融合行为和语义的节点影响力分析

doi:10.3778/j.issn.1002-8331.1512-0363

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (11): 151-154.DOI: 10.3778/j.issn.1002-8331.1512-0363

融合行为和语义的节点影响力分析

张会兵1，何彩梅1，胡晓丽1，裴东良2

1.桂林电子科技大学广西可信软件重点实验室，广西桂林 541004
2.国网河南省电力公司检修公司，郑州 450001

出版日期:2017-06-01 发布日期:2017-06-13

Analysis of node influence by fusing behavior and semantics

ZHANG Huibing1, HE Caimei1, HU Xiaoli1, PEI Dongliang2

1.Guangxi Key Laboratory of Trusted Software, Guilin University of Electronic Technology, Guilin, Guangxi 541004, China
2.State Grid Henan Electric Power Corporation Maintenance Company, Zhengzhou 450001, China

Online:2017-06-01 Published:2017-06-13

摘要/Abstract

摘要： 社交网络中节点影响力研究在信息传播、舆情监督、社会化商务等领域有重要作用。提出融合行为和语义的节点影响力分析方法——BSA（Behavior and Semantics Analysis）方法。该方法先通过基于Cox模型的时间衰减行为矩阵方法计算受者行为影响力，然后通过语义分析方法计算施者行为影响力，最后融合施者行为影响力与受者行为影响力来计算节点的影响力。仿真实验表明，提出的方法可以较真实地反映社交网络中节点的影响力。

关键词: 社交网络, 节点影响力, 行为矩阵, 语义分析

Abstract: Research on the influence of nodes in social networks plays an important role in the field of information dissemination, public opinion supervision and social commerce. The analysis method of node influence fused behavior and semantic is presented. Firstly, the time decay behavior matrix method based on the Cox model is used to calculate the influence of recipient behavior. Secondly, the influence of the giver behavior is calculated by the method of semantic analysis. Finally, the influence of the node is presented by recipient behavior and giver behavior. The simulation experiments show that BSA method can reflect the influence of the nodes in the social network exactly.

Key words: social networks, node influence, behavior matrix, semantic analysis

张会兵1，何彩梅1，胡晓丽1，裴东良2. 融合行为和语义的节点影响力分析[J]. 计算机工程与应用, 2017, 53(11): 151-154.

ZHANG Huibing1, HE Caimei1, HU Xiaoli1, PEI Dongliang2. Analysis of node influence by fusing behavior and semantics[J]. Computer Engineering and Applications, 2017, 53(11): 151-154.

[1]	崔增乐，钱晓东. 区块链社交网络信息传播模型的优化研究[J]. 计算机工程与应用, 2021, 57(7): 59-69.
[2]	孟祥福，王丹丹，张峰. 空间关键字查询综述[J]. 计算机工程与应用, 2021, 57(20): 13-24.
[3]	陈淑娟，徐雅斌. 面向主题社团的意见领袖挖掘方法[J]. 计算机工程与应用, 2021, 57(2): 156-163.
[4]	王英博，孙永荻. 基于GNN的矩阵分解推荐算法[J]. 计算机工程与应用, 2021, 57(19): 129-134.
[5]	卫鼎峰，李梁，柴晶. 融合物品信息的社会化推荐算法[J]. 计算机工程与应用, 2021, 57(19): 198-204.
[6]	夏英，张金凤. 融合社交关系和局部地理因素的兴趣点推荐[J]. 计算机工程与应用, 2021, 57(15): 133-139.
[7]	赵亮，朱征宇. 融入K-核迭代因子的重叠社区发现算法[J]. 计算机工程与应用, 2020, 56(3): 61-67.
[8]	李维勇，孔枫，张伟，陈云芳. 节点传播能力的偏好随机行走的信息传播方法[J]. 计算机工程与应用, 2020, 56(24): 123-129.
[9]	林倩茹，王博，刘云清，刘小煜，刘威鹏. 基于民调与网民情感倾向性的选情预测模型[J]. 计算机工程与应用, 2020, 56(24): 130-136.
[10]	赵亮，陈平华，廖威平. 融合社交网络用户潜在因子的社会化推荐[J]. 计算机工程与应用, 2020, 56(24): 169-174.
[11]	朴杨鹤然，崔晓晖. 社交网络中用户隐私推理与保护研究综述[J]. 计算机工程与应用, 2020, 56(19): 1-12.
[12]	方劲皓，钱晓东. 改进的SCIR模型中社交网络信息传播研究[J]. 计算机工程与应用, 2020, 56(19): 105-113.
[13]	李全，许新华，刘兴红，林松. 基于LBSN动态异构网络的时间感知兴趣点推荐[J]. 计算机工程与应用, 2020, 56(11): 67-74.
[14]	吴航，江红. 融合潜在社交信任模型的协同过滤推荐[J]. 计算机工程与应用, 2019, 55(20): 114-121.
[15]	盖赟1，荆国栋2. 多尺度方法结合卷积神经网络的行为识别[J]. 计算机工程与应用, 2019, 55(2): 100-103.

融合行为和语义的节点影响力分析

Analysis of node influence by fusing behavior and semantics

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics