CN106991617A - 一种基于信息传播的微博社交关系提取算法 - Google Patents
一种基于信息传播的微博社交关系提取算法 Download PDFInfo
- Publication number
- CN106991617A CN106991617A CN201710203903.3A CN201710203903A CN106991617A CN 106991617 A CN106991617 A CN 106991617A CN 201710203903 A CN201710203903 A CN 201710203903A CN 106991617 A CN106991617 A CN 106991617A
- Authority
- CN
- China
- Prior art keywords
- user
- concern
- social networks
- queue
- node
- 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.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 19
- 238000000605 extraction Methods 0.000 title claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 235000010627 Phaseolus vulgaris Nutrition 0.000 claims description 8
- 244000046052 Phaseolus vulgaris Species 0.000 claims description 8
- 230000000644 propagated effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明涉及一种基于信息传播的微博社交关系提取算法,包括:1.使用平台开放接口或者爬虫软件获得微博数据,以及微博下的评论与转发数据。2.以用户为基本单位检索出其原创微博,对于每一条原创微博,创建微博信息传播树,对树的边赋予权重。3.通过信息传播树,反演化用户社交关系树。4.单用户社交关系融合。5.多用户社交关系融合。通过本发明可以重新获得基于信息传播的微博用户间的社交关系,同时,通过赋予权重等手段,可以对用户间的亲密关系进行量化处理。经过本发明算法的数据处理后,获得的微博用户社交拓扑结构,是对在线社交网络进一步分析应用的重要数据基础。
Description
技术领域
本发明涉及计算机科学中的在线社交网络数据挖掘、图论等技术。尤其是一种基于信息传播的微博社交关系提取技术,具体涉及一种基于信息传播的微博社交关系提取算法。
背景技术
随着Web2.0和智能手机的蓬勃发展,在线社交网络的线上用户急剧增长,以交友、信息共享等为目的的社交网络迅速成为人们传播信息、推销商品、表达观点、产生影响力的理想平台。在线社交网络成为当今计算机和社会学科的热点研究领域之一。推荐系统、社交网络信息传播、链路预测、病毒式营销、公共健康、专家发现、突发事件检测和广告投放等在线社交网络问题正成为学者研究的热点问题。
发明内容
本发明主要是解决现有技术所存在的在线社交网络中用户弱社交关系难以获取的问题。线社交网络中用户间的社交关系分为强社交关系和弱社交关系,用户间通过关注和被关注形成强社交关系,用户间通过信息交互形成弱社交关系。相比于强社交关系,弱社交关系更难以获取而且随时间动态改变的技术问题;提供了一种基于信息传播的微博社交关系提取算法,通过用户间的历史信息交流,获得用户间的弱社交关系,并由此构建用户社交网络。微博作为一种在线社交网络,其用户和用户之间的关注关系构成了复杂的网络关系。这种以关注为基础的复杂网络是研究在线社交网络的重要基础。但是,微博平台的功能限制以及不活跃和虚假的关注关系对实验研究造成不利影响。为了更准确的发现微博世界中用户间的社交关系,本发明通过用户之间的微博信息转发与评论等历史行为分析,从而对用户间的社交关系进行重新构建的算法。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种基于信息传播的微博社交关系提取算法,其特征在于,基于定义:
定义一、用户B转发或评论过用户A的微博信息,则用户B是A的粉丝,存在用户B对用户A的关注关系。
定义二、用户A发送的微博@用户B,则用户A对用户B存在关注关系,如果用户B对@的信息评论或转发等行为,则用户B对用户A存在关注关系。
定义三、对于存在用户A的粉丝列表中但从没有参与和A有关的信息交互的用户B,认为B对A的关注为弱联系,忽略不计。
定义四、用户A、B之间的信息交互次数代表了A、B之间的亲密程度,作为用户之间关注关系的权重。
该提取算法包括:
一种基于信息传播的微博社交关系提取算法,其特征在于,包括:
步骤1、采用微博开放API接口或者爬虫软件获得微博数据,以及微博下的评论和转发数据。
