Özel Sosyal ağ analizini anlamak için bir makale-sonraki (uygulama, son teknoloji, öğrenme kaynakları)
(Daha büyük resmi görmek için tıklayın)
Bu makale esas olarak şunları açıklamaktadır:
-
Sosyal ağ analizi uygulamaları
-
Sosyal Ağlarda Frontier Research
-
Öğrenme materyalleri
-
Referans
İlk üç bölümün içeriği için lütfen bir öncekine bakın (26 Eylül 2017'deki başlık).
dört. Sosyal ağ analizinin uygulanması kullanım
1. Sosyal tavsiye
Sosyal öneri, adından da anlaşılacağı gibi, sosyal ağları kullanan veya sosyal davranışlarla birleştirilen, özellikle QQ arkadaşları tavsiye ederek temsil edilen ve Weibo'nun arkadaş ilişkilerine dayalı içerik öneren bir öneridir. Çevrimiçi öneri sistemi ilk olarak Amazon tarafından ürün önermek için kullanılmıştır. Günümüzde öneri sistemi İnternette her yerde bulunmaktadır. Şu anda popüler olan "trafik dağıtımı İnternete ilk giriştir" kavramı bu kavramı desteklemek için iki çekirdeğe sahiptir. Biri içeriktir. Diğeri ise tavsiye ... Toutiao'nun sadece birkaç yıl içinde hızlı yükselişi en iyi kanıtı.
Öneri sisteminin öneri ilkesine göre, sosyal öneri, kullanıcının kişisel davranışına bağlı olmayan, ancak önerilerde bulunmak için kullanıcının arkadaş ilişkisini birleştiren bir tür "işbirliğine dayalı filtreleme" önerisi olarak tanımlanabilir. İnternetteki her kullanıcı için, bu kullanıcının birçok özelliği sosyal hesabı üzerinden hızlı bir şekilde tanımlanabilmektedir.Çok sayıda sosyal ağ kullanıcısı ile birlikte, sosyal ilişkileri kullanma önerileri son yıllarda dikkatleri üzerine çekmiştir.
İnsanlar arkadaşlarından gelen önerileri kabul etmeye daha istekli, kaynak: Nielsen
Öğrendiğim araştırma, farklı sosyal ağlar arasındaki bilgilerin eşleştirilmesine ve yeni kaydolan kullanıcıların soğuk başlangıç sorunlarının sosyal ilişkilere dayalı olarak çözülmesine dayanan öneriler içeriyor. Kısaca sosyal tavsiye içerik dağıtımı, reklamcılık ve diğer alanlarda çok önemli bir konuma sahiptir. Spesifik uygulama ayrıntıları için, yazarın Tencentin sosyal reklamcılığı hakkındaki makalesini takip edebilirsiniz ( mLpNoMdBpDAEb5IZB_A3Rg). Bununla ilgili daha fazla bilgi edinmek isterseniz, öneri sistemleri alanındaki en önemli konferansları da takip edebilirsiniz. ACM RecSys.
2. Kamuoyu analizi
Kamuoyu analizi, internetin gelişinden önce hükümet kamu yönetimi, iş rekabeti istihbaratı toplama ve diğer alanlarda yaygın olarak kullanılıyordu. Sosyal medyanın ortaya çıkmasından önce, kamuoyu analizi esas olarak çevrimdışı gazeteler ve çevrimiçi portallardan haber makaleleriydi.Bu bilgilerin özellikleri nispeten profesyonel ve doğru, analiz edilmesi ve yönetilmesi kolaydı; ancak, sosyal medyanın gelişiyle birlikte, kamuoyu olayları ilk sırada geldi. Kaynak artık People's Daily Xinhua Haber Ajansı gibi büyük bir medya değil, bilinmeyen bir Weibo kullanıcısı, kişisel bir WeChat genel hesabı. Karakteristikleri, bilginin çok taze olmasıdır, ancak dezavantajı, özgünlüğün düşük olması ve yayılmanın çok hızlı olması ve kontrol edilmesi zor olmasıdır. Bu nedenle, sosyal ağlar altında kamuoyu analizi yeni bir bilimdir.
