在线社会网络研究(OSN).pptVIP

用户排名的相关研究 Ranking Approaches for Microblog Search 1 摘要： 本文描述了在实时搜索引擎中的几个微博排名策略，因为缺乏公开真实有效的数据集，因此我们设计了一个获取有效数据集的框架TABS，并提出了评估排名策略准确性的方法，实验表明考虑微博作者的社会网络属性和微博的自身属性对微博的搜索引擎是有益的。 2 主要贡献： 提出了几个微博排名策略；设计了数据集的收集工具，提出了两个排名策略的定量评估指标。实证了所有排名算法的有效性。 3 主要内容 定义1：微博排名（TweetRank）：TR(a) = N(a)，N(a)是a作者目前的微博数。 用户排名的相关研究（续） Ranking Approaches for Microblog Search 定义2：FollowerRank是：FR(a) = i(a)/(i(a) + o(a)) 定义3：tweets排名： fTR(t, q) = TR(auth(t)) fFR(t, q) = FR(auth(t)) 定义4：长度排名：fLR(t, q) = l(t)/ maxl(s) 定义5：URL排名：fUR(t, q) =c if t contains a URL else 0 定义6：fFLR(t, q) = fFR(t, q) + fLR(t, q) fFLUR(t, q) = fFLR(t, q) + fUR(t, q) 用户排名的相关研究（续） A Weighted Multi-factor Algorithm for Microbloger Search 1 摘要： 该论文主要关注微博的排名策略，利用6个要素度量用户的社会影响力，每个要素都和微博的作者及其自身属性的社会网络特征有很大的相关性，基于此，论文提出了加权多要素排名算法（WMFR）。通过对用户选择和tweets选择算法进行Kendall的t相关分析，结果表明与现有的几个算法相比，WMFR更高效。 2 主要内容： 文章提出了影响排名的6个要素：微博数、粉丝数、微博长度、URL数、转发数和评论数，并给出相应的排名策略： 用户排名的相关研究（续） 定义1 URLRank：fUR(t, q)=N(URL) 定义2 RetweetRank：fRT(t, q)=N(rt) 定义3 mentionRank：fMention(t, q)=N(mention) 定义4 综合排名： fFLR(t,q) = fFR(t,q) + fLR(t,q) fFLUR(t,q) = fFLR(t,q)+ fUR (t,q) fFLURT (t,q)= fFLUR(t,q)+ fRT(t,q) fMFR(t, q) = fFR(t,q)+fLR(t,q)+fUR(t,q)+ fRT(t, q)+fmention(t,q) fWMFR(t, q) = w0*fFR(t,q)+w1*fLR(t,q)+w2*fUR(t,q)+ w3*fRT(t,q)+w4*fmention(t,q) 用户排名的相关研究（续） TwitterRank:?Finding?Topic-sensitive?Influential?Twitterers 1 摘要： 该论文关注的是微博用户的影响力问题。提出了衡量用户影响力的PageRank的扩展算法—TwitterRank。该算法从主题相似和链接结构两个方面评价用户的影响力。 2 主要内容： 用户排名的相关研究（续） TwitterRank:?Finding?Topic-sensitive?Influential?Twitterers (1) 通过分析twitter用户他们所发表的tweets的内容，识别他们所感兴趣的topic (2) 基于(1)中特定的topic，构造twitter用户间的关系网络(特定topic用户间转移方式) (3) 对于每个特定topic，twitter用户影响力排序 从tweets中提取潜藏的主题信息topic采用了LDA(Latent Dirichlet Allocation,中文名 潜在的狄利克雷分配)模型。 利用随机游走算法给相同主题的用户进行排序。 最后比较了indegree，PageRank、Topic-sensitive PageRank和TwitterRank等4种排序算。 用户排名的相关研究（续） Measuring User Influence in Twitter: The?Million Follower Fallacy 1 摘要： 在本文中对三种衡