基于新浪微博的社交网络演化模型

随着在线社交网络的高速发展和影响力日渐扩大, 研究其演化发展规律已经成为非常重要的课题.通过抓取新浪微博的数据, 将用户划分为意见领袖和普通用户, 并建立了一个定量的两层演化模型. 在此基础上, 分析了意见领袖和普通用户之间社交影响力的差异, 研究了网络内部病毒传播机制和外部媒体因素对在线社交网络演化过程的影响, 并利用抓取的实际数据验证了模型的准确性. 研究结果对进一步探寻在线社交网络结构、社会价值观对在线信息传播的影响均有积极意义.     

基于Hadoop云平台的新浪微博社交网络关键节点挖掘算法

为了高效地分析挖掘新浪微博社交网络信息传播过程中的关键节点,以Hadoop云计算系统作为存储和处理平台,在X-RIME大规模社会网络分析工具开源框架基础上,针对社交网络中使用HITS(hypertext induced topic selection)链接分析算法挖掘关键节点时,未能体现节点和连接的社会属性问题进行改进.新算法充分考虑了社交网络节点和边的社会属性,对HITS算法节点和边的社会属性权值进行优化计算,提出适合社交网络特点的加权HITS算法.通过Hadoop云平台分别运行加权HITS算法和传统HITS算法对新浪微博社交网络数据进行分析.实验结果表明,加权HITS算法比传统HITS算法具有更高的执行效率和结果区分度,加权HITS算法更适合于大规模社交网络信息传播过程中关键节点的分析挖掘.     

基于SIS模型的群体社交网络舆情演化仿真

针对群体社交网络舆情演化时,目前方法获取关键节点中的数据较为困难,导致无法准确获得舆情传播次数、搜索指数、达到舆情峰值所用时间等参数,存在演化精度低的问题,提出基于聚类算法与易感-感染-易感(SIS:Susceptible Infected Susceptible Model)模型的群体社交网络舆情演化仿真方法。在群体社交网络中采用PageRank算法获取关键节点,利用聚类算法对关键节点中的数据聚类进行处理,在此基础上构建SIS模型,并通过其完成群体社交网络的舆情演化仿真。实验结果表明,该方法可准确地获得舆情传播次数、搜索指数、达到舆情峰值所用时间等参数,演化仿真精度高。     

基于数据驱动的社交媒体假新闻预测（英文）

社交媒体的快速发展导致了虚假新闻的广泛传播,这不仅影响了人们的生活,也损害了社交媒体平台的可信度。因此,中文假新闻检测是一项具有挑战性且意义重大的任务。然而,现有的中国社交媒体平台的假新闻数据集数据量相对较少,该领域的数据收集相对陈旧,不能满足进一步研究的要求。考虑到这一背景,本文提出了一个最新的中文微博假新闻数据集,其中包含从微博收集的26320条假新闻数据。此外,还提出了一种基于数据增强的假新闻检测模型,可以有效解决假新闻数据缺乏的问题,提高模型的泛化能力和鲁棒性。对从微博收集的假新闻数据集进行了大量实验,并成功将模型部署在网页上。实验结果证明了所提出的端到端模型在检测社交媒体平台上的虚假新闻方面的有效性。     

基于RDEU模型的风险度量（英文）

风险度量主要应用于人们面对未知风险的情况下,如何准确地量化风险从而做出损失最小化或收益最大化的决策.准确的风险度量可以极大地帮助投资者调整投资组合进而规避风险,以期实现最大化收益.为了准确地度量风险,学者根据风险资产服从的客观分布进行量化,但是这种方法的问题在于度量方法是基于人们怀疑的分布,而不同人对待风险资产的态度是不一样的,风险资产可能对某些人来说是无风险的,同时又太过冒险而不被其他人接受.为了将客观分布和主观感受更好的结合,在秩相依期望效用(rank dependent expected utility)模型的基础上提出一种主观的"赌博"(风险资产)风险度量:它既取决于赌博本身,也取决于决策者的态度.同时,这种度量方法适用于所有有界赌博,使得不同赌博的比较更加容易.     

