基于图神经网络的社交网络影响力预测算法

近十年来,通过社交网络（如微博、推特）分享信息已经成为人们日常生活中不可缺少的一个环节,如何有效地预测信息传播的影响力成为社交网络研究中的重要课题,不论是识别病毒式营销和虚假新闻还是精确推荐和在线广告都有许多应用.目前,一些应用深度学习进行社交网络影响力预测的方法已经取得了一定进展,但在进行深度学习时仍会面临以下难点：用户通常具有不同的行为和兴趣并且他们同时通过不同的渠道进行互动;用户之间的关系难以检测和形式化表达.传统的社交网络影响力预测方法通过设计复杂的规则来手动提取用户及其所处网络的特征信息,这一方法的有效性严重依赖于设置规则的专业性,所以很难将某一领域的规则推广到其他领域的应用中去.基于深度神经网络模型,设计一种端到端的神经网络来学习用户的隐藏特征信息以预测其社交网络影响力.首先通过图嵌入的方式对用户的局部网络进行特征提取,然后将特征向量作为输入对图神经网络进行训练,从而对用户的社会表征进行预测.该方法的创新之处：运用图卷积和图关注方法,将社交网络中用户的特征属性和其所处局域网络特征相结合,大大提高了模型预测的精度.通过在推特、微博、开放知识图谱等数据集上的大量实验,证明该方法...     

基于复杂网络的社交网络用户影响力研究

基于复杂网络理论对社交网络用户影响力进行分析,可以为社会营销、舆情监测、信息检索等众多领域的研究提供支持.传统的网页排序算法虽然可以对有向社交网络的用户影响力进行分析,但仍存在缺陷且复杂度较高.本文提出了一种对无向社交网络进行用户影响力评价的方法,弱化了将有向网络视为无向网络研究而带来的误差,并可以高效地得到重要节点,适用范围更广.首先,本文采用网络节点的度中心性、介数中心性、接近中心性、聚类系数作为节点重要度评价指标,通过对计算数据归一化处理并取均值得到用户影响力排序的基准.其次,采用k-核分解法粗粒化地将重要度相似的节点进行归类,来检验排序的合理性.最后,通过仿真实验以及k-核分解、与HITS算法比较验证了此方法的科学性和正确性.     

一种社交网络用户领导者挖掘算法

社交网络中的用户领导者挖掘是用户影响力分析的重要问题.提出一种基于用户影响力评估的社交网络用户领导者挖掘算法.首先,描述问题模型以及模型相关定义;其次,提出了基于用户影响力和用户活跃度计算的用户领导力评估方法;最后,依据用户领导力和用户中心度计算实现用户领导者的挖掘.实验印证了该方法对于社交网络挖掘用户领导者的可行性和有效性.     

在线社会网络用户影响力研究的文献计量分析

为探析我国在线社会网络用户影响力研究的动态,以中国知网(CNKI)数据库收录的194篇相关文献为对象,基于文献计量和社会网络分析理论,使用统计分析和网络科学方法对该主题研究的特征、热点、作者、机构及其合作关系进行分析.研究表明:该主题研究具有典型的学科交叉性质,得到了计算机科学、管理学、数学等多个学科的关注;研究热点比较集中,在社交平台方面对微博的研究最多,在用户影响力方面以信息传播、意见领袖、网络舆情为主,在研究方法上以复杂网络、社会网络中的关键节点识别、PageRank算法为主;学者合作网络和机构合作网络稀疏,呈现小团队特征.将为从事相关领域研究的学者选题、团队建设等提供决策参考.     

一种基于社会势能的网络影响力最大化算法

社会网络影响力最大化问题是对于给定k值,寻找k个具有最大影响范围的节点集.这是一个优化问题并且是NP-完全的.该问题已经被成功地用于解决诸多实际问题,例如社交营销领域,社交广告策略制定等优化问题.文章介绍了社会网络影响力最大化的基本工作原理,从提取知识类型角度详细阐述了社会网络影响力最大化算法的研究现状和进展,鉴于现存的算法不能够有效地给出全局最优解,我们提出了一种基于社会势能的网络影响力最大化算法,利用实验结果揭示算法的有效性和可行性.     

众筹模式对出版活动的影响及存在问题分析

众筹是近几年兴起的一种网络小微融资模式,在众筹平台中,文化创意项目占很大的比重,其中文化出版项目也有很高的活跃度。本文阐述了众筹金融的概念,分析了众筹模式对出版活动的影响,提出了如今该模式下发展出版业存在的问题,对出版行业的发展有一定的实践指导意义。     

基于超图的社交网络中的预算影响力最大化

影响力最大化问题是在线社交网络中的热点问题,然而社交网络的结构错综复杂,传统的影响力最大化问题并没有考虑社交网络中的群体影响.针对以上不足,利用有向超图刻画社交用户之间的群体影响,提出一种基于有向超图的预算影响力最大化问题.该问题是在有向超图的社交网络中,在给定预算下,寻找高影响力用户作为种子节点集,使得其最终的传播范围最大化.分析了该问题是NP-hard的且目标函数是非次模函数,提出了改进的贪婪算法和交换启发式算法进行求解,并分析了改进贪婪算法的近似比.通过将所提的算法应用到三个在线社交网络数据集中进行实验,验证了算法的正确性和良好性能.结果表明,改进贪婪算法基础上的交换启发式算法具有明显的性能优势.     

考虑用户意愿的符号网络净积极影响力最大化问题

影响力最大化是近年来广泛研究的社交网络的核心问题.然而之前的研究较少考虑用户的意愿以及用户之间的友好或敌对关系.因此综合考虑这些因素,针对符号网络提出了考虑用户意愿的净积极影响力最大化问题,该问题可以描述如下：利用符号网络来刻画用户具有友好(积极)和敌对(消极)关系的社交网络,每个用户对传播的信息有自己的意愿,目标是要从网络中选择k个用户,使得最终的净积极影响的用户数量最多.通过对问题的细致分析,建立了考虑用户意愿的传播模型,证明了该模型下净积极影响力最大化问题是非次模和非单调的,随后给出了基于概率驱动的结构感知的求解算法,通过在三个数据集上的实验表明,利用提出的算法找到的种子集有更好的净积极影响力.     

交锋

“解救了”创业公司和VC的国内众筹平台。众筹就是群众筹资，由发起人、支持者、平台构成。众筹利用互联网、社交网络的快速传播、时时到达等特性，让小企业、艺术家、以及一些好的创意，能够有起始的运营资金，企业获得较好的发展，众筹平台切中的是中小企业与投资人的需求。     

综合用户相似性与话题时效性的影响力用户发现算法

社交网络服务每天产生大量涉及众多话题的信息,并在影响力各异的用户群体推动下广泛传播。在IP(influence passivity)算法的基础上,提出了一种综合话题相似性与信息时效性的影响力用户发现算法EIP(extended influence-passivity)。该算法在转发网络上考虑用户间话题的相似性以及博文信息时效性,更加精准地建模和计算用户的影响力和消极性。基于新浪微博上爬取的约10万用户数据集上的实验验证,EIP影响力度量算法优于IP和TwitterRank等现有方法。