"Bıçaklayarak öldürmek ve anneye hakaret etmek" Weibo yeniden yayınlama eğilimi, kaynak için filigrana bakın
Birkaç örnek vermek gerekirse, geçen yıl Yield Hotel ve bu yıl Pekin'de meydana gelen şiddetli kamuoyu olayları gibi Pekin metrosu laneti olayları ilk olarak Weibo'da patlak verdi ve kısa sürede hızla yayıldı. Geçen yıl Kuaishou hakkında "Çin Kırsalındaki Zalim Alt Hikaye" ve bu yılki WeChat kamu hesabında kademeli olarak fermente edilen "Pekin Konut Fiyatları" gibi insanların geçim kaynağı konuları da var.
Tabii ki, yeni durumda, kamuoyuyla ilgilenmek için halihazırda yeni araçlar var.Birçok Baidu "kamuoyu analiz platformu" veya "kamuoyu analiz yazılımı" bulabilirsiniz. Daha ünlü olanlar Yifang, Hongmai, Qingbo, Zhiwei, Xinbang vb. Bazı geleneksel kamuoyu analiz kurumları büyük veri kamuoyu analizine dönüşmeye başladı ve son yıllarda WeChat ve Zhiwei tabanlı Weibo tabanlı yeni liste gibi tamamen sosyal medyaya dayalı kamuoyu platformları da var. Ek olarak, BAT gibi büyük platformların özel olarak özelleştirilebilen kendi kamuoyu analiz araçları ve açık indeksleri (Baidu Index, WeChat Index) vardır.
3. Gizlilik koruması
Gizlilik, İnternet çağında yaygın bir sorundur. Sosyal ağlarda, kullanıcılar olarak çok sayıda iz bırakabiliriz. Bu izler görünmez ve açıktır. Abartı değildir.Sosyal hizmet sağlayıcıları, izlerinizin küçük bir miktarına dayanarak kişisel bilgilerinizin büyük bir kısmını çıkarabilir. Bazı bilgiler, başkalarının bilmesini istemediğiniz şeylerdir.
Bunda bir çelişki var, yani sosyal hizmet sağlayıcı ticari amaçlarla kişisel bilgilerinizi mümkün olduğunca elde etmek istiyor ancak kişisel bilgilerinizin sızdırılmasından endişe ediyorsunuz. Bu nedenle, gizlilik koruması alanında, bir yandan kişisel gizliliği korurken, ticari çıkarları ve kullanıcı deneyimini en üst düzeye çıkarmak için teknik ve yasal olarak yeterince güvenli bir mekanizma tasarlamak gerekir.
"Bulut" gizliliği, kaynak:
Size tanıdık bir örnek vermek gerekirse, birçok web sitesi bir hesap açarken WeChat ve Alipay hesap doğrulamasını kullanır, bu da sizi kişisel bilgilerinizi doldurma zahmetinden kurtarır ve gizliliğinizi korur. Benzer şekilde, Ant Financial tarafından sağlanan Susam Kredisi işlevi de gizlilik koruması işlevine sahiptir.
Şu anda, akademik çevrelerde mahremiyetin korunmasına ilişkin araştırma, esas olarak teknik seviyeden mükemmel gizlilik koruma mekanizmaları tasarlamaktır.
4. Kullanıcı Portresi
Bir kullanıcı portre süreci, kaynak:
Bir pazarlama terimi olan kullanıcı portresi, kullanıcıları bilgi ve davranışlarını inceleyerek farklı türlere ayırmak ve ardından farklı pazarlama stratejileri benimsemektir. Geleneksel kullanıcı portreleri için en yaygın kullanılan yöntem anketlerdir.Dergi ve gazetelere abone olan okuyucular çeşitli ödüllü anketlerin olacağını bilirler. Bir yandan ürün hakkında geri bildirim almak için kullanılırlar, diğer yandan ise Portreler, bu portre materyalleri karaborsada bile geniş çapta dolaşıma giriyor, bu yüzden bazen açıklanamayan telefon görüşmeleri alıyorsunuz (ve ayrıca gizlilik koruma sorunları da içeriyor).
