哈尔滨工业大学工学博士学位论文
目录
摘要 ....................................................................................................................... I ABSTRACT ............................................................................................................ I II 第1章绪论 (1)
1.1课题研究背景 (1)
1.1.1社会化媒体的发展 (3)
1.1.2研究的目的和意义 (4)
1.2研究现状分析 (5)
1.2.1用户影响力研究模型 (6)
1.2.2用户影响力研究的应用 (14)
1.3本文主要研究内容及组织结构 (15)
1.3.1本文研究内容 (15)
1.3.2本文章节安排 (16)
第2章基于多属性的用户影响力及演化分析 (19)
2.1引言 (19)
2.2相关工作 (19)
2.3用户的影响力分析算法 (21)
2.3.1 影响力的社会化参数分析 (21)
2.3.2基于多属性网络关联的用户影响力计算 (22)
2.3.3影响力演变分析 (25)
2.3.4用户影响力类型 (26)
2.4用户影响力演化分析 (26)
2.5实验分析 (28)
2.5.1数据集 (28)
2.5.2 用户影响力结果分析 (28)
2.5.3影响力演化模式 (32)
2.6本章小结 (33)
第3章结构洞用户影响力分析 (35)
3.1引言 (35)
3.2相关工作 (36)
3.3基于多级合并的快速社区识别算法 (38)
目录
3.3.1节点合并算法 (39)
3.3.2识别压缩图中的社区 (43)
3.3.3 压缩图回溯后的社区划分 (46)
3.4结构洞用户影响力分析 (46)
3.5实验分析 (50)
3.5.1数据集 (50)
3.5.2社区识别效果分析 (50)
3.5.3结构洞用户识别结果与评价 (53)
3.6本章小结 (56)
第4章基于集合划分的用户影响力快速分析算法 (57)
4.1引言 (57)
4.2相关工作 (57)
4.3网络用户影响力快速算法 (58)
4.3.1 随机游走与PageRank算法的初始向量 (58)
4.3.2用户关联图的连通性 (59)
4.3.3用户关联图的稀疏性分析 (60)
4.3.4 基于邻接表的PageRank计算 (61)
4.3.5基于集合划分的SD-Rank改进算法 (61)
4.4实验分析 (65)
4.4.1数据集 (65)
4.4.2 SD-Rank算法排序正确性 (66)
4.4.3 SD-Rank算法运行效率 (67)
4.5本章小结 (69)
第5章基于热点事件演化的用户影响力分析 (71)
5.1引言 (71)
5.2相关工作 (72)
5.3热点话题识别 (73)
5.3.1预处理 (74)
5.3.2 静态视图的热点话题发现算法 (75)
5.4热点话题的动态性分析 (78)
5.4.1 全局性事件识别方法 (78)
5.4.2 子事件识别方法 (79)
5.5基于事件动态性的用户影响力计算 (80)
5.5.1 用户直接影响力计算 (80)
哈尔滨工业大学工学博士学位论文
5.5.2 基于话题相似性的用户间接影响力计算 (82)
5.5.3 用户影响力参数判定 (82)
5.6实验分析 (84)
5.6.1 数据集 (84)
5.6.2 评价方法 (85)
5.6.3热点话题识别结果 (86)
5.6.4 用户影响力分析结果 (88)
5.7本章小结 (90)
结论 (91)
攻读博士学位期间发表的论文及其它成果 (107)
哈尔滨工业大学学位论文原创性声明和使用权限 (108)
致谢 (109)
个人简历 (111)
目录
Content
Abstract (In Chinese) .............................................................................................. I Abstract .................................................................................................................. I II Chapter 1 Introduction.. (1)
1.1 Research Background (1)
1.1.1 Development of Social Media (3)
1.1.2 Research Motivation and Significance (4)
1.2 Survey of Related Work (5)
1.2.1 Model of Influence Analyzing (6)
1.2.2 Application of Influence Analyzing (14)
1.3 Main Contents and Organization (15)
1.3.1 Contents (15)
1.3.2 Organization (16)
Chapter 2 Analyzing Evolutionary Influence With Multi Attributes (19)
2.1 Introduction (19)
2.2 Related Work (21)
2.3Multi Attributes Influence Ranking Algorithm (21)
2.3.1 Social Influence Parameters (21)
2.3.2 Multi Attributes Influence Algorithm of Correlation Graph (22)
2.3.3 Evolution of Influence (25)
2.3.4 Influence Type (26)
2.4Analyzing Evolution of Influence (26)
2.5Experiments (28)
2.5.1 Dataset (28)
2.5.2 Results of Influence Analyzing (28)
2.5.3 Evolution Pattern of Influential Users (32)
2.6Summary (33)
Chapter 3 Analyzing Structural Hole Users between Communities (35)
3.1 Introduction (35)