步骤2、对获得数据进行过滤操作,选择转发数量大于100条的原创微博数据,根据转发和评论数据,对每一条原创微博建立信息传播树。
对每一条原创微博建立信息传播树的具体步骤如下:
步骤2.1、获得原创微博的所有转发和评论数据。
步骤2.2、一级传播构建,对原创微博的直接转发和评论数据,使原创微博节点指向转发和评论节点,构成一级传播。
步骤2.3、对于一级传播节点,获得其转发和评论数据。使一级传播节点指向其转发和评论节点,构建二级传播。以此迭代,直到所有转发和评论节点都加入到信息传播树中。
步骤2.4、对于每一个信息传播树,通过反演化方法获得用户关注图。信息传播与用户关注方向相反,将信息传播树中所有边的方向反向,并为每一个边赋予权值1,获得用户关注图。用户关注图使用一个有向加权图表示,G=(V,E)。其中,V表示用户节点的集合,E表示用户间的有向边集合。
步骤2.5、用户关注图的存储。定义用户关注图队列:队列包含一个数组data[MaxSize]和两个队列指针front,rear。数组data中用于存放用户关注图,队列指针分别指向队首和对尾。每一个用户关注图依次放入用户关注图队列中。
步骤3、单用户社交关系生成。将一个用户的所有用户关注图,通过两两合并的方式,生成新的用户关注图,再次两两合并,直到只有一个用户关注图为止;
步骤4、多用户社交网络生成。从单用户社交关系队列中获得多个单用户社交关系,通过融合单用户社交关系拓扑图中的的公有节点方法,将单用户社交关系拓扑图融合为一个社交网络拓扑图。在融合时,相同节点的边的权重计算公式如下:
W(vci,vcj)=max{W(vai,vaj),W(vbi,vbj)}。
其中,W(vci,vcj)表示新生成的用户关注图c中节点i指向节点j的有向边的权重,W(vai,vaj)表示用户关注图a中节点i指向节点j的有向边的权重,W(vbi,vbj)表示用户关注图b中节点i指向节点j的有向边的权重。当社交关系拓扑图中不包含公有节点时,融合结束。
在上述的一种基于信息传播的微博社交关系提取算法,所述步骤3中单用户社交关系生成的具体步骤包括:
步骤3.1、用户关注图队列的长度为1,则用户关注图队列中的元素就是生产的用户社交关系拓扑图,将其放入到单用户社交关系拓扑队列中,并跳转到步骤4。单用户社交关系拓扑队列定义如下:队列包含一个数组用户关注图和两个队列指针front,rear。数组用于存储单用户社交关系拓扑图。队列指针分别指向队首和对尾。
如果用户关注图队列的长度大于1,则跳转到步骤3.2。
步骤3.2、从用户关注图队列中获得两个用户关注图,将两个图合并为一个用户关注拓扑图。对于两个图相同的关注关系,在合并关注关系的同时,将两个关注关系的边权值相加,得到新的权值赋给边。并将此图加入用户关注图队列尾部。边的权值计算公式如下:
W(vci,vcj)=W(vai,vaj)+W(vbi,vbj);
W(vci,vcj)表示新生成的用户关注图c的节点i对节点j的有向边的权重,W(vai,vaj)表示用户关注图a中节点i对节点j的有向边的权重,W(vbi,vbj)表示用户关注图b中节点i对节点j的有向边的权重。并跳转到3.1。
本发明涉及的基于信息传播的微博社交关系提取算法,能为上述热点问题的研究提供在线社交网络用户社交关系拓扑图,用户社交关系拓扑图以用户为节点,以用户间的关注关系为边,描述用户间的社交关系,是上述热点研究问题的重要基础数据。
因此,本发明具有如下优点:1、用户社交关系拓扑图的边赋予了权重,表示了用户间的亲密程度。2、用户间的社交关系分为强关注关系和弱社交关系,本发明的用户社交关系拓扑图可以挖掘出这两类关注关系,而传统的用户社交关系拓扑图只有强关注关系。3、在传统的用户社交关系拓扑图中,存在大量的不活跃用户甚至虚假用户,这些用户对后续的问题构成噪声影响,本发明的用户社交关系拓扑图可以有效的避免这些噪声用户。4、用户间的社交关系时效性更强,用户间的信息交互反向影响用户间的社交关系,将反演化的思想引入到用户拓扑关系中。。
附图说明
图1是本发明算法的整体框架图。
图2是本发明实施例中单用户社交关系的生成示例。
图3是本发明实施例中多用户社交关系融合示例。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
一、本发明算法的整体流程如图1所示,在获得社交平台的用户数据后,分析其中的原创微博,利用用户的原创微博和微博下的评论与转发数据,构建以用户为根的用户关注树,如图1中的A节点就是用户关注树的根节点。箭头从节点B指向节点A,表示用户B对用户A存在关注关系。在获得大量的用户关注树后,通过融合算法后,生成用户社交关系拓扑图。
使用用户历史交互信息提取用户社交关系基于以下基本假设:
1、用户B转发或评论过用户A的微博信息,则用户B是A的粉丝,存在用户B对用户A的关注关系。
2、用户A发送的微博@用户B,则用户A对用户B存在关注关系,如果用户B对@的信息评论或转发等行为,则用户B对用户A存在关注关系。
3、对于存在用户A的粉丝列表中但从没有参与和A有关的信息交互的用户B,认为B对A的关注为弱联系,忽略不计。