Sosyal ağlarda, geleneksel çevrimdışı anketlerin çevrimiçi anketler haline gelmesi dışında, kullanıcıların profilini çıkarmanın daha fazla yolu vardır. Bir yandan istatistiksel yöntemlerle bazı kullanıcı özelliklerini elde etmek için kullanıcı davranışını kullanırız (klasik örnek Wal-Martın "bira ve çocuk bezleri", diğer yandan beklenmedik kazançlar elde etmek için makine öğrenimi modellemesi ve doğrulaması yoluyla) (yukarıya bakın) Tencent sosyal reklamcılık makalesi).
WeChat resmi hesap arka ucu ile temas halinde olan okuyucular, resmi hesabın sahne arkasının WeChat resmi hesap makalelerinin okuyucularının ve resmi hesap hayranlarının birçok portresini yaptığını biliyorlar. Görünüşe göre Weibo üyeleri de hayran portreleri işlevine sahip. Bu kullanışlı işlevler, medya operatörleri ve reklamcılar için çok önemlidir.
5. Söylenti tespiti
Söylenti tespiti, kamuoyu analizinin bir parçasıdır, ayrı olarak ortaya konulmasının nedeni, bu kısmın çok önemli olması ve söylentilerin tespiti kamuoyu yönetimi açısından çok önemlidir. Sabahın erken saatlerinde Weibo birçok dedikoduyla doluydu, bu yüzden Sina Weibo'nun "Weibo Reddi" için resmi bir hesap açması gerekiyordu. Bugün Weibo ve söylentiler için birçok spontane ve resmi hesap ve WeChat kamu hesapları.
"Altı Genç Bahar Şenliği Galası reddedildi" söylentilerinin yayılması reddedildi, kaynak için filigrana bakın
Söylentileri ortadan kaldırmanın geleneksel yöntemi, konuşmak için kanıt kullanmaktan ve denemekten başka bir şey değildir.Makine öğrenimi teknolojisinin hızla gelişmesiyle, bir mesajın bir söylenti olup olmadığını bilginin yayılması, bilgi içeriği ve diğer boyutların yörüngesine göre otomatik olarak yargılayabiliriz ve yargı ne kadar hızlı olursa, Kamuoyu yönetimi için daha büyük önem. Aynı şekilde, bu teknoloji, sosyal ağlardaki zararlı bilgileri tanımlamak için de kullanılır.
Yabancı ülkelerde, Facebook'un sahte haberleriyle ilgili haberler kızışıyor ve ilgilenen okuyucular buna dikkat edebiliyor.
6. Görselleştirme
Görselleştirme, büyük veriyle birlikte sıcak bir konu haline geldi. İnsanlar görüntü bilgilerini metin bilgisinden yüzlerce kat daha hızlı anladıkları için, bazı veri görselleştirmeleri insanların bir sonucu veya olayı daha canlı bir şekilde anlamalarına yardımcı olur. Elbette tüm veriler görselleştirme için uygun değildir.Sosyal ağlarda en yaygın olanlarımız bilgi yayma yörüngeleri ve kelime bulutu görüntüleridir. Bununla ilgili daha fazla bilgi için lütfen Weibo hesabına "Sosyal Ağlar ve Veri Madenciliği" bakın.
Weibo ünlülerinin arkadaşlıklarının görselleştirilmesi, kaynak için filigrana bakın
Uzmanlaşmış görselleştirme organizasyonlarına ek olarak, internette birçok açık kaynak görselleştirme kütüphanesi de bulunmaktadır Baidu'nun Echarts'ı çok ünlüdür. Sosyal ağ bilgilerinin yayılması ve arkadaş ilişkilerinin görselleştirilmesi, bazı gerçekleri sezgisel olarak görmemizi sağlar, bu da kamuoyu raporları ve haber raporlarının üretimi için çok iyi bir yardımcı etkiye sahiptir.
