基于图信号处理的社交网络分析研究综述.docVIP

基于图信号处理的社交网络分析研究综述

一、图信号处理基础与社交网络的图结构适配

社交网络的本质是复杂关系系统，用户作为节点、交互行为作为边的天然属性，使其与图结构的表达范式高度契合。图信号处理（GraphSignalProcessing,GSP）作为传统数字信号处理在不规则图域的延伸，其核心是将图上节点的属性值视为图信号，通过傅里叶变换、滤波、采样等理论框架，挖掘信号在拓扑结构上的分布规律。与传统统计分析或网络科学方法相比，GSP突破了仅关注节点局部特征或边连接关系的局限，能够将拓扑结构与节点属性作为统一整体建模，这一特性恰好匹配社交网络分析中“结构决定功能、属性反映行为”的核心需求。

GSP的基础理论体系主要包括图构造、图傅里叶变换、图滤波三个核心模块。在社交网络场景下，图构造环节首先需要解决边权的量化问题：传统无权重图仅能表达“是否存在连接”，而实际社交网络中用户互动强度（如点赞、评论、转发次数）、关系亲密度（共同好友数量、互动频率）存在显著差异，因此研究者通常采用高斯核函数、余弦相似度或注意力机制计算节点间边权，构建带权无向图或有向图以保留关系强度信息。图傅里叶变换是GSP区别于其他方法的核心，它通过对图拉普拉斯矩阵进行特征分解，将图域信号映射到谱域，其中拉普拉斯矩阵的特征值对应图信号的“频率”，特征向量构成正交基。社交网络中的用户属性（如年龄、兴趣标签、影响力得分）作