CN102637182B - Web社会网络核心用户信息交互演化分析方法 - Google Patents
Web社会网络核心用户信息交互演化分析方法 Download PDFInfo
- Publication number
- CN102637182B CN102637182B CN201110038103.3A CN201110038103A CN102637182B CN 102637182 B CN102637182 B CN 102637182B CN 201110038103 A CN201110038103 A CN 201110038103A CN 102637182 B CN102637182 B CN 102637182B
- Authority
- CN
- China
- Prior art keywords
- node
- core
- nodes
- community network
- core customer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Abstract
本发明公开了一种Web社会网络核心用户信息交互演化分析方法，包括：1)从Web社会网络应用程序获取用户互动信息数据；2)确定核心用户节点；3)根据获取的数据通过增量计算方法建立Web社会应用网络图结构；4)计算所有图结构中核心节点与其他节点之间的hop距离；5)获取到核心节点的hop距离在阈值内的所有节点，根据节点间的hop距离，将阈值内的节点划分为不同群落；6)根据每个群落的权值，计算出当前时间点与核心节点信息交互最密集的群落；7)预测下一时间点与核心节点信息交互的群落。本发明从核心用户节点入手获得信息在不同节点和群落间的传播规律，并通过增量计算使普通计算机也能进行本发明的图结构分析。
Description
技术领域
本发明属于计算机网络技术领域，尤其涉及基于互联网的社会网络分析中的有效应用和网络信息传播的分析。
背景技术
随着互联网技术的发展，互联网上出现了越来越多的社会网络应用，如国外的facebook、twitter、digg等，国内的人人网、开心网、sina、sohu、tencent微博等。由于在线社会网络应用将原本地理位置分散的朋友又重新的在网上社区聚集在一起，并提供大量娱乐性的应用，近3年内吸引了越来越多的人加入到这些应用中。这些人们在享受到社会网络应用带来便利的同时，也将真实社会网络中的结构和变化带入了在线应用中。这些web上的社会网络结构，为互联网广告投放、网络舆情分析等领域带来了新的思路和挑战。
目前几乎所有的国外重要新闻及视频站点，如CNN、ABC、BBC、youtube等均在其各则内容中嵌入了facebook或twitter的接口，允许用户在评论新闻的同时，方便快捷的将自己的感受描述到对应web社会网络应用程序中去；国内的不少站点也开始仿效其做法：Sohu、Sina等门户站点已经在其新闻页面加入了相关微博接口。Youku、tudou等站点也加入了开心网，人人网等社会网络应用接口。
这些趋势使得针对互联网上大型基于web的社会网络应用的用户交互数据的分析越来越重要：比如通过这些数据能在最短时间内获得用户对产品趋势性的看法，直接影响广告投放等重大的企业经济活动，而对某些重要事件的用户交互信息则能直接影响社会舆论的发展，对企业或相关国家部门的决策具有非常重要的意义。
目前，几乎所有的web社会网络分析技术均是建立在如下架构：(1)生成网络图结构，用户为节点，发生信息交互的用户节点进行连接就构成了网络图结构；(2)以常用图的分析手段进行分析。
其主要不足在于：(1)若随时间推移需要研究的网络结构发生较大的变化(演化：即节点的数量和连接方式均发生变化)，传统的基于简单图的分析方法则无法准确的给出变化后的信息；(2)此外，随着时间变化，网络结构图在每个时间片断变化均可生成一个快照，在不同快照的时序关系上，存在着一定的模式和信息。传统的分析方法忽略了网络演化过程中的时序信息；(3)在对网络中一些特殊用户(如朋友数非常多或异常活跃用户)的分析中，传统的方法几乎没有考虑根据演化关系来分析这些特殊用户的交互行为。
由此，在当前web社会网络应用中累积越来越多数据的同时，需要一种根据网络结构的时序演化关系来分析特殊用户行为的方法和技术以满足相关企业及部门的分析需求。
发明内容
本发明的目的是提供一种web社会网络分析方法，用于分析基于web的社会网络应用中特殊用户的行为。尤其着重分析特殊用户在基于web的社会网络动态变化时，与其他用户交互关系的变化情况，以及相关信息在该用户及其他用户间的传播模式。
