社會化媒體內(nèi)容關注度分析與建模方法研究.pdf

1、社會化媒體近年來得到極大發(fā)展，已經(jīng)在整個互聯(lián)網(wǎng)中占據(jù)主流地位。根據(jù)世界著名流量統(tǒng)計網(wǎng)站Alexa的數(shù)據(jù)，全球訪問量排名前十的網(wǎng)站中，有五個是社會化媒體網(wǎng)站。社會化媒體的空前發(fā)展和應用，孕育了大量新的研究領域，比如催生了新的信息技術研究，促進了針對人類社會行為規(guī)律的理論研究。2009年Science雜志發(fā)表了題為《計算社會學》的文章，標志著計算科學和社會科學的交叉領域已成為國際前沿研究熱點，而社會關注度是其中最為重要的研究領域之一。社會關

2、注度分布及動態(tài)增長特性的研究不僅能夠加深對人類宏觀行為規(guī)律的理解，而且對于理解和提升諸如預取緩存、P2P網(wǎng)絡、搜索引擎和推薦系統(tǒng)的性能具有重要的理論價值。本文在社會關注度分布特征分析、社會關注度傳播過程特性、基于社會關注度分布特性的預取緩存技術以及提高社會關注度方法等問題上進行了深入的研究。
　　 首先，分析了多來源社會關注度分布的若干特征以及各來源對社會關注度分布的影響。社會化媒體內(nèi)容規(guī)模巨大，并且具有高度動態(tài)性和高度分散性的

3、特點，可能使得傳統(tǒng)的分布模型和預測方法失效。本文從全局和局部兩個層面同時對多來源社會關注度整體分布特征進行了分析，發(fā)現(xiàn)了全局和局部社會關注度分布的差異。在此基礎上，深入分析了不同來源對社會關注度分布的影響，結果表明搜索引擎和推薦系統(tǒng)是社會關注度的兩大主要來源，并且搜索引擎傾向于加劇“馬太效應”，而推薦系統(tǒng)則有助于減輕“馬太效應”。該研究成果有助于回答學術界所廣泛關心的搜索引擎和推薦系統(tǒng)如何影響被觀看媒體內(nèi)容多樣性的問題。
　　

4、其次，提出了基于用戶行為模型聚類(Clustered User Behavior Model，CUBM)的媒體對象預取緩存方法。本文借助PlanetLab平臺測量和分析了社會化多媒體網(wǎng)站在傳送大尺寸多媒體對象時出現(xiàn)頻繁中斷的問題，論述了采用預取緩存技術的必要性。在此基礎上，提出一種基于用戶行為模型聚類(CUBM)的媒體對象預取緩存方法。該方法將行為模式類似的用戶歸類并分別建立Markov鏈，克服了傳統(tǒng)方法未能體現(xiàn)用戶差異以及在局部代理部

5、署時覆蓋率不高的缺點，并且抓住了活躍用戶比不活躍用戶傾向于觀看更多內(nèi)容的事實，從而提高了預取的準確率和命中率。
　　 再次，提出了基于隨機游走的社會關注度傳播模型(Random Walk based PopularityPropagation Model，RWPPM)。為了深入理解媒體對象如何通過媒體對象關系網(wǎng)影響對方的社會關注度，本文提出了一個基于隨機游走的社會關注度傳播模型。隨后分析了模型的收斂條件，論述了模型的功能并驗證了

6、模型的正確性。在此基礎上，運用RWPPM模型對YouTube視頻網(wǎng)絡中視頻間社會關注度的相互影響力及其特征進行了分析。
　　 最后，提出了一種基于KTK(Keywords-Topics-Keywords)關鍵詞推薦的社會關注度提高方法。分析了媒體對象標識文本關鍵詞在搜索引擎檢索和推薦系統(tǒng)推薦媒體對象中的重要性。進而研究了媒體對象關系網(wǎng)的簇結構以及各簇主要關鍵詞代表話題的能力。在此基礎上，提出一種遵循“關鍵詞-主題-關鍵詞”思路，