4、用户A、B之间的信息交互次数代表了A、B之间的亲密程度,作为用户之间关注关系的权重。
本发明的基本实施步骤如下:
步骤1:采用微博开放API接口或者爬虫软件获得微博数据,以及微博下的评论和转发数据。
步骤2:对获得数据进行过滤操作,选择转发数量大于100条的原创微博数据,根据转发和评论数据,对每一条原创微博建立信息传播树。
对每一条原创微博建立信息传播树的具体步骤如下:
步骤2.1获得原创微博的所有转发和评论数据。
步骤2.2一级传播构建,对原创微博的直接转发和评论数据,使原创微博节点指向转发和评论节点,构成一级传播。
步骤2.3对于一级传播节点,获得其转发和评论数据。使一级传播节点指向其转发和评论节点,构建二级传播。以此迭代,直到所有转发和评论节点都加入到信息传播树中。
步骤2.4对于每一个信息传播树,通过反演化方法获得用户关注图。信息传播与用户关注方向相反,将信息传播树中所有边的方向反向,并为每一个边赋予权值1,获得用户关注图。用户关注图可以使用一个有向加权图表示,G=(V,E)。其中,V表示用户节点的集合,E表示用户间的有向边集合。
步骤2.5用户关注图的存储。定义用户关注图队列,
Struct
{
G data[MaxSize];//存储用户关注图
Int front,rear;//定义队列的首位指针
}Queue;
将每一个用户关注图依次放入用户关注图队列中。
步骤3:单用户社交关系生成。将一个用户的所有用户关注图,通过两两合并的方式,生成新的用户关注图,再次两两合并,直到只有一个用户关注图为止。
单用户社交关系生成的具体步骤如下:
步骤3.1用户关注图队列的长度为1,则用户关注图队列中的元素就是生产的用户社交关系拓扑图,将其放入到单用户社交关系拓扑队列中,并跳转到步骤4。单用户社交关系拓扑队列定义如下:
如果用户关注图队列的长度大于1,则跳转到步骤3.2。
步骤3.2从用户关注图队列中获得两个用户关注图,将两个图合并为一个用户关注拓扑图。对于两个图相同的关注关系,在合并关注关系的同时,将两个关注关系的边权值相加,得到新的权值赋给边。并将此图加入用户关注图队列尾部。边的权值计算公式如下:
W(vci,vcj)=W(vai,vaj)+W(vbi,vbj);
W(vci,vcj)表示新生成的用户关注图c的节点i对节点j的有向边的权重,W(vai,vaj)表示用户关注图a中节点i对节点j的有向边的权重,W(vbi,vbj)表示用户关注图b中节点i对节点j的有向边的权重。并跳转到3.1。
步骤4:多用户社交网络生成。从单用户社交关系队列中获得多个单用户社交关系,通过融合单用户社交关系拓扑图中的的公有节点方法,将单用户社交关系拓扑图融合为一个社交网络拓扑图。在融合时,相同节点的边的权重计算公式如下:
W(vci,vcj)=max{W(vai,vaj),W(vbi,vbj)}。其中,W(vci,vcj)表示新生成的用户关注图c中节点i指向节点j的有向边的权重,W(vai,vaj)表示用户关注图a中节点i指向节点j的有向边的权重,W(vbi,vbj)表示用户关注图b中节点i指向节点j的有向边的权重。当社交关系拓扑图中不包含公有节点时,融合结束。
二、图2展示了如何通过用户原创微博反演化得到用户关注树的过程。反演化的基本假设是如果用户B转发或评论过用户A的微博信息,那么B就是A的粉丝。通过这一基本假设,就可以把对用户微博信息进行的评论或者转发的用户作为用户的粉丝或者关注者。通过信息传播树反演化出用户关注树。
三、图3展示了如何将两个不同的用户关注树通过融合得到用户社交网络拓扑。在进行融合时,先找到两个用户关注树的共同节点,然后将一颗树中公共用户的社交关系赋予给另一颗树的用户,实现两棵树的社交关系融合。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (2)
1.一种基于信息传播的微博社交关系提取算法,其特征在于,基于定义:
定义一、用户B转发或评论过用户A的微博信息,则用户B是A的粉丝,存在用户B对用户A的关注关系;
定义二、用户A发送的微博@用户B,则用户A对用户B存在关注关系,如果用户B对@的信息评论或转发等行为,则用户B对用户A存在关注关系;
定义三、对于存在用户A的粉丝列表中但从没有参与和A有关的信息交互的用户B,认为B对A的关注为弱联系,忽略不计;
定义四、用户A、B之间的信息交互次数代表了A、B之间的亲密程度,作为用户之间关注关系的权重;
该提取算法包括:
步骤1、采用微博开放API接口或者爬虫软件获得微博数据,以及微博下的评论和转发数据;
步骤2、对获得数据进行过滤操作,选择转发数量大于100条的原创微博数据,根据转发和评论数据,对每一条原创微博建立信息传播树;
对每一条原创微博建立信息传播树的具体步骤如下:
步骤2.1、获得原创微博的所有转发和评论数据;
步骤2.2、一级传播构建,对原创微博的直接转发和评论数据,使原创微博节点指向转发和评论节点,构成一级传播;
步骤2.3、对于一级传播节点,获得其转发和评论数据;使一级传播节点指向其转发和评论节点,构建二级传播;以此迭代,直到所有转发和评论节点都加入到信息传播树中;
