基于社交网络中的数据挖掘研究

学生版》

2017

年第

21

要：随着

Web2.0

随着技术的进步，社交网络在人们的日常生活中扮演的角色日益显著，它对人们的影响愈发深远。

分析领域日益受到广泛关注，而将数据挖掘技术应用于社交网络分析，这一做法已逐渐成为数据挖掘研究领域的热点。

本文将探讨新的研究视角。鉴于此，我们将从节点间的相互依赖关系入手，对社交网络中的数据关联进行深入剖析，并从链接挖掘的角度切入。

手，分析得出关联分析和聚类分析这两种数据挖掘方法。

关键词：社交网络

数据挖掘

关联分析

一、社交网络的背景

传统机器学习及数据挖掘技术主要针对独立的数据样本进行处理，此类样本通常可被

这种向量由众多属性值构成，并且这些数据样本在统计学上被认为是相互独立的。然而，在社会领域中爱游体育app下载官网，情况却并非如此。

在这样一个环境中，人与人之间并非仅仅是孤立的数据样本，他们之间必然存在着某种联系与相互影响。若忽视这种联系，

系统对数据挖掘的效果会产生显著的影响。为了有效应对这一挑战，我们必须综合考虑数据实例之间的相互联系和关联。

考虑到这一点爱游戏最新官网登录入口，人们便提出了社交网络这一概念，并试图借助图论的结构来描绘这一社会关系形态。

将数据挖掘技术融入社交网络领域的研究，已成为数据挖掘领域探索的新趋势。这种分析方式，不仅丰富了数据挖掘的应用范围，同时也为社交网络的研究提供了新的视角和方法。

称为链接挖掘（

link mining

），节点代表社交网络中个体或团体，链接表示了个体之间存在的

各种关系（

relation

例如，涉及友情、血缘、商业、以及情感等方面的联系。通过深入挖掘这些关联，我们

能够获取关于实例的更详细信息，例如其在整个网络中的关键地位，以及更精确的预测结果，比如对某个实例的预测准确性。

属的类别）的信息。

近年来，在学术领域，对社交网络中个体影响力的评估以及核心成员的识别研究受到了极大的重视。普遍认为，这些研究对于深入理解网络结构和用户行为具有重要意义。

为了评估节点的社会地位，我们可以借助一种评分机制，该机制所赋予的数值可被视为节点社会影响力的量化表现。

社交网络中的节点，其影响力或权威性往往较高。这类节点通常被视为网络中的关键角色。

个体成员，抑或核心成员，依据网络特性的差异，关键成员挖掘技术展现出多样的应用场景。尤其在学术合作网络中，这一技术发挥着至关重要的作用。

在社交网络中，大家普遍希望通过深入剖析合作关系的层级结构和讨论的主题，来揭示出合作机制以及杰出的学者；在互联网社交平台之上。

在网站平台中，我们依据主题内容对参与者进行分类，区分其重要性和个人喜好，进而识别出核心成员和意见领袖。

这类研究在学术探究、舆论监测、商业营销等多个领域展现出显著的实际效用。特别是在社交网络平台上，

个体在网络布局中展现了各自独特的社交影响力，而在社交网络中，成员们常常在信息交流过程中，

体现出一种相互依存的特点。

社交网络中的每个成

员有着或大或小的关联度，他们相互依存爱游戏登录入口网页版平台，但由于个体在网络的链

由于结构位置的不同，个体间的相互联系程度及作用力存在差异，通过分析这些关联规则，可以

根据客户需求有效地进行数据挖掘。关联规则分析首先由

Govind P. AGRAWAL

等人提出，用

深入挖掘购物篮中各项目之间的奇妙关联。自那时起，开展了广泛的研究活动，致力于解析这些关联问题。