Beşler. Sosyal Ağlarda Frontier Research
Bu bölümde, son iki yılda en çok ilgi gören sosyal ağ konferanslarında daha fazla ilgi gören birkaç makale topladım ve makalelerin özetlerini okuyucuların referansı için tercüme ettim ve gösterdim.
1. Sosyal Medyada Negatif Bağlantı Tahmini
Tang, Jiliang, et al. "Sosyal medyada negatif bağlantı tahmini." Sekizinci ACM Uluslararası Web Arama ve Veri Madenciliği Konferansı Bildirileri. ACM, 2015
Son yıllarda, imzalı ağlar giderek daha fazla ilgi gördü. Sembolik ağlar üzerine yapılan araştırmalar, olumsuz bağlantıların analiz sürecine yardımcı olduğunu göstermektedir. Birçok ağdaki kullanıcılar bu olumsuz ilişkiyi belirleyemediğinden, etkin kullanımının önündeki ana engel budur. Diğer bir deyişle, negatif ilişkilerin önemi ile bunların gerçek veri setlerinde uygulanması arasında bir boşluk vardır. Bu nedenle, kullanıcıların olumsuz ilişkilerini genel sosyal ağ verileri aracılığıyla otomatik olarak tahmin edip edemeyeceğimizi doğal olarak araştıracağız. Bu makalede, sosyal medyadaki olumsuz ilişkileri tahmin etmek için yalnızca olumlu ilişkiler ve içerik merkezli etkileşimleri kullanma sorununu inceliyoruz. Negatif ilişkiler üzerine bir dizi gözlem yaptık ve negatif ilişkileri tahmin etmek için pozitif ilişkileri ve içerik merkezli etkileşimleri kullanabilen ilkeli bir NeLP çerçevesi önerdik. Gerçek sosyal ağlardaki deneysel sonuçlarımız, NeLP çerçevesinin olumlu ilişkiler ve içerik merkezli etkileşim ilişkileriyle olumsuz ilişkileri doğru bir şekilde tahmin edebileceğini göstermektedir. Ayrıntılı deneylerimiz, NeLP çerçevesinin etkililiği için çeşitli faktörlerin önemini de göstermektedir.
2. Derin Evrişimli Sinir Ağları ile Twitter Duygu Analizi
Severyn, Aliaksei ve Alessandro Moschitti. "Derin evrişimli sinir ağları ile Twitter duyarlılık analizi." 38. Uluslararası ACM SIGIR Bilgi Erişiminde Araştırma ve Geliştirme Konferansı Bildirileri. ACM, 2015
Bu makale, Twitter kamuoyu analizi için derin öğrenme sistemimizi tanıtıyor. Çalışmamızın ana katkısı, yeni özellikler eklemekten kaçınırken modelin doğru eğitimi için gerekli olan, evrişimli sinir ağlarının parametre ağırlıklarını başlatmak için bir model önermektir. Kısacası, ilk kelime düğünlerini eğitmek için denetimsiz bir sinir dili modeli kullanıyoruz ve bu, uzaktan denetlenen külliyatı temel alan derin öğrenme modelimiz tarafından daha da ayarlanacaktır. Son aşamada, önceden eğitilmiş parametreler modelimizi başlatmak için kullanılacak ve daha sonra, son zamanlarda Semeval-2015 tarafından düzenlenen Twitter duyarlılık analizi resmi sistem değerlendirme yarışması tarafından sağlanan denetimli eğitim seti aracılığıyla ikincisini eğiteceğiz. Metodumuzla elde edilen sonuçlar ile katılan sistemlerin sonuçları arasındaki karşılaştırma, modelimizin sırasıyla ifade düzeyi alt görev A (11 takım) ve mesaj düzeyi alt görev B (40 takım) arasında ilk iki sırada yer alabileceğini göstermektedir. . Bu, çözümümüzün gerçek değerini kanıtlıyor.
