學術產出-Theses
Article View/Open
Publication Export
-
題名 以分解機器為基礎之社群領袖偵測方法研究
Discovering Community Leaders from Coauthor Network via Factorization Machines作者 林哲立
Lin, Zhe Li貢獻者 蔡銘峰
Tsai, Ming Feng
林哲立
Lin, Zhe Li關鍵詞 機器學習
分解機器
社群網路日期 2016 上傳時間 2-Sep-2016 00:13:24 (UTC+8) 摘要 文提出了一種分析社群網路影響力於社群領袖偵測之方法。主要 目的在於透過機器學習中的分解機器方法了解社群網路的結構,此方 法進一步地了解社群網路之影響力分布,然後藉由此影響力的分析找 尋社群中的影響力領袖。 在過去的工作中,此類的社群網路分析研究 的問題通常使用機率模型來處理。除此之外,某些相關的工作會使用 基礎的圖論特徵像是圖中的節點或邊緣來幫助解決此類的問題。 雖然 過去的研究中已存在幾種方法來處理這類問題,但由於社群網路龐大 而且複雜,目前沒有精確且有效的機器學習方法能夠找出社群領袖。 在此工作中我們採用過去研究中從未嘗試過的分解機器學習技術來分 析此類圖論問題,透過此機器學習技術來找出社群領袖。在提出的這 套方法中,除了基本的網路結構外,社群網路中的人和其他物件的資 訊也都能透過分解機器學習技術中特徵的方式加入至影響力分析模型 中。此外,我們也提出了幾種不同的矩陣分解之隨機抽樣演算法來提 升效能以及精確度。最後,我們透過由 DBLP 蒐集而來的資料來進行 多項實驗,實驗結果顯示我們提出的方法即使在一個龐大且稀疏的社 群網路中仍還是可以有效地找出社群影響力領袖。 參考文獻 1] M. G. Kendall. A new measure of rank correlation. Biometrika, 30(1/2):81–93, 1938.[2] L. Liu, J. Tang, J. Han, and S. Yang. Learning influence from heterogeneous social networks. Data Mining and Knowledge Discovery, 25(3):511–544, 2012.[3] J. L. Myers, A. Well, and R. F. Lorch. Research design and statistical analysis. Routledge, 2010.[4] S. A. Myers, C. Zhu, and J. Leskovec. Information diffusion and external influence in networks. In Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’12, pages 33–41, New York, NY, USA, 2012. ACM.[5] S. Rendle. Factorization machines. In Proceedings of the 2010 IEEE International Conference on Data Mining, ICDM ’10, pages 995–1000, Washington, DC, USA, 2010. IEEE Computer Society.[6] S. Rendle. Factorization machines with libfm. ACM Trans. Intell. Syst. Technol., 3(3):57:1–57:22, May 2012.[7] X. Shuai, Y. Ding, J. Busemeyer, S. Chen, Y. Sun, and J. Tang. Modeling indirect influence on twitter. Int. J. Semant. Web Inf. Syst., 8(4):20–36, Oct. 2012.[8] L. Terveen and W. Hill. Beyond recommender systems: Helping people help each other. 2001.[9] M.-F.Tsai,C.-W.Tzeng,andA.L.P.Chen.Discoveringleadersfromsocialnetwork by action cascade. In Proceedings of the Fifth Workshop on Social Network Systems, SNS ’12, pages 12:1–12:2, New York, NY, USA, 2012. ACM.[10] M.-F. Tsai, C.-J. Wang, and Z.-L. Lin. Social influencer analysis with factorization machines. In Proceedings of the ACM Web Science Conference, WebSci ’15, pages 50:1–50:2, New York, NY, USA, 2015. ACM.[11] K. Zhou, H. Zha, and L. Song. Learning social infectivity in sparse low-rank net- works using multi-dimensional hawkes processes. In Proceedings of the Sixteenth International Conference on Artificial Intelligence and Statistics, pages 641–649, 2013. 描述 碩士
國立政治大學
資訊科學學系
101753022資料來源 http://thesis.lib.nccu.edu.tw/record/#G0101753022 資料類型 thesis dc.contributor.advisor 蔡銘峰 zh_TW dc.contributor.advisor Tsai, Ming Feng en_US dc.contributor.author (Authors) 林哲立 zh_TW dc.contributor.author (Authors) Lin, Zhe Li en_US dc.creator (作者) 林哲立 zh_TW dc.creator (作者) Lin, Zhe Li en_US dc.date (日期) 2016 en_US dc.date.accessioned 2-Sep-2016 00:13:24 (UTC+8) - dc.date.available 2-Sep-2016 00:13:24 (UTC+8) - dc.date.issued (上傳時間) 2-Sep-2016 00:13:24 (UTC+8) - dc.identifier (Other Identifiers) G0101753022 en_US dc.identifier.uri (URI) http://nccur.lib.nccu.edu.tw/handle/140.119/101128 - dc.description (描述) 碩士 zh_TW dc.description (描述) 國立政治大學 zh_TW dc.description (描述) 資訊科學學系 zh_TW dc.description (描述) 101753022 zh_TW dc.description.abstract (摘要) 文提出了一種分析社群網路影響力於社群領袖偵測之方法。