首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 140 毫秒
1.
社会网络已经成为人类共创与共享信息的平台,信息在网络中的传播对社会发展产生的作用和影响与日俱增。因此,揭示用户间信息的传播规律对于及时掌握和控制信息传播具有非常重要的意义。以社会网络社会关系强度P、社会网络潜在关系强度Q、社会网络信息传播能力W为基础,构建了社会网络信息传播度量模型,描述了度量模型的算法核心思想。仿真实验表明,社会关系强度越大,网络的信息传递概率越大,也就意味着网络的信息传递能力越强。  相似文献   

2.
在社交网络中进行意见领袖的识别对信息传播分析、舆情监测、网络营销等有着重要意义。目前,很多挖掘意见领袖的研究仅基于简单的粉丝关注或转发方式,而忽视了用户关系中的权重因素,不符合信息传播的实际情况。因此,提出加权网络下基于微博转发关系的FW-Rank(Forwarding Weight Rank)算法。该算法使用新浪微博数据进行实验,相比于通过简单关注关系形成社交网络的方式,FW-Rank算法的最终结果更加合理准确。  相似文献   

3.
为考察社交焦虑在社会排斥与大学生网络偏差行为之间的中介效应以及网络消极情绪体验的调节效应,使用社会排斥量表、社交焦虑量表、网络消极情绪体验量表与网络偏差行为量表对822名大学生进行调查。结果显示:(1)社会排斥显著正向预测大学生网络偏差行为;(2)社交焦虑在社会排斥与网络偏差行为的关系中起部分中介作用;(3)网络消极情绪体验调节了社会排斥对大学生网络偏差行为这一中介过程的后半段路径。社会排斥对大学生网络偏差行为的影响是有调节的中介效应。  相似文献   

4.
基于手机LBS定位方法对以犯罪嫌疑人为对象的社交网络进行挖掘,通过提取手机数据和基站数据建立数据字典,提出了一个LBS位置服务数据挖掘算法,关联分析了社交行为、社交网络和犯罪线索的潜在关系,并以实例形式给出了基于Python机器学习功能的实现过程。  相似文献   

5.
通过分析社交网络中信息传播的特点,构造了社交网络信息传播模型。以用户之间互动情况来定义用户间的信任值,以新浪微博为例研究了用户间的关系特征和社交网络中信息传播的特点。  相似文献   

6.
微博作为近年来的热门社交网络平台,其用户行为、兴趣模型及个性化推荐深受国内外学者关注。针对微博社交网络的弱关系特点,结合用户实时交互信息与用户基本信息,提出一种综合考虑用户基本信息与用户交互信息的用户相似度计算方法;进而在UserCF算法的基础上,提出一种基于微博交互信息的推荐算法。该算法考虑了微博平台的弱连接关系特点,能有效针对微博类社交网络进行用户推荐。通过实际社交数据集实验证明,该算法具有良好的执行效率与推荐效果。  相似文献   

7.
本文以大学生网络行为调查问卷结果为切口,分析了网络传播中垃圾信息的特点及其产生的原因,并试图揭示垃圾信息的危害性,提出从技术、法律法规、社会控制三个方面控制管理,从而对网络传播进行趋利避害的运用。  相似文献   

8.
在线社交关系特征的研究可依据关系强度进行划分.早期调查分析主要用来在社交关系中描述相关媒介的弱势,此后其它研究则强调对特殊社会群体网络特征的补偿作用.分析了创造在线友谊的青年个体和不能创造在线友谊的个体间的区别,并且探讨了社交关系的特征及个体间距,为研究在线社交关系的动态增长提供了非常重要的依据.研究结果支持在线社交关系构建研究的社会补偿法,与使用通信网络补偿缺失的社会支持内在相关.  相似文献   

9.
根据当前互联网发展形势,探究了网络大数据在高校网络社区建设方面的价值和技术可行性,分析了当前高校网络社区文化建设所面临的问题和困难,提出了"做好舆论导向监控机制"、"防止文化入侵和垃圾信息产生"、"探索网络社区中的文化传播路径"、"构建良好的社会网络关系"、"做好网络行为监测"等策略。  相似文献   

