1數(shù)據(jù)精準感知型社會信息網(wǎng)絡不完備多社會關系填補方法研究
在社會信息網(wǎng)絡中，許多節(jié)點之間的關系是未知的，從數(shù)據(jù)精準感知的角度來講，有必要對未知的、不完備的社會關系進行補全。社會信息網(wǎng)絡不完備社會關系填補，實際上是一種基于給定的圖以及已知邊來預測未知邊的問題。進一步講，它可以轉化為傳統(tǒng)的機器學習問題——矩陣補全(MatrixCompletion)。最常見的矩陣補全方法是矩陣分解。矩陣分解在矩陣缺失值較少的情況下非常有效，其重構矩陣能保留原始矩陣大部分信息，然而真實的社會信息網(wǎng)絡往往是一個稀疏矩陣，僅僅擬合少量值來分解大規(guī)模稀疏矩陣，容易引起“過擬合”問題，進而影響模型的泛化能力，對未知元素的預測能力減弱[2]。因此，我們需要另辟蹊徑，尋求大型稀疏矩陣填補新方法。為了消除稀疏矩陣結構約束，實現(xiàn)對任意類型關系矩陣進行填補，我們研究的重點是利用多源網(wǎng)絡知識的協(xié)同共享，發(fā)現(xiàn)相似知識間的潛在關聯(lián)，構建潛在關系矩陣，提高大型稀疏矩陣填補的性能。
2動態(tài)核協(xié)同社會信息網(wǎng)絡群體關系融合方法研究
基于核協(xié)同挖掘的極大相似子關系具有動態(tài)性及連續(xù)性，從聚類的角度來講，處理動態(tài)數(shù)據(jù)目前主要有兩種手段。一種忽略了數(shù)據(jù)隨時間的變化，在隨時間累積的整體數(shù)據(jù)上直接應用傳統(tǒng)聚類方法。但是，在社會網(wǎng)絡演變過程中，突發(fā)事件的產(chǎn)生使得每一網(wǎng)絡快照上的聚類是明顯的，因此整體聚類結果可能是毫無意義的。另一種則忽略了不同時刻數(shù)據(jù)之間的關聯(lián)性而在每一個網(wǎng)絡快照上單獨應用傳統(tǒng)聚類方法，這導致了不同時刻的聚類結果相差甚遠。針對研究需要，我們的目標是設計具有普適性的在線式動態(tài)群體關系融合算法，以聚類結果精準為前提，實現(xiàn)時變條件下聚類結果仍然能夠保持光滑性。
3多維協(xié)同感知型社會信息網(wǎng)絡演化分析
這部分的研究可以概括為演化特征分析、共棲屬性提取、協(xié)同演化分析三個層面。
具體地說：
1)基于TimeLine的感知型社會信息網(wǎng)絡演化特征研究。基于TimeLine的感知型社會信息網(wǎng)絡演化特征研究的主要內(nèi)容是對其時序特征進行分析。因為社會信息網(wǎng)絡中存在著多變性、瞬時性、Churn特性，因而從已有社會感知數(shù)據(jù)中獲取TimeLine的準確程度將直接影響時序特征的分析結果。抽取TimeLine的時序間隔過大、過小或過于平緩，都不能準確的反映出該時間區(qū)間所發(fā)生事件的明顯特征[3]。如圖1所示，TimeLine上有五個時序區(qū)間T1、T2、T3、T4、T5，其中T1與T2、T2與T3之間存在著相對的變化特征，T1與T5之間屬于絕對變化特征。因此，如何通過已有的社會感知數(shù)據(jù)，提取理想狀態(tài)下的TimeLine，并通過演化分析算法，對TimeLine上的不同時序進行演化特征分析是本研究的`研究重點之一。
(2)感知型社會信息網(wǎng)協(xié)同共棲屬性提取。該研究將通過對感知型社會信息網(wǎng)協(xié)同共棲屬性提取，對其演化屬性進行分析。目前的研究，大多以靜態(tài)或時序網(wǎng)絡快照為主。因此在實現(xiàn)連續(xù)動態(tài)的演化環(huán)境中，需要重新定義協(xié)同演化度量指標。其中，共棲屬性可以區(qū)分出社會信息網(wǎng)絡中感知對象之間是共生關系，還是競爭關系等。設計個體和群體的共棲屬性提取方法，總結屬性變化規(guī)律，是分析社會信息網(wǎng)絡協(xié)同演化關系的重要前提和基礎。
