社会网络节点影响力度量的模型研究与分析系统实现
这是一篇关于社会网络,节点影响力度量,网络计算,网络可视化分析的论文, 主要内容为现代科学技术的迅速发展使得每个居民的联系都更加紧密,也使得人与人之间的社会关系更加复杂。社会影响力作为一种改变他人思想或行为的能力,一直是社会学、传播学、动力学等多个领域的分析对象。从社会网络角度对复杂的社会关系进行量化为节点和连边,进而可以度量和分析节点在社会网络中的影响力。在实际运用中,社会网络节点影响力的度量对于政策推行、舆论监控、网络营销、传染病防控等众多方面的研究具有着重要的意义。由于在网络中节点的异质性特征,使得不同位置的节点对于整个网络其他节点影响有所区别,从而对于网络整体的形成和维持具有不同的作用和影响。本文对网络中不同位置的节点在整个网络中的地位和作用进行了研究和分析,并且搭建Web系统对度量模型进行实现,其中还加入了网络的可视化分析与交互以及笔记的编写,从而为对于社会影响力感兴趣的研究者提供参考和学习的空间。本文主要贡献如下:1、本文研究了影响力度量的相关理论,通过对社会学的三元闭包和结构洞、复杂网络节点影响力测量方法、划分社区的研究,结合小型网络数据集进行分析,对不同位置的节点提出了糅合嵌入性度量模型和结构洞度量模型的 DCCK(Degree Constraint Community K-shell)计算模型。并结合SIR传播模型和肯德尔等级相关系数,对真实的社会网络数据进行分析和验证。2、本文基于软件工程的流程,对系统从需求分析、设计、实现和测试四个方面对系统进行了分析和阐述。具体结合了 Vue前端和Django后端框架,采用前后端分离的方式进行系统的设计和实现。系统主要向用户提供了网络数据管理、网络数据计算、数据可视化、笔记集服务等多种功能,用户可以选择网络数据进行节点影响力的计算,并通过前端页面进行可视化交互,也可以进行学习笔记的在线编辑和分享。
基于距离度量学习的协同过滤算法研究
这是一篇关于协同过滤,矩阵分解,度量学习,社会网络的论文, 主要内容为随着计算机技术的飞速发展,人类在获得越来越多便利的同时也产生了更多的数据,面临着“信息过载”的问题,即从海量大数据中挖掘有价值的信息变得越来越困难。推荐系统就是在这样的背景下诞生的,推荐系统能从大量数据当中获得有价值的信息,为用户提供满足其需求的商品信息,对用户进行个性化推荐服务。在推荐系统中协同过滤算法是一种较为著名和常用的推荐算法,它通过对用户的历史行为进行建模,预测用户对项目的偏好,由于其推荐个性化、自动化程度高等优点,基于协同过滤的推荐算法受到学术界和工业界的广泛关注。其中,矩阵分解因其具有较高准确性和可扩展等特点,在协同过滤中占有非常重要的地位,目前已经成为了最受欢迎的个性化推荐算法之一。矩阵分解算法使用点积来预测用户偏好,但是点积只是简单地线性乘积组合且不满足三角不等式,这可能会对推荐结果产生负面的影响。针对上述缺点,本文尝试使用满足三角不等式的距离度量来代替矩阵分解中的点积,使用距离度量算法来预测用户对项目的偏好。第三章中提出融合度量学习和矩阵分解的协同过滤算法(MLMF),使用距离度量算法学习用户和项目在同一低维欧几里得空间位置特征,让用户距离感兴趣的项目更近,距离不感兴趣的项目更远。该算法一定程度上保留了矩阵分解可扩展性和可解释性的优点,但比矩阵分解更加直观易懂,同时还能有效的学习到用户和项目的邻域特征,主要包括以下几个工作重点:(1)和一般的模型不同,MLMF先将用户对项目的评分转换为距离偏差,学习到用户偏好和距离的正相关关系。(2)另外,因传统矩阵分解使用的l2正则化策略对本文算法并不适用,为了防止算法模型过拟合和提高推荐准确度,MLMF算法使用了多种正则化策略,算法使用欧几里得球(Norm clipping)和解相关正则化(DeCov)策略对模型进行正则化约束,同时使用Dropout防止过拟合。