基于距离模型的用户关系强度评估

doi:10.3969/j.issn.1671-1122.2015.10.013

信息网络安全 ›› 2015, Vol. 15 ›› Issue (10): 86-91.doi: 10.3969/j.issn.1671-1122.2015.10.013

基于距离模型的用户关系强度评估

张俊豪(), 顾益军, 张士豪

中国人民公安大学网络安全保卫学院,北京102623

收稿日期:2015-08-10 出版日期:2015-10-01 发布日期:2015-11-04
作者简介:
作者简介：张俊豪（1990-）,男,河南,硕士研究生,主要研究方向：网络安全与数据挖掘;顾益军（1968-）,男,江苏,副教授,博士,主要研究方向：网络情报技术;张士豪（1992-）,男,山西,硕士研究生,主要研究方向：网络安全与数据挖掘。
基金资助:
公安部重点研究计划项目[2011ZDYJGADX016]

The User Influence Assessment Based on Distance Model

ZHANG Jun-hao(), GU Yi-jun, ZHANG Shi-hao

School of Cybersecurity, People’s Public Security University of China, Beijing 102623, China

Received:2015-08-10 Online:2015-10-01 Published:2015-11-04

摘要/Abstract

摘要：

对微博用户关系强度的评估是分析和研究微博网络的基础。文章提取微博用户的个人基本信息、交互信息、互粉信息,并提出一种基于距离的评估模型对微博用户的关系强度进行准确的评估分类,该距离模型根据三种假设,得出最基础的用户关系强度群,然后根据距离函数对未知的关系强度进行分类。由此得出一张有向加权图,节点表示微博用户,边表示用户之间的关注关系,权值表示微博用户之间的关系强度。将该距离模型得出的预测结果和采用对用户相对交流值,用户背景的相似度和用户是否互粉三种属性值进行加权融合得出的实验结果进行比较分析可得出：该评估模型能够结合用户的综合信息评估出用户之间的关系强度,结果全面、准确、直观,也充分说明该模型既吸取了加权融合法的优点,也避免了加权融合的弊端,很好的体现了机器学习的优势,为微博舆论的研判提供最直接的参考依据。

关键词: 微博, 用户关系强度, 距离模型, 加权有向图

Abstract:

Evaluation of user relationship strengths of Microblog is a basis for analysis and research of Microblog network. This paper fetches personal information, mutual information and fans information of Microblog users, puts up with a distance-based evaluation model to accurately evaluate and classify the relationship strengths between Microblog users. The model based on three assumptions, draw up the most basic user relationship strengths group, and then the relationship between the intensity of the unknown are classified according to the distance function. Compared the predictions derived from the model and result which derived through three attribute value weighted fusion: the relative exchange value of the user, the user background similarity and whether the usermutual followed, we can infer that with comprehensive, accurate and visible results, the model can evaluate the relationship strengths between users combined with their general information, andindicates that this model both combines the advantages of weighted fusion method and avoids the disadvantages of the weighted fusion, which indicated the advantages of machine learning, which provides the most direct references for studying and judging Microblog comments.

Key words: microblog, user srelationship strengths, distance, directed weighted graph

中图分类号:

TP309

张俊豪, 顾益军, 张士豪. 基于距离模型的用户关系强度评估[J]. 信息网络安全, 2015, 15(10): 86-91.

ZHANG Jun-hao, GU Yi-jun, ZHANG Shi-hao. The User Influence Assessment Based on Distance Model[J]. Netinfo Security, 2015, 15(10): 86-91.