主要 目的在於透過機器學習中的分解機器方法了解社群網路的結構,此方 法進一步地了解社群網路之影響力分布,然後藉由此影響力的分析找 尋社群中的影響力領袖。 在過去的工作中,此類的社群網路分析研究 的問題通常使用機率模型來處理。除此之外,某些相關的工作會使用 基礎的圖論特徵像是圖中的節點或邊緣來幫助解決此類的問題。 雖然 過去的研究中已存在幾種方法來處理這類問題,但由於社群網路龐大 而且複雜,目前沒有精確且有效的機器學習方法能夠找出社群領袖。 在此工作中我們採用過去研究中從未嘗試過的分解機器學習技術來分 析此類圖論問題,透過此機器學習技術來找出社群領袖。在提出的這 套方法中,除了基本的網路結構外,社群網路中的人和其他物件的資 訊也都能透過分解機器學習技術中特徵的方式加入至影響力分析模型 中。此外,我們也提出了幾種不同的矩陣分解之隨機抽樣演算法來提 升效能以及精確度。最後,我們透過由 DBLP 蒐集而來的資料來進行 多項實驗,實驗結果顯示我們提出的方法即使在一個龐大且稀疏的社 群網路中仍還是可以有效地找出社群影響力領袖。 zh_TW dc.description.tableofcontents 1 Introduction 12 Related Work 32.1 SocialNetworkAnalysis 32.2 RecommenderAlgorithm 4 2.2.1 CollabrativeFiltering 42.2.2 Content-basedFiltering 42.2.3 HybridAlgorithm 53 Methodology 73.1 CollaborativeLatentSocialInfluence 73.2 ModelingSocialInfluencewithFM 84 Experimental Results 114.1 Experiments 11 4.1.1 Dataset 11 4.1.2 ExperimentSetup 12 4.1.3 Evaluation 134.2 ExperimentalResults 134.3 Discussion 145 Conclusions 175.1 Conclusions 17Bibliography 19 zh_TW dc.format.extent 797852 bytes - dc.format.mimetype application/pdf - dc.source.uri (資料來源) http://thesis.lib.nccu.edu.tw/record/#G0101753022 en_US dc.subject (關鍵詞) 機器學習 zh_TW dc.subject (關鍵詞) 分解機器 zh_TW dc.subject (關鍵詞) 社群網路 zh_TW dc.title (題名) 以分解機器為基礎之社群領袖偵測方法研究 zh_TW dc.title (題名) Discovering Community Leaders from Coauthor Network via Factorization Machines en_US dc.type (資料類型) thesis en_US dc.relation.reference (參考文獻) 1] M. G. Kendall. A new measure of rank correlation. Biometrika, 30(1/2):81–93, 1938.[2] L. Liu, J. Tang, J. Han, and S. Yang. Learning influence from heterogeneous social networks. Data Mining and Knowledge Discovery, 25(3):511–544, 2012.[3] J. L. Myers, A. Well, and R. F. Lorch. Research design and statistical analysis. Routledge, 2010.[4] S. A. Myers, C. Zhu, and J. Leskovec. Information diffusion and external influence in networks. In Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’12, pages 33–41, New York, NY, USA, 2012. ACM.[5] S. Rendle. Factorization machines. In Proceedings of the 2010 IEEE International Conference on Data Mining, ICDM ’10, pages 995–1000, Washington, DC, USA, 2010. IEEE Computer Society.[6] S. Rendle. Factorization machines with libfm. ACM Trans. Intell. Syst. Technol., 3(3):57:1–57:22, May 2012.[7] X. Shuai, Y. Ding, J. Busemeyer, S. Chen, Y. Sun, and J. Tang. Modeling indirect influence on twitter. Int. J. Semant. Web Inf. Syst., 8(4):20–36, Oct. 2012.[8] L. Terveen and W. Hill. Beyond recommender systems: Helping people help each other. 2001.[9] M.-F.Tsai,C.-W.Tzeng,andA.L.P.Chen.Discoveringleadersfromsocialnetwork by action cascade. In Proceedings of the Fifth Workshop on Social Network Systems, SNS ’12, pages 12:1–12:2, New York, NY, USA, 2012. ACM.[10] M.-F. Tsai, C.-J. Wang, and Z.-L. Lin. Social influencer analysis with factorization machines. In Proceedings of the ACM Web Science Conference, WebSci ’15, pages 50:1–50:2, New York, NY, USA, 2015. ACM.[11] K. Zhou, H. Zha, and L. Song. Learning social infectivity in sparse low-rank net- works using multi-dimensional hawkes processes. In Proceedings of the Sixteenth International Conference on Artificial Intelligence and Statistics, pages 641–649, 2013. zh_TW