(3)为了验证MLMF算法的性能,文章从多个角度的对实验结果进行对比分析。首先在多个公开数据集上进行实验,并将MLMF算法的准确度和多种经典基线算法进行对比,实验结果表明MLMF算法提高了推荐的准确性;另外,由于算法能够学习到一些邻域关系,因此本文通过计算用户和项目的位置特征之间的距离来构建TopN推荐列表,结果表明算法在TopN推荐中仍然具有较好的表现。(4)将用户和项目的位置特征向量使用T-SNE进行降维,然后可视化到二维平面中,以此观察用户和项目特征的分布情况,同时文章还对用户和项目之间的距离变化情况进行了分析,实验结果表明MLMF算法能有效学习用户对项目的偏好。另一方面推荐系统存在冷启动难题,对无历史评分记录的新用户和不活跃用户不能进行有效的推荐,对此,本文还引入社会信任关系,以此缓解推荐系统中的冷启动问题。但社会信任关系通常都是有向的关系,并不能直接用于距离度量算法,而且传统的信任关系不是基于兴趣构建的,因此基于信任关系的社会化推荐不一定能提高推荐的准确度。针对以上的问题,提出基于距离度量分解的社会化推荐算法(SDMF),SDMF算法主要包括以下内容:(1)SDMF算法对用户信任关系进行了重构,将有向的社会信任关系变为无向的用户关系,这更符合基于距离度量推荐算法的性质。(2)SDMF分别计算用户的熟悉程度(familiarity)和兴趣相似程度(similarity),并设计了一种新的关联方法综合考虑用户之间熟悉程度和兴趣相似程度,重新构建用户关系矩阵,重构后的用户关系充分考虑了用户和其朋友的兴趣相似度,这让算法能够更准确对用户进行推荐。(3)SDMF算法将重构后的用户关系通过联合正则化方式融入到距离度量算法中,对用户和项目、用户和兴趣爱好相似的好友都进行约束。(4)在真实公开数据集上进行实验,结果表明SDMF能够有效的学习到用户的偏好,和一些经典的社会化推荐算法相比,SDMF具有较高的推荐准确度;另外,在一些冷启动用户上,SDMF仍然有最好的表现,这说明算法还能一定程度改善推荐系统的冷启动问题。总之,本文研究了基于距离度量的协同过滤算法并对其进行改进和实验,和一些目前广泛使用的推荐算法相比,基于距离度量学习的推荐算法也能有较高推荐准确度,而且基于距离度量的协同过滤算法还有一定的可扩展性和可解释性,具有一定的研究的意义。
电商代运营企业员工离职原因探析——以上海SH科技服务公司为例
这是一篇关于代运营企业,离职原因,社会交换,社会网络的论文, 主要内容为近年来,随着国家对电子商务的重视,互联网电子商务发展迅猛,信息服务技术也不断完善,众多企业企图通过电子商务平台获得更多利润和效益,于是纷纷涉足网络营销市场。然而,对于大多数传统企业或者品牌商来说,实现电商化的过程是极为艰难的。在转变的过程中通常出现消费者转化率低、消费者复购率低、利润收益不及预期、消费者体验差等交易效率低下的问题,致使企业的电商化投入产出效益低下,在此情况下,一个新型的代运营服务模式应运而生。自2012年起,巨大的行业效益吸引了更多的投资者进军电商代运营。一个个电商代运营公司如雨后春笋般疯狂增长,其规模不断壮大,但是在高速发展的表象下企业内部却存在人才队伍稳定性差,员工离职率高的忧患问题。随着市场竞争愈加激烈,企业竞争的本质就是人才竞争。但是电商代运营行业呈现出大规模的员工流失现象,这对企业的发展是不利,那么到底是什么原因造成员工流失的问题呢?于是本文对此问题深入研究及探讨。首先,本文对电子商务、电商代运营服务、员工离职等概念进行界定。其次梳理了学术界对员工离职问题的相关研究,国外对离职问题的研究比较成熟,建立了多种离职研究的模型,而中国对离职问题的探讨主要是对国外理论模型的本土化应用,尚未形成科学的研究体系。通过文献梳理,本文总结出离职研究的3个维度,分别是个人、组织、社会和不同维度对应的具体指标,并提出现有的研究局限。