基于链路预测的微博用户关系分析

被引:18
作者
傅颖斌
陈羽中
机构
[1] 福州大学福建省网络计算与智能信息处理重点实验室
关键词
链路预测; 社会网络; 微博属性; 随机森林;
D O I
暂无
中图分类号
TP393.092 [];
学科分类号
摘要
随着以微博为代表的在线社交网站的发展,微博用户之间形成了复杂的社会网络。针对微博社会网络,研究了影响微博用户之间关系形成的各种因素,提出了基于链路预测的微博用户关系分析模型。首先分析了网络结构特征在微博社会网络中的作用,同时针对微博社会网络的特点,引入微博属性特征,构造基于随机森林的链路预测模型,并将模型应用于新浪微博用户数据集,进行微博用户关系的训练预测,通过比较引入微博属性特征前后的预测性能以及特征的重要性分布,分析了各类特征对微博用户关系形成的影响,揭示了除传统的网络结构特征外,微博属性特征对微博用户关系的形成具有重要的影响力。
引用
收藏
页码:201 / 205+244 +244
页数:6
相关论文
共 10 条
[1]   MB-SinglePass:基于组合相似度的微博话题检测 [J].
周刚 ;
邹鸿程 ;
熊小兵 ;
黄永忠 .
计算机科学, 2012, 39 (10) :198-202
[2]   微博网络测量研究 [J].
樊鹏翼 ;
王晖 ;
姜志宏 ;
李沛 .
计算机研究与发展, 2012, 49 (04) :691-699
[3]   复杂网络链路预测 [J].
吕琳媛 .
电子科技大学学报, 2010, (05) :651-661
[4]   基于机器学习的文本分类技术研究进展 [J].
苏金树 ;
张博锋 ;
徐昕 .
软件学报, 2006, (09) :1848-1859
[5]   Friends and neighbors on the Web [J].
Adamic, LA ;
Adar, E .
SOCIAL NETWORKS, 2003, 25 (03) :211-230
[6]   Random forests [J].
Breiman, L .
MACHINE LEARNING, 2001, 45 (01) :5-32
[7]   Bagging predictors [J].
Breiman, L .
MACHINE LEARNING, 1996, 24 (02) :123-140
[8]  
Learning Bayesian Networks: The Combination of Knowledge and Statistical Data[J] . David Heckerman,Dan Geiger,David M. Chickering.Machine Learning . 1995 (3)
[9]   A NEW STATUS INDEX DERIVED FROM SOCIOMETRIC ANALYSIS [J].
KATZ, L .
PSYCHOMETRIKA, 1953, 18 (01) :39-43
[10]  
Link prediction using supervised learning .2 Al Hasan M,Chaoji V,Salem S,Zaki M. SDM06: Workshop on Link Analysis, Counter-terrorism and Security . 2006