基于图神经网络的社交影响力建模结题报告.docVIP

基于图神经网络的社交影响力建模结题报告

一、研究背景与问题提出

在Web2.0时代，社交媒体平台的兴起彻底改变了信息传播的格局。据Statista数据显示，截至2025年底，全球社交媒体用户规模已突破50亿，占全球总人口的60%以上。社交网络不仅成为人们日常交流、分享信息的主要渠道，更成为企业营销、公共政策传播、舆论引导的重要阵地。在这一背景下，社交影响力建模——即识别社交网络中具有高影响力的节点（用户）、预测信息传播路径与范围——成为传播学、计算机科学、市场营销等多学科交叉的研究热点。

传统的社交影响力建模方法主要基于拓扑结构分析和统计机器学习模型。拓扑结构分析方法如中心性算法（度中心性、介数中心性、接近中心性等），仅关注节点在网络中的位置属性，忽略了节点的内容特征与动态交互行为。统计机器学习模型如逻辑回归、支持向量机等，虽然能够融合节点属性与部分交互信息，但难以有效捕捉社交网络的复杂图结构特征，尤其是节点之间的高阶依赖关系。例如，在Twitter平台上，一个用户的影响力不仅取决于其粉丝数量，还与粉丝的影响力、用户之间的互动频率、内容的传播深度等因素密切相关。传统方法在处理这类复杂的图结构数据时，往往表现出明显的局限性。

图神经网络（GraphNeuralNetworks,GNNs）的出现为社交影响力建模提供了新的解决方案。GNNs能够直接处理图结构数据，通过消息传递机制