社会网络数据分析PDF|Epub|txt|kindle电子书版本网盘下载

社会网络数据分析PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

1 社会网络数据分析概述1

1.1 引言1

1.2 在线社会网络：研究方向3

1.3 社会网络的研究内容5

1.4 总结与展望7

2 社会网络的统计特性10

2.1 预备知识11

2.2 静态属性16

2.3 动态属性20

2.4 结论26

3 社会网络中的随机游走及其应用：研究综述30

3.1 引言30

3.2 图上随机游走：背景31

3.2.1 基于随机游走的相似性测度31

3.2.2 其他基于图的相似性测度35

3.2.3 半监督学习的图论方法36

3.2.4 用基于随机游走的方法聚类38

3.3 相关研究：算法39

3.3.1 命中时间和往返时间的算法39

3.3.2 计算个性化PageRank和Simrank的算法40

3.3.3 计算调和函数的算法42

3.4 相关研究：应用42

3.4.1 在机器视觉中的应用43

3.4.2 文本分析43

3.4.3 协同过滤44

3.4.4 处理Web垃圾44

3.5 相关研究：评估和数据集44

3.5.1 评估：连接预测44

3.5.2 公开数据源45

3.6 结论及未来研究工作46

4 社会网络中的社团发现：应用、方法与趋势53

4.1 引言53

4.2 特定上下文环境中的社团54

4.3 核心方法56

4.3.1 质量函数56

4.3.2 Kernighan-Lin（KL）算法57

4.3.3 合并／分解算法57

4.3.4 谱算法58

4.3.5 多层图划分59

4.3.6 马尔科夫聚类59

4.3.7 其他方法60

4.4 新出现的领域和问题62

4.4.1 动态网络中的社团发现62

4.4.2 异构网络中的社团发现63

4.4.3 有向网络中的社团发现64

4.4.4 在社团发现中结合内容信息和关系信息65

4.5 交叉性问题及结论66

5 社会网络中的顶点分类76

5.1 引言76

5.2 问题描述78

5.2.1 将数据表示为图78

5.2.2 顶点分类问题81

5.3 使用局部分类器的方法81

5.3.1 迭代分类方法82

5.4 基于随机游走的方法83

5.4.1 标识传播84

5.4.2 图正则化86

5.4.3 吸附88

5.5 大规模社会网络中的顶点分类90

5.5.1 基本方法90

5.5.2 二阶方法90

5.5.3 Map-Reduce中的实现90

5.6 相关方法91

5.6.1 使用图模型推理92

5.6.2 参数标注92

5.6.3 谱划分93

5.6.4 图聚类93

5.7 顶点分类的相关问题94

5.7.1 相异标识94

5.7.2 边标注94

5.7.3 标识摘要95

5.8 结论95

5.8.1 未来研究方向和挑战95

5.8.2 延伸阅读96

6 社会网络中的演化：研究综述99

6.1 引言99

6.2 框架100

6.2.1 时间轴上的网络建模100

6.2.2 四个维度的演化101

6.3 社会网络流的挑战102

6.4 社团追踪的增量挖掘103

6.5 追踪平滑演化社团106

6.5.1 簇的时间平滑性106

6.5.2 动态概率模型107

6.6 社会网络演化规律110

6.7 结论111

7 社会影响力分析模型和算法综述117

7.1 引言117

7.2 与统计学相关的影响力118

7.2.1 边测度118

7.2.2 顶点测度119

7.3 社会相似性与影响力121

7.3.1 同质性121

7.3.2 社会影响力的存在性测试124

7.3.3 影响力与行为125

7.3.4 影响力与互动129

7.4 影响力最大化与病毒式营销132

7.4.1 影响力最大化132

7.4.2 其他应用136

7.5 结论137

8 社会网络中的专家发现算法与系统综述143

8.1 引言143

8.2 定义与符号144

8.3 无图约束的专家发现145

8.3.1 文档信息检索语言模型145

8.3.2 专家发现语言模型146

8.3.3 延伸阅读147

8.4 分值传播下的专家发现147

8.4.1 PageRank算法147

8.4.2 HITS算法148

8.4.3 专家分值传播149

8.4.4 延伸阅读150

8.5 专家团队形成151

8.5.1 相关测度151

8.5.2 专家团队形成151

8.5.3 延伸阅读154

8.6 其他相关方法154

8.6.1 基于代理的方法155

8.6.2 影响力最大化方法155

8.7 专家发现系统156

8.8 结论157

9 社会网络中的连接预测综述162

9.1 引言162

9.2 背景163

9.3 基于特征的连接预测164

9.3.1 特征集的构建164

9.3.2 分类模型168

9.4 贝叶斯概率模型172

9.4.1 基于局部概率模型的连接预测172

9.4.2 基于网络演化的概率模型173

9.4.3 层次概率模型174

9.5 概率关系模型175

9.5.1 关系贝叶斯网络176

9.5.2 关系马尔科夫网络176

9.6 线性代数方法177

9.7 近期发展及未来工作179

10 社会网络中的隐私问题综述185

10.1 引言185

10.2 社会网络中的隐私泄露187

10.2.1 身份信息泄露187

10.2.2 属性信息泄露188

10.2.3 社会关系泄露189

10.2.4 隶属关系泄露190

10.3 数据发布中的隐私定义191

10.3.1 k-匿名化192

10.3.2 l-多样性与t-接近性194

10.3.3 差异性隐私194

10.4 隐私保护机制195

