留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

社交网络群中用户活跃度分析与预测

上一篇

下一篇

张效尉1,余云霞2,王伟1. 社交网络群中用户活跃度分析与预测[J]. 西南师范大学学报(自然科学版), 2018, 43(12): 115-121. doi: 10.13718/j.cnki.xsxb.2018.12.019
引用本文: 张效尉1,余云霞2,王伟1. 社交网络群中用户活跃度分析与预测[J]. 西南师范大学学报(自然科学版), 2018, 43(12): 115-121. doi: 10.13718/j.cnki.xsxb.2018.12.019
ZHANG Xiao-wei1, YU Yun-xia2, WANG Wei1. On Prediction and Analysis of Social Network Group User Activity[J]. Journal of Southwest China Normal University(Natural Science Edition), 2018, 43(12): 115-121. doi: 10.13718/j.cnki.xsxb.2018.12.019
Citation: ZHANG Xiao-wei1, YU Yun-xia2, WANG Wei1. On Prediction and Analysis of Social Network Group User Activity[J]. Journal of Southwest China Normal University(Natural Science Edition), 2018, 43(12): 115-121. doi: 10.13718/j.cnki.xsxb.2018.12.019

社交网络群中用户活跃度分析与预测

On Prediction and Analysis of Social Network Group User Activity

  • 摘要: 对于社交网络中不同的群组,由于用户属性(性别、年龄等)、群类别、群成员之间关系等因素的影响,其活跃度各不相同.本文首先从社交网络用户数据中提取人口信息、群的类别、社交关系、群用户黏性(分享消息数、图片数)等特征,然后利用logistic回归、支持向量机、BP神经网络等机器学习算法对不同群中用户的活跃度进行预测.结果表明,BP神经网络针对社交网络群中用户活跃度分类判断时具有较高的预测性能,社交关系特征对群用户活跃性具有重要影响.
  • 加载中
  • [1] 蒋文丽, 汤庸, 许玉赢, 等. 社交网络中角色活跃度的好友推荐[J]. 小型微型计算机系统, 2016, 37(10):2162-2165.
    [2] HAN Y, TANG J. Who to Invite Next? Predicting Invitees of Social Groups[C]//26th International Joint Conference on Artificial Intelligence. Melbourne:AAAI Press, 2017:3714-3720.
    [3] QIU J Z, LI Y X, TANG J, et al. The Lifecycle and Cascade of WeChat Social Messaging Groups[C]//25th World Wide Web Conference. Montréal:ACM Press, 2016:311-320.
    [4] Butler B S. Membership Size, Communication Activity and Sustainability:A Resource-Based Model of Online Social Structures[J]. Information Systems Research, 2001, 12(4):346-362.
    [5] 李献礼. 在线社会网络多维度链式信任计算算法[J]. 西南大学学报(自然科学版), 2016, 38(8):142-147.
    [6] 黄炜, 李总苛, 李岳峰. 微信用户活跃度影响因素分析[J]. 湖北工业大学学报, 2015, 30(6):29-32.
    [7] SHI X L, ZHU J, CAI R, et al. User Grouping Behavior in Online Forums[C]//15th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. Paris:ACM Press, 2009:777-785.
    [8] YANG J, WEI X, ACKERMAN M S, et al. Activity Lifespan:An Analysis of User Survival Patterns in Online Knowledge Sharing Communities[C]//4th International Conference on Weblogs and Social Media. Washington:the Association for the Advancement of Artificial Intelligence, 2010:186-193.
    [9] ZHU Y, ZHONG E H, PAN S J, et al. Predicting User Activity Level in Social Networks[C]//22nd ACM International Conference on Information & Knowledge Management. California:ACM Press, 2013:159-168.
    [10] 周静, 李季. 从人口统计特征和生活方式探讨SNS社交网站用户的使用行为及其活跃度[J]. 科技与管理, 2011, 13(2):72-77.
    [11] MAGNUSON M J, LAUREN L. Gender Differences in "Social Portraits" Reflected in My Space Profiles[J]. Cyber Psychology and Behavior, 2008, 11(2):239-241.
    [12] 梁修荣, 杨正益. 基于聚类和SVM的数据分类方法与实验研究[J]. 西南师范大学学报(自然科学版), 2018, 43(3):91-96.
  • 加载中
计量
  • 文章访问数:  1427
  • HTML全文浏览数:  1103
  • PDF下载数:  113
  • 施引文献:  0
出版历程
  • 收稿日期:  2017-12-21

社交网络群中用户活跃度分析与预测

  • 1. 周口师范学院 网络工程学院, 河南 周口 466001;
    2. 荆楚理工学院 计算机工程学院, 湖北 荆门 448000

摘要: 对于社交网络中不同的群组,由于用户属性(性别、年龄等)、群类别、群成员之间关系等因素的影响,其活跃度各不相同.本文首先从社交网络用户数据中提取人口信息、群的类别、社交关系、群用户黏性(分享消息数、图片数)等特征,然后利用logistic回归、支持向量机、BP神经网络等机器学习算法对不同群中用户的活跃度进行预测.结果表明,BP神经网络针对社交网络群中用户活跃度分类判断时具有较高的预测性能,社交关系特征对群用户活跃性具有重要影响.

English Abstract

参考文献 (12)

目录

/

返回文章
返回