本发明的原理是在使用网络爬虫程序从网络中爬取论坛、微博、或IMDB电影信息等数据信息的基础上，采用Dijistra算法计算以个人用户为节点的社会网络图结构中相关节点的最短距离，提供增量拓扑结构分析算法对网络图结构中各用户节点进行增量聚类。根据时间加权统计节点与其他用户群间的互动关系，以预测在当前状态下，从已知节点可能会向周围传播消息的路径或方向。
本发明核心设计采用增量算法，避免了在内存中保存大量信息，以使算法能胜任在普通PC上满足按一定精度处理百万节点级别的动态社会网络图结构，以找到以某节点为核心节点随时间动态发散的与其他用户节点交互的演化情况。
本发明的具体技术方案是：Web社会网络核心用户信息交互演化分析方法包括：
(1)从Web社会网络应用程序获取用户互动信息数据；Web社会网络应用程序包括论坛，博客或微博等用户能进行互动交流的应用程序。
(2)确定核心用户节点；
(3)根据获取的数据通过增量计算方法建立以核心用户节点为基础的Web社会应用网络图结构，其中，本发明的图结构为周期性(每日或每N天)网络结构的快照。由此，一段时间内的图结构结果应该为一系列网络图结构快照的集合。
(4)在此基础上计算图结构中任意节点之间的hop距离。其中节点间hop距离为节点间的跳数关系，用节点间最短距离定义；
(5)获取到核心用户节点的hop距离在阈值内的所有节点，根据节点间的hop距离，将阈值内的节点划分为不同群落；
(6)根据每个群落的权值，计算出当前时间点与核心用户节点信息交互最密集的群落。根据群落中用户与核心用户交互的情况计算群落权值。
(7)根据当前时间点每个群落的权值，预测下一时间点与核心用户节点信息交互的群落。其预测方法与计算当前时间点与核心用户节点信息交互最密集的群落的方法相同。
所述从Web社会网络应用程序中通过网络爬虫方法获取数据。数据获取主要通过网络爬虫程序获取。
所述从Web社会网络应用程序中按时间增量通过网络爬虫方法获取数据。由于需要对web中相关社会网络应用程序中用户互动信息进行跟踪，本发明设计了高性能爬虫，以满足从web社会网络应用程序中按时间增量爬取用户间相互情况的数据，并存入数据库中。
所述核心用户节点是在Web社会网络应用程序中与之交互的其他用户数量巨大的用户节点、一定时间内发布大量信息的用户节点或指定分析的用户节点；
所述网络爬虫方法为：
A、遍历Web社会网络应用程序，找出Web社会网络应用程序中所有的信息交互区域；
B、根据程序提供的程序接口API采用爬虫爬取网站、微博或相关网络应用信息交互区域中的交互数据；
C、将所有交互数据按照poster_id(发件人ID)，replyer_id(回复者ID)，post_date(发件日期)，reply_date(回复日期)，content(内容)的数据模式保存到数据库中。
所述爬虫根据DOM树结构用XML描述不同网络应用程序的结构，采集所需的数据。
所述增量计算方法为：
在内存中采用移除评估方法评价每个与核心用户节点交互的其他用户节点的重要性，移除重要性低的节点直至图结构的大小适应内存空间大小。增量计算方法保证了内存不溢出以处理大规模图分析。
所述移除评估方法通过测试节点移除后对图结构中其余节点间最短距离的影响判断节点的重要性，影响小的点重要性低。
所述计算节点间hop距离的方法为：
采用Dijkstra算法计算节点与节点间的最短距离，所得为一个最短距离矩阵；
并根据最短距离矩阵获取空间中任意节点间的hop距离。
所述群落的权值是由当前时间戳及群落和核心节点间的交互次数计算获得。
所述群落的权值的计算公式为：
其中n为群落编号，n为整数，t为当前时间戳，ti为群落中第i个节点与核心用户节点发生交互的时间戳，ti∈T，T为群落中所有节点与核心用户节点发生交互的时间戳集合
本发明的优点和积极效果：
本发明是第一种以核心节点本身为消息入口分析信息在不同节点和群落之间传播规律的技术：(1)从发明者的实验中，发现了非常有意义的结论如：(a)在某一时间内，信息交互有非常大的可能性在核心节点与固定群落(朋友圈)中的节点间产生；(b)任意核心节点密切交互信息的群落的数量通常满足在一个[4，8]间的实数范围；(2)本技术另外一项优势则是采用了增量分析方案。由于传统的网络结构图分析技术均为直接对完整的图结构分析，其缺陷在于在计算各种指标如最短距离或hop关系的社会需将完整的图结构放进内存计算。此种方法在性能有限的小型机或微型计算机上无法分析规模相对大的图数据。本发明设计的增量算法对当前内存中图结构节点重要性进行评估，其重要性评估采用“移除评估”的方法，测试当节点移除后对网络中其余节点间最短路径距离的影响，影响最小的点重要性最低，按重要性将最低重要性节点移出内存，以使得微型计算机在顺序增量扫描图数据过程中能满足一定规模图数据规模分析的性能。