10.
社会"关系革命"背景下,网络社会化媒体的快速发展,微博正由传统的自媒体开始逐渐向着社交媒体的方向发展,日益影响着人们的社会交往。网络传播环境下,微博是社交平台的提供者、社交内容的引领者、社交方式的创新者,被用户赋予了更多的社交动机。微博社交功能被挖掘的同时,也有着不少社交隐患,需提高警惕,并合理地予以规避。  相似文献   

11.
垃圾邮件处理作为一种典型的文本分类应用问题,受到高维数据的困扰。为提高垃圾邮件检测的效率和准确率,提出一种基于PLS特征提取和SVM的入侵检测算法,首先对原始垃圾邮件数据利用偏最小二乘算法降低维度,再采用遗传算法寻优转换特征子集,并通过支持向量机SVM进行分类。 Matlab仿真实验表明,本算法能有效降低数据维数,提高检测的准确率。  相似文献   

12.
垃圾邮件过滤技术研究   总被引:1,自引:0,他引:1  
首先本文分析了垃圾邮件泛滥状况及原因,然后分析了现今被广泛使用的反垃圾邮件过滤技术,通过综合运用了基于IP过滤、Hash过滤以及基于关键字过滤技术等的优点,提出了一种基于向量空间模型及改进贝叶斯算法的垃圾邮件过滤系统,最后对未来反垃圾邮件过滤技术提出了展望.  相似文献   

13.
曾果 《铜仁学院学报》2008,10(5):118-119
本文通过时K近邻算法进行研究,在其基础上提出了一种基于K近邻的邮件过滤模型.该模型通过利用已知垃圾邮件的分类结果,应用K近邻方法对未知邮件样本进行精确匹配,以排除合法邮件的误判结果,同时,结合用户对所接收邮件的处理,将系统不能正确划分的新垃圾邮件加入训练数据中,以提高类似于该邮件的后续垃圾邮件的处理效率。  相似文献   

14.
垃圾邮件的过滤是一个具有重要现实意义的课题.将交叉覆盖学习算法和向量空间模型等技术相结合可得到一种新的垃圾邮件过滤方法.实验结果表明该方法识别率较高,具有较强的实用价值.  相似文献   

15.
邮件过滤是反垃圾邮件的一种重要方法,其中基于邮件内容的过滤又是一种重要的、有效的过滤手段.基于电子邮件是一种半结构化的数据,并且,电子邮件中主要包括的是文本信息,因此,本文将文本挖掘的分类技术和方法引入到邮件过滤系统模型中,以实现对垃圾邮件的过滤.  相似文献   

16.
l introductionThe progress of data-collection tCclmology, such as barcode scanners in commercial domains and sensors inscientific and industrial domains, gen~s huge amounts ofdata. It is not realistic to expect that all this data be carefullyanalyzed by human analysts and users. As poised out byPiatetsky-Shapiroll ], the huge size of real-world databasesystems creates both a need and an opportUnity for datamining and knowledge discovery teclmology.Discovering patterns in data seems tO be a k…  相似文献   

17.
梁晟 《毕节学院学报》2010,28(4):108-111
Internet的迅速发展,电子邮件的应用变得十分广泛,但是许多无用、有害信息随之而来。通过对"垃圾邮件"的分析、处理,讨论了一种基于支持向量机的垃圾邮件识别方法,并进行了实验,实验结果表明支持向量机对垃圾邮件的识别是有效的。  相似文献   

18.
The idea of discovering patterns in data seems to be essential for decision making in our social activities. This paper presents a simple algorithm which can be used to detect such patterns in elementary sequences of symbols. It adopts a data compression algorithm to seek for interesting patterns, which is important in understanding the way that the input symbol stream repeats itself. In this paper, the algorithm and related data structures are described in detail, and an illustrative example is given.  相似文献   

19.
本文系统介绍了垃圾邮件的产生和实现机制,并对其分类。归纳了反垃圾邮件的主流技术,并举例说明如何有效的阻止垃圾邮件和选择合适的反垃圾邮件系统。  相似文献   

20.
垃圾邮件已成为当今邮件系统的主要问题,垃圾邮件发送者通过伪装邮件来逃避反垃圾邮件系统的检测.针对目前的垃圾邮件过滤器大多数单机运行,所能获得的数据和信息较少,效率较低的问题,本文提出了一个点对点(P2P)的无服务器的E-mail系统的体系结构,系统测试结果表明,该系统结构有效地实现了相似邮件的聚集,从而达到了过滤垃圾邮件的目的.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号