步骤2.4、对于每一个信息传播树,通过反演化方法获得用户关注图;信息传播与用户关注方向相反,将信息传播树中所有边的方向反向,并为每一个边赋予权值1,获得用户关注图;用户关注图使用一个有向加权图表示,G=(V,E);其中,V表示用户节点的集合,E表示用户间的有向边集合;
步骤2.5、用户关注图的存储;定义用户关注图队列:队列包含一个数组data[MaxSize]和两个队列指针front,rear;数组data中用于存放用户关注图,队列指针分别指向队首和对尾;每一个用户关注图依次放入用户关注图队列中;
步骤3、单用户社交关系生成;将一个用户的所有用户关注图,通过两两合并的方式,生成新的用户关注图,再次两两合并,直到只有一个用户关注图为止;
步骤4、多用户社交网络生成;从单用户社交关系队列中获得多个单用户社交关系,通过融合单用户社交关系拓扑图中的的公有节点方法,将单用户社交关系拓扑图融合为一个社交网络拓扑图;在融合时,相同节点的边的权重计算公式如下:
W(vci,vcj)=max{W(vai,vaj),W(vbi,vbj)};
其中,W(vci,vcj)表示新生成的用户关注图c中节点i指向节点j的有向边的权重,W(vai,vaj)表示用户关注图a中节点i指向节点j的有向边的权重,W(vbi,vbj)表示用户关注图b中节点i指向节点j的有向边的权重;当社交关系拓扑图中不包含公有节点时,融合结束。
2.根据权利要求1所述的一种基于信息传播的微博社交关系提取算法,其特征在于,所述步骤3中单用户社交关系生成的具体步骤包括:
步骤3.1、用户关注图队列的长度为1,则用户关注图队列中的元素就是生产的用户社交关系拓扑图,将其放入到单用户社交关系拓扑队列中,并跳转到步骤4;单用户社交关系拓扑队列定义如下:队列包含一个数组用户关注图和两个队列指针front,rear;数组用于存储单用户社交关系拓扑图;队列指针分别指向队首和对尾;如果用户关注图队列的长度大于1,则跳转到步骤3.2;
步骤3.2、从用户关注图队列中获得两个用户关注图,将两个图合并为一个用户关注拓扑图;对于两个图相同的关注关系,在合并关注关系的同时,将两个关注关系的边权值相加,得到新的权值赋给边;并将此图加入用户关注图队列尾部;边的权值计算公式如下:
W(vci,vcj)=W(vai,vaj)+W(vbi,vbj);
W(vci,vcj)表示新生成的用户关注图c的节点i对节点j的有向边的权重,W(vai,vaj)表示用户关注图a中节点i对节点j的有向边的权重,W(vbi,vbj)表示用户关注图b中节点i对节点j的有向边的权重;并跳转到3.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710203903.3A CN106991617B (zh) | 2017-03-30 | 2017-03-30 | 一种基于信息传播的微博社交关系提取算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710203903.3A CN106991617B (zh) | 2017-03-30 | 2017-03-30 | 一种基于信息传播的微博社交关系提取算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106991617A true CN106991617A (zh) | 2017-07-28 |
CN106991617B CN106991617B (zh) | 2020-07-10 |
Family
ID=59412296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710203903.3A Expired - Fee Related CN106991617B (zh) | 2017-03-30 | 2017-03-30 | 一种基于信息传播的微博社交关系提取算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991617B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108337569A (zh) * | 2018-04-03 | 2018-07-27 | 优视科技有限公司 | 一种基于视频的互动讨论方法、装置和终端设备 |
CN108363752A (zh) * | 2018-01-30 | 2018-08-03 | 中国人民解放军战略支援部队信息工程大学 | 基于微博传播规模预测的用户社会影响力分析方法 |
CN109299340A (zh) * | 2018-12-03 | 2019-02-01 | 江苏警官学院 | 一种基于图数据库的微博用户转发关系导入及可视化方法 |
CN109727152A (zh) * | 2019-01-29 | 2019-05-07 | 重庆理工大学 | 一种基于时变阻尼运动的在线社交网络信息传播构建方法 |
