淺析social network和graph mining 的應用和機器學習技術

1、文檔名稱文檔密級2019828華為保密信息未經授權禁止擴散第1頁共21頁淺析Socialwk和GraphMining的應用和機器學習技術吳斌224227【摘要】隨著移動互聯網的到來，UCG（用戶產生內容）的不斷發(fā)展，社交網絡（Socialwk）已經不斷普及并深入人心，用戶可以隨時隨地在網絡上分享內容，由此產生了海量的用戶數據，面對大數據時代的來臨，復雜多變的Socialwk數據是有很多實用價值有待挖掘的。本文通過對專家協(xié)作和主題的關系發(fā)

2、現系統(tǒng):arminer.g和其相關的論文材料進行分析，討論Socialwk和GraphMining相關的機器學習技術為基于關系圖譜的Socialwk數據挖掘和應用提供一些思路。隨著Facebook，Twitter，新浪微博，LinkedIn等社交媒體網站的流行，對Socialwk的數據挖掘是近幾年的一個技術熱點，而Socialwk中的用戶與用戶，用戶與主題，用戶與活動的關系網絡就是一種圖結構的海量數據，所以Socialwk的分析中一個主

3、要方向就是針對關系圖的GraphMining。而針對Socialwk和GraphMining，傳統(tǒng)計算機技術面臨很多挑戰(zhàn)，比如，圖節(jié)點和邊的數據已經達到數十億的數據級別，海量圖數據的分析計算和檢索比較困難。而且，圖數據結構是很復雜的，基于圖結構的數據構建算法模型復雜度很高，比如，構建Socialwk影響力傳播的動態(tài)傳播模型是很復雜的。還有，海量數據處理，勢必帶來并行化處理的要求，而圖數據的關聯性大，圖數據分割復雜，導致基于圖數據的分析算

4、法并行化難度很大。面對這些挑戰(zhàn)和困難，學術界已經有一些研究和實驗，以下介紹的arminer系統(tǒng)的算法介紹，可以為基于圖數據的Socialwk和GraphMining工作提供一些方法和思路。先來看一下，什么是圖數據挖掘？圖是一種很重要的數據結構，關于圖數據的數據挖掘有很多方向和應用領域，簡介如下：文檔名稱文檔密級2019828華為保密信息未經授權禁止擴散第3頁共21頁接節(jié)點），“動態(tài)網絡影響力傳播模型”等問題。類似的影響力傳播圖示：2，領

5、域專家發(fā)現，排名。舉個例子：公司需要招聘數據挖掘方面的專家和牛人，招聘人員最關心的問題是，怎么找到學術界最有影響力的專家，以及這些專家擅長的學術課題，研究的技術方向，主要參加哪些學術會議，發(fā)表哪些論問題，合作者有哪些？具體化描述就是：在某個學術主題Topic下，在相關論文，會議和作者構成的圖數據中，找到專家的綜合影響力分析排名并找到專家與和合作者的關系，專家與研究課題和相關學術會議的關系。（注：學術界專家評價有一個重要的參數是Hinde