3. Güçlü ve Zayıf Bağları Olan Sosyal Tavsiye
Wang, Xin, et al. "Güçlü ve Zayıf Bağlarla Sosyal Tavsiye." 25. ACM Uluslararası Bilgi ve Bilgi Yönetimi Konferansı Bildirileri. ACM, 2016
Çevrimiçi sosyal ağların patlayıcı büyümesiyle, artık genel olarak sosyal bilginin tavsiye sistemleri için çok yararlı olduğu anlaşılıyor. Sosyal tavsiye yöntemi, tahmin doğruluğunu büyük ölçüde artırabilen kritik soğuk başlatma sorunuyla başa çıkabilir. Bunun ana nedeni, güven ve etkiye dayalı olarak, insanların arkadaşlarının satın aldığı ürünlere daha fazla ilgi göstermesidir. Sosyal tavsiye alanında pek çok çalışma yapılmış olmasına rağmen, çok az insan güçlü ve zayıf sosyal bağlar şeklindeki iki önemli sosyolojik kavram arasındaki farka dikkat etmektedir. Bu makalede, komşuluk örtüşmesini ilişki gücünü yaklaşık olarak belirlemek ve popüler Bayesian Kişiselleştirilmiş Sıralama (BPR) modelini genişletmek ve güçlü ve zayıf ilişkileri ayırt etmek için kullanıyoruz. En iyi öneri doğruluğuna göre güçlü ve zayıf ilişkileri sınıflandırabilen ve tüm kullanıcıların ve tüm ürünlerin (gizli özellik vektörleri) gizli özellik vektörlerini öğrenebilen bir EM (EM tabanlı) algoritma öneriyoruz. . Dört gerçek dünya veri seti üzerinde kapsamlı deneyler yapıyoruz ve önerilen yöntemimizin çeşitli doğruluk göstergelerindeki en iyi ikili sıralama yönteminden önemli ölçüde daha iyi olduğunu kanıtlıyoruz.
4. Çevrimdışı Etkiye Sahip Çevrimiçi Eylemler: Çevrimiçi Sosyal Ağlar Çevrimiçi ve Çevrimdışı Kullanıcı Davranışlarını Nasıl Etkiler?
Althoff, Tim, P. Jindal ve J. Leskovec. "Çevrimdışı Etkiye Sahip Çevrimiçi Eylemler: Çevrimiçi Sosyal Ağlar Çevrimiçi ve Çevrimdışı Kullanıcı Davranışını Nasıl Etkiler." Web Arama ve Veri Madenciliği Üzerine Onuncu ACM Uluslararası Konferansı ACM, 2016: 537-546
Günümüzde pek çok uygulama sosyal ağ işlevlerini yoğun bir şekilde kullanıyor ve kullanıcıların birbirleriyle bağlantı kurmasına, birbirini takip etmesine, içerik paylaşmasına ve dinamikleri değerlendirmesine izin veriyor. Bu işlevler yaygın olarak kullanılmasına rağmen, kullanıcıların çevrimiçi ve çevrimdışı iken katıldıkları davranışları çok az kişi anlar. Bu makalede, sosyal ağların kullanıcıların çevrimdışı davranışlarını nasıl etkilediğini incelemek için bir hareket kaydetme uygulaması kullanıyoruz.
