关键字 |
| 超图学习,影响采矿、多方访问控制、主题建模、学习主题的影响,主题分布。 |
介绍 |
| 社交媒体网络的出现和快速扩散提供了用户交互式共享平台来创建和分享内容的兴趣。例如,2012年的那一天的每一分钟,在推特上有100000个微博发送,48小时的视频上传到YouTube和Instagram 3600照片共享。在Flickr,用户在2012年平均每天上传154万张照片。在这种基于兴趣的社交网络,用户相互感兴趣的内容。这样的相互作用形成了社会链接是公认的力量管理涉及用户网络的行为。 |
| 在基于兴趣的社交媒体网络,用户可以轻松地创建和分享个人感兴趣的内容,如微博、照片、音乐和视频。摄影师通常与受欢迎的照片网络获得丰富的社会联系,如联系人、照片评论和收藏。雷竞技网页版大规模用户输入的内容含有丰富的社会媒体的信息,如标签、观点,最爱和注释,这对挖掘社会影响是非常有用的。矿业等主题敏感影响者可以使各种各样的应用程序,如建议,社交搜索,产品营销和采用的影响力最大化等。 |
系统分析 |
| 现有的系统包括两个主要贡献在话题敏感影响开采丰富的社交媒体信息。首先,它提出了一个尖框架利用文本信息来学习这个话题在均匀分布,分析通用影响网络学习算法使用主题分布。第二,OSNs通常使用用户和信任之间的关系和组区分不可信用户组成员。例如,在Facebook上,用户可以让朋友、朋友的朋友(脱节),组织,或公共访问他们的个人身份验证和数据根据隐私需求。虽然目前OSNs提供简单的访问控制机制允许用户管理访问信息没有包含在自己的空间,用户,不幸的是,控制数据驻留在他们的空间。例如,如果一个用户帖子评论在一个朋友的空间里,她/他不能指定哪些用户可以查看评论。在另一起案件中,当一个用户上传照片和标签的朋友出现在照片中,标记朋友不能限制谁可以看到这张照片,虽然标记朋友不同的隐私担忧这张照片。为了解决这样的一个关键问题,现有OSNs提供了初步的保护机制。图1说明了该框架是小说的主题——敏感影响矿业(尖)框架基于兴趣的社交媒体网络旨在发现局部有影响力的节点之间的用户和图片。超图学习方法的影响评估决定。 |
| 超图的顶点代表用户和图片,和超边是用来捕捉multitype关系包括visual-textual内容图像之间的关系,和社会用户之间的链接和图片。算法明智,尖首先学习主题分布利用用户输入的图像,然后推断的影响强度在不同主题中的每个节点超图。在真实的应用程序中使用的系统是像朋友的建议,推荐照片,专家系统识别和社交搜索等。追求系统的解决方案,促进协作OSNs共享数据管理。我们开始通过检查缺乏多党如何访问(李大使)数据共享在OSNs可以破坏典型数据共享用户数据的保护。一些模式对多党在OSNs确认授权。基于这些共享模式,也是李大使模型的核心功能是捕获多党制定授权需求,迄今尚未适应现有的访问控制系统。模型还包含一个多党制政策规范方案。同时,自冲突是不可避免的在多党投票机制进一步提供处理授权和隐私权的冲突模型。 |
相关工作 |
| 在本节中,我们简要介绍超图的相关工作学习,主题建模和影响排名。 |
| 答:超图学习 |
| 超图学习法结合了图像的内容和社会联系来确定特定主题影响网络中为用户和图像。在一个简单的图,顶点是用来代表样品,和一条边连接的两个顶点编码两两相关的关系。可以无向图或导演,取决于成对样本之间的关系是对称的。超图是一个泛化的简单图的边缘,被称为hyperedges任意非空的顶点集的子集[1]。hyperedges用于捕获不同的高阶用户之间的关系和图片等内容相似关系和社会联系。因此,可以使用超图模型两种不同类型的实体和复杂的关系,在社会媒体的建模是非常合适的。 |
| b .话题建模 |
| 相关工作还包括主题建模。我们开发一个主题模型使用木槌工具。锤是一个Java包“机器学习语言工具包”,这个工具的目的是为那些想做自己的主题建模。学习主题的主题模型文件的集合,和标记每个文件与少量的话题。它包括例程将文本文档转换成数值表示,可以有效地处理。“主题”由一群词经常出现在一起。使用上下文线索,主题模型可以连接词有相似的含义和区别使用的单词有多个含义。 |
| c .影响排名 |
| 根据学习主题分布和构造的超图,我们对超图执行局部亲和力传播的异构hyperedges关于主题为每个用户和图像测量的影响。亲和力传播算法最初用于聚类数据识别原型的一个子集,最好用于占所有其他数据点。 |
模块 |
| 在本节中,该系统包括四个模块:超图结构、主题分布的学习和主题敏感影响排名和多党身份验证。 |
| 答:超图结构 |
| 系统使用两种类型的顶点对应的用户和图像,这构成了顶点集。边缘设置包含同构和异构hyperedges介绍捕获多用户之间的关系和图像类型。 |
| 齐次hyperedges:齐次hyperedges用来表示visual-textual内容图像顶点之间的关系。系统结构两种类型的齐次hyperedges包括视觉内容关系hyperedge hyperedge和文本内容的关系。 |
