当前社区发现研究面临的主要挑战,试图为社区发现研究领域勾画一个较为清晰和全面的轮廓,为初学者提供指引。     

基于CiteSpace的网络舆情演化研究知识图谱分析

随着互联网技术的快速发展，网络已成为人们获取信息、发表言论的主要载体，网络舆情具有传播速度快、范围广的特征。对网络舆情演化的研究与引导逐渐成为政府、舆情监测等相关部门与机构的关注重点。为探究我国网络舆情演化领域的研究进展及研究热点，本文收录了该领域CNKI数据库2012-2022年的文献，通过科学知识图谱的相关知识和方法，结合CiteSpace软件进行可视化分析。从文献年代分布、作者和机构合作、关键词共现分析及聚类分析等方面，梳理我国网络舆情演化领域的研究概况和研究热点，总结现有研究成果，并探索未来研究者们值得关注的问题及方向，为该领域后续的研究和发展提供参考。     

Exploring and mitigating social loafing in online communities

The motivation to share members’ knowledge is critical to an online community’s survival and success. Previous research has established that knowledge sharing intentions are based on group cohesion. Several studies also suggested that social loafing behavior will seriously corrode group cohesion. Therefore, social loafing is a key obstacle to fostering online community development. Although substantial studies have been performed on the critical factors that affect social loafing in the learning group, those on online communities are still lacking. By integrating two perspectives, social capital and perceived risk, a richer understanding of social loafing behavior can be gained. In the research model, social ties and perceived risk have been driven by anonymity, offline activities, knowledge quality, and media richness. Social ties and perceived risk are hypothesized to affect social loafing in the online community, which, in turn, is hypothesized as negatively affecting group cohesion. Data collected from 323 online users in online communities provide support for the proposed model. The study shows that social loafing is a significant negative predictor of the users’ group cohesion. The study also shows that social ties and perceived risk are important components of social loafing. Anonymity, offline activities, knowledge quality, and media richness all have strong effects on social ties and perceived risk in the online community. Implications for theory and practice and suggestions for future research are discussed.     

一种基于模糊相似关系的局部社区发现方法

近几年,在线社交媒体发展飞速,出现了大规模社会网络.传统的基于网络全局结构的社区发现方法难以有效地处理这些大网络.局部社区发现作为一种无需知道网络的全局结构、仅通过分析给定节点的周围节点之间的关系即可找出给定节点所在社区的方法,在社会网络大数据分析中具有重要的应用意义.针对真实世界网络结构中个体间的相似关系是模糊的或不确定性的,提出了一种基于模糊相似关系的局部社区发现方法.首先,采用模糊关系来描述两个节点之间的相似关系,以节点对的相似度作为该模糊关系的隶属函数;然后证明了该关系是一种模糊相似关系,将局部社区定义为给定节点关于模糊相似关系的等价类,进而采用最大连通子图算法求得给定节点所在的社区.分别在仿真网络和真实网络上进行了实验,实验结果表明,该算法能够有效地揭示出给定节点所在的局部社区,相比其他算法,具有更高的F-score.     

社区问答系统研究综述

作为一种新兴的知识共享模式,社区问答系统(CQA)具有交互性、开放性的特点,能够更好地满足为用户提供个性化的信息服务的需求。对社区问答系统的研究及应用现状进行综述,系统阐述了用户行为模式、内容质量检测、问题检索等CQA中主要问题的研究以及CQA在其他媒体中的应用。最后展望了CQA中下一步值得研究的问题。本讨论有助于进一步丰富和拓展CQA的研究。     

Understanding the effects of trust and risk on individual behavior toward social media platforms: A meta-analysis of the empirical evidence

Trust and risk have been theorized and empirically approved as the most influential factors affecting individual behavior toward social media platforms (SMPs). However, the evidence is scattered and the understanding of the effects is ambiguous. To address this problem, a rigorous and quantitative meta-analysis was conducted to investigate the empirical evidence of 43 studies in information systems research between 2006 and 2014. The findings suggested that trust and risk both had significant effects on individual behavior toward SMPs but that trust had a stronger effect. Moderating effects of trust objects (community members vs. platforms) and platform types (virtual communities vs. social networking sites) were found. Surprisingly, culture was found to exert no moderating effect. This paper contributes more generalized knowledge to social media research literature to the theory with regard to the influence of trust and risk on individual behavior toward SMPs. The knowledge serves as the foundation for future research efforts in social media. Implications for practice are discussed.     

