您现在的位置: 首页> 研究主题> 在线社交网络

在线社交网络

在线社交网络的相关文献在2010年到2022年内共计268篇,主要集中在自动化技术、计算机技术、信息与知识传播、系统科学 等领域,其中期刊论文144篇、会议论文12篇、专利文献444488篇;相关期刊81种,包括情报学报、情报杂志、现代情报等; 相关会议11种,包括中国系统工程学会第19届学术年会、第10届全国计算机支持的协同工作学术会议暨中国计算机学会协同计算专委年度工作会议、第八届中国智能计算大会暨国际电子商务联合会中国分会第三届年会等;在线社交网络的相关文献由650位作者贡献,包括刘小洋、何道兵、崔颖惟等。

在线社交网络—发文量

期刊论文>

论文:144 占比:0.03%

会议论文>

论文:12 占比:0.00%

专利文献>

论文:444488 占比:99.96%

总计:444644篇

在线社交网络—发文趋势图

在线社交网络

-研究学者

  • 刘小洋
  • 何道兵
  • 崔颖惟
  • 张博
  • 罗青山
  • 唐婷
  • 刘加苗
  • 方明哲
  • 於志文
  • 王蕊
  • 期刊论文
  • 会议论文
  • 专利文献

搜索

排序:

年份

    • 邱吕琳; 张志坚; 蔡光程; 钟慧
    • 摘要: 为了对在线社交网络进行全面的可视化分析,运用持续同调的计算方法对在线社交网络传播进行计算与分析。首先,将在线社交网络看作距离子空间,构造出该空间的不同子复形;然后,通过计算单纯复形的同调得到相应的贝蒂数和持续性图,从而基于贝蒂数和持续性图获取社交网络的拓扑特征;最后,分析几个不同类型在线社交网络的传播特点,将持续同调应用于在线社交网络传播,从而得出在线社交网络的持续同调信息,并提供一种描述在线社交网络传播的新方法。
    • 刘云; 肖添; 王梓宇
    • 摘要: 针对互联网中存在的恶意行为,特别是社交网络应用中的在线恶意行为,通常使用基于用户多维特征的聚类分析算法进行检测。提出一种动态特征选择算法(DFSA),使用具有特征加权熵的模糊C均值目标函数,首先为参数构建一个学习模式,自动计算每个特征权重,并剔除权重小于阈值的特征,动态选择重要的特征,迭代地更新隶属函数、簇中心和特征权重直到最优化为止,最后识别出具有高精度的恶意用户行为簇。仿真结果表明,对比SDAFS算法、ELAFC算法和NADMB算法,DFSA算法在Rand指数、Jaccard指数和归一化互信息量3个主要性能指标上均有改善。
    • 卫新乐; 张志勇; 宋斌; 毛岳恒; 班爱莹
    • 摘要: 近年来,在线社交网络恶意用户呈现出分散性、潜伏性、复杂性等特征,如何在保障普通用户数据隐私的前提下,融合多方数据进行建模分析,实现对恶意用户的精确检测成为研究人员关注的焦点.本文提出了一种基于纵向联邦学习的社交网络跨平台恶意用户检测方案.首先,通过对多源异构数据进行预处理,采用加密样本对齐和加密模型训练方法,构建了基于纵向联邦学习的跨平台恶意用户检测层次化架构;其次,对安全联邦提升树算法进行分析和改进,提出了一种面向多方隐私保护的恶意用户检测算法;最后,基于现实社交网络平台实验研究分析,所提出的方案不仅具有安全性,而且模型算法相较于其他两个基线模型,准确率分别提升了14.03%和1.918%.
    • 傅熙雯
    • 摘要: 在线社交网络技术发展迅速,为探究在线社交网络信息传播机制及规律,以动力学为基础进行建模分析,并联合应用数据挖掘技术。在建模分析中,创建兴趣加权的随机森林模型,对用户信息转发行为进行准确预测,并确定不同用户属性对信息转发行为的重要作用。
    • 陈立军; 张屹; 陈孝如; 杨微
    • 摘要: 针对车载社交网络(VSN)是动态变化的原因,导致车与车之间的连通性不稳定、互相通信延迟太大,提出了一种异构网络框架中的连接管理技术(connection management techniques in heterogeneous Network frameworks,CMTHNF)。它遵循异构无线社交网络,由在线社交网络(online social networks,OSN)和VSN组成,OSN和VSN可以同时存在,用于在属于不同网络节点之间进行数据交换,在预期的连接丢失以及网络性能下降的情况下,允许网络连接进行切换(即由VSN切换到OSN或由OSN切换到VSN),防止连接漏洞或流量过载,将消息从一个网络重定向到另一个网络。与传统的客户端-服务器(CS)和点到点(P2P)架构模式相比,CMTHNF框架的性能远远优于单独的VSN网络,解决了目前研究的切换不仅不能提高性能,而且会达到一个上限,不必要的切换还会造成通信延迟和资源浪费的问题。因此,在连接性和延迟方面,CMTHNF解决了VSN连接切换时性能下降和数据传播问题。
