當(dāng)前社交網(wǎng)絡(luò)已經(jīng)成為人們進(jìn)行信息交互的重要平臺,在參與社交網(wǎng)絡(luò)活動的用戶中,有少部分用戶在網(wǎng)絡(luò)世界中受到更多其他人的認(rèn)同與追捧,本文稱這部分用戶為社交網(wǎng)絡(luò)中的意見領(lǐng)袖。意見領(lǐng)袖能夠在信息交互的過程中對其他用戶產(chǎn)生思想或行為上的影響,在信息傳播過程、輿論引導(dǎo)和監(jiān)督等研究中發(fā)揮了重要的作用。因此,社交網(wǎng)絡(luò)中的意見領(lǐng)袖挖掘已經(jīng)成為社交網(wǎng)絡(luò)分析的重要組成部分。社交網(wǎng)絡(luò)中意見領(lǐng)袖的比例較小,但大多數(shù)意見領(lǐng)袖挖掘方法都需要評估全網(wǎng)中每個用戶成為意見領(lǐng)袖的可能性,導(dǎo)致算法的計算復(fù)雜度較高。另外,在社交網(wǎng)絡(luò)中意見領(lǐng)袖往往比普通用戶更容易擴(kuò)散信息,而當(dāng)前的信息傳播模型常忽略用戶角色的不同對信息傳播過程的影響,造成信息擴(kuò)散預(yù)測結(jié)果的偏差。針對上述問題,本文提出了一種基于兩階段的意見領(lǐng)袖挖掘算法和一種基于用戶角色的線性閾值傳播模型,以及相關(guān)的計算方法與理論。論文的主要工作包括:（1）提出一種基于兩階段的意見領(lǐng)袖挖掘算法。將意見領(lǐng)袖識別的過程分為兩個階段:聚類和排序。在聚類階段,從社交網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)上分析出能充分表現(xiàn)意見領(lǐng)袖特征的拓?fù)鋵傩?使用K-means算法對用戶的拓?fù)鋵傩赃M(jìn)行聚類。并選擇滿足意見領(lǐng)袖條件的... 

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 用戶影響力分析
        1.2.2 意見領(lǐng)袖挖掘
        1.2.3 信息傳播模型
    1.3 本文主要研究內(nèi)容
    1.4 本文的組織架構(gòu)
第2章 相關(guān)技術(shù)和理論
    2.1 常用的意見領(lǐng)袖挖掘技術(shù)
    2.2 本文框架
    2.3 相關(guān)定義
        2.3.1 社交網(wǎng)絡(luò)建模
        2.3.2 意見領(lǐng)袖定義
    2.4 相關(guān)基礎(chǔ)技術(shù)
        2.4.1 K-means聚類
        2.4.2 線性閾值模型
    2.5 本章小結(jié)
第3章 基于兩階段的意見領(lǐng)袖挖掘算法
    3.1 基于兩階段的意見領(lǐng)袖挖掘算法概述
    3.2 候選意見領(lǐng)袖集的選擇
        3.2.1 意見領(lǐng)袖的拓?fù)鋵傩蕴卣魈崛?br>        3.2.2 聚類獲得候選意見領(lǐng)袖集
    3.3 候選意見領(lǐng)袖集中的意見領(lǐng)袖挖掘
        3.3.1 用戶行為分析
        3.3.2 意見領(lǐng)袖挖掘
    3.4 本章小結(jié)
第4章 基于用戶角色的線性閾值模型
    4.1 基于用戶角色的線性閾值模型概述
    4.2 用戶相對重要性計算
    4.3 用戶影響權(quán)重的確定
    4.4 基于用戶角色的線性閾值模型算法
    4.5 本章小結(jié)
第5章 仿真實(shí)驗
    5.1 實(shí)驗環(huán)境簡介
    5.2 數(shù)據(jù)集概述
    5.3意見領(lǐng)袖挖掘算法仿真實(shí)驗
        5.3.1 對比算法
        5.3.2 評價標(biāo)準(zhǔn)
        5.3.3 仿真過程
        5.3.4 結(jié)果分析
    5.4 信息傳播模型仿真
        5.4.1 對比算法和評價標(biāo)準(zhǔn)
        5.4.2 實(shí)驗結(jié)果及分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于情感傾向性分析的微博意見領(lǐng)袖識別模型[J]. 陳志雄,王時繪,高榕.  計算機(jī)科學(xué). 2018(05)
[2]基于多特征信息傳播模型的微博意見領(lǐng)袖挖掘[J]. 張米,張暉,楊春明,李波,趙旭劍.  中文信息學(xué)報. 2018(02)
[3]一種面向主題耦合的影響力最大化算法[J]. 呂文淵,周麗華,廖仁建.  計算機(jī)科學(xué). 2017(12)
[4]基于內(nèi)容和信任度的輿情擴(kuò)散研究[J]. 陳振春,劉學(xué)軍,李斌.  計算機(jī)應(yīng)用與軟件. 2017(10)
[5]一種基于節(jié)點(diǎn)影響力的信息傳播概率算法[J]. 張永,和凱.  計算機(jī)工程與應(yīng)用. 2018(10)
[6]基于用戶聚類的社交網(wǎng)絡(luò)影響力最大化傳播模型[J]. 曾燕清,陳志德,李翔宇.  軟件. 2017(05)
[7]社交網(wǎng)絡(luò)用戶影響力分析ABP算法研究與應(yīng)用[J]. 張曉雙,夏群峰,劉淵,徐雁飛.  計算機(jī)工程與科學(xué). 2017(03)
[8]基于多標(biāo)簽傳播的社交網(wǎng)絡(luò)用戶影響力評估[J]. 許為,林柏鋼,林思娟,楊旸.  計算機(jī)科學(xué). 2016(10)
[9]一種社交網(wǎng)絡(luò)用戶領(lǐng)導(dǎo)者挖掘算法[J]. 宋倩倩,張波,胡斯卉,徐倩,彭如香.  上海師范大學(xué)學(xué)報(自然科學(xué)版). 2016(05)
[10]基于LT+模型的社交網(wǎng)絡(luò)影響力最大化研究[J]. 蔡國永,裴廣戰(zhàn).  計算機(jī)科學(xué). 2016(09)



本文編號：3725073