基于复杂网络分析的社交媒体账号分类方法

论文摘要

社交网络的蓬勃发展丰富了人与人之间的社交关系,推特作为一种主流的社交工具,蕴含着海量活跃账号以及这些账号发表的推文。对推特账号的分类研究有利于人们从海量推特账号中挖掘出感兴趣的账号,进而根据不同的账号类别做差异性处理。现有的研究中,对于推特账号的分类方法主要还是使用账号的基本属性特征或者推文文本特征,这些分类方法忽略了推特账号的社交网络结构特征,而账号的社交网络结构特征能够反映出账号的基本社交关系以及账号之间的相互影响,充分利用社交网络结构特征有利于提高账号分类的效果。本文借鉴复杂网络思想,利用社交网络结构特征,将推特社交网络分类问题转化为复杂网络分析问题,从而实现社交网络账号分类。本文的主要工作与创新概括如下:(1)根据推特社交网络中的不同社交行为,提出了一种异质网络构建方法。本方法引入了账号、推文、事件、人物以及hashtag这5种类型的节点,并从原始推特数据中挖掘出这些节点之间的连接关系,从而形成了一个能够反映推特社交关系的异质网络。这一异质网络包含着账号的社交网络结构特征,是后续进行账号分类任务的基础。(2)基于构建的异质网络,提出了一种直推式学习的账号分类方法。相比于归纳学习方法,直推式学习不仅可以利用已知训练样本数据,还可以利用未标记的样本之间的聚簇关系,适用于训练样本不够充分的应用场景。本文根据异质网络中账号的不同社交行为,可以提取出不同类型的元路径来构建账号之间的影响关系矩阵,进而将已知样本的标签信息扩散到异质网络中的其他节点。(3)提出了一种异质网络表示学习方法。异质网络包含了丰富的节点网络结构特征,将这些特征提取出来并形成节点的特征向量可以有助于提高账号分类的性能。本文提出了异质网络随机跳跃算法,用来挖掘异质网络中节点的上下文关系,进而训练表示学习模型,从中提取出节点的网络结构特征。实验结果表明异质网络表示学习方法能够实现较好的账号分类效果。

论文目录

• 摘要
• abstract
• 第一章 绪论
•   1.1 研究背景与意义
•   1.2 研究历史与现状
•     1.2.1 账号分类的研究现状
•     1.2.2 异质网络的研究现状
•     1.2.3 直推式学习的研究现状
•     1.2.4 表示学习的研究现状
•   1.3 本文的主要贡献与创新
•   1.4 论文结构安排
• 第二章 复杂网络账号分类研究基础
•   2.1 社交网络中账号的社交行为
•   2.2 复杂网络的基本理论基础
•   2.3 账号分类性能评价指标
•   2.4 本章小结
• 第三章 基于社交行为的异质网络构建
•   3.1 构建异质网络的数据准备
•     3.1.1 数据采集的设计与实现
•     3.1.2 数据预处理的设计与实现
•     3.1.3 基于推文的事件检测方法
•     3.1.4 推文中相关人物和hashtag的提取方法
•   3.2 基于社交行为的异质网络基本结构
•   3.3 异质网络的构建
•   3.4 异质网络的可视化分析
•   3.5 本章小结
• 第四章 基于异质网络直推式学习的账号分类方法研究
•   4.1 引言
•   4.2 异质网络的元路径提取方法
•     4.2.1 基于发推行为的元路径提取方法
•     4.2.2 基于单向传播行为的元路径提取方法
•     4.2.3 基于转发和引用行为的元路径提取方法
•   4.3 基于元路径的账号影响关系研究
•   4.4 基于账号影响关系的账号分类
•   4.5 实验结果与分析
•   4.6 本章小结
• 第五章 基于异质网络表示学习的账号分类方法研究
•   5.1 引言
•   5.2 异质网络的随机跳跃
•   5.3 基于随机跳跃的异质网络节点向量表示
•     5.3.1 节点上下文关系提取
•     5.3.2 异质网络表示学习模型
•   5.4 实验结果与分析
•   5.5 本章小结
• 第六章 工作总结与展望
•   6.1 工作总结
•   6.2 后续工作展望
• 致谢
• 参考文献
• 攻读硕士学位期间取得的研究成果

文章来源

类型: 硕士论文

作者: 艾小翔

导师: 胡光岷

关键词: 推特,账号分类,异质网络,直推式学习,随机跳跃

来源: 电子科技大学

年度: 2019

分类: 基础科学,信息科技

专业: 数学,自动化技术

单位: 电子科技大学

分类号: O157.5;TP181

总页数: 75

文件大小: 3771K

下载量: 53