附图说明
图1为本发明的分析方法流程框架图；
图2为实施例中使用本发明的方法分析出的核心用户节点的信息交互群落结构示意图。
具体实施方式
如附图1中流程所示，本发明的Web社会网络核心用户信息交互演化分析方法包括四部分：(1)web社会网络应用程序的分析和数据获取；(2)建立相应web应用社会网络图G的结构；(3)图结构增量分析算法；(4)分析结构输出及可视化。
web社会网络应用程序分析及数据获取：这部分需要遍历整个网站的结构，找到相应的信息交互区域，如：论坛站点的不同版面，发帖回帖数据及对应ID信息；或新闻站点下的评论信息中，不同用户ID之间的对话情况等。对基于web的社会网络应用程序，根据其提供的API提取不同用户ID间的交互情况，并将所有的数据汇总，按照“poster_id，replyer_id，post_date，reply_date，content”的数据模式存储入关系数据库中。按此数据模式对数据库中数据按时间增量进行更新。其中，获取数据的的网络爬虫程序采用C#实现，且爬虫具备可定制功能已应对不同的复杂网页结构(门户网站评论，BBS，博客等)，能根据DOM树结构用XML描述不同网站结构，采集分析所需的数据。
建立相应web应用社会网络图结构：从上一步中获取到的数据组装成为一张动态的图结构。首先确定核心用户节点，核心用户节点是指在Web社会网络应用程序中朋友数量巨大或一定时间内发布大量信息的节点或指定分析的敏感用户节点；然后用增量计算的方法，建立Web社会应用网络图结构，整个网络图结构还原过程没有直接重建完整的图结构，而只是将与核心节点相连接，且存在于当前内存处理空间的节点与核心节点间的图结构还原。而图结构的还原是通过“移除评估”方法去掉该处理空间中对图结构影响最小的一部分节点：即去掉这些点后图内各剩余节点间hop距离变化最小，去掉这部分节点后的图结构使内存空间能容纳下一批未分析节点的装入，在下一个时间段，向内存处理空间内填入下一批未分析的节点，图结构的创建同样采用C#实现。
增量图拓扑结构分析：采用了Dijkstra算法计算处理空间中节点与节点间的最短距离，并根据该结果计算出空间中各节点间的hop距离。分析当前图中各节点的拓扑关系，并重新计算空间中各节点的hop距离，并连接各节点。将满足hop距离小于一设定阈值的节点归入同一群落(朋友圈)；随时间段推移，继续迭代前述步骤，并不断统计核心节点和朋友圈之间的信息交互情况。该部分的分析算法采用C#实现。
在统计节点不同朋友圈的过程中，本发明统计了不断更新的朋友圈和核心节点的交互情况，并使用当前时间戳及交互次数计算群落的权值
获得当前时间与核心用户交互最紧密的朋友圈，同时预测下一次可能与核心用户节点发生交互(交流)的朋友圈。
由于获得核心用户节点进行信息交互的朋友圈的分析结果是graph G＝<V，E>的逻辑结构，存在于计算机内存或硬盘中，而分析结果的用户需要看到更直观的结果，因此需要将结果进一步可视化，在本实施例中可视化部分采用java开发，首先从分析结果中按照核心用户节点的不同朋友圈，将分析出的id组织起来。
按IMDB电影数据库中人员关系数据对本发明的分析流程举例：
(1)使用爬虫从IMDB(http://www.imdb.com/)爬取相关的电影及演员合作信息，作为网络结构分析的原始数据。
(2)按照增量分析方法，以演员Jeff Goldblum为核心用户节点，分析其在网络结构中的相互合作的朋友关系，分析得到的主要朋友圈结果如下：
------Domains 0(群落0)--------------
Baker，Dylan(I)2010-4-2
Bilodeau，Jean-Luc 2010-4-2
Chapin，Colin 2010-1-3
Classon，Andrew 2010-8-2
Galletti，Robert 2010-7-6
------Domains 1(群落1)--------------
Goldwyn，Tony 2010-6-2
Desotell，Michael A.2010-12-2
Barber，Lance(I)2010-9-2
Cashen，Brian 2010-10-1
Brichetto，Gary 2010-12-23
------Domains 2(群落2)--------------
Fogarty，Brud 2009-4-2
Dickerson，Briana 2010-1-2
Goldston，Gregg 2010-4-24
Cappadona，Tom 2010-3-2
------Domains 3(群落3)--------------
Bernsen，Corbin 2008-3-1
Cannell，Stephen J....
