社會(huì)化媒體內(nèi)容關(guān)注度分析與建模方法研究.pdf

1、社會(huì)化媒體近年來(lái)得到極大發(fā)展，已經(jīng)在整個(gè)互聯(lián)網(wǎng)中占據(jù)主流地位。根據(jù)世界著名流量統(tǒng)計(jì)網(wǎng)站Alexa的數(shù)據(jù)，全球訪問(wèn)量排名前十的網(wǎng)站中，有五個(gè)是社會(huì)化媒體網(wǎng)站。社會(huì)化媒體的空前發(fā)展和應(yīng)用，孕育了大量新的研究領(lǐng)域，比如催生了新的信息技術(shù)研究，促進(jìn)了針對(duì)人類社會(huì)行為規(guī)律的理論研究。2009年Science雜志發(fā)表了題為《計(jì)算社會(huì)學(xué)》的文章，標(biāo)志著計(jì)算科學(xué)和社會(huì)科學(xué)的交叉領(lǐng)域已成為國(guó)際前沿研究熱點(diǎn)，而社會(huì)關(guān)注度是其中最為重要的研究領(lǐng)域之一。社會(huì)關(guān)

2、注度分布及動(dòng)態(tài)增長(zhǎng)特性的研究不僅能夠加深對(duì)人類宏觀行為規(guī)律的理解，而且對(duì)于理解和提升諸如預(yù)取緩存、P2P網(wǎng)絡(luò)、搜索引擎和推薦系統(tǒng)的性能具有重要的理論價(jià)值。本文在社會(huì)關(guān)注度分布特征分析、社會(huì)關(guān)注度傳播過(guò)程特性、基于社會(huì)關(guān)注度分布特性的預(yù)取緩存技術(shù)以及提高社會(huì)關(guān)注度方法等問(wèn)題上進(jìn)行了深入的研究。
　　 首先，分析了多來(lái)源社會(huì)關(guān)注度分布的若干特征以及各來(lái)源對(duì)社會(huì)關(guān)注度分布的影響。社會(huì)化媒體內(nèi)容規(guī)模巨大，并且具有高度動(dòng)態(tài)性和高度分散性的

3、特點(diǎn)，可能使得傳統(tǒng)的分布模型和預(yù)測(cè)方法失效。本文從全局和局部?jī)蓚€(gè)層面同時(shí)對(duì)多來(lái)源社會(huì)關(guān)注度整體分布特征進(jìn)行了分析，發(fā)現(xiàn)了全局和局部社會(huì)關(guān)注度分布的差異。在此基礎(chǔ)上，深入分析了不同來(lái)源對(duì)社會(huì)關(guān)注度分布的影響，結(jié)果表明搜索引擎和推薦系統(tǒng)是社會(huì)關(guān)注度的兩大主要來(lái)源，并且搜索引擎傾向于加劇“馬太效應(yīng)”，而推薦系統(tǒng)則有助于減輕“馬太效應(yīng)”。該研究成果有助于回答學(xué)術(shù)界所廣泛關(guān)心的搜索引擎和推薦系統(tǒng)如何影響被觀看媒體內(nèi)容多樣性的問(wèn)題。
　　

4、其次，提出了基于用戶行為模型聚類(Clustered User Behavior Model，CUBM)的媒體對(duì)象預(yù)取緩存方法。本文借助PlanetLab平臺(tái)測(cè)量和分析了社會(huì)化多媒體網(wǎng)站在傳送大尺寸多媒體對(duì)象時(shí)出現(xiàn)頻繁中斷的問(wèn)題，論述了采用預(yù)取緩存技術(shù)的必要性。在此基礎(chǔ)上，提出一種基于用戶行為模型聚類(CUBM)的媒體對(duì)象預(yù)取緩存方法。該方法將行為模式類似的用戶歸類并分別建立Markov鏈，克服了傳統(tǒng)方法未能體現(xiàn)用戶差異以及在局部代理部

5、署時(shí)覆蓋率不高的缺點(diǎn)，并且抓住了活躍用戶比不活躍用戶傾向于觀看更多內(nèi)容的事實(shí)，從而提高了預(yù)取的準(zhǔn)確率和命中率。
　　 再次，提出了基于隨機(jī)游走的社會(huì)關(guān)注度傳播模型(Random Walk based PopularityPropagation Model，RWPPM)。為了深入理解媒體對(duì)象如何通過(guò)媒體對(duì)象關(guān)系網(wǎng)影響對(duì)方的社會(huì)關(guān)注度，本文提出了一個(gè)基于隨機(jī)游走的社會(huì)關(guān)注度傳播模型。隨后分析了模型的收斂條件，論述了模型的功能并驗(yàn)證了

6、模型的正確性。在此基礎(chǔ)上，運(yùn)用RWPPM模型對(duì)YouTube視頻網(wǎng)絡(luò)中視頻間社會(huì)關(guān)注度的相互影響力及其特征進(jìn)行了分析。
　　 最后，提出了一種基于KTK(Keywords-Topics-Keywords)關(guān)鍵詞推薦的社會(huì)關(guān)注度提高方法。分析了媒體對(duì)象標(biāo)識(shí)文本關(guān)鍵詞在搜索引擎檢索和推薦系統(tǒng)推薦媒體對(duì)象中的重要性。進(jìn)而研究了媒體對(duì)象關(guān)系網(wǎng)的簇結(jié)構(gòu)以及各簇主要關(guān)鍵詞代表話題的能力。在此基礎(chǔ)上，提出一種遵循“關(guān)鍵詞-主題-關(guān)鍵詞”思路，