摘要：为提高大型在线社交网络中信任计算方法的准确性和鲁棒性,采用共被引和转置信任传播操作,提出一种基于多态信任融合的信任估计方法估计连续信任/不信任值。结合信任者、被信任者的相邻用户的信息以及被信任者对信任者的信任,平均估计出两个用户信任或被其它用户信任的差异,以及一个用户信任另一个用户和被该用户信任的差异;利用这些差异,计算4种部分信任估计值,将这些部分估计值加权平均,得到信任者对被信任者的最终信任估计值。仿真结果表明,所提方法比其它最新的现有信任计算算法更准确和鲁棒,对应用于大型网络更高效。

摘要：为深入探究在线社交网络中服装品牌信息传播主题及其内涵,首先通过选择性接触理论分析消费者接触信息时的心理过程,然后运用数据挖掘和隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)主题模型,从大量在线社交网络的服装品牌文本数据中挖掘服装品牌信息主题,再运用扎根分析方法提炼出服装品牌信息指标体系。最终形成的服装品牌信息指标体系包括产品信息、服务信息、营销信息、口碑信息、企业信息和环境信息6个维度和产品属性、售前服务、广告营销、企业形象等13个指标,并提出针对性的服装品牌信息设计和传播建议。研究结果可为服装企业在社交网络中传播符合消费者需求的服装品牌信息提供参考。

摘要：现有针对谣言澄清问题的研究,往往忽略了实施谣言澄清策略需要付出的代价问题.为此,本文构建了一种在线社交网络(online social networks,OSN)中,同时考虑信息整体流行度和个体传播倾向的动态线性阈值谣言传播模型(dynamic linear threshold based rumor spreading,DLTRS);并基于该模型,设计了一种考虑辟谣信息传播时间、种子节点数量、信息内容等谣言抑制代价的谣言澄清算法(rumor clarification considering cost restraint,RCCR);利用构建的网络和真实OSN环境下的数据集,对提出的谣言传播模型和澄清算法进行了仿真实验,并进一步分析了各参数变化对算法性能的影响.

摘要：异常帐号检测是在线社交网络安全研究的关键问题之一.攻击者通过异常帐号传播广告、钓鱼等恶意消息以及恶意关注、点赞等行为严重威胁正常用户的信息安全和社交网络的信用体系,为此有大量的研究工作来检测社交网络中异常帐号.文中回顾了近年来在线社交网络中异常帐号检测的主要成果,阐述了异常帐号在不同发展阶段的表现形式以及检测异常帐号所面临的主要挑战,重点从基于行为特征、基于内容、基于图(Graph)、无监督学习四个方面总结了异常帐号检测方案,介绍了在实验过程中数据获取、数据标识以及结果验证的主要方法,并对未来异常帐号检测的研究趋势进行了展望.

摘要：在线社交网络已成为信息传播的重要途径,给人们获取信息带来便利的同时,也为不良信息的扩散提供了温床.目前主流的在线社交网络都采用关键字匹配的方式屏蔽不良信息的发布,在阻止信息本身的同时,也屏蔽了与其相关的积极观点的传播.本文提出一种自适应的观点引导模型,实现对在线社交网络用户的观点引导.该模型首先分析网络用户对事件/事物的观点和情感倾向,确定其中观点消极的用户作为引导对象,然后向其推送与之关注点相近且情感相对积极的信息或用户,进行观点引导,同时引入反馈机制,根据引导对象的观点变化动态调整推送内容,以实现长期精确引导.基于该模型设计并实现了观点引导系统,包括引导信息模块、观点标注模块、推荐模块和反馈模块,实现了自动选择群体、自动识别群体情感倾向、自动选择和调整推送内容等功能.实验结果表明,该模型能够实现对在线社交网络用户的观点引导.