图/表 6

图1

表1

图2

图3

表2

表3

参考文献 24

[1]	张坤. 国内微博的传播形态与发展研究[D]. 南昌:江西师范大学,2012.
[2]	Maksim Tsvetovat,Alexander Kouznetsov著.王薇,王成军,王颖,等译.社会网络分析方法与实践[M].北京:机械工业出版社,2013.
[3]	王桂英,周健,谢飏. 基于BBV的有向加权网络模型[J]. 计算机工程,2010,(12):141-143.
[4]	周健, 张钊,程克勤. 基于节点吸引力的点权有限BBV模型研究[J]. 系统仿真学报,2012,24(6):1293-1297.
[5]	赵秋月, 左万利, 田中生等.一种基于改进D-S证据理论的信任关系强度评估方法研究[J]. 计算机学报, 2014, 37(4): 873-883.
[6]	Pan Z, Li X, Wang X.Generalized local-world models for weighted networks.[J]. Physical Review E Statistical Nonlinear & Soft Matter Physics, 2006, 73(5):88-101.
[7]	迟晓峰. 基于新浪微博的好友推荐系统[D].秦皇岛:燕山大学,2014.
[8]	施少怀. 一种基于用户倾向的微博好友推荐算法[D].哈尔滨:哈尔滨工业大学,2013.
[9]	Kahanda I, Neville J.Using Transactional Information to Predict Link Strength in Online Social Networks[J]. ICWSM, 2009, (9): 74-81.
[10]	Xiang R, Neville J, Rogati M.Modeling relationship strength in online social networks[C]//Proceedings of the 19th international conference on World wide web. ACM,Harbin : 2010: 981-990.
[11]	孙兴东,李爱平,李树栋. 一种基于聚类的微博关键词提取方法的研究与实现[J]. 信息网络安全,2014,(12):27-31.
[12]	Silva N B, Tsang I R, Cavalcanti G D C, et al. A graph-based friend recommendation system using genetic algorithm[C]//Evolutionary Computation (CEC), 2010 IEEE Congress on. IEEE, 2010: 1-7.
[13]	Liben-Nowell D, Kleinberg J.The link-prediction problem for social networks[J]. Journal of the American society for information science and technology, 2007, 58(7): 1019-1031.
[14]	Al Hasan M, Zaki M J.A survey of link prediction in social networks[M]. Social network data analytics. Springer US, 2011: 243-275.
[15]	Lichtenwalter R N, Lussier J T, Chawla N V.New perspectives and methods in link prediction[C]//Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, Harbin :2010: 243-252.
[16]	Sarukkai R R.Link prediction and path analysis using Markov chains[J]. Computer Networks, 2000, 33(1): 377-386.
[17]	Mcauley J, Leskovec J.Discovering social circles in ego networks[J]. ACM Transactions on Knowledge Discovery from Data (TKDD), 2014, 8(1): 4.
[18]	Gilbert E, Karahalios K.Predicting tie strength with social media[C]//Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. ACM, Stockholm :2009: 211-220.
[19]	Leskovec J, Huttenlocher D, Kleinberg J.Predicting positive and negative links in online social networks[C]//Proceedings of the 19th international conference on World wide web. ACM, Stockholm :2010: 641-650.
[20]	徐志明,李栋,刘挺,等. 微博用户的相似性度量及其应用[J]. 计算机学报,2014,(1):207-218.
[21]	张士豪,顾益军,张俊豪. 基于用户聚类的热门微博分类研究[J]. 信息网络安全,2015,(7):84-89.
[22]	刘兵. Web数据挖掘[M].北京:清华大学出版社,2009.
[23]	张俊豪,顾益军,张士豪. 基于PageRank和用户行为的微博用户影响力评估[J]. 信息网络安全,2015,(6):73-78.
[24]	郭金玉,张忠彬,孙庆云,等.层次分析法的研究与应用[J].中国安全科学学报,2008,18(5):148-153.

基于距离模型的用户关系强度评估

The User Influence Assessment Based on Distance Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

[1]	林义钧, 吴渝, 李红波. 基于Affinity Propagation算法的半监督微博水军识别[J]. 信息网络安全, 2022, 22(3): 85-96.
[2]	陈里可, 阮树骅, 陈兴蜀, 王海舟. 社交媒体机器人账号智能检测研究[J]. 信息网络安全, 2019, 19(9): 96-100.
[3]	段大高, 谢永恒, 盖新新, 刘占斌. 基于神经网络的微博虚假消息识别模型[J]. 信息网络安全, 2017, 17(9): 134-137.
[4]	刘奇飞. 基于兴趣的微博用户关系分析原型系统研究[J]. 信息网络安全, 2016, 16(9): 240-245.
[5]	陈希林, 马丁. 针对微博信息分析的HBase存储结构设计[J]. 信息网络安全, 2016, 16(9): 267-271.
[6]	周红福, 贾璐, 张婷婷, 李剑. 微博舆情分析中信息转发路径提取方法研究[J]. 信息网络安全, 2016, 16(4): 61-68.
[7]	钟杰, 王海舟, 王文贤. 基于话题的微博信息传播拓扑结构研究[J]. 信息网络安全, 2016, 16(3): 64-70.
[8]	张士豪, 顾益军, 张俊豪. 微博自动分类系统设计[J]. 信息网络安全, 2016, 16(1): 81-87.
[9]	张士豪, 顾益军, 张俊豪. 基于用户聚类的热门微博分类研究[J]. 信息网络安全, 2015, 15(7): 84-89.
[10]	李凌云, 敖吉, 乔治, 李剑. 基于微博的安全事件实时监测框架研究[J]. 信息网络安全, 2015, 15(1): 16-23.
[11]	王明元，贾焰，周斌，黄九鸣. 一种基于主题相关性分类的微博话题立场研判方法[J]. 信息网络安全, 2014, 14(9): 17-21.
[12]	柳俊，周斌，黄九鸣. 基于二部图投影的微博事件关联分析方法研究[J]. 信息网络安全, 2014, 14(9): 44-49.
[13]	郑飞，张蕾. 基于分类的中文微博热点话题发现方法研究[J]. 信息网络安全, 2014, 14(9): 127-131.
[14]	孙兴东, 李爱平, 李树栋. 一种基于聚类的微博关键词提取方法的研究与实现[J]. 信息网络安全, 2014, 14(12): 27-31.
[15]	谢丰;彭勇;陈思聪;李剑. 微博安全问题战略对策研究[J]. , 2013, 13(4): 0-0.