發(fā)布時間：2024-07-07 19:29

　　當社交網絡群組交互成為新的運營模式后,對于群組內用戶之間的影響關系的研究變得尤為熱門。盡管在線社交網絡和社交媒體可以讓用戶很直觀地看到用戶之間的關注關系,但每個用戶只可能知道其鄰居用戶的少部分好友,無法輕易掌握整個網絡結構,并且無法直觀的獲得關注程度的強弱。因此必須有方法來推斷群組內用戶之間影響關系,從而進行群組內精準的好友推薦服務或者其它個性化服務。越來越多的用戶關系研究旨在增強在線社區(qū)用戶忠誠度以及活躍度,提升社區(qū)的信息服務準確性和效率。社交網絡用戶關系的創(chuàng)建因素大體分為兩種:顯示和隱式。在包含顯示連接的社交網絡中,用戶之間的所有聯(lián)系都是用戶有意行為的直接結果,如直接互動,關注。每個用戶都在通過明確定義與他人的聯(lián)系來建立自己的拓撲網絡。在包含隱式連接的社交網絡中,用戶之間的聯(lián)系是基于對用戶資料、行為信息等的“第三方”推理,從而導致?lián)碛邢嗨齐[藏信息的用戶之間自動或半自動連接。于是本文提出將基于意見領袖的De Groot模型應用到文本為主體的社交網絡數(shù)據(jù)集上,并通過文本的主題分布來挖掘社交網絡中成員之間的相互影響關系的方法。該方法能夠同時挖掘社交網絡用戶顯示和隱式影響關系,對傳統(tǒng)用戶影...

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 本文研究背景
    1.2 國內外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內研究現(xiàn)狀
        1.2.3 國內外研究現(xiàn)狀與本文研究的聯(lián)系
    1.3 本文研究內容以及創(chuàng)新點
    1.4 論文章節(jié)安排
第2章 主題分析與意見挖掘
    2.1 主題模型
        2.1.1 概率潛在語義分析
        2.1.2 隱狄利克雷分布
            2.1.2.1 共軛分布
            2.1.2.2 文本建模與參數(shù)估計
        2.1.3 Anchor Free主題模型
    2.2 神經網絡主題分析
        2.2.1 Word2vec
        2.2.2 Paragraph2vec
        2.2.3 Doc2vec C
    2.3 小結
第3章 觀點動態(tài)演化與用戶影響關系
    3.1 De Groot共識模型
    3.2 基于意見領袖的用戶影響關系挖掘模型
        3.2.1 概述
        3.2.2 意見領袖與普通用戶
        3.2.3 模型詳解及推導
    3.3 小結
第4章 觀點演化模型以及本文方法的數(shù)據(jù)模擬仿真
    4.1 DeGroot模型仿真
    4.2 帶有意見領袖的觀點動態(tài)模型仿真
    4.3 本文所提出方法的性能評估
    4.4 小結
第5章 基于主題模型和意見領袖的用戶影響關系挖掘模型的真實數(shù)據(jù)仿真
    5.1 概述
    5.2 數(shù)據(jù)介紹
    5.3 數(shù)據(jù)預處理
    5.4 群組用戶意見的挖掘
    5.5 意見領袖和普通用戶的選取
    5.6 群組用戶關系挖掘
    5.7 網絡結構的重建
    5.8 小結
第6章 結論與展望
參考文獻
指導教師對研究生學位論文的學術評語
論文答辯委員會決議書
致謝
攻讀碩士學位期間的研究成果



本文編號：4003664