一种基于信息扩散的复杂网络重叠社区发现算法

社区结构可以为网络的其他分析挖掘提供中观尺度的分析视角,在大规模复杂网络的各项研究中是一项非常重要而基础的工作。社区的重叠是真实世界网络中常见的一种现象,重叠社区结构可以更准确地描述网络中真实的结构信息,因此,复杂网络重叠社区发现具有更加突出的现实意义。在综合对比分析了当前主要的重叠社区发现算法的基础上,结合信息论的相关知识,给出了一种基于信息论的社区定义,并进一步借鉴信息传播理论,从单个节点对关于某种主题的信息的掌握程度的角度出发提出了一种复杂网络重叠社区结构发现算法。基于实际数据集的相关实验表明,与传统的社区定义和社区发现算法相比,本算法发现的重叠社区从内容角度来看具有更加明确的实际意义,并且具有较低的时间复杂度。     

基于免疫遗传算法的复杂网络社区发现

针对大部分基于智能优化算法的社区发现方法存在的种群退化、寻优能力不强、计算过程复杂、需要先验知识等问题,提出了一种基于免疫遗传算法(GA)的复杂网络社区发现方法。算法将改进的字符编码和相应的遗传算子相结合,在不需要先验知识的情况下可自动获得最优社区数和社区划分方案;将免疫原理引入遗传算法的选择操作中,保持了群体多样性,改善了遗传算法所固有的退化现象;在初始化种群及交叉和变异算子中利用网络拓扑结构的局部信息,有效缩小了搜索空间,增强了寻优能力。计算机生成网络和真实网络上的仿真实验结果表明算法可自动获取最优社区数和社区划分方案并具有较高的精度,说明算法具有可行性和有效性。     

复杂网络中社区发现方法的研究

研究复杂网络中社区发现方法对分析复杂网络的拓扑结构和层次结构、理解社区的形成过程、预测复杂网络的变化趋势、挖掘复杂网络蕴含的规律特征具有十分重要的意义。同时,复杂网络社区发现方法在众多实际领域还有广泛的应用前景。综述了复杂网络社区发现方法的研究现状,将社区发现方法分为无重叠社区发现、重叠社区发现、演化发展社区发现三个方面,并分析比较了算法时间复杂度和准确度。试图为社区发现方法的研究工作提供有益的帮助和参考。     

Multi-level learning based memetic algorithm for community detection

Complex network has become an important way to analyze the massive disordered information of complex systems, and its community structure property is indispensable to discover the potential functionality of these systems. The research on uncovering the community structure of networks has attracted great attentions from various fields in recent years. Many community detection approaches have been proposed based on the modularity optimization. Among them, the algorithms which optimize one initial solution to a better one are easy to get into local optima. Moreover, the algorithms which are susceptible to the optimized order are easy to obtain unstable solutions. In addition, the algorithms which simultaneously optimize a population of solutions have high computational complexity, and thus they are difficult to apply to practical problems. To solve the above problems, in this study, we propose a fast memetic algorithm with multi-level learning strategies for community detection by optimizing modularity. The proposed algorithm adopts genetic algorithm to optimize a population of solutions and uses the proposed multi-level learning strategies to accelerate the optimization process. The multi-level learning strategies are devised based on the potential knowledge of the node, community and partition structures of networks, and they work on the network at nodes, communities and network partitions levels, respectively. Extensive experiments on both benchmarks and real-world networks demonstrate that compared with the state-of-the-art community detection algorithms, the proposed algorithm has effective performance on discovering the community structure of networks.