论文部分内容阅读
社交网络的蓬勃发展使其成为人们发表、获取以及讨论最新信息的重要交流平台。在社交网络中,影响力较大的用户能在短时间内对数量众多的用户产生直接或间接的影响,在信息传播、广告推广和舆情控制等方面起着重要作用。因此社交网络中的关键节点蕴含着巨大的研究意义和商业价值,如何有效客观地衡量节点在社交网络中的实际影响力,进一步挖掘网络中的关键节点已然成为了一个需要深入研究的关键问题。由于社交网络的复杂性,使得一些简单的基于邻居、路径的关键节点挖掘方法,已经不能很好地适用于复杂的社交网络。相比之下,诸如PageRank、LeaderRank、带权LeaderRank算法等基于特征向量的方法就更加具有借鉴意义。因此本文详细分析了带权的LeaderRank算法,并发现将其应用于社交网络的关键节点挖掘时存在一定不足,该算法仅利用了节点的拓扑属性。而在实际的社交网络中,除了拓扑属性外,节点获得的点赞以及节点的内容规模等属性也能反映用户节点在社交网络中的真实表现,这些属性反映了其他节点对该节点产生的内容的认可程度。所以在挖掘关键节点的算法中理应分为两部分考虑,一方面兼顾节点的拓扑属性,另一方面也要结合那些反映节点在社交网络中平均表现特征的个人属性。针对以上问题,本文首先以知乎网络为一个具体研究案例,全面分析用户的个人属性与社交关系,提出了一种基于知乎网络的带权LeaderRank改进的关键节点挖掘算法。改进算法在原始算法的基础上,扩展了对节点多属性特征的综合使用,突出强调了节点在社交网络中的平均表现特征。我们进一步将其进行扩展,使其可以适用于一般的社交网络。本文以真实的知乎数据为基础验证了该算法的有效性。具体实验部分首先分析知乎网络的统计特征,并比较了改进带权LeaderRank算法和带权LeaderRank算法的节点排序结果。接着通过参考经典文献,采用不同的通用实验验证方法,分别从有效性和鲁棒性两方面对改进算法和原始算法进行实验及结果分析。最后又以Github网络为另一个具体研究案例,并基于该社交网络数据对两个算法进行了实验仿真和验证。实验结果再次说明了改进算法更加适合于社交网络中的关键节点的挖掘。以上实验结果可以证明,改进算法可以综合考虑网络中节点的拓扑属性和个人属性,挖掘符合社交网络客观需求的关键节点。并且改进算法相较于带权的LeaderRank算法,面对复杂网络中的干扰边或者干扰点能够表现出更强的鲁棒性。