基于SNS社交网络的增长模型

随着网络信息技术的发展,社交网络(SNS)成为目前最热门的休闲交友平台。文章研究表明,这类网络具有3个典型的拓扑特征:幂律度分布、小平均距离和大聚集系数。为了进一步研究此类网络的拓扑结构及其动力学行为,文中基于社交网络的增长机制提出了一种二步式增长模型。运用平均场理论及数值仿真验证发现,该模型同时满足上述3个拓扑特征,符合社交网络的基本结构特性。     

基于网格流的视频修补网络（英文）

视频修补的目的是基于视频帧之间的时空域上下文信息修补空洞.现有的方法由于不能准确地对运动轨迹进行建模经常导致修补结果无法保持良好的时空一致性.为此引入灵活的形状自适应网格作为基本处理单元,将网格流用于运动表示,提出了一个基于网格流的视频修补网络,通过先预测网络流再添补空洞区域的方式对视频进行修补.具体地,首先设计了一个网格流预测模块用于预测视频中可见内容的网格流的预测和一个网格流修补模块用于修补视频中空洞区域的网格流,通过这种方式将网格流的预测和修补解耦以达到更容易训练优化的目的.我们进一步设计了一个混合损失函数用于同时优化可见区域、修补区域和整个视频帧范围的网格流预测结果.为修正经过网格流变换引起的失真现象,最后设计了一个修补优化网络.大量试验结果证明,本文提出的方法不仅从主观评判和客观指标得到相比于现有方法更好的修补结果,而且相比于现有最快的方法达到了4倍的速度提升.     

基于CBAMs-BiLSTM模型的中国股市预测（英文）

卷积块注意力模块（CBAM）因其可以有效地提高深度学习模型的预测准确性从而在各种预测问题中显示了其优越性。然而,CBAM在股指预测问题中的有效性研究却十分有限。为了解决这个问题并提高股指的预测精度,本文提出了CBAMs-BiLSTM模型。它将多个CBAM与双向长短期记忆网络（BiLSTM）相结合。研究中,标准指标评价法（SME）和模型置信集检验（MCS）用于综合评价模型的优越性和稳健性。实验数据为具有代表性的中国股指数据集：上证综合指数和深证综合指数。数值结果表明,CBAMs-BiLSTM优于单独的BiLSTM。其中在MAE,RMSE和MAPE上分别平均降低了13.06%,13.39%和12.48%。这证实了CBAM可以有效地提高BiLSTM的预测精度。此外,通过与其他流行模型进行对比,并研究了改变数据集、预测方法和训练集的大小的影响。结果一致证实了CBAMs-BiLSTM在预测精度和投资回报方面的优越性和稳健性。     

基于神经网络模型偶的投入产出建模（英文）

基于投入产出中使用和投入两个方向的非线性关系，本文利用神经网络技术建立了一种新的投入产出模型，并讨论了该模型在投入系数综合预测中的应用。文中报导了神经网络模型偶的修正了的反传训练公式。最后，中国广东省的仿真例子表明了所给算法的有效性和该建模方法的特点     

一个基于微博的局域社交网络结构和社会关系分析

选取新浪微博中标签为桂林理工大学(桂林理工大学片区)的部分注册用户关系数据,构建一个基于微博的局域社交网络,应用社会网络分析UCINET软件对该社交网络的基本结构特性、网络成员的派系、地位等做了实证分析,并通过一条微博转播的实际数据验证了分析结果的可信性.     

基于博弈论的社交网络谣言传播模型

考虑到社交网络中谣言传播存在博弈现象,基于博弈论的方法建立适用于社交网络的谣言传播模型,该模型中将节点分为传播节点和健康节点,两类节点根据自身收益选择最优策略使自身利益最大化;并得到纳什均衡。对所提模型中各类节点收益进行分析,并用收益损失参数和额外收益参数来对节点收益进行量化分析。以MATLAB为实验平台,分别选取满足不同条件的参数进行分析。结果证明了所提模型的正确性。基于博弈论对谣言传播展开研究,有助于更加深入了解社交网络上谣言传播的内在机理,也为谣言的防控提供了理论参考。     

基于社交网络和协同过滤的微博好友推荐算法

微博作为近年来用户数量较多的社交应用,其用户的信息压力也相对较大,推荐技术对于微博用户的体验和推广有很明显的帮助.本文将针对微博平台的好友推荐进行研究,分别采用基于社交网络分析和基于协同过滤技术的推荐算法.经过两种算法的实验对比得出结论:基于协同过滤的好友推荐算法具有较好的性能,在推荐好友数量较多的情况下依然具有较高的综合评价指标,提高了好友推荐的质量.     