Denman，Tony....
Frost，Adam(II)...
------Domains 82(群落82)--------------
Embry，Ethan.2000-1-1
Ansley，Zachary.1999-12-11
Banks，Linden 1997-2-10
Boileau，Daniel...
Estes，Rob
Diamond，Reed(I)
Gaffney，Jason
Embry，Ethan
Francis，Andrew(I)
Carhart，Timothy
Badgley，Penn
Bass，Ben
Blake，Dalias
Combs，Jeffrey
Corrigan，Colin(I)
Callander，John
Bryant，Peter(I)
Brandt Bartlett，Jaren
Cook，Preston
Elia，Nicholas
Emanuel，Jason(I)
Englund，Robert
DeVeaux，Nathaniel
DeLisle，Christopher
Destry，John B.
Curtola，Michael
Cudmore，Daniel
Daingerfield，Michael
Chri stopher，Julian
Fletcher，Brendan(I)
Bryant，Peter(I)
Dugas，Travis
Eklund，Michael
Feuerstein，Mark
Drescher，Ryan
Diamond，Reed(I)
Fletcher，Brendan(I)
Behrens，Andrew(I)
Eklund，Michael
Gilbert，James(IX)
Fletcher，Brendan(I)
Antonio，Salvatore
Ashbee，Anthony
Bedward，Abdu
Betancourt，Ricardo
Boyko，Ryan
Bond，Jesse
Carey，Steve(IV)
Bass，Ben
Cross，Glen
Fletcher，Brendan(I)
Formo，Haley
Feuerstein，Mark
Corrigan，Colin(I)
由此可以看到Jeff Goldblum四周一共有5个大的朋友圈，其中id为82的朋友圈为最大的朋友圈。
(3)权值统计计算：按当前时间戳t＝“2011-1-26”计算，朋友圈“Domain n”的权值
最大(ti∈T，ti为朋友圈“Domain n”中与核心用户节点交互的第i个节点的交互时间戳，T为朋友圈中所有节点与核心节点发生交互的时间戳集合)，本部分计算原理为交互发生时间距当前时间越近，权值越大。则Domain 1的权值最大，则下一名可能与JeffGoldblum发生合作的演员可能出现在Domain 1中五位演员中。
(4)可视化为了进一步可视化每个朋友圈中的拓扑关系，本技术使用JAVA环境下的DOM4JAVA将演员关系图实例化，并最终得出可视化结果。
转换为xml环境下的部分图关系源码如下：
<？xml version＝″1.0″encoding＝″UTF-8″？>
<Document><Link A＝″Baker，Dylan(I)″B＝″Bilodeau，Jean-Luc″/><Link A＝″Baker，Dylan(I)″B＝″Chapin，Colin″/><Link A＝″Baker，Dylan(I)″B＝″Classon，Andrew″/><Link A＝″Baker，Dylan(I)″B＝″Galletti，Robert″/><Link A＝″Baker，Dylan(I)″B＝″Elia，Nicholas″/><LinkA＝″Baker，Dylan(I)″B＝″Eklund，Michael″/><Link A＝″Baker，Dylan(I)″B＝″Goldblum，Jeff″/><Link A＝″Chapin，Colin″B＝″Combs，Jeffrey″/><Link A＝″Goldwyn，Tony″B＝″Desotell，Michael A.″/><Link A＝″Goldwyn，Tony″B＝″Barber，Lance(I)″/><Link A＝″Goldwyn，Tony″B＝″Cashen，Brian″/><Link A＝″Goldwyn，Tony″B＝″Brichetto，Gart″/><Link A＝″Goldwyn，Tony″B＝″Goldblum，Jeff″/><Link A＝″Fogarty，Brud″B＝″Dickerson，Briana″/><Link A＝″Fogarty，Brud″B＝″Goldston，Gregg″/><Link A＝″Fogarty，Brud″B＝″Cappadona，Tom″/><Link A＝″Fogarty，Brud″B＝″Goldblum，Jeff″/><Link A＝″Cappadona，Tom″B＝″Goldblum，Jeff″/><Link A＝″Bernsen，Corbin″B＝″Cannell，Stephen J.″/>....//这一部分为网络中的关系结构，每个<Link A＝”V1”，B＝V2”>为一条边关系
<domain domainID＝″0″><Actor actorName＝″Baker，Dylan(I)″/><ActoractorName＝″Bilodeau，Jean-Luc″/><Actor actorName＝″Chapin，Colin″/><ActoractorName＝″Classon，Andrew″/><Actor actorName＝″Galletti，Robert″/></domain><domaindomainID＝″1″><Actor actorName＝″Goldwyn，Tony″/><Actor actorName＝″Desotell，MichaelA.