10.4.1 社会网络的隐私机制196

10.4.2 隶属网络的隐私机制199

10.4.3 社会隶属网络的隐私机制201

10.5 相关文献202

10.6 结论202

11 社会网络的可视化206

11.1 引言206

11.2 可视化的分类207

11.2.1 结构可视化208

11.2.2 语义和时间的可视化210

11.2.3 统计可视化211

11.3 可视化技术、交互技术以及分析技术的融合212

11.3.1 基于本体的结构和语义过滤213

11.3.2 基于中心性的可视化发现和探索214

11.4 结论216

12 社交媒体数据挖掘221

12.1 引言221

12.2 数据挖掘简介222

12.3 社交媒体222

12.4 社交媒体数据挖掘的主要动机224

12.5 社交媒体数据挖掘方法225

12.5.1 数据表示225

12.5.2 数据挖掘过程226

12.5.3 社交网站：示例227

12.5.4 博客空间：示例229

12.6 相关工作231

12.6.1 人种学和网络人种学231

12.6.2 事件地图231

12.7 结论232

13 社会网络文本挖掘238

13.1 引言238

13.2 关键词搜索239

13.2.1 查询语义和答案排序240

13.2.2 基于XML和关系数据的关键词搜索241

13.2.3 基于图的关键词搜索242

13.3 分类算法246

13.4 聚类算法247

13.5 异构网络中的迁移学习249

13.6 结论250

14 传感器与社会网络的融合254

14.1 引言254

14.2 传感器与社会网络：技术推动因素256

14.3 社会网络的动态建模257

14.4 系统设计和架构挑战258

14.4.1 隐私保护数据采集259

14.4.2 通用模型构造259

14.4.3 实时决策服务260

14.4.4 参与者招募260

14.4.5 其他架构挑战260

14.5 数据库表示：问题和挑战261

14.6 隐私问题266

14.7 传感器和社会网络：应用267

14.7.1 Google Latitude应用268

14.7.2 Citysense和Macrosense应用268

14.7.3 Green GPS269

14.7.4 Microsoft SensorMap269

14.7.5 动物和物体跟踪应用269

14.7.6 实时服务的参与感知270

14.8 未来挑战和研究方向270

15 社交媒体中的多媒体信息网络275

15.1 引言275

15.2 基于语义的连接：基于本体的学习276

15.3 基于社区媒体的连接277

15.3.1 面向社区媒体的检索系统277

15.3.2 基于社区媒体的推荐系统278

15.4 个人相册网络279

15.4.1 个人相册具有以参与者为中心的特征279

15.4.2 个人相册中的质量问题280

15.4.3 个人相册中的时间和位置主题280

15.4.4 个人相册中的内容重叠问题281

15.5 地理信息网络281

15.5.1 语义标注282

15.5.2 地理估计282

15.5.3 其他应用283

15.6 推理方法283

15.6.1 判别模型与生成模型283

15.6.2 基于图的推理：排序、聚类和半监督学习284

15.6.3 在线学习285

15.7 关于商业系统和数据集讨论286

15.8 未来发展方向探讨288

15.8.1 基于内容的推荐和广告288

15.8.2 通过云计算实现的多媒体信息网络288

16 社会标注和应用综述298

16.1 引言298

16.1.1 与元数据生成及固定分类相关的问题299

16.1.2 一种解决方案：大众分类299

16.1.3 本文结构300

16.2 标识：为什么？以及是什么？300

16.2.1 各种用户标注动机300

16.2.2 标识类别301

16.2.3 分类者和描述者302

16.2.4 标识的语义分类302

16.2.5 基于游戏的标注302

16.3 标识生成模型303

16.3.1 Polya罐子生成模型303

16.3.2 语言模型305

16.3.3 其他影响因素305

16.4 标注系统的设计306

16.5 标识分析308

16.5.1 标识分布308

16.5.2 识别标识语义309

16.5.3 标识Vs．关键词310

16.6 标识可视化311

16.6.1 用于浏览／搜索的标识云312

16.6.2 为标识云选择标识312

16.6.3 标识层次生成313

16.6.4 标识云显示形式313

16.6.5 标识演化过程可视化313

16.6.6 受欢迎的标识云314

16.7 标识推荐314

16.7.1 基于标识质量314

16.7.2 基于标识共现315

16.7.3 基于单词、文档和标识之间的互信息315

16.7.4 基于对象特征316

16.8 标识应用316

16.8.1 索引316

16.8.2 搜索316

16.8.3 分类生成320

16.8.4 公共图书馆编目320

16.8.5 聚类和分类321

16.8.6 社会热点发现322

16.8.7 增强浏览322

16.9 集成323

16.9.1 利用标识共现分析和聚类方法融合分类结果323

16.9.2 TAGMAS：联合标注系统324

16.9.3 不同大众分类法中的相关用户信息324

16.10 存在的问题325

16.10.1 垃圾标识325

16.10.2 规范性和模糊性325

16.10.3 其他问题326

16.11 结论及未来发展方向327

16.11.1 标识分析327

16.11.2 改进的系统设计327

16.11.3 个性化标识推荐327

16.11.4 更多的应用327

16.11.5 待解决的问题328