    • 郭宏刚; 杨芳
    • 摘要: 传统在线社交网络谣言分析模型均考虑单一的社交网络,而当前谣言通常跨多个社交网络进行传播,传播速度极快,影响极大。针对这种情况,提出一种基于社交影响力的跨多个社交网络谣言传播模型,基于该模型给出贪婪谣言抑制方法。通过用户与其邻居的外部聚类系数决定社交网络的影响力节点,保留高影响力节点的谣言扩散连接,从而降低模型的复杂度,以贪婪算法为基础,预测传播能力强的种子节点,通过失活种子节点集对谣言进行快速抑制。实验结果表明,该模型能够较为准确地模拟谣言的传播趋势,同时算法能够快速抑制谣言的传播。
    • 杨欣谊; 朱恒民; 魏静; 陈文
    • 摘要: [目的/意义]针对一微博子网,从主题细分的角度对用户间历史交互记录进行研究,发现用户间交互的主题偏好特征,以期从微观层面了解用户信息传播行为的规律.[方法/过程]通过用户实例分析得出对用户间交互进行主题细分的必要性;利用主题模型(LDA)对用户间历史交互记录进行主题细分,采用多维向量表示用户间在不同主题下的交互强度;通过统计分析和网络分析方法探索用户间交互的主题特征.[结果/结论]各主题下用户间交互强度的分布具有长尾特征;用户间的交互内容在时序上具有主题相关性;基于多维的用户间交互强度,可抽取出特定主题下的用户交互子网.用户间交互在时序上具有主题相关性这一特征,以及特定主题的用户交互子网,可用于对特定主题的信息传播进行监控和预测.
    • 袁得嵛; 陈世聪; 高见; 王小娟
    • 摘要: 在新冠肺炎疫情期间,社交媒体以前所未有的速度向全世界传播消息.然而,扭曲信息隐藏在海量社交数据中,对国家安全、社会稳定提出了前所未有的挑战.目前的干预措施大多是建立在对关键节点和关键链路进行控制的基础之上,即删帖和封号,往往效果不佳且容易产生副作用.基于扭曲信息的定义和分析,打破传统思维的限定,在信息蔓延过程中通过发布辟谣信息来干扰扭曲信息的演化过程.借助斯塔克尔伯格博弈理论,文中通过设置奖励来鼓励更多的社交网络用户参与信息对冲过程,从而阻止扭曲信息的爆发效应.基于所提出的斯塔克尔伯格博弈模型,分析了斯塔克尔伯格博弈均衡解的存在性和唯一性,并从理论上推导出斯塔克尔伯格博弈的闭式均衡解,提出了基于最优策略的扭曲信息干预算法.实际网络中的仿真实验表明,相比传统的基于网络结构的免疫策略以及其他基于博弈论的干预算法,所提算法最高可将扭曲信息的传播范围分别降低41%和9%,因此能够有效抑制扭曲信息的传播.
    • 王祁月; 刘润然; 贾春晓
    • 摘要: 通过在SIR(susceptible-infected-recovered)模型中引入抑制者对谣言的辟谣机制研究了在线社交网络上的意见动力学对谣言传播的影响.在这一模型中,节点可以与自身的邻居组成1个群,传播者可以通过该群传播信息,抑制者也可以在此群中对信息发表意见进行辟谣.辟谣机制在降低未知者对于谣言的接受概率的同时也可以促使传播者向抑制者转变.本文采用ER(Erd?s-Rényi)随机网络、无标度网络以及真实的社交网络研究了抑制者的沉默概率对于谣言传播范围的影响.首先发现,谣言传播的过程以传播者的峰值为界可以分为两个阶段,即谣言自由传播的前期以及抑制者和传播者互相制衡的后期;其次,谣言的传播会随着抑制者的沉默概率的增大而突然暴发.在谣言暴发阈值之下,沉默概率的增大不会导致谣言传播范围显著增大,这是由于未知者在感知到谣言并转变为传播者后又迅速转变为抑制者;而当沉默概率达到谣言暴发阈值时,抑制者将不能控制传播者对谣言的传播从而导致抑制者的降低和谣言的暴发;最后,无标度上的谣言自由传播的前期阶段比随机网络持续的时间更短,从而使无标度上的谣言更难以暴发.本文的模型综合考虑了意见动力学和谣言传播的相互作用,更加真实地模拟了真实世界社交网络中的谣言传播过程.为谣言传播的控制和干预提供了一些有用的思路和见解.
    • 张硕硕
    • 摘要: 信任关系在网上购物、推荐系统、物联网等方面发挥着重要作用。在线社交网络(OSN)中用户之间的信任评估问题引起了广泛关注,已成为社会计算领域的一个热点问题。但是,在OSN中信任的传递和聚合方式以及信任计算的准确性还不清楚。首先,ML-ELM-WalkNet学习两跳信任计算规则,计算OSN内用户之间的两跳信任。然后,ML-ELM-NeuralWalk用计算出的信任值更新OSN,通过迭代调用ML-ELM- WalkNet实现用户间多跳信任的计算。与采用推断方式的传统解决方案不同,ML-ELM-WalkNet能够以归纳的方式学习信任计算规则,并准确计算出用户之间的间接信任。在两个实际OSN数据集上进行的实验表明,ML-ELM-NeuralWalk的性能优于现有的解决方案。
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号