社會網(wǎng)絡中的鏈接分析與預測研究.pdf

1、隨著Web2.0的發(fā)展,Twitter、FaceBook等基于社區(qū)的社會網(wǎng)絡服務得到了廣泛的普及,網(wǎng)絡用戶的數(shù)量也取得了快速的增長。與此同時,網(wǎng)絡的鏈接關系也漸趨復雜化,鏈接挖掘成為了一個研究熱點。尤其是鏈接挖掘的一個重要分支——鏈接預測的重要性也日益凸顯。在網(wǎng)絡社區(qū)中用戶拓展社交圈、尋找興趣話題等多種活動都需要鏈接預測技術的支持。但現(xiàn)有的社會網(wǎng)絡鏈接預測方法存在著很多問題,例如對節(jié)點屬性信息和網(wǎng)絡拓撲信息難以綜合考慮,預測結果的準確度

2、也亟待提高。針對這一問題,本文提出了基于用戶屬性特征和基于網(wǎng)絡拓撲特征的兩種社會網(wǎng)絡鏈接預測方法,并通過監(jiān)督學習框架,把這兩種方法組成聯(lián)合預測模型,力圖達到綜合考慮社會網(wǎng)絡的多重信息,進而提高鏈接預測準確度的目的。本文的具體工作主要包括以下幾方面:
　　首先,本文對現(xiàn)有的社會網(wǎng)絡鏈接預測方法進行了分析,總結了各方法的優(yōu)缺點,找出了現(xiàn)存鏈接預測模型的局限性。
　　其次,針對現(xiàn)有算法缺乏對用戶屬性信息語義關系的挖掘的問題,提出了

3、基于用戶屬性特征的社會網(wǎng)絡鏈接預測方法。該方法引入了LDA模型來對用戶興趣信息進行建模,提取用戶興趣特征,并將該特征輸入分類器,通過訓練分類器,得到鏈接預測結果。
　　然后,分析了網(wǎng)絡拓撲信息對鏈接預測準確度的貢獻,提出了基于網(wǎng)絡拓撲特征的社會網(wǎng)絡鏈接預測方法。該方法首次引入了物理網(wǎng)絡中的PropFlow算法來提取社會網(wǎng)絡拓撲信息特征,并將該特征輸入分類器,通過訓練分類器,得到鏈接預測的準確度。
　　另外,還在上述兩種社會網(wǎng)

4、絡鏈接預測方法基礎上提出了一種綜合的社會網(wǎng)絡聯(lián)合預測方法。該方法通過構造分類器,利用監(jiān)督學習框架,將上述兩種方法提取的用戶興趣主題特征和網(wǎng)絡拓撲結構特征同時輸入分類器,構造聯(lián)合預測模型。將鏈接預測問題轉化為分類問題,通過訓練分類器,進而得到鏈接預測的準確度。
　　最后,設計和實現(xiàn)了實驗,驗證了上述提出方法的正確性和可行性。實驗中采用了由北京理工大學網(wǎng)絡搜索挖掘與安全實驗室發(fā)布的NLPIR微博語料庫作為實驗數(shù)據(jù)。將本文所提出的方法與