摘要：针对社交网络中用户发布的数据延伸不可控的问题,提出了一种基于隐私标签的延伸控制机制。该机制基于用户关系跳数和资源转发跳数给用户和数据分配不同类型的隐私标签,以实现对数据的细粒度延伸访问控制。提出了隐私标签的生成算法和分配方法,设计了隐私标签约束规则并对可能出现的策略冲突进行分析。最后通过测试,表明了该机制可以实现社交网络中细粒度延伸控制,同时证明了该机制的安全性和有效性。

摘要：设计了双编码器-解码器模型,在模型的双编码器端分别对情绪变量和技术指标进行单独编码,以提高两类信息输入时编码器-解码器模型对股价的预测准确率.首先,对模型的编码和解码,基于门控循环单元(GRU)进行改进,通过去掉重置门,使用更新门代替重置门的功能,将激活函数tanh替换为ReLU激活函数,以达到提高网络训练速度和模型精度的效果.其次,将市场情绪看作离散时间的随机过程,当固定时间时,市场情绪是服从某个概率分布的变量,对其概率分布进行估计,可得市场情绪关于积极、消极和中立的概率估计.进一步的,基于构建伪标签的情感分类器,建立情绪得分公式,并基于Bagging集成的方法对市场情绪的概率分布进行估计,作为投资者情绪变量的补充.另一方面,对多个超参数调整选优,设计正交试验,大大缩短了模型选参时间.实验结果表明,两输入的双编码器-解码器,不仅提升了编码器-解码器框架的股价预测效果,还通过引入投资者情绪,提高了模型的准确率和鲁棒性.

摘要：在线社交网络的兴起吸引了越来越多用户的加入,面对数以亿计的用户量,如何以一种可扩展的方式存储用户数据已成为社交服务提供商和学术界共同关注的热点问题.目前广泛采用的分布式键值存储通过Hash方法将用户数据随机放置在不同的存储服务器上,这种方法会导致数据中心内部巨大的通信量,不利于社交网络的扩展.本文针对社交网络中用户交互的特点,提出一种社交图划分与数据复制相结合的数据放置方法;进一步考虑数据中心网络拓扑,针对具体拓扑结构,设计数据放置算法,并分别讨论了算法对社交网络规模的增量调整以及分布式实现.在真实数据集上的比较实验结果表明本文所提出的算法能够有效降低社交网络数据中心内部通信量,增强其可扩展性.

摘要：本系统基于复杂网络理论及方法,利用Python高级程序设计语言、Page Rank算法、Hits算法对在线社交网络的构建、结构进行了研究。系统主要实现的功能有三方面,即构建在线社交网络、分析在线社交网络的结构特性、挖掘在线社交网络的社团结构和网络核心人物。

摘要：随着在线社交网络的飞速发展,社交媒体成为网络用户参与的主要平台。恶意信息常常隐藏于在线社交网络的海量数据中,加之拓扑结构的局部性、恶意信息的伪装性,定位和溯源恶意信息面临着很大困难。一方面,仅仅通过人工标注的方式难以实现全局监控,即使借助语义分析、信息搜索等方式也只能在识别热点后获取当前网络中的信息"碎片";另外,信息在演变过程中的变异,使得一条传播链条会中断分裂为多条,不加以识别和区分会增加信息源头数目,大大增加溯源定位的算法复杂度。另一方面,恶意信息常采用伪装手法,如提供虚假的要素、制造热点吸引用户、水军炒作干扰视线等,使得信息拓扑和网络关系拓扑并不一致。原有的定位算法依赖于当前感染节点的分布和当前拓扑,感染状态从单一化向随机化的变化,使得统计推断框架更复杂,需要改进非观测节点的状态推断方法。在线社交网络的信息传播过程中,信息的传播关系常常附加在信息本身中,可以根据当前网络节点的状态挖掘隐藏信息。结合当前网络节点的状态,提出关系拓扑和信息拓扑的概念,并设计基于信息拓扑的候选源点扩展算法。在此基础上,文中提出基于Jordan中心的恶意信息溯源算法。在模型网络和实际网络上的实验表明,相对于对比算法,所提算法能够有效识别出恶意信息源。