社交網絡跨平臺實體解析算法研究.pdf

1、近些年來，隨著計算機和互聯(lián)網技術的飛速發(fā)展，數據挖掘技術被廣泛的應用于各個領域。在數據挖掘中，實體解析技術起到了消除冗余，連接記錄的作用，是數據預處理的一個重要步驟，其重要性正在逐漸得到廣泛的認可。另一方面，伴隨著社交網絡的興起與發(fā)展，實體解析技術在社交網絡領域的應用也在不斷地被研究和發(fā)現。研究社交網絡跨平臺的實體解析技術，能夠為實現社交網絡環(huán)境下的個性化服務提供便利，并且對維護社交網絡信息安全也有著重要意義。
　　社交網絡的用戶

2、數據構成復雜，有多個組成部分，包括好友關系、個人資料等。目前對社交網絡跨平臺實體解析問題的研究，主要從數據的特點出發(fā)。常見的算法主要注重于其中一個部分的數據，存在一定的缺陷和弊端。本文通過對社交網絡各部分數據特點的分析，結合屬性和結構兩方面信息，提出了基于結構的屬性相似度極值算法，用以解決社交網絡跨平臺的用戶實體解析問題。該算法以結構特征為基礎，以少量的已知信息為出發(fā)點，在屬性特征的輔助下進行多次迭代，最終完成用戶實體解析的任務目標。<

3、br>　　在提出算法的基礎上，本文在算法的各個步驟當中，引入了新的概念和定義，進行了一系列的優(yōu)化。主要包括采用加權的擴展屬性計算屬性相似度，以便更為準確地體現用戶間的相似程度；引入結構緊密度的概念，并以此為基礎選擇算法迭代的起點；提出動態(tài)閾值的概念，以避免固定閾值可能導致的一系列問題；使用結果裁剪，以適應各種場景的需求。
　　在提出算法之后，本文利用模擬數據和從真實的社交網絡采集到的數據，對算法性能做出了分析。本文使用來自Face