资源描述：
《基于张量分解的用户影响力度量研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、基于张量分解的用户影响力度量研究唐昌宏1,2，刘月1（1.福州大学数学与计算机科学学院，福建福州3501162.福建省网络计算与智能信息处理重点实验室，福建福州350116）摘要提出一种基于张量分解的有影响力用户识别算法。该算法首先构建基于查询主题的用户交互关系张量，接着利用张量分解算法对用户行为进行预测，最后融合各种交互关系和用户的主题信息给出用户影响力的综合评判。实验结果表明，与非负矩阵分解相比，张量分解的挖掘精度提升了10%左右，而与Pagerank相比，张量分解的挖掘精度提升了20%左右。关键词用户影响力,主题相关度,交互关系,张量,社交媒介中图分类号：TP391Userin
2、fluencemeasureresearchbasedontensorfactorizationTANGChang-Hong1,2,LIUYue1(1.CollegeofMathematicsandComputerScience,FuzhouUniversity,Fuzhou3501162.FujianProvincialKeyLaboratoryofNetworkComputingandIntelligentInformationProcessing,Fuzhou350116)ABSTRACTThispaperproposesamethodforidentifyinginfluen
3、tialusersbasedontensorfactorization(TF).Thismethodfitstconstructsinteractiontensorbasedonthetopic.Then,weextracttheuserbehaviorbyfactorizingthetensor.Finally,theusers’influencesareevaluatedbycomprehensivelyconsideringthetopicandinteractioninformationbetweenusers.Theexperimentsshowsthat,compared
4、withNMFandPagerankmethod,theaccuracyofTFmethodcanincreaseby10%and20%,respectively.KeyWordsuserinfluence,topicrelevance,interactiverelationship,tensor,socialmedia社会影响力已成为制约社交网络的动态演化过程、社交网络结构以及用户行为的至关重要的因素[1]。研究网络中用户的社会影响力有着十分广阔的应用前景，如：用户分类[2]、个性化推荐[1,3]等。当前的研究工作主要有两大类：基于Pagerank的方法[2,4,5]和基于矩阵[1
5、,3,6]或张量的方法[7,8,9]。基于Pagerank的方法假设用户的影响力由好友的影响力所决定，认为好友的影响力大，则该用户也可能有较大影响力。基于矩阵或张量的方法则把用户的交互行为用潜在的公共行为来描述，通过解析潜在行为来推测用户的交互关系强度。然而，社交网络上，用户与用户之间往往具有多种交互关系，并且不同用户关注的领域是不同的，当前的方法没有充分利用社交媒介上用户的各种交互关系信息以及用户的主题信息。针对当前方法的不足，我们将考虑用户的交互信息以及用户与查询主题之间的相关度，以期望提高用户挖掘的精度。本文提出一种基于张量分解的用户影响力度量方法。该方法将用户的多种交互关系行
6、为表示成几个公共的潜在行为，提取了用户潜在行为结构，而且具有直观的行为解释。1相关工作社交媒介上用户影响力分析是通过利用社交媒介上的用户信息来推断用户在网络上的影响力。当前的研究工作主要有两大类：1）基于Pagerank的方法：NitinAgarwal等人参考文献[1]PengCui,FeiWang.Item-levelSocialInfluencePredictionwithProbabilisticHybridFactorMatrixFactorization.InAAAI,2011,page331-336.[2]KekeCai,ShenghuaBao,ZiYang,JieTan
7、g,RuiMa,LiZhangandZhongSu.AnOpinionOrientedLinkAnalysisModelforInfluencePersonaDiscovery.InWSDM,2011,page645-654.[3]PengCui,FeiWang,ShaoweiLiu,MingdongOu,ShiqiangYang,LifengSun.Whoshouldsharewhat,Item-levelSocialInfluencePredictio
