基于链接和内容相结合的微博用户社区发现

《基于链接和内容相结合的微博用户社区发现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ZSTUZhejiangSci-TechUniversity硕士学位论文Master’sThesis中文论文题目:基于链接和内容相结合的微博用户社区发现英文论文题目：TheWeiboUserCommunityDetectionBasedontheCombinationofLinkandContent学科专业：管理科学与工程作者姓名：黄文婷指导教师：王正成递交日期：2018年3月浙江理工大学硕士学位论文摘要现实世界中的很多系统都可以抽象为网络，如社交关系网、论文引证网、科学家合作网、微博用户关系网等。这些网络都具有共同特点：即复杂的内部结构，因此被称为复杂网络。已有研

2、究表明：这些网络中包含着一些潜在的社区结构，具有社区内部节点链接稠密、社区之间节点链接稀疏的特点。通常，社区内的节点具有相似的特性，在网络中扮演着相似的角色。通过社区划分来识别网络中的社区结构，有助于人们更深入的理解网络的本质，认识网络结构与其功能的之间的关系。然而，传统的复杂网络社区划分算法普遍缺乏对链接结构和节点内容的综合考虑。现有的链接结构与节点内容相结合的社区划分方法大多是基于概率模型的方法。这类方法有着数学形式优美、可解释性强的优点，但也存在着时间复杂度高、不易理解、应用实现较为困难的缺点。因此，本文就旨在于寻找一种综合考虑节点内容和网络结构的划分方法，以

3、获得内容相似，结构紧密的社区。在利用微博网站数据获取方法进行研究的基础上，首先对社交网络中的用户行为特征进行分析，并以此建立用户影响力评价模型来获取网络中的“核心用户”。在初始影响力结构划分的基础上，进行以用户主题相似性的聚类工作，通过基于词共现度和隐含语义分析掘出文字背后的潜在语义信息，并且通过特征空间降维，更加精确的进行微博社区划分。融合了几种优秀的初始节点选取方法，有效地实现了对节点含有属性信息的内容网络进行社区划分。随后，对初步划分的结果进行社区合并，减少小社区的数量，获得更有应用价值的社区结构，从理论上对算法的合理性和复杂度进行了分析。最后，在结合内容的高

4、链接社区划分建模上，保证了社区中的用户内容上兴趣相投，结构上联系紧密。本文提出的方法应用在真实的数据集上，实验证明，本文提出的方法不但能够发现潜在社区，而且还能获知社区主题，解决了传统基于链接结构社区发现方法缺乏语义性解释的问题。另外，最后对研究成果进行了总结，展望了下一步研究工作。关键词：微博；用户行为；用户影响力；文本内容；网络拓扑；社区发现I浙江理工大学硕士学位论文AbstractManysystemsintherealworldcanbeabstractedasnetworks,suchassocialnetworks,essaycitationnetwor

5、ks,cooperationnetworksofscientists,andweibouserrelationsnetworks.Thesenetworkshavethesamecharacteristics:thecomplexinternalstructure,socalledcomplexnetwork.Someresearcheshaveshownthatthesenetworkscontainsomepotentialcommunitystructures,whicharecharacterizedbydenselylinkednodeswithinthe

6、communityandsparselinksamongthecommunities.Ingeneral,nodesinacommunityhavesimilarcharacteristicsandplayasimilarroleinthenetwork.Identifyingthecommunitystructureinthenetworkthroughcommunitydivisionhelpspeopletounderstandthenatureofthenetworkinmoredepthandtounderstandtherelationshipbetwe

7、enthenetworkstructureanditsfunctions.However,traditionalcomplexnetworkcommunitypartitioningalgorithmsgenerallylackcomprehensiveconsiderationoflinkstructureandnodecontent.Mostofthemethodsofcommunitydivisionthatcombinetheexistinglinkstructureandnodecontentarebasedonprobabilisticmodel.S