CN110196950A (zh) * | 2019-02-28 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 传播帐号的处理方法和装置 |
CN110555081A (zh) * | 2019-04-18 | 2019-12-10 | 国家计算机网络与信息安全管理中心 | 社交互动的用户分类方法、装置、电子设备及介质 |
CN110929168A (zh) * | 2019-11-12 | 2020-03-27 | 北京百分点信息科技有限公司 | 关键受众确定方法、装置及电子设备 |
CN112115381A (zh) * | 2020-09-28 | 2020-12-22 | 北京百度网讯科技有限公司 | 融合关系网络的构建方法、装置、电子设备和介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919780B (zh) * | 2019-01-23 | 2024-07-09 | 平安科技(深圳)有限公司 | 基于图计算技术的理赔反欺诈方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103595734A (zh) * | 2013-12-02 | 2014-02-19 | 中国科学院信息工程研究所 | 基于用户关联结构划分的在线社交网络快速修复方法 |
US20160378774A1 (en) * | 2015-06-23 | 2016-12-29 | Seachange International, Inc. | Predicting Geolocation Of Users On Social Networks |
CN106372072A (zh) * | 2015-07-20 | 2017-02-01 | 北京大学 | 一种基于位置的移动社会网络用户关系的识别方法 |
-
2017
- 2017-03-30 CN CN201710203903.3A patent/CN106991617B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103595734A (zh) * | 2013-12-02 | 2014-02-19 | 中国科学院信息工程研究所 | 基于用户关联结构划分的在线社交网络快速修复方法 |
US20160378774A1 (en) * | 2015-06-23 | 2016-12-29 | Seachange International, Inc. | Predicting Geolocation Of Users On Social Networks |
CN106372072A (zh) * | 2015-07-20 | 2017-02-01 | 北京大学 | 一种基于位置的移动社会网络用户关系的识别方法 |
Non-Patent Citations (3)
Title |
---|
C. HONEY等: "Beyond Microblogging: Conversation and Collaboration via Twitter", 《2009 42ND HAWAII INTERNATIONAL CONFERENCE ON SYSTEM SCIENCES》 * |
刘玮等: "基于用户行为特征的微博转发预测研究", 《计算机学报》 * |
李洋等: "微博信息传播预测研究综述", 《软件学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363752A (zh) * | 2018-01-30 | 2018-08-03 | 中国人民解放军战略支援部队信息工程大学 | 基于微博传播规模预测的用户社会影响力分析方法 |
CN108337569A (zh) * | 2018-04-03 | 2018-07-27 | 优视科技有限公司 | 一种基于视频的互动讨论方法、装置和终端设备 |
CN109299340A (zh) * | 2018-12-03 | 2019-02-01 | 江苏警官学院 | 一种基于图数据库的微博用户转发关系导入及可视化方法 |
CN109727152A (zh) * | 2019-01-29 | 2019-05-07 | 重庆理工大学 | 一种基于时变阻尼运动的在线社交网络信息传播构建方法 |
CN109727152B (zh) * | 2019-01-29 | 2020-07-17 | 重庆理工大学 | 一种基于时变阻尼运动的在线社交网络信息传播构建方法 |
CN110196950A (zh) * | 2019-02-28 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 传播帐号的处理方法和装置 |
CN110196950B (zh) * | 2019-02-28 | 2023-10-24 | 腾讯科技(深圳)有限公司 | 传播帐号的处理方法和装置 |
