UI-UI算法：跨社交网络用户身份识别新方法

"这篇论文提出了一种名为UI-UI的基于用户兴趣的跨社交网络用户身份识别算法，旨在解决现有算法忽视用户兴趣和高时间复杂度的问题。UI-UI算法运用了分块策略来筛选用户节点，提高了算法效率。接着，通过用户产生内容(UGC)和社交关系对用户兴趣进行建模，计算兴趣相似度作为识别依据。最后，采用半监督学习方法进行跨网络用户身份识别。实验结果显示，UI-UI算法在实际社交网络中表现优秀，识别准确率和召回率稳定，运行时间显著减少。" 本文是关于跨网络用户身份识别的研究，由邓诗琦、李雷和施化吉撰写，他们分别来自江苏大学计算机科学与通信工程学院。研究中指出，现有的跨网络用户身份识别算法存在两大问题：一是未充分利用用户兴趣这一重要因素，二是时间复杂度较高。为解决这些问题，研究团队提出了UI-UI算法。 UI-UI算法首先采用分块策略，将用户节点分为多个小块进行处理，降低了算法的时间复杂度，提高了效率。这是针对大规模数据处理的一种优化手段，能够有效地减轻计算负担。然后，算法关注用户兴趣的挖掘，通过分析用户在社交网络上产生的内容（如帖子、评论等UGC）和用户的社交连接，构建用户的兴趣模型。这种兴趣模型反映了用户的偏好和行为模式，有助于更准确地识别用户身份。 为了量化不同用户之间的兴趣相似度，UI-UI算法计算用户兴趣的匹配程度，将其作为识别身份的主要依据。这一步骤可能涉及文本分析、主题建模等技术，以理解并比较用户的兴趣特征。最后，算法采用了半监督学习方法，利用部分已知的用户身份信息指导学习过程，从而对未知用户进行有效识别。这种方法既能利用有限的标注数据，又能利用大量的无标注数据，提高识别的准确性。 实验结果证明了UI-UI算法的有效性。它在真实社交网络环境中进行了测试，不仅能够准确地识别出跨网络的同一用户，而且在准确率和召回率上表现出良好的稳定性。更重要的是，UI-UI算法显著减少了运行时间，这对于实时或大规模的用户身份识别任务来说是至关重要的改进。 UI-UI算法为跨网络用户身份识别提供了一个新的视角，强调了用户兴趣的重要性，并通过优化的处理方式提升了算法性能。这一研究对于社交网络分析、数据挖掘等领域具有重要的理论和实践价值，有助于进一步理解用户行为，加强网络安全，以及提升社交媒体服务的个性化水平。