Beş yıl boyunca 6 milyon kullanıcının 781 milyon çevrimiçi ve çevrimdışı etkinlik kaydını analiz ettik ve sonuçlar, sosyal ağların kullanıcıların çevrimiçi ve çevrimdışı davranışları üzerinde büyük bir etkiye sahip olduğunu gösteriyor. Özellikle, sosyal ağların kullanıcı davranışını etkilediği nedensel ilişkiyi öneriyoruz. Yeni sosyal ilişkilerin kurulmasının uygulamadaki kullanıcı etkinliğini% 30, kullanıcıyı elde tutma oranını% 17 ve çevrimdışı etkinliği% 7 (günde yaklaşık 400 adım daha) artırabildiğini gördük. Doğal deneylerle, yeni sosyal ilişkilerin kullanıcılar üzerindeki etkisini, kullanıcıların APP'ye olan ilgileri nedeniyle daha fazla attığı adım sayısından ayırdık.
Sosyal etkinin, kullanıcı davranışını etkileyen tüm faktörlerin% 55'ini oluşturduğunu ve kalan% 45'in de kullanıcıların APP'ye olan ilgisiyle açıklanabileceğini gördük. Ek olarak, bireysel kullanıcılar arasında bir dizi sosyal ilişki kurulmasının, günlük adım sayısındaki artış üzerinde önemli bir etkiye sahip olduğunu da bulduk.Kullanıcılar arasındaki her bir ek sınır, bu etkiyi zayıflatacaktır ve bu değişiklikler, uç özelliklere ve kullanıcıların kendilerine dayanmaktadır. Veri öznitelikleri. Son olarak, yeni kurulan sosyal ağ ilişkilerinden hangi kullanıcıların etkilenme olasılığının en yüksek olduğunu belirlemek için bu fenomeni kullanarak bir model tasarladık.
5. Sosyal Ağlarda İç içe Viral Pazarlama
Zhang, Jiawei, et al. "Sosyal ağlarda iç içe geçmiş viral pazarlama." Sosyal Ağlar Analizi ve Madencilikte Gelişmeler (ASONAM), 2016 IEEE / ACM Uluslararası Konferansı. IEEE, 2016
Geleneksel viral pazarlama problemi, sosyal ağlarda görünürlüğünü en üst düzeye çıkarmak için tek bir ürün için bir çekirdek kullanıcı alt kümesi seçmektir. Ancak gerçekte birçok ürün aynı anda sosyal ağlarda tanıtılabilir. Ürün seviyesinden bakıldığında bu ürünler arasındaki ilişki iç içe geçmiştir, örneğin rekabetçi, tamamlayıcı ve bağımsızdırlar.
Bu makalede, böyle bir senaryoyu destekleyen çok sayıda rakip / tamamlayıcı / bağımsız ürün varken, hedef ürünün sosyal ağlarda tanıtılması gereken bir senaryoya dayanan "dolaşma etkisini en üst düzeye çıkarma" sorununu inceleyeceğiz. Dolaşmanın etkisini en üst düzeye çıkarmak çok zor bir sorundur: Birincisi, aynı anda birden fazla ürün tanıtıldığında bilgi yayma şeklini simüle edebilen birkaç model vardır; ikincisi, hedef ürün için en uygun tohum setinin seçimi çok büyük olabilir. Diğer ürünlerin pazarlama stratejisine bağlıdır. Bu sorunu çözmek için, birleşik bir açgözlü algoritma çerçevesi öneriyoruz (InterTwined Etki Tahmini, TIER) Dört farklı türdeki gerçek sosyal ağ veri kümeleri üzerinde yapılan deneyler, TIER'in tüm karşılaştırma yöntemlerinden üstün olduğunu ve dolaşıklığın etkisini maksimize ettiğini göstermektedir. Konunun önemli avantajları var.
6. Sırada Kimler Davet Edilecek? Sosyal Grupların Davetlilerini Tahmin Etme
Yu Han ve Jie Tang. Yirmi Altıncı Uluslararası Yapay Zeka Ortak Konferansı (IJCAI-17), "Sırada Kimleri Davet Etmeli? Sosyal Grupların Davetlilerini Tahmin Etmek" Bildirileri.
