社交网络的团体感知与挖掘方法分析-analysis of social networks group perception and mining methods.docxVIP

社交网络的团体感知与挖掘方法研究摘要近年来，随着社会媒体概念的快速发展，大量的用户群体借助社交网站与移动智能终端进行沟通、资源分享和传播信息。相比传统的Web1.0时代，社交网络具有用户主体性强、信息流通性快等特点，并且可以将现实生活中的人际关系建立在互联网上。截止至2014年底，国外社交网站Facebook、Twitter的用户量分别为15亿、6亿，国内的新浪微博也拥有8亿的用户群体。由此可见，社会媒体越来越受到人们的关注。针对社交网络大规模、大数据的特性，传统的团体感知算法都具有一定的局限性，例如时间复杂度高、团体结构模糊、欠缺用户行为属性以及忽略了社交网络较其他传统网络所拥有的独特性质等等。本文结合实际需求，针对团体感知方面的一些问题进行研究，提出了一种在线团体感知模型和信息传播中影响力节点的挖掘方法。这些研究内容可应用于网络舆情控制、群体兴趣推荐平台、广告投入利益最大化等诸多领域。本文的核心研究点包括：(1)团体感知的相关研究，分析了社交网络中用户关系的结构特征，并且研究了社交网络团体形成的独特机制，提出了一种在线的团体感知模型；(2)信息传播的相关研究，提出了基于社交网络的信息传播树构建方法，能够对信息的传播过程进行回溯，真实的还原一个事件从发起到爆发再到消亡的过程，并且以树型数据结构对传播过程进行文件存储；(3)影响力节点挖掘的相关研究，完成了由事件、用户和群体组成的三层映射模型。首先将信息传播网络抽象为用户关系网络，其后通过团体划分方法对关系网络进行团体划分，最终借助团体之间的拓扑关系挖掘具有信息传播影响力的关键节点。(4)在上述研究成果的基础上，设计并实现了社交网络团体分析系统(SNCAS)，SNCAS包括跨平台信息采集功能、特定团体感知功能、事件传播分析功能、用户关系网络构建及关键节点挖掘功能。通过对系统的实验与评估，证明SNCAS能够有效的对特定团体进行感知以及完成信息传播中关键节点的挖掘。关键词社交网络；团体感知；节点挖掘；信息传播树ResearchonCommunityPerceivingandMiningMethodonSocialNetworkAbstractInrecentyears,withtherapiddevelopmentofsocialmedia,alargeofuserusesocialnetworkandmobileterminaltocommunicating,resourcesharingandinformationdisseminating.ComparedwiththeeraofWeb1.0,SocialNetworkhasmanycharacteristics,suchasthestrongofsubjectivity,thefastofinformationflows.TherelationshipscanbesetupontheInternet.Bytheendofthefirstquarterof2014,Facebook,Twitter,SinaWeibousersrespectivelybrokethrough1.5billion,600million,800million,andexponentialgrowth.Thusitcanbeseenthatsocialmediagettheattentionofpeoplemoreandmore.Accordingtothecharacteristicsofsocialnetworkonalargescaleandlargedata,thetraditionalcommunityperceivingalgorithmhassomelimitations,suchasthehightimecomplexity,theinaccurateofstructuraldivision,consideringthespecificattributeandbehavioralexpressionofSocialNetwork.Inthispaper,combinedwiththeactualneeds,wewillcarryoutresearchintothecommunityperceiving.Weproposeanovelmethodforonlinecommunityperceivingandthemethodofmininginfluencenodesintheinformationdissemination.Theresultsofthisstudycanbeappliedtonetworkpublicopinion,advertisingbenefitmaximization,personalizedrecommen