基于新浪微博的异常数据检测研究

大数据时代的到来对传统媒体的影响首当其冲。由互联网技术衍生出的一大批新媒体,如Facebook、微博、微信等,它们的生产方式和传播方式完全不同于传统媒体。这些新媒体稀释了传统媒体的影响力,撼动了传统媒体对新闻生产和传播的垄断地位,引发传统媒体的生存危机。就此提出＂纵＂＂横＂方法,能较全面地挖掘新浪微博中的异常数据。在这个传统媒体转型的发展机遇期,传统媒体要寻求突围,让数据真正成为新闻生产的核心资源。     

基于自适应物理模型的量子网络排序算法（英文）

对网络节点进行排序是复杂网络分析的核心问题之一.提出了一种改进的SpringRank算法.该算法基于一个把节点之间连接视为静止长度可变的弹簧的自适应物理模型,并基于此定义一个新型罚函数.通过最小化罚函数,该算法可以对有向和加权复杂网络的节点进行排序.为了避免经典算法中计算复杂度随着节点数量的增加而过快增加的情况,使用量子算法加速罚函数最小化过程.罚函数的凸性使我们能够通过求解线性系统的方式找到最小值.当线性系统具有稀疏且条件数较小的性质时,使用量子线性求解器HHL算法找到罚函数的最小值.如果线性系统没有这两个性质,则使用量子虚时演化QITE算法通过迭代方法找到最小值.最后,使用量子模拟器QPanda对多个网络用所提出的两种求最小值算法进行了节点排序测试,实验结果显示两种算法都能给出正确的排序结果.     

一个基于信念网络的微博推荐模型

针对现有微博推荐方法或模型不便组合证据的不足,提出一种微博推荐新方法.将信念网络用于微博推荐,构建一个基本信念网络推荐模型,并在基本模型中融合用户交互微博证据,提出一个微博推荐扩展模型.模型中的节点表示微博、用户和兴趣特征词,有向弧表示节点之间的关系,通过计算用户与微博的覆盖程度来得到用户与待评估微博的相关度.在微博数据集上的实验结果表明:扩展模型较基本模型在F值上至少提高了约4.9%;与已有的推荐方法相比,新模型在组合证据提高推荐性能方面更有效.     

Landau-Ginzburg A模型研究进展（英文）

简要介绍同调镜像对称中的Landau-Ginzburg A-模型(LG-A模型)。首先简要回顾了同调镜像对称的整体图景,然后讨论了Landau-Ginzburg模型的背景以及在同调镜像对称中的应用,最后,简要介绍LG模型的Fukaya范畴的最新研究。本文尝试尽可能地包含数学与物理两方面的背景材料。     

基于网络距离和内容相似度的微博社交网络社区划分方法

现有的微博社交网络社区挖掘方法多是基于网络结构进行,忽略了节点本身行为的重要性,并且不能同时实现对大规模复杂网络结构适应性和社区挖掘的高效性。为缓解上述问题,提出了一种基于网络距离和内容相似度的微博社交网络社区划分方法,该方法在考虑微博社交网络结构的同时兼顾了网络中节点的历史微博内容,通过对历史微博数据的分析提高社区划分的精确度。文中对Louvain算法和其模块性的修改使用,保证了该方法能够处理大规模网络数据,同时又能保证社区挖掘的效率。实验证明,该方法能够高效地挖掘微博网络社区结构,对学术研究和商业应用都有十分重要的意义。     

基于CoKriging模型的单室火灾温度预测（英文）

高保真数值模拟和单保真机器学习替代模型均需大量时间才能对火场温度做出准确预测,无法满足消防管理的应急需求.为解决上述问题,引入了CoKriging模型,并从建模时间成本、预测时间成本及预测结果准确性这3方面讨论了该模型在单室火灾温度预测中的适用性与特点.该模型利用CFAST和FDS模拟产生的154组混合数据进行训练.交叉验证的结果表明,当高、低保真度数据占比为10∶1时,该模型就能得到有效训练.进一步对不同方法、模型展开对比分析,结果表明,CoKriging模型的预测结果与高保真模拟FDS的计算结果十分接近,且模型一旦构建成功,其做出一次新的预测所需时间远少于FDS.除此之外,在将建模时间成本缩短至1/10的情况下,CoKriging模型仍能达到与单保真替代模型ANN、Kriging一致的预测准确度.实验还发现,高、低保真数据占比不会对CoKriging模型预测结果产生显著影响,即使只有少量FDS数据参与训练,仍能保证CoKriging模型的预测准确性.因此,CoKriging模型可作为一种快速而有效的回归分析方法,应用在单室火灾的温度预测中.     

一类聚合模型的定性分析（英文）

研究了一类带齐次Neumann边界条件的反应扩散方程组。该方程组是一类聚合反应模型,不仅对该反应扩散方程组极其稳态方程组进行了先验估计,而且对平衡点的稳定性和不稳定性进行了定性的分析研究。