社交网络大数据融合：关联用户挖掘

　　社交网络融合为社会计算等各项研究提供更充分的用户行为数据和更完整的网络结构，从而更有利于人们通过社交网络认识和理解人类社会，具有重要的理论价值和实践意义。社交网络中的关联用户挖掘旨在通过挖掘不同社交网络中属于同一自然人的不同账号，从而实现社交网络的深度融合。因此，关联用户挖掘是大型社交网络融合的基础问题，近年来已引起人们的广泛关注。考虑真实世界的朋友圈极具个性化，即现实中没有两个人具有完全一致的朋友圈，同时，相同的用户在不同的社交网络中往往具有部分相同的好友关系。《社交网络大数据融合-关联用户挖掘》基于社交网络的好友关系，充分利用好友关系的稳定性和一致性，探索关联用户挖掘的方法。

暂缺《社交网络大数据融合：关联用户挖掘》作者简介

目录
前言
第1章 社交网络大数据融合 1
1.1 社交网络与社交网络大数据融合 1
1.2 社交网络大数据融合的核心问题 3
1.3 社交网络大数据融合的主要挑战 4
1.4 本书主要内容 5
第2章 关联用户挖掘定义 7
2.1 基本术语定义 7
2.2 关联用户挖掘问题定义 9
2.3 社交网络重叠性 10
2.4 本章小结 12
第3章 关联用户挖掘总体研究框架 13
3.1 引言 13
3.2 关联用户挖掘总体框架 14
3.2.1 关联用户特征提取 14
3.2.2 关联用户识别模型 16
3.3 关联用户挖掘研究综述 19
3.3.1 基于用户属性的关联用户挖掘 19
3.3.2 基于用户关系的关联用户挖掘 23
3.3.3 综合用户属性和用户关系的关联用户挖掘 28
3.4 关联用户识别性能评估 30
3.4.1 数据集 30
3.4.2 评价指标 31
3.5 本章小结 31
第4章 基于好友关系的半监督关联用户挖掘 33
4.1 引言 33
4.2 相关工作 34
4.3 总体识别框架 36
4.3.1 基本设想 36
4.3.2 算法总体框架 37
4.4 先验关联用户集合识别模型 38
4.5 关联用户识别模型 39
4.5.1 方法论 39
4.5.2 算法 42
4.6 理论分析 45
4.6.1 随机网络模型理论分析 45
4.6.2 无标度网络模型理论分析 47
4.7 实验分析 52
4.7.1 人工数据集实验 53
4.7.2 真实数据集实验 58
4.8 在知识管理中的应用 63
4.9 本章小结 64
第5章 基于好友关系的无监督关联用户挖掘 66
5.1 引言 66
5.2 相关工作 68
5.3 基本设想 69
5.4 好友特征向量模型 71
5.4.1 正例抽样模型 72
5.4.2 好友特征向量学习模型 72
5.5 基于好友特征向量的关联用户识别模型 76
5.6 理论分析 78
5.7 实验分析 79
5.7.1 人工数据集实验 80
5.7.2 算法超参分析 85
5.7.3 真实数据集实验 88
5.8 在知识管理的应用 92
5.9 本章小结 93
第6章 综合用户属性和用户关系的关联用户挖掘 94
6.1 引言 94
6.2 面向关联用户挖掘的用户属性效用评价体系 95
6.3 综合用户属性和用户关系的关联用户挖掘模型和方法研究 96
6.3.1 属性相似度计算模型 96
6.3.2 属性相似度融合 97
6.3.3 用户关系融合建模 98
6.3.4 用户属性和用户关系的一致性建模 99
6.3.5 关联用户挖掘方法 99
6.4 关联用户挖掘模型的逼近近似求解和并行计算方法 100
6.4.1 逼近近似求解 100
6.4.2 并行实现 100
6.5 本章小结 101
第7章 总结与展望 102
7.1 总结 102
7.2 展望 103
参考文献 106