CN110555081A (zh) * | 2019-04-18 | 2019-12-10 | 国家计算机网络与信息安全管理中心 | 社交互动的用户分类方法、装置、电子设备及介质 |
CN110555081B (zh) * | 2019-04-18 | 2022-05-31 | 国家计算机网络与信息安全管理中心 | 社交互动的用户分类方法、装置、电子设备及介质 |
CN110929168A (zh) * | 2019-11-12 | 2020-03-27 | 北京百分点信息科技有限公司 | 关键受众确定方法、装置及电子设备 |
CN112115381A (zh) * | 2020-09-28 | 2020-12-22 | 北京百度网讯科技有限公司 | 融合关系网络的构建方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106991617B (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991617A (zh) | 一种基于信息传播的微博社交关系提取算法 | |
CN106980692B (zh) | 一种基于微博特定事件的影响力计算方法 | |
CN104239539B (zh) | 一种基于多种信息融合的微博信息过滤方法 | |
Sobolevsky et al. | General optimization technique for high-quality community detection in complex networks | |
CN103064917B (zh) | 一种面向微博的特定倾向的高影响力用户群发现方法 | |
CN105095419A (zh) | 一种面向微博特定类型用户的信息影响力最大化方法 | |
CN106959966A (zh) | 一种信息推荐方法及系统 | |
CN106780073A (zh) | 一种考虑用户行为和情感的社会网络影响力最大化初始节点选取方法 | |
CN103744904B (zh) | 一种提供信息的方法及装置 | |
CN109471965A (zh) | 一种基于大数据的网络舆情数据采集、处理方法及监测平台 | |
Liao et al. | Coronavirus pandemic analysis through tripartite graph clustering in online social networks | |
CN105069290A (zh) | 一种面向寄递数据的并行化关键节点发现方法 | |
CN104484365B (zh) | 一种多源异构在线社会网络中网络主体之间社会关系的预测方法与系统 | |
CN106156117A (zh) | 面向特定主题的隐蔽社区核心交际圈检测发现方法和系统 | |
CN109120431A (zh) | 复杂网络中传播源选择的方法、装置及终端设备 | |
CN107070932A (zh) | 社会网络动态发布中防止标签邻居攻击的匿名方法 | |
Choudhury et al. | An empirical study of community and sub-community detection in social networks applying Newman-Girvan algorithm | |
Khatri et al. | Influence Maximization in social networks using discretized Harris’ Hawks Optimization algorithm | |
CN110851684B (zh) | 一种基于三元关联图的社交话题影响力识别方法及装置 | |
CN107832451A (zh) | 一种简化的大数据清洗方式 | |
CN112150220A (zh) | 一种基于互联网用户行为的分析方法 | |
Hu et al. | IMNE: Maximizing influence through deep learning-based node embedding in social network | |
CN104243234B (zh) | 社会网络传播拓扑中用户关系构建方法及系统 | |
Wang et al. | A probability based algorithm for influence maximization in social networks | |
Su et al. | Understanding Information Diffusion under Interactions. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200710 Termination date: 20210330 |
|
CF01 | Termination of patent right due to non-payment of annual fee |