检索结果-南通市图书馆

检索条件"主题词=用户拓扑结构信息"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

跨社交网络用户身份识别算法研究

跨社交网络用户身份识别算法研究

引用

作者：徐能安徽建筑大学

学位级别：硕士

随着互联网技术的不断发展,社交网络平台数量和网民数量与日俱增,用户在功能服务各异的社交网络平台活动的同时,也产生了大量能够反应用户特征的数据信息。但由于各个社交网络平台之间相互独立,使得这些用户数据信息难以产生联系。跨社... 详细信息

随着互联网技术的不断发展,社交网络平台数量和网民数量与日俱增,用户在功能服务各异的社交网络平台活动的同时,也产生了大量能够反应用户特征的数据信息。但由于各个社交网络平台之间相互独立,使得这些用户数据信息难以产生联系。跨社交网络用户身份识别技术就是通过对用户留在不同社交网络平台的数据信息进行分析利用,识别出属于同一自然人的社交网络用户账号,从而将各平台数据整合起来,建立起相对全面的用户画像。该技术的发展对网络安全、推荐系统、数据挖掘领域意义重大。目前,跨社交网络用户身份识别技术研究已经取得了一些成果,但针对基于拓扑结构信息的用户身份识别,还存在一些问题:(1)现有算法没有考虑好友节点的差异性。社交网络中用户的不同好友对该用户的影响并非是完全等价的,如果只以均匀分布描述节点间的转移概率,就不能准确描述出社交网络中节点的好友关系。(2)现有的基于网络表示学习的用户身份识别算法虽然在一定程度上提高了识别效果,但却未考虑社交网络中节点的高阶好友信息,影响节点向量对网络结构的精确表示。(3)社交网络中不同阶好友对用户身份识别的贡献不同,如果将各阶好友特征等权重化,则会影响用户身份识别性能。针对这些问题,本文的主要内容如下:(1)提出了一种基于好友贡献的多阶网络嵌入用户身份识别算法首先,考虑了不同好友节点对中心节点的影响不同,基于特征向量中心性构建了转移概率矩阵,该矩阵能够较好的表达社交网络中节点之间的转移关系;然后,将社交网络中节点的好友关系扩展至K阶,并将节点不同阶好友嵌入到不同的特征子空间,避免了破坏社交网络的拓扑结构;最后利用网络表示学习获得节点的表示向量,搭建并训练神经网络模型,通过该模型可以直接判断任意两个账号是否属于同一自然人。(2)提出了一种基于单特征决策加权融合的用户身份识别算法在基于好友贡献的多阶网络嵌入用户身份识别算法的基础上,本文考虑了不同阶好友与中心用户节点的关系。首先,为各阶好友特征单独训练子分类器;然后基于结果反馈原理为各子分类器赋予不同的权重,从而合理的量化了不同阶好友对用户身份识别的贡献;最后将子分类器结果在决策层进行加权融合,判断用户的同一身份。同时,由于各阶好友特征分开训练,各子分类器可以采用并行结构,大大提高了算法的时间效率。在社交网络数据集上的实验结果表明,基于好友贡献的多阶网络嵌入用户身份识别算法的各项指标均优于现有算法。在先验种子节点率为60%时,F1值最高提升了11.07%,最低也提升了2.54%。而基于单特征决策加权融合的用户身份识别算法在此基础上进一步将F1值提升了大约1%,且算法的时间性能优势明显。图[34]表[9]参[76]

关键词：跨社交网络用户拓扑结构信息用户身份识别网络表示学习神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于动态社区聚类的跨社交网络用户身份识别算法研究

基于动态社区聚类的跨社交网络用户身份识别算法研究

引用

作者：袁振华安徽建筑大学

学位级别：硕士

随着社交网络平台的增长和社交网络用户的增多,用户在社交网络上的社交活动留下海量的数据。然而,各社交网络相互独立,形成用户信息“孤岛”现象。跨社交网络用户身份识别就是在不同的社交网络中对用户的数据进行处理分析,识别出用户在... 详细信息

随着社交网络平台的增长和社交网络用户的增多,用户在社交网络上的社交活动留下海量的数据。然而,各社交网络相互独立,形成用户信息“孤岛”现象。跨社交网络用户身份识别就是在不同的社交网络中对用户的数据进行处理分析,识别出用户在现实世界的同一身份,从而整合用户在各个社交网络的数据资源,建立全面的用户画像。跨社交网络用户身份识别对于商业广告投放、个性化推荐、维护网络安全等方面都有着十分重要的意义。目前,跨社交网络用户身份识别算法研究已经取得一些进展,但是仅使用用户拓扑结构信息的算法中存在因先验种子节点信息利用不全面、利用共同邻居指标计算用户相似度产生争议性种子节点(即一个网络的用户与另外一个网络中多个用户匹配相似度相同)导致准确率低及时间复杂度高等问题。本文针对这些问题提出基于动态社区聚类的用户身份识别算法,具体工作如下:针对传统基于用户拓扑结构信息算法准确率低和时间复杂度高的问题,有学者引入社区聚类方法,在一定程度上提高了准确率,但仍然存在聚类社区固定导致的先验种子节点信息利用不充分,识别效果不佳的问题,且时间复杂度仍然较高。针对于此,本文首先对不同的社交网络进行社区聚类,根据共同先验种子节点数量计算不同社交网络社区之间的相似度,并筛选出相似度较大的社区对;其次,对不同网络较大相似社区对之间的用户进行双向匹配;最后,将匹配得到的节点加入到种子节点用户对中。以上过程完成后,重新设置不同的社区聚类数(按一定的级数减少划分社区数,即动态社区聚类),再进行社区聚类,再对较大相似社区中用户进行匹配,并加入种子节点用户对。重复迭代直到没有新的匹配用户对产生或达到设定的迭代次数。动态社区聚类从不同的角度搜索社区,发现更多的匹配用户对,提高用户身份识别的准确率,降低了算法的运行时间。实验结果表明,与基于用户好友关系的全局匹配算法和基于隐藏标签节点挖掘算法相比平均准确率提高了31.7%和26.5%,算法运行时间平均降低了86%和66.5%。针对用户相似度计算导致的争议性种子节点问题,本文引入节点接近中心性,计算待匹配节点到其他节点的最短路径的平均距离,将节点接近中心性和共同邻居组合起来计算待匹配用户之间的相似度。实验结果表明,相比于传统基于共同邻居指标的方法,本文引入节点接近中心性对用户身份识别效果有一定的提升。为了提高用户身份识别的准确率,本文在动态社区聚类识别的基础上,引入Resource Allocation(RA)指标和Adamic-Adar(AA)指标进行用户相似度计算,实验表明,RA指标效果可以更有效识别用户同一身份。图[30]表[8]参[79]

关键词：跨社交网络用户身份识别用户拓扑结构信息动态社区聚类

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：