考虑节点亲密度的社交网络谣言传播研究

考虑到真实社交网络中节点间亲密程度对谣言传播的影响,提出一种新的SI2R传播模型,建立谣言传播动力学方程组,研究谣言在无标度网络上的传播特性。该模型中不同节点间谣言传播率的非一致性同时取决于节点度与节点间亲密度,理论分析得到了无标度网络上谣言传播阈值表达式。随后,在BA（Barabási-Albert）无标度网络中就节点亲密度对谣言传播过程的影响进行了仿真实验,并利用Twitter和Live Journal两种真实网络数据集对仿真结果进行验证。研究表明,无标度网络中节点间平均亲密度随网络聚类系数的增大而减小,随着网络中节点间平均亲密度增大,谣言传播最终范围变大。研究还发现,节点间亲密度的存在使无标度网络中存在传播阈值,传播阈值随着节点间平均亲密度增大而减小。     

基于节点亲密度的重要性评估算法

识别复杂网络中的重要节点一直是社会网络分析和挖掘领域的热点问题,有助于理解有影响力的传播者在信息扩散和传染病传播中的作用.现有的节点重要性算法充分考虑了邻居信息,但忽略了邻居节点与节点之间的结构信息.针对此问题,考虑到不同结构下邻居节点对节点的影响力不同,提出了一种综合考虑节点的邻居数量和节点与邻居间亲密程度的节点重要...     

基于海量数据的链接预测方法研究

海量数据带来的高复杂性已经成为社会网络分析中不可回避的问题,在链接预测领域,寻找新的高效快速相似度特征算法成为了解决上述问题的关键。文章提出邻居相似度度量,实验证明提高了预测准确率,并保持了较低的计算复杂度。同时针对传统1:1抽样训练样本的方法提出改进,提出1:3抽样。实验结果表明1:3抽样方法有效改善了1:1抽样中存在的欠训练问题。     

家用服务机器人人机交互亲密度意象研究

目的 研究小型清洁类家用服务机器人,在自然人机交互中,亲密度与用户体验之间的相关性,并探究影响亲密度意象与体验的关键属性.方法 将收集到的17种交互方式作为测试样本,然后将30名被试均分为A和B两组,分别模拟家用服务机器人的主要使用人角色和次要使用人角色,并进行实验.使用语义差异量表获取亲密度数据,借助Emocards测量法获得用户综合体验数据,通过口语报告法描述交互过程中所引发的意象图像.将亲密度与体验数据进行相关性计算,再对语料进行分类统计,最后分析得出影响亲密度意象与体验的关键属性.结果 亲密度与用户体验之间呈高度正相关,其中"平等和尊重"为关键属性.结论 在人机交互设计中加入对亲密度考量可有效增加用户体验,研究结果可为人机情感化交互提供依据和启发.     

基于好友亲密度的用户匹配

用户匹配的目的是检测来自不同社交网络的用户是否是同一个人.现有的研究主要集中在用户属性和网络嵌入上,而这些研究方法往往忽略了用户与好友间的亲密关系.因此,文中提出一种基于好友亲密度的用户匹配算法(FCUM).该算法是一种半监督、端到端的跨社交网络用户匹配算法,其中注意力机制被用于量化用户与好友之间的亲密度.好友亲密度的...     

基于多特征分类的微博好友推荐

现有微博好友推荐算法使用的用户信息比较单一,不能充分利用微博用户信息来刻画用户特征,导致推荐效果不理想。为解决该问题,在综合分析用户标签信息、内容信息、交互信息以及社交拓扑信息的基础上,通过计算主题相关度、兴趣相关度、用户亲密度进行特征挖掘,并采用K最近邻分类算法为目标用户进行微博好友推荐。在新浪微博真实用户数据集上的实验结果表明,该算法的准确率、召回率、F1度量值分别为16.5%,26.8%,19.2%,推荐效果优于基于内容的推荐算法和基于社会过滤的推荐算法。     

基于LDA的微博用户粉丝亲密度评价模型

用户关系是目前微博研究的热门方向,微博用户亲密度评价在对用户隐含亲密粉丝的发现、微博网络环境优化等方面具有重要意义。目前微博用户群体庞大且关系复杂,仅从用户自身出发,以用户特征和关系网络等为依据对用户关系亲密度评价的准确率太低。针对这一问题,提出基于LDA的微博用户粉丝亲密度评价模型。首先,对用户粉丝集中非活跃粉丝过滤剔除,获取其活跃粉丝。然后,利用LDA主题模型对用户某时间段所发微博集进行训练,获取用户阶段性微博的主题分布;同时通过主题分布推断其兴趣取向分布,并利用余弦相似方法计算用户与其粉丝之间的兴趣相似度。最后,结合用户的背景相似度和关系紧密度,为用户建立综合的亲密度评价标准。通过新浪API接口抓取微博近期相关数据,组成实验数据集。在数据集上基于评价的推荐实验结果表明,所提出的模型方法具有较高的准确率和有效性。     

一种基于相对关系亲密度的局部社团发现算法

在复杂网络研究中,社会网络中的社团发现,对商业营销、疾病传播控制等具有实际意义.目前许多研究针对于全局网络进行社团挖掘.挖掘算法因其较高的复杂度往往不适用于动态、大型网络.针对某个点或者某个区域的局部社团挖掘成为了近期的研究热点.为此提出了一种新的相对关系亲密度的计算方法,并与已有算法思想结合,形成了一种新的局部社团发现算法,提高了算法性能.基于已知社会网络、随机测试网络的实验证明了算法的有效性.     

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.     

改进的社交网络谣言传播模型

为探究谣言在社交网络中的传播规律,以经典的IESR模型为基础,根据社交网络结构特征分析权威性效应、从众效应,以及好友亲密度对社交网络上谣言传播的不同作用,建立用户状态转移的非一致性概率函数,提出一种谣言传播模型ACI-IESR(authority＿conformity＿intimacy-IESR)。在仿真网络和真实网络中进行仿真实验,分析3种因素如何影响社交网络中的谣言传播。实验结果表明,权威性效应及从众效应能加速谣言在社交网络中扩散和消散,增大谣言的扩散范围。用户与好友之间的亲密度关系,使谣言传播的范围更广。