WhatsApp, Snapchat ve WeChat gibi sosyal anlık mesajlaşma araçları, insanların çalışma, yaşama ve iletişim kurma şeklini büyük ölçüde değiştirdi ve ayrıca bilgisayar bilimi, psikoloji, sosyoloji ve fizik gibi birçok alandan ilgi gördü. Sosyal anlık mesajlaşma araçlarında, sosyal gruplar çok kullanıcılı iletişimde önemli bir rol oynar. İlginç bir soru, sosyal grupların dinamik evriminin mekanizması nedir? Daha spesifik olarak, bir grupta kimler katılmaya davet edilecek? Bu yazıda, sosyal grupların potansiyel katılımcılarının yeni bir problemini inceliyoruz. Deneysel veri kaynağı olarak Çin'in en büyük sosyal yazılımı olan WeChat'i kullanıyoruz. Bir gruba katılmaya davet edilen bir kullanıcının olasılığını etkileyen faktörleri hesaplamak için bir olasılık grafiği modeli öneriyoruz. Deneysel tahmin sonuçlarımız, modelimizin diğer mevcut modellere kıyasla önemli ölçüde iyileştirildiğini göstermektedir.
7. Sosyal Ağ İçin Birlikte Evrim Modeli ve Fikir Geçişi
Gu, Yupeng, Yizhou Sun ve Jianxi Gao. "The Co-Evolution Model for Social Network Evolving and Opinion Migration." 23. ACMSIGKDD Uluslararası Bilgi Keşfi ve Veri Madenciliği Konferansı Bildirileri. ACM, 2017.
Hemen hemen tüm gerçek sosyal ağlar dinamiktir ve zamanla gelişir. Yeni bağlantıların oluşumu ve eski bağlantıların ortadan kalkması büyük ölçüde sosyal ağ kullanıcılarının homojenliğine bağlıdır. Aynı zamanda, bazı sosyal ağ kullanıcılarının, kullanıcının görüşü gibi gizli doğası da zamanla değişir. Bunun bir nedeni, kullanıcıların sosyal ağlardan etki almasıdır ve bu değişiklikler de sosyal ağların yapısını etkileyecektir. Sosyal ağların evrimi ve düğümlerin doğasının göçü genellikle iki bağımsız ve ortogonal sorun olarak kabul edilir.
Bu yazıda, iki olguyu modelleyerek kapalı bir döngü oluşturan bir birlikte evrim modeli öneriyoruz. Modelin iki ana bölümü vardır:
-
Bilinen düğüm özelliklerine sahip bir ağ oluşturma modeli;
-
Bilinen bir sosyal ağ yapısının düğüm doğası geçiş modeli.
Simülasyon sayesinde, modelimizin bazı iyi özelliklere sahip olduğunu gördük:
-
Görüşlerin yakınsaması ve topluluklara dayalı fikir farklılıkları gibi çok çeşitli fenomeni simüle edebilir;
-
Sosyal etki aralığı, fikir liderleri ve gürültü seviyesi gibi bir dizi faktör aracılığıyla ağın gelişimini kontrol edebilir.
Son olarak, modelimizin etkinliği, parlamento yasasının destekçileri tahmin edilerek doğrulanmıştır ve modelimiz, mevcut bazı yöntemlerden üstündür.