3.2 Related Work (36)
3.3Communities Detection Based on Multilevel merging (38)
3.3.1 Pattern of Nodes Merging (39)
3.3.2 Communities Detection in Condensed Graph (43)
3.3.3 Precise Communities Detection of Original Graph (46)
哈尔滨工业大学工学博士学位论文
3.4Analyzing Influence of Structural Hole Users (46)
3.5 Experiments (50)
3.5.1 Dataset (50)
3.5.2 Qualitative Evaluation of Communites (50)
3.5.3 Qualitative Evaluation of Structural Hole Users (53)
3.6Summary (56)
Chapter 4 Quickly Analyzing Algorithm Based on Sets Division (57)
4.1 Introduction (57)
4.2 Related Work (57)
4.3Quickly Analyzing Users' Influence (58)
4.3.1 Random Walk and Initial Vector of PageRank (58)
4.3.2 Connectivity of Correlation Graph (59)
4.3.3 Sparse Graph (60)
4.3.4 PageRank Based on Neighbour List (61)
4.3.5 SD-Rank Algorithm based on Sets Division (61)
4.4 Experiments (65)
4.4.1 Dataset (65)
4.4.2 Results of SD-Rank and PageRank (66)
4.4.3 Running Time of SD-Rank (67)
4.5 Summary (69)
Chapter 5 Influence Analyzing Based on Evolution of Hot Events (71)
5.1 Introduction (71)
5.2 Related Work (72)
5.3 Hot Topic Detection (73)
5.3.1 Preparation (74)
5.3.2 Hot Topic Detection Based on Snapshot Data (75)
5.4 Dynamic Event Analyzing (78)
5.4.1 Global Event Identification (78)
5.4.2 SubEvent Identification (79)
5.5 Influence Analyzing Based on Dynamic Event (80)
5.5.1 User’s Direct Influence (80)
5.5.2 User s' Indirect Influence Based on Similar Topic (82)
5.5.3 Parameters of User’s Influence (82)
5.6 Experiments (84)
5.6.1 Dataset (84)
5.6.2 Evaluation Methodology (85)
目录
5.6.3 Results of Hot Topics Detection (86)
5.6.4 Results of Influential Users (88)
5.7 Summary (90)
Conclusions (91)
References (94)
Papers Published In The Period Of PH.D. Education (107)
Statement Of Copyright And Letter Of Authorization (108)
Acknowledgements (109)
Resume (111)
第1章绪论
第1章绪论
1.1课题研究背景
随着计算机技术和互联网的迅猛发展，上网人数激增，CNNIC2013年第32次互联网报告[1]统计：“至2013年6月底我国网民规模达5.91亿，比2012年12月底新增网民2656万人，互联网普及率为44.1%”。在互联网的带动和促进下社会化网络媒体发生巨大的变化。与传统媒体不同，社会化媒体是面向交互的媒体，社会化媒体应用也越来越广，从网络论坛（天涯、百度百科，Wiki百科等）和即时消息（QQ, IRC, AIM, MSN, Skype等），到共享网站（百度网盘，Flickr， Youtube）、博客（网易博客、Blogger、LiveJournal）、微博（新浪微博、Twitter）、朋友网（LinkedIn，Myspace，Facebook），涵盖了声音图像和文字多种表现形式。社会化媒体的数据组织形式从集中式到去中心化形式，数据的存储从以网站为中心的集中式存储到以用户为单位的分散式存储，数据传递方式也从客户端主动获取机制转变为信息推送机制。网络媒体突破了传统交流的地理界限和社会关系界限，使人们从传统的信息接受者转变为信息制造者和信息传播者，既扩大了民众交流范围又丰富了信息和信息源。社会化媒体网站为民众提供了空间，但信息内容和交流对象由民众自组织和维护，真实且丰富的信息内容和交互历史构成海量社交数据，给学者们分析社会现象、研究社会规律提供了宝贵的数据源。
日益变化的社会化网络给研究人员带来了契机，也给新闻学、社会学、管理学、网络行为学、数据挖掘等学科进行理论分析和技术研究提出了新的挑战：1）社会化网络媒体中因为建立和维护社交关系非常便捷，使得社会网络结构在互联网中变得更加复杂，如2009年Twitter网络中一个用户的粉丝数超过398万，朋友数最多达75.9万[2]，已有网络结构研究分析网络直径、度分布以及聚簇系数等，基于静态观察的拓扑结构分析不能体现人的主动交互特性，需要从新视角分析社会化网络宏观结构特征及动态变化。2）信息发布的自发性和信息传播的迅捷性使得社会化网络媒体对民众的影响超越了传统单向式传播媒体，如2013年雅安地震中一条关于震情的微博，5个小时内被转发60.25万次，评论4861条1。数据的海量性和复杂多变性给话题识别和趋势预测带来新难题。3）新兴网络下的社会交互模式和信息传播方式更加
1 https://www.doczj.com/doc/b311737482.html,/449/12597949.shtml