基于个体传播动力计算的社交网络信息传播研究-计算机应用技术专业论文.docx

II II 中文摘要 基于个体传播动力计算的社交网络信息传播研究 的影响力贡献。实验结果解释了社交网络的群体传播现象，总结了个体影响力与 活跃用户自身属性、转发特点和粉丝行为的关系。 2、个体兴趣的相似性计算与重叠性识别。面向移动社交网络分析消息的传播 因素，提出个体的主观传播动力概念—兴趣相似性。以复杂网络的社团发现理论 为基础，根据谱平分算法的思想，通过 Laplace 矩阵计算获得个体的兴趣相似性值。 根据群体对单一主题的不同兴趣程度，结合第二小特征值概念，提出兴趣边界值 概念，构建谱分割算法对节点进行兴趣相似群体分类。针在图论中可被描述为在 节点之间，引发个体传播多主题信息的兴趣重叠性，结合派系过滤算法的特点， 提出一种 k 类群过滤算法。通过迭代回归计算和重叠矩阵，识别出具有兴趣重叠 特征的节点和多兴趣主题的圈子。仿真实验显示，对比传统的谱平分算法和派系 过滤算法，新算法在量化个体对消息的感兴趣程度，识别单一和多主题的消息传 播群体方面获得了更好的效果。 3、基于文本情绪分析的信息转发分类模型。个体阅读微博文本后，对内容的 情绪理解会产生推动信息传播的动力。首先，为了识别文本中的情绪结论，应用 语义网络对微博内容进行知识表示和自然语言理解，总结出微博中出现频率最高 的53个情绪结论词汇，包括副词和代词。其次，从微博样本中抽取确定的情绪词 汇，疑似的情绪词汇则采用不确定性推