然后提出本文的理论视角:社会交换理论,社会网络理论及交往行动理论,即员工与企业之间是一种互惠交换关系,基于此逻辑,探讨“工作”与“生活”两个场景下的各种因素对员工离职行为的影响。哈贝马斯交往行动理论认为,现代性社会既是“生活世界”也是“系统”,“系统”渐渐入侵“生活世界”,人们的“生活世界被系统殖民”,理性化的“工作”属于“系统”,员工工作与日常生活的界限逐渐模糊,作为抵抗,个体选择逃离“过度侵犯”的“系统”。此外,社会网络是员工在企业中生存下去的重要支撑,员工的劳动本质是实现个体需求,社会网络可以为员工提供各种信息与资源以满足需求。但是当个体的社会网络无法提供所需的资源时,员工便会产生不满,进而选择离开组织。基于以上理论视角,本文以SH电商代运营公司为例,对SH公司716份员工离职报告进行统计分析,阐述企业人力资源状况,探索造成员工离职的关键因素。结合具体的访谈资料,深入剖析这些造成员工离职的关键性因素:性别差异、工作时限、晋升机制、职场排斥、工作压力以及劳动力市场供需关系和区域经济差异。最后,提出留住员工的建议性措施,以实现推动电商代运营企业持续稳定的发展做出努力。
基于动态集成方法的混合推荐系统研究
这是一篇关于推荐系统,协同过滤,基于邻居的推荐方法,概率矩阵分解方法,社会网络,基于信任的推荐模型的论文, 主要内容为随着互联网的迅猛发展,尤其是社会网络流行和被人们普遍使用,信息已经出现爆炸式的增长。网络中存在的海量信息,为用户提供了非常多的选择,但是这么多的选择,却让用户更加的无所适从。虽然这些信息存在着巨大的作用和商业价值,如何为用户提供更好的服务,产生更大的价值,成为了研究者当前研究的热点。随着互联网的进步和研究人员的努力,推荐系统技术成为了缓解信息过载问题的一种非常有效的方法。它可以从海量的信息中,挖掘出有用的信息,为用户提供更好的服务,例如得分的预测,项目列表的推荐等。在现实的推荐系统中,协同过滤技术是最流行和被广泛应用的推荐算法。它分为两种类型的方法,集基于记忆的方法和基于模型的算法。在现实的网络中,像电影评分,都可以采用上面的两种类型的方法进行预测。但是真实的电影评分数据,每一个用户拥有的数量和评分的偏好都是不一样的,这就导致协同过滤中,两种类型的方法对于每一个用户的预测准确度是不相同的。这两种类型的方法事实上针对评分的数据的地方是不一样的,其中基于记忆的协同过滤方法更适合发现相似的用户,如果用户的数据比较少,则表现比较不稳定,而基于模型的方法主要种全局优化,而忽略了评分数据比较多的用户的特点。并且随着社会网络的发展,信任关系在服务中起着越来越重要的作用,不可被忽略。因而基于信任的推荐方法被提出,并证明即使用户拥有比较少的信任关系,也可以通过社会网络中的信任关系提供更准确的推荐。但是当一个用户拥有比较少的朋友时,基于信任的推荐方法表现比较差。在社会网络中,对于每一个用户来说,由于信任关系和评分数据分布不均衡,传统的协同过滤推荐算法和基于信任的社会推荐在推荐时在对每一个用户进行预测时,都有不同的表现。例如在一个用户有非常多的评分情况下,即使拥有的信任关系比较少,使用协同过滤算法要比基于信任的推荐方法此时预测的效果要好。与之相反,在用户在拥有大量的信任关系,即使缺少评分数据的情况下,基于信任的推荐方法表现的要比协同过滤的方法好。在本论文中,我们针对上面提出的问题,主要做了下面的探索和研究：1)针对评分数据分布不均衡问题,将基于记忆中的最近邻方法和基于模型中的概率矩阵分解的方法集成,提出了一种混合推荐模型DPMFNeg,它根据用户在评分数据集上的分布特点,结合基于记忆的推荐方法和基于模型的算法的优点。我们在两个公开的数据集MovieLens-100K和MoiveLens-1M上做了大量的实验来查看我们方法的性能,并且根据我们提出的方法和其它流行方法的MAE和RMSE结果,显示了DPMFNeg方法表现的要比其它方法要好。