| 异构hyperedges:利用异构超级边缘连接图像顶点与用户顶点捕捉社会链接关系。图像的所有者和用户发表评论或最喜欢的图像由利息hyperedge相连。所有的异构hyperedges权重设置为1。 |
| b .主题分布的学习 |
| 系统利用图像顶点和均匀的超边的超图学习主题分布。我们建议开发一个超图正规化话题模型充分利用图像内容和上下文信息来帮助学习感兴趣的潜在主题。然而,在真实的场景中,用户输入的社交媒体数据不可避免的噪声和文本信息与图像通常是稀疏的,这使得它很难使用超图正规化的话题模型准确学习感兴趣的话题。 |
| c .话题敏感影响排名 |
| 用户分享的局部相似性,可以计算通过连接图像和社会联系。系统可以使用亲和力传播交换影响用户之间的消息和图片以及异构hyperedges超图。最后推导出影响用户之间信息可以被视为用户之间共同的社会影响。在系统中,用户的影响和图像递归更新,直到它达到最优状态。 |
| d .多方认证 |
| 这个模块是每个用户基于兴趣的社交网络隐私。例如,在社交网络的A、B和C是朋友,如果有人上传他/她的照片在他们对照片发表评论。这张照片的各种用户的评论应该隐藏为了保护每个用户的隐私。 |
实验 |
| 在本节中,我们提供了各种实验评估的有效性提出主题敏感影响采矿方法在数据集。在本节中,我们将演示它的效用照片在朋友的建议和推荐。 |
| 答:朋友的建议 |
| 朋友的建议是有用和有价值的社会媒体社区。发现潜在的朋友分享相似兴趣的用户可以改善用户体验。地面真理的评价是由用户生成的评论功能。基于兴趣的内容时,系统显示每个用户的朋友。 |
| b .照片推荐 |
| 我们也进行实验照片的建议。我们采用最喜欢的每一个用户列表。考虑到稀疏最爱用户和照片数据集之间的联系。我们过滤掉用户不到400最爱的数据集,我们获得230用户。这些用户的最爱是作为测试数据评估的目的。在学习阶段,我们删除所有这些用户的最爱的相应信息。除了朋友的建议的方法相比,我们添加了两个简单的方法:1)利用社会,视觉和文本信号最喜欢的照片推荐2)一个简单的加权和内容相似度和社会交往经验加权参数设置为0.5 |
结论和未来的工作 |
| 尖的目标是找到有影响力的网络中的节点和用户系统使用一个统一的超图模型,图片,和各种类型的关系。超图的影响评估确定学习方法。我们有合理的动机,(1)图像的内容信息有助于主题分布,和(2)社会用户之间的链接和图片显示的潜在社会影响用户在社交媒体网络和图像。我们还表明,尖的应用可以显著地提高性能的朋友建议,照片推荐、专家鉴定和社交搜索揭示潜在的兴趣图谱在重塑网络用户的社会行为。值得注意的是,这种方法可以无缝地推广到其他许多基于兴趣的网络共享平台。我们开发一个系统的解决方案促进协作OSNs共享数据管理。我们开始通过检查如何缺乏多方访问控制(李大使)数据共享在OSNs可以破坏用户数据的保护。在未来,我们将努力为两个方向:1)应用提出尖等更多的应用程序行为预测和社交商务广泛验证其有效性;随着时间的推移和2)调查特定主题影响挖掘的网络。 |
数据乍一看 |
 |
| 图1 |
|
|
引用 |
- Anagnostopoulos说道,r·库马尔和m . Mahdian”影响和关联在社交网络上,“在Proc。知识发现(KDD), 7 - 15, 2008页。
- d . Angluin和江城”学习一个隐藏的超图”,在proc。机器学习研究期刊》的研究,2215 - 2236年,2006页。
- d . Cai Q。梅,j·汉和c .翟“建模文档隐藏话题总管,”在Proc。CIKM, 911 - 920年,2008页。
- j·j·翁,大肠Lim江,他问:,“Twitterrank:找到主题敏感影响力的twitter“Proc。第三ACM Int。相依Web搜索和数据挖掘,261 - 270年,2010页。
- d . j . Yu道,m .王”自适应超图学习及其在图像分类中的应用,“IEEE反式。图像的过程。,月不。7,3262 - 3272年,2012页。
- J·l . Liu, J。汉族,江m和S。杨”,挖掘主题级在异构网络的影响力,“在Proc。CIKM, 199 - 208年,2010页。
- 李Pu和男孩Faltings超图学习Hyperedge扩张,”在Proc。施普林格,410 - 425年,2012页。
- Agarwal, k .布兰森,s . Belongie”与图形、高阶学习”在Proc, ICML 17-24, 2006页。
- t·h·Haveliwala”主题敏感网页排名,“在Proc。WWW, 517 - 526年,2002页。
- Yun杨朱文武Shigiang阳,“基于用户兴趣和社会影响的情感预测个体,“在Proc。知识发现(KDD), 10 - 14, 2013页。
|
菜单