微博用户群体结构挖掘算法分析研究

摘要

近年来，随着Web2.0技术的不断发展，各大门户网站纷纷推出了自己的微博站点，微博用户数量剧增，用户群庞大，信息数据量呈现几何形式增长。微博也因其短小精悍、易于传播的特点逐渐成为互联网市场的新宠。同时，由于其固有的特征和传播机制，使得在这类社交网络环境中，用户群体结构相对复杂，文本内容巨大而琐碎，难以转换成可以使用的结构化格式。在这样庞杂的网络环境下，如何对网络用户的组群关系进行挖掘，以实现对其所呈现出的社群结构高效而准确的识别，便具有较大的理论及现实意义。
　　论文主要工作如下:
　　1、介绍了社会网络和微博的概念以及特点，对复杂网络的度量参数、结构特征和基本模型进行了分析，并根据对网络群体结构的研究给出了传统静态社群以及动态社群的定义和数学模型。
　　2、通过对主流挖掘算法的比对分析，本文发现已有的一些经典算法都是针对于普通社会网络的，并未体现出微博环境下网络结构的特点，因而在微博网络中的运行时间和空间效率较低。因此，本文提出了基于微博用户自定义兴趣标签的动态网络模型。该模型以用户自定义兴趣标签作为确定用户组群关系的一个重要指标，将其和用户固有关联关系以矩阵的方式叠加融合，形成最终要研究的网络拓扑模型，较好的体现了微博平台中以兴趣为导向的用户组织方式和关系结构。
　　3、考虑到微博网络中人和人的组织关系是随时间不断更新改变的，并且一定时间采样点之间的微博网络结构通常不会发生较大变化，本文给出了微博环境下的社群挖掘算法，该算法以差分分析的方式避免了对网络中所有节点的重新划分，减少了算法的时间及空间复杂度。本文利用真实的微博用户数据对算法进行了仿真，并且对实验结果进行了数据分析，仿真结果体现出了复杂网络的基本结构特性，也符合针对微博社群划分的常识性社会认知，表明本算法能够在较高执行效率的基础上实现对动态网络较高准确度的划分。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景

1．1．1 社会网络的基本概念和发展历程

1．1．2 微博发展现状及其特点

1．1．3 网络群体结构的相关研究

1．2 研究方向和意义

1．3 论文结构安排

2 复杂网络社群发现算法分析

2．1 复杂网络分析概述

2．1．1 复杂网络度量方法及参数

2．1．2 复杂网络的结构特性

2．1．3 复杂网络的基本模型

2．2 社群相关概念

2．3 主流社群挖掘算法

2．3．1 图形分割算法

2．3．2 分裂法

2．3．3 凝聚法

2．3．4 其他社群挖掘算法

2．4 本章小结

3 基于微博用户自定义兴趣标签的网络建模

3．1 问题的提出

3．1．1 传统静态社群的数学模型

3．1．2 动态社群的数学模型

3．1．3 微博中社群的产生过程和结构特征

3．2 基于微博用户自定义兴趣标签的关系模型

3．2．1 微博用户兴趣关系模型方案设计

3．2．2 微博用户的选取策略

3．2．3 用户兴趣点的表征

3．2．4 用户关系矩阵的构建

3．3 用户兴趣关系模型分析

3．3．1 数据库设计

3．3．2 模型构建

3．3．3 模型分析

3．4 本章小结

4 基于用户兴趣标签的动态社群差分算法

4．1 算法原理介绍

4．1．1 动态社群差分算法基本思想

4．1．2 动态社群差分算法实现

4．1．3 算法复杂度分析

4．2 实验方案及准备

4．2．1 实验总体设计

4．2．2 数据库设计

4．2．3 数据的获取及实验环境配置

4．2．4 相关参数指标的选择

4．3 实验仿真结果分析

4．3．1 社群兴趣特性分析

4．3．2 算法效率及准确度分析

4．4 本章小结

5 总结与展望

5．1 论文工作总结

5．2 论文工作展望

参考文献

作者简历

学位论文数据集