2)尽管传统的协同过滤算法是推荐系统中非常高效的推荐算法,并且上面我们提出的混合协同过滤模型,可以更好的处理评分数据中分布不均衡问题。但是由于其忽略了社会网络中的信任关系,因此我们接着提出了一种用户自适应的混合推荐模型DTMF,它可以集成基于信任的推荐方法和概率矩阵分解的方法的优点,根据用户的特点和数据分布情况,学习到适合每一个用户自己的结合参数。在拥有社会关系的Epinions和Flixster数据集上,我们通过实验探究我们提出的方法的性能。实验结果表明了DTMF要比对比的流行推荐算法,更好的提高推荐的效果。通过我们的研究,提出的动态集成的两种混合推荐模型,有效的缓解了评分数据和社会关系数据的分布不均衡问题,并且能够根据用户的特点,更好的集成两种方法的优点,为用户提供更准确的预测。
基于距离度量学习的协同过滤算法研究
这是一篇关于协同过滤,矩阵分解,度量学习,社会网络的论文, 主要内容为随着计算机技术的飞速发展,人类在获得越来越多便利的同时也产生了更多的数据,面临着“信息过载”的问题,即从海量大数据中挖掘有价值的信息变得越来越困难。推荐系统就是在这样的背景下诞生的,推荐系统能从大量数据当中获得有价值的信息,为用户提供满足其需求的商品信息,对用户进行个性化推荐服务。在推荐系统中协同过滤算法是一种较为著名和常用的推荐算法,它通过对用户的历史行为进行建模,预测用户对项目的偏好,由于其推荐个性化、自动化程度高等优点,基于协同过滤的推荐算法受到学术界和工业界的广泛关注。其中,矩阵分解因其具有较高准确性和可扩展等特点,在协同过滤中占有非常重要的地位,目前已经成为了最受欢迎的个性化推荐算法之一。矩阵分解算法使用点积来预测用户偏好,但是点积只是简单地线性乘积组合且不满足三角不等式,这可能会对推荐结果产生负面的影响。针对上述缺点,本文尝试使用满足三角不等式的距离度量来代替矩阵分解中的点积,使用距离度量算法来预测用户对项目的偏好。第三章中提出融合度量学习和矩阵分解的协同过滤算法(MLMF),使用距离度量算法学习用户和项目在同一低维欧几里得空间位置特征,让用户距离感兴趣的项目更近,距离不感兴趣的项目更远。该算法一定程度上保留了矩阵分解可扩展性和可解释性的优点,但比矩阵分解更加直观易懂,同时还能有效的学习到用户和项目的邻域特征,主要包括以下几个工作重点:(1)和一般的模型不同,MLMF先将用户对项目的评分转换为距离偏差,学习到用户偏好和距离的正相关关系。(2)另外,因传统矩阵分解使用的l2正则化策略对本文算法并不适用,为了防止算法模型过拟合和提高推荐准确度,MLMF算法使用了多种正则化策略,算法使用欧几里得球(Norm clipping)和解相关正则化(DeCov)策略对模型进行正则化约束,同时使用Dropout防止过拟合。(3)为了验证MLMF算法的性能,文章从多个角度的对实验结果进行对比分析。首先在多个公开数据集上进行实验,并将MLMF算法的准确度和多种经典基线算法进行对比,实验结果表明MLMF算法提高了推荐的准确性;另外,由于算法能够学习到一些邻域关系,因此本文通过计算用户和项目的位置特征之间的距离来构建TopN推荐列表,结果表明算法在TopN推荐中仍然具有较好的表现。(4)将用户和项目的位置特征向量使用T-SNE进行降维,然后可视化到二维平面中,以此观察用户和项目特征的分布情况,同时文章还对用户和项目之间的距离变化情况进行了分析,实验结果表明MLMF算法能有效学习用户对项目的偏好。另一方面推荐系统存在冷启动难题,对无历史评分记录的新用户和不活跃用户不能进行有效的推荐,对此,本文还引入社会信任关系,以此缓解推荐系统中的冷启动问题。但社会信任关系通常都是有向的关系,并不能直接用于距离度量算法,而且传统的信任关系不是基于兴趣构建的,因此基于信任关系的社会化推荐不一定能提高推荐的准确度。