基于機器學習的社交網(wǎng)絡用戶特征分析.pdf

1、Web2.0時代的到來使得社交網(wǎng)絡日益普及，社交網(wǎng)絡中的海量數(shù)據(jù)蘊藏了無限寶藏等待挖掘。社交網(wǎng)絡形態(tài)多樣且技術日新月異，大數(shù)據(jù)趨勢成為必然，運用先進技術手段對網(wǎng)絡中的數(shù)據(jù)進行訓練學習是現(xiàn)實的要求。
　　由于社交網(wǎng)絡發(fā)展迅猛，傳統(tǒng)的網(wǎng)絡研究方法、成果等不再適用。在對社交網(wǎng)絡用戶進行分析時，大多數(shù)研究僅集中于用戶某一方面的特征，如行為時間間隔特征等。鑒于此，本文著眼于個體用戶的屬性、信息、關系三方面特征對社交網(wǎng)絡中的用戶特征進行了全面

2、的分析。進一步借助機器學習中較為先進的譜聚類算法對所采集的微博實際數(shù)據(jù)進行了無監(jiān)督學習。
　　論文基于社交網(wǎng)絡研究多學科交叉結合的特點，采用機器學習、文本處理等手段對以微博為代表的社交網(wǎng)絡平臺整體特性、用戶信息傳播特征、用戶行為特征、屬性特征、關系特征、文本特征進行綜合研究?？梢暬治鍪谴髷?shù)據(jù)時代對數(shù)據(jù)進行分析的必然要求，本文對社交網(wǎng)絡用戶特征分析時實現(xiàn)了網(wǎng)絡特性的可視化。
　　論文完成的主要工作包括:在圖論、復雜網(wǎng)絡研究、

3、經(jīng)典病毒傳播模型、人類動力學傳播模型等理論基礎上研究了社交網(wǎng)絡特性;利用Gephi實現(xiàn)了社交網(wǎng)絡特征可視化;建立了SEIR微博信息傳播模型;為微博用戶建立了興趣驅(qū)動的用戶交互動力學模型;同時，論文采集了微博平臺中用戶的實際數(shù)據(jù)，利用LDA主題向量模型對采集的數(shù)據(jù)進行了處理，再進一步得到了用戶之間的相似矩陣，在此基礎上利用優(yōu)于K-means聚類等傳統(tǒng)聚類方法的譜聚類算法對樣本數(shù)據(jù)進行了興趣社區(qū)挖掘。通過理論推導和實證分析，論文全面地分析了