″/><Actor actorName＝″Barber，Lance(I)″/><Actor actorName＝″Cashen，Brian″/><ActoractorName＝″Brichetto，Gary″/></domain><domain domainID＝″2″><Actor actorName＝″Fogarty，Brud″/><Actor actorName＝″Dickerson，Briana″/><Actor actorName＝″Goldston，Gregg″/><ActoractorName＝″Cappadona，Tom″/></domain><domain domainID＝″3″><Actor actorName＝″Bernsen，Corbin″/><Actor actorName＝″Cannell，Stephen J.″/><Actor actorName＝″Denman，Tony″/><ActoractorName＝″Frost，Adam(II)″/></domain><domain domainID＝″4″><Actor actorName＝″Embry，Ethan″/><Actor actorName＝″Ansley，Zachary″/><Actor actorName＝″Banks，Linden″/><ActoractorName＝″Boileau，Daniel″/><Actor actorName＝″Estes，Rob″/><Actor actorName＝″Diamond，Reed(I)″/><Actor actorName＝″Gaffney，Jason″/><Actor actorName＝″Embry，Ethan″/><ActoractorName＝″Francis，Andrew(I)″/><Actor actorName＝″Carhart，Timothy″/><ActoractorName＝″Badgley，Penn″/><Actor actorName＝″Bass，Ben″/><Actor actorName＝″Blake，Dalias″/><Actor actorName＝″Combs，Jeffrey″/><Actor actorName＝″Corrigan，Colin(I)″/><ActoractorName＝″Callander，John″/><Actor actorName＝″Bryant，Peter(I)″/><ActoractorName＝″Brandt Bartlett，Jaren″/><Actor actorName＝″Cook，Preston″/><ActoractorName＝″Elia，Nicholas″/><Actor actorName＝″Emanuel，Jason(I)″/></domain></Document>//<domain domainID＝″n″>表示第n个朋友圈，而<Actor actorName＝”xxx”>为具体节点的标签，名称，在此例中为演员名称
如上xml将朋友圈及内部拓扑联系关系记录下，在此基础上，本技术采用JAVA的spring框架可视化实现了对朋友圈及内部拓扑关系的可视，具体可见图2，图2是核心用户“JeffGoldblum”的hop阈值＝3的朋友圈结构分布图，可以看到：通过对与“Jeff Goldblum”合作过的演员进行跟踪，获取到他的3个主要朋友圈。通过到IMDB网站上公布出来的影片数据的验证，我们发现，这三个朋友圈：Domain 0(群落0)只与其合作“科幻 惊悚 冒险”类电影，Domain 1(群落1)只与其合作“犯罪 惊悚”类电影，Domain 82(群落82)只与其合作“喜剧”类电影(由于内部节点过多，domain 82只绘制了部分节点)。
由此，本技术实现了(1)在随时间推移网络结构发生较大的变化时，准确高效的分析网络拓扑结构变化情况；(2)且随着时间变化，将网络结构图在每个时间片断变化均可生成一个快照，使用增量算法分析这些快照时序并得出基于核心节点的多朋友圈结构；(3)在对网络中一些特殊用户(如朋友数非常多或异常活跃用户)与周边朋友圈中节点交互进行分析，得出交互的模式及规律，预测下一次可能和核心节点发生交互的朋友圈。(4)此外，在前面分析结果的基础上，提供了高效的Web社会应用网络图结构可视化技术。
Claims (7)
1.一种Web社会网络核心用户信息交互演化分析方法，包括下列步骤：
（1）从Web社会网络应用程序获取用户互动信息数据；
（2）确定核心用户节点；
（3）根据获取的数据通过增量计算方法建立以核心用户节点为基础的Web社会应用网络图结构；
（4）计算图结构中任意节点间的hop距离；
（5）获取到核心用户节点的hop距离在阈值内的所有节点，根据节点间的hop距离，将阈值内的节点划分为不同群落；
所述计算节点间hop距离的方法为：
采用Dijkstra算法计算所述Web社会网络的图结构中节点与节点间的最短距离，得到最短距离矩阵；
根据最短距离矩阵计算任意节点间的hop距离；
（6）根据每个群落的权值，计算出当前时间点与核心用户节点信息交互最密集的群落；
（7）根据当前时间点每个群落的权值，预测下一时间点与核心用户节点信息交互的群落；
所述群落的权值是由当前时间戳及群落与核心用户节点间的交互次数计算获得，并采用下述公式计算群落的权值w：
2.根据权利要求1所述的Web社会网络核心用户信息交互演化分析方法，其特征在于采用网络爬虫方法按时间增量从Web社会网络应用程序中获取数据。
3.根据权利要求2所述的Web社会网络核心用户信息交互演化分析方法，其特征在于所述网络爬虫方法的步骤为：
遍历Web社会网络应用程序，找出Web社会网络应用程序中所有的信息交互区域；
根据程序提供的API采用爬虫爬取信息交互区域中的交互数据；
将所有的数据按照发件人ID，回复者ID，发件日期，回复日期，内容的数据模式保存到数据库中。
4.根据权利要求3所述的Web社会网络核心用户信息交互演化分析方法，其特征在于所述爬虫根据DOM树结构用XML描述不同网络应用程序的结构，采集所需的数据。
5.根据权利要求1所述的Web社会网络核心用户信息交互演化分析方法，其特征在于所述核心用户节点是在Web社会网络应用程序中与之交互的其他用户数量巨大的用户节点或一定时间内发布大量信息的用户节点或指定分析的用户节点。
6.根据权利要求1所述的Web社会网络核心用户信息交互演化分析方法，其特征在于所述增量计算方法为：
在内存中采用移除评估方法评价每个与核心用户节点交互的其他用户节点的重要性，移除重要性低的节点直至图结构的大小适应内存空间大小。