针对以上的问题,提出基于距离度量分解的社会化推荐算法(SDMF),SDMF算法主要包括以下内容:(1)SDMF算法对用户信任关系进行了重构,将有向的社会信任关系变为无向的用户关系,这更符合基于距离度量推荐算法的性质。(2)SDMF分别计算用户的熟悉程度(familiarity)和兴趣相似程度(similarity),并设计了一种新的关联方法综合考虑用户之间熟悉程度和兴趣相似程度,重新构建用户关系矩阵,重构后的用户关系充分考虑了用户和其朋友的兴趣相似度,这让算法能够更准确对用户进行推荐。(3)SDMF算法将重构后的用户关系通过联合正则化方式融入到距离度量算法中,对用户和项目、用户和兴趣爱好相似的好友都进行约束。(4)在真实公开数据集上进行实验,结果表明SDMF能够有效的学习到用户的偏好,和一些经典的社会化推荐算法相比,SDMF具有较高的推荐准确度;另外,在一些冷启动用户上,SDMF仍然有最好的表现,这说明算法还能一定程度改善推荐系统的冷启动问题。总之,本文研究了基于距离度量的协同过滤算法并对其进行改进和实验,和一些目前广泛使用的推荐算法相比,基于距离度量学习的推荐算法也能有较高推荐准确度,而且基于距离度量的协同过滤算法还有一定的可扩展性和可解释性,具有一定的研究的意义。
基于博弈论的网络舆情识别系统的研究与实现
这是一篇关于网络舆情,Steemit,社会网络,博弈论,奖惩机制的论文, 主要内容为网络舆情包含用户对于诸多社会现象与热点问题的看法与思考,而社交网络是舆情内容产生与传播的重要载体。基于在线社交网络的舆情信息的产生与传播具有以下三个特点:一,在线社交网络的准入门槛较低,用户生产舆情信息所需的时间和空间成本较低;二,社交网络的特性决定了舆情信息可以在网络中快速传播;三,广大用户群体对于虚假舆情内容的辨识能力参差不齐,使得虚假舆情信息在网络平台中快速传播。因此,研究在线社交网络中舆情信息的可信度识别对于有效控制虚假舆情信息的产生与传播具有重要现实意义。本文利用Python爬虫工具从网络上获取了基于区块链的社交网络Steemit以及传统社交网络Tumblr的内容数据。利用社会网络分析方法从点度中心度、接近中心度、特征向量中心度以及中介中心度的角度对比分析了Steemit与Tumblr。通过对比分析,本文发现在Steemit中可以更好地控制舆情信息的产生与传播,因此本文选择借鉴Steemit的设计机制来进行网络舆情的识别分析。通过对Steemit的分析,本文发现了Steemit目前存在的两个问题:一是用户代理股权机制的不合理;二是缺少对用户投票权的约束,造成奖励机制的滥用。因此,本文进行了奖惩机制的改进,并通过博弈论证明了改进后的奖惩机制在实际的应用中是行之有效的,之后将改进后的奖惩机制在系统中进行编码实现。本文设计的网络舆情识别系统基于主流技术框架SSH搭建,Struts应用于控制层,Spring负责项目中所有类的集中管理,Hibernate框架与数据库进行交互处理,负责数据持久化服务。在实际编码中采用分层的设计思想,Action为逻辑层;Bean为实体层,数据库有多少实体就对应多少具体类;Dao层为SQL语句,负责编写功能设计的基本操作;Service层为具体的功能实现方法。本文采用轻量级数据库MySql进行数据存储。本系统的主要使用人员为管理员及普通用户,管理员负责系统事务管理与维护。普通用户具有两种角色,既可作为内容发布者在系统中发布舆情内容,又可作为内容接收者对于系统中的内容进行投票操作。通过基于博弈论设计的激励机制来约束用户行为,促使用户为了使得自身利益的最大化,作为内容发布者仅会发布可信舆情内容,而作为接收者也仅会正确评判舆情内容的可信度,最终使得舆情识别系统中仅存在可信舆情内容。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/47249.html