(3)動態(tài)嵌套多向關聯(lián)的協(xié)同演化關系分析。該研究將設計感知型社會信息網(wǎng)絡的自適應表達式，提出協(xié)同演化關系分析方法，對多維協(xié)同演化關系進行分析。社會信息包括了各種維度的信息，信息之間起著協(xié)同作用，構成了整個社會信息網(wǎng)絡的運行過程。它的協(xié)同演化過程是一個跨界現(xiàn)象，不僅發(fā)生在一個層級中，還可能發(fā)生在其他較低或較高層級中，而且還會發(fā)生在層級之間；既包括內(nèi)部微觀對象的協(xié)同演化，也包括與外部環(huán)境的宏觀協(xié)同演化，并且這些不同層次的演化是交互嵌套、難以區(qū)分的。微觀行為主體的活動經(jīng)常會產(chǎn)生宏觀上的效果，宏觀層的演化也會對微觀層的演化產(chǎn)生影響[4]。層級間互動的演化，是多層級協(xié)同演化的重要特征。圖2展示了一個社會信息網(wǎng)絡中多維信息的協(xié)同。這部分還將利用各個子網(wǎng)絡的屬性值，重點研究通過社會數(shù)據(jù)感知計算技術，對動態(tài)嵌套多向關聯(lián)的協(xié)同演化關系進行分析，提出對社會信息網(wǎng)絡中的單方主導演化關系、共同主導演化關系和無主導演化關系的協(xié)同演化關系分析方法。
4動態(tài)社會信息網(wǎng)絡建模(Dynamicsocialnetworkinformationmodeling)
建立動態(tài)社會信息網(wǎng)絡模型，首先需要確定描述網(wǎng)絡模型的時間片特征值，即對時間軸進行足夠細的分割，使得每一時間片上至多有一個節(jié)點變更其連接策略，而同時保證其他節(jié)點保持其原有連接狀態(tài)不變。其次，需要設計網(wǎng)絡模型的動態(tài)連接策略。連接策略的正確選擇，決定著最終模型成功的與否。按照以上思路，模型建立部分的研究內(nèi)容分為以下三個方面：(1)以節(jié)點社會上下文(SocialContext)為效用值，消除網(wǎng)絡噪音。研究表明，人的行為活動具有重復性與周期性，這樣就可以將人的多種行為特征表示為網(wǎng)絡節(jié)點的不同社會屬性，將節(jié)點的社會屬性進行歸納就可以得到節(jié)點的社會上下文知識[5]。根據(jù)社會上下文，可以得到節(jié)點的信譽評價值。
真實的社會信息網(wǎng)絡中會存在一些由惡意節(jié)點引起的一定概率的誤連接，因此在建模之前預處理網(wǎng)絡數(shù)據(jù)可以降低由于個體行為的不確定性所帶來的網(wǎng)絡演化噪音。本部分內(nèi)容研究應用社會上下文來評價節(jié)點的信譽度，并通過累計信譽記錄得到節(jié)點的最終信譽值。由于惡意節(jié)點在社會信息網(wǎng)絡中會惡意破壞社會信息網(wǎng)絡中的正常連接，對網(wǎng)絡研究的負面影響較大，所以可以根據(jù)節(jié)點的信譽評價值，孤立惡意節(jié)點并刪減其連接。(2)基于社會特征的時間片發(fā)現(xiàn)算法：Timesectiondiscoverapproachbasedonsocialinformation(TSI)。根據(jù)信息網(wǎng)絡中節(jié)點的社會學特性，引入社會信息網(wǎng)絡中節(jié)點的社會信息屬性。因為當某個節(jié)點社會信息值發(fā)生一定變化時可能會引起社會信息網(wǎng)絡結構的變化，所以時間片的劃分應以節(jié)點社會信息屬性的較大變化為劃分依據(jù)，細化時間軸，使得每個時間片內(nèi)只有一個節(jié)點的社會信息值發(fā)生變化，而其他節(jié)點按照慣性保持其社會信息屬性值不變。
經(jīng)過這樣處理之后，網(wǎng)絡結構的變化過程就可以看成是一個馬爾可夫過程。(3)基于半隨機游走策略的動態(tài)連接。社會信息網(wǎng)絡中節(jié)點的連接過程可以看成是節(jié)點對社會信息進行追逐的過程。當網(wǎng)絡中某些節(jié)點的社會信息值發(fā)生較大變化時，網(wǎng)絡中的結構一般會發(fā)生相應的變化，其變化表現(xiàn)為網(wǎng)絡中的某些節(jié)點會相應地連接到目前社會信息價值較大的節(jié)點上。這部分將研究在建模中應用隨機游走策略，并設置連接閾值α。游走從網(wǎng)絡的某一節(jié)點開始執(zhí)行，當游走到目前社會信息值較大的節(jié)點時進行連接，之后繼續(xù)游走到下一個目標節(jié)點，直到多次搜索并無更大社會信息值節(jié)點，完成一次隨機游走。