altı. Öğrenme materyalleri
1. Kitaplar
-
"Sosyal Bilgi İşlem" Lei Tang, Huan Liu
-
"Veri Madenciliği ve Sosyal Ağların Analizi" Matthew A. Russell
-
"Çevrimiçi Sosyal Ağ Analizi" Fang Binxing ve diğerleri
-
"Sosyal Medya Madenciliği" Huan Liu ve diğerleri
-
"Dahua Sosyal Ağı" Lang Weimin
2. Web sitesi
-
Büyük veri navigasyonu (bu web sitesi birçok kaynak içerir)
-
Stanford veri kümesi web sitesi (Jure erkek tanrısı)
-
California Üniversitesi Irvine veri kümesi web sitesi
-
Yurtiçi sosyal ağ veri seti paylaşım sitesi
-
Tsinghua Üniversitesi tarafından oluşturulan akademik veritabanı
https://cn.aminer.org/
-
Amazon ürün trend analizi platformu
-
Sosyal Hesaplama Laboratuvarı, Minnesota Üniversitesi İkiz Şehirler
https://grouplens.org/
-
Xinhuanet Bilgi Yayma Etki Değerlendirmesi
-
Yeni liste, WeChat resmi hesap veri algılama platformu
-
Qingbo Yeni Medya Büyük Veri Platformu
-
Baidu Echarts veri görselleştirme kitaplığı
-
Alibaba Cloud DataV veri görselleştirme kitaplığı
https://yq.aliyun.com/teams/8
3. Araçlar
-
Python ve ilgili kitaplıklar (Scipy, numpy, pandas, scikit, scrapy, twitter) Daha fazla bilgi için lütfen bkz. Http://blog.csdn.net/hmy1106/article/details/45166261
-
Grafik analizi analiz aracı Graphchi, SNAP, Pajek, Echarts
-
Görselleştirme aracı Gephi, Graphviz
-
Veri madenciliği araçları WEKA, AlphaMiner
-
Grafik veritabanı Neo4j
4. Toplantı
Yazar, yalnızca sosyal ağlarla ilgili bazı uluslararası konferansları belirli bir sırayla listelemiyor. Cesur konferanslar, sosyal ağ konularını tartışmaya adanmış olanlardır.
KDD, WWW, ICDM, CIKM, AAAI, SDM, IEEE BigData, ASONAM , WSDM, ICWSM , ACL, IJCAI, NIPS, ICML, ECML-PKDD, VLDB, SIGIR, PAKDD, RecSys, ACM HT, SBP , ICWE, PyData
Yazar burada iki yerel sosyal ağ analizi konferansı önermektedir, biri Çin Bilgi Toplumu tarafından desteklenen Ulusal Sosyal Medya İşleme Konferansıdır (SMP) ve konferans bildirileri EI tarafından indekslenmektedir. İkincisi, Uluslararası Siber Uzay Veri Bilimi Derneği'dir (IEEE ICDSC) Konferans, Çin Bilimler Akademisi, Pekin Üniversitesi ve Çin Siber Uzay Güvenliği Derneği tarafından düzenlenmektedir.
5. Kurslar
Yazarın önceki bölümde bahsettiği WWW, KDD, vb. Gibi uluslararası konferanslarda her yıl sosyal ağ analizi yönergeleri hakkında eğitimler verilmektedir.Videolar ve PTT'nin tümü internette mevcuttur.Öğreticiler aracılığıyla, ilgili alanlar hakkında makro bir anlayışa sahip olabilirsiniz ve Alanın sınır dinamiklerini anlayabilir.
Ayrıca, Michigan Üniversitesi tarafından Ann Arbor on Coursera'da sunulan bir dizi Python öğrenme kursu da görülmeye değer. NetEase public sınıfında öğrenim için Çin Python veri madenciliği kursu da vardır.
Omnipotent Taobao ayrıca çok sayıda ucuz video ve e-öğrenme materyali sağlar.
Son olarak, bilimsel İnternet araçlarından ve arama motorlarından (Baidu değil) iyi yararlanmak kraldır.
Yedi. Referans
Fang Binxing, Xu Jin, Li Jianhua. Online Sosyal Ağ Analizi. Electronic Industry Press, 2014.
Reza Zafarani, Mohammad Ali Abbasi, Huan Liu. Sosyal medya madenciliği. Halk Mesajları ve Telekomünikasyon Basını, 2015.
Carlos Castillo, Wei Chen, Laks V.S. Lakshmanan, Sosyal Ağlarda Yayılmış Bilgi ve Etki, KDD 2012 Eğitimi
Daha fazla heyecan için lütfen Tsinghua-Qingdao Veri Bilimi Enstitüsü "THU Data Pie" resmi WeChat hesabını takip edin