7.根据权利要求6所述的Web社会网络核心用户信息交互演化分析方法，其特征在于所述移除评估方法通过测试节点移除后对图结构中其余节点间最短距离的影响来判断节点的重要性，影响小的节点重要性低。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110038103.3A CN102637182B (zh) | 2011-02-15 | 2011-02-15 | Web社会网络核心用户信息交互演化分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110038103.3A CN102637182B (zh) | 2011-02-15 | 2011-02-15 | Web社会网络核心用户信息交互演化分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102637182A CN102637182A (zh) | 2012-08-15 |
| CN102637182B true CN102637182B (zh) | 2014-05-28 |
Family
ID=46621579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110038103.3A Expired - Fee Related CN102637182B (zh) | 2011-02-15 | 2011-02-15 | Web社会网络核心用户信息交互演化分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102637182B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447065A (zh) * | 2014-09-30 | 2016-03-30 | 华东师范大学 | 一种产生社交媒体时间轴结构数据的方法 |
| CN104484359B (zh) * | 2014-12-02 | 2018-03-23 | 北京锐安科技有限公司 | 一种基于社交图谱的舆情分析方法及装置 |
| CN106484723B (zh) * | 2015-08-28 | 2019-08-02 | 杭州华为数字技术有限公司 | Egonet的信息处理方法和装置 |
| CN105426502A (zh) * | 2015-11-26 | 2016-03-23 | 福州大学 | 基于社交网络的人物信息搜索与关系网绘制的方法 |
| CN106341265B (zh) * | 2016-09-09 | 2019-11-08 | 百度在线网络技术（北京）有限公司 | 网络数据的展示方法和装置 |
| CN110020146B (zh) * | 2017-11-27 | 2021-03-02 | 香港城市大学深圳研究院 | 信息投放方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101393566A (zh) * | 2008-11-17 | 2009-03-25 | 北京交通大学 | 基于网络结构用户行为模式的信息跟踪与检测方法及系统 |
| CN101887441A (zh) * | 2009-05-15 | 2010-11-17 | 华为技术有限公司 | 一种社会网络建立方法和系统及网络社区挖掘方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7958120B2 (en) * | 2005-05-10 | 2011-06-07 | Netseer, Inc. | Method and apparatus for distributed community finding |
-
2011
- 2011-02-15 CN CN201110038103.3A patent/CN102637182B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101393566A (zh) * | 2008-11-17 | 2009-03-25 | 北京交通大学 | 基于网络结构用户行为模式的信息跟踪与检测方法及系统 |
| CN101887441A (zh) * | 2009-05-15 | 2010-11-17 | 华为技术有限公司 | 一种社会网络建立方法和系统及网络社区挖掘方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102637182A (zh) | 2012-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102637182B (zh) | Web社会网络核心用户信息交互演化分析方法 | |
| Shi et al. | Content sharing in a social broadcasting environment: evidence from twitter | |
| Zeng et al. | Trend prediction in temporal bipartite networks: the case of Movielens, Netflix, and Digg | |
| US20140101134A1 (en) | System and method for iterative analysis of information content | |
| Wu et al. | Estimating attention flow in online video networks | |
| CN105069087A (zh) | 基于Web日志数据挖掘的网站优化方法 | |
| CN105760649A (zh) | 一种面向大数据的可信度量方法 | |
| WO2022076885A1 (en) | Systems and methods for tracking data shared with third parties using artificial intelligence-machine learning | |