在每個時間片中模型要完成多次隨機游走的動態(tài)重鏈。在隨機游走的過程中由于應用了連接閾值α限定連接操作，所以此操作可以看作是半隨機連接，連接閾值α的設定與網(wǎng)絡中節(jié)點的社會信息價值有關，α的具體值應高于網(wǎng)絡中節(jié)點的社會信息價值的平均值，并可設置α的浮動范圍δ(δ是一個較小的值)。由于社會信息網(wǎng)絡研究的數(shù)據(jù)精準感知型核協(xié)同社會信息網(wǎng)絡的網(wǎng)絡結構是動態(tài)演化的結果，所以網(wǎng)絡結構將隨著網(wǎng)絡中節(jié)點數(shù)量、節(jié)點的社會信息屬性及節(jié)點社會上下文的變化而發(fā)生相應變化。上述三個方面的研究可以綜合表述為動態(tài)半隨機重連策略，應用這種策略建立的網(wǎng)絡模型可以表現(xiàn)出網(wǎng)絡由不穩(wěn)定到相對穩(wěn)定，再到不穩(wěn)定的演變過程。
5社會信息網(wǎng)絡上突發(fā)檢測方法(Socialnetworkinformationburstdetectionmethod)
由于社會信息網(wǎng)絡同時具有信息網(wǎng)絡的實時性和社會網(wǎng)絡的交互性的特點，因此可以通過研究社會信息網(wǎng)絡拓撲結構的演化行為，研究突發(fā)事件的檢測與預警方法。主要研究問題如下：(1)網(wǎng)絡節(jié)點影響力分析方法。針對社會信息網(wǎng)絡不同于傳統(tǒng)網(wǎng)絡的集聚特性，提出網(wǎng)絡節(jié)點的影響力分析方法。首先，基于拓撲勢理論對社會信息網(wǎng)絡進行社區(qū)發(fā)現(xiàn)，并對網(wǎng)絡中的節(jié)點進行分類；其次，針對不同類型節(jié)點的不同結構特征，分別對其進行影響力分析。(2)網(wǎng)絡節(jié)點的可信度評估方法。研究社會信息網(wǎng)絡中節(jié)點的可信度，一方面采用云模型對社區(qū)內(nèi)和社區(qū)間的節(jié)點進行全局信任評估，另一方面通過引入時間窗及構造時間函數(shù)實現(xiàn)對可信度的動態(tài)更新。(3)突發(fā)檢測方法與預警方法。由于突發(fā)事件具有的海量數(shù)據(jù)積聚、爆發(fā)的瞬時性及偶然性等特點，因此首先引入滑動窗口的思想對監(jiān)測到的數(shù)據(jù)流進行分析，然后分析網(wǎng)絡拓撲的演化行為，進而對網(wǎng)絡上的突發(fā)事件進行檢測和預警。在這些需要解決的科學問題中，基于網(wǎng)絡拓撲演化的突發(fā)事件檢測與預警方法研究為社會信息網(wǎng)絡研究目標實現(xiàn)的最后一環(huán)，而且?guī)в懈蟮奶剿餍院颓罢靶�，所以基于網(wǎng)絡拓撲演化的突發(fā)事件檢測與預警方法研究可是說是我們需要解決的關鍵科學問題。
6結論(Conclusion)
社會信息網(wǎng)絡是兼具社會網(wǎng)絡和信息網(wǎng)絡特征的新型網(wǎng)絡，一方面其節(jié)點間表現(xiàn)出強交互特征，另一方面其拓撲結構呈現(xiàn)強時變特征。由于社會信息網(wǎng)絡的數(shù)據(jù)具有多源性、異構性，拓撲結構具有多變性、瞬時性、Churn特性以及不同層級之間存在著交互嵌套演化等現(xiàn)象，因此社會信息網(wǎng)絡是一個異常復雜的系統(tǒng)，社會網(wǎng)絡和信息網(wǎng)絡上的傳統(tǒng)研究方法很難直接應用或遷移到社會信息網(wǎng)絡上。目前來看，社會信息網(wǎng)絡上的理論研究還比較匱乏，開發(fā)、應用等活動尚缺乏合適的實踐方法和指導理論。真正建立一個面向數(shù)據(jù)精準感知的動態(tài)社會信息網(wǎng)絡研究平臺，還需要我們不斷努力。
【感知型社會信息網(wǎng)絡論文】相關文章：
氣象信息網(wǎng)絡論文12-03
精選建設節(jié)約型社會分析論文06-29
PAMP信號信息網(wǎng)絡論文12-04
M型社會”酒店的營銷增長及品牌的提升論文04-12
闡述了學習型社會的概念和特征論文07-10
信息網(wǎng)絡傳播權分析論文11-28
實驗型論文的特點12-29