基于多种社交关系的概率矩阵分解推荐算法

随着社交网络的发展,社会化推荐算法得到普遍应用,现有的推荐算法往往只是将一种社交关系引入到推荐系统,但在现实社交网络中用户之间往往存在多种社交关系。基于多子网复合复杂网络模型,利用共享用户特征矩阵,提出了基于多关系社交网络的矩阵分解推荐算法。通过在Epinions数据集上的实验结果分析,准确率评价指标MAE、RMSE和NMAE分别提高了34%、27%和7%,由此可以证明,多关系社交网络的矩阵分解推荐算法能有效提高推荐准确率。     

基于大数据分析的多关系社交网络舆情传播模型研究

为了真实再现舆情在多关系社交网络中的传播过程,通过对爬取的新浪微博数据进行大数据分析,从中得到社交网络中多种关系对网络舆情传播的影响,基于复杂网络理论提出了一种适用于多关系社交网络的舆情传播模型,该模型根据多种关系对舆情传播的影响界定传播模型中各状态之间的转移过程和转移概率.仿真结果表明:与传统社交网络舆情传播模型相比,该舆情传播模型可以更好地描述真实互联网环境中的舆情传播规律.     

基于复杂网络理论的有向多关系网络级联失效研究

针对复杂网络中关键节点识别仅限于单个关系网络的问题，根据复杂网络理论构建有向多关系网络级联失效模型，研究多关系网络中节点重要性的识别与网络鲁棒性问题；依据所建模型提出多关系网络节点及连边指标与节点重要性识别公式。通过对网络模型采取不同攻击方式，验证所提指标与关键节点识别的有效性。研究结果表明，所提指标可以很好的反映网络模型的结构与特点，优先攻击高重要性的节点后网络失效节点比例快速增加，网络连通性大大降低，破碎程度迅速增大，对网络鲁棒性的影响大于随机攻击与高度数攻击；证明了所提关键节点识别方法的有效性，优先保护本文所提重要节点可以大大降低网络构建成本，提高网络抗风险能力。