| Théro et al. | Investigating Facebook’s interventions against accounts that repeatedly share misinformation | |
| Jin et al. | Predicting information pathways across online communities | |
| Khan et al. | Researching YouTube: Methods, tools, and analytics | |
| Rao et al. | An optimal machine learning model based on selective reinforced Markov decision to predict web browsing patterns | |
| Liu et al. | Identifying website communities in mobile internet based on affinity measurement | |
| Lopez-Vargas et al. | Recommendation of OERs shared in social media based-on social networks analysis approach | |
| Kalatzis et al. | Social media and google trends in support of audience analytics: Methodology and architecture | |
| Gong et al. | Literature review on the influence of social networks | |
| Khan et al. | Social media data in transportation | |
| Das et al. | Popularity analysis on social network: a big data analysis | |
| Ding et al. | Beyond the click: A first look at the role of a microblogging platform in the Web ecosystem | |
| Maheswari et al. | Algorithm for Tracing Visitors' On-Line Behaviors for Effective Web Usage Mining | |
| Kpiebaareh et al. | User-connection behaviour analysis in service management using bipartite labelled property graph | |
| Becker | Understanding Human Navigation using Bayesian Hypothesis Comparison | |
| Smith-Clarke | Estimating poverty maps from aggregated mobile communication networks | |
| Srivastava | Adaptive analyzer for large social networks using distributed crawling | |
| Wu | Measuring collective attention in online content: Sampling, engagement, and network effects |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| ASS | Succession or assignment of patent right |
Owner name: CENTRAL UNIVERSITY OF FINANCE AND ECONOMICS Free format text: FORMER OWNER: BEIJING UNIV. Effective date: 20140926 Owner name: BEIJING UNIV. Effective date: 20140926 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| COR | Change of bibliographic data |
Free format text: CORRECT: ADDRESS; FROM: 100871 HAIDIAN, BEIJING TO: 100081 HAIDIAN, BEIJING |
|
| TR01 | Transfer of patent right |
Effective date of registration: 20140926 Address after: 100081 No. 39 South College Road, Beijing, Haidian District Patentee after: CENTRAL UNIVERSITY OF FINANCE AND ECONOMICS Patentee after: Peking University Address before: 100871 Haidian District the Summer Palace Road,, No. 5, Peking University Patentee before: Peking University |
|
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140528 Termination date: 20150215 |
|
| EXPY | Termination of patent right or utility model |