微博用户可信度评估:基于PageRank和用户属性的UC模型

需积分: 9 0 下载量 7 浏览量 更新于2024-09-10 收藏 960KB PDF 举报
"这篇论文研究了基于链接的微博用户可信度评估模型,主要针对新浪微博,利用PageRank算法和网络群体结构平衡理论,结合用户属性,提出了一个名为UC的模型,用于解决微博用户可信度的比较和排序问题。UC模型包括用户自评估和用户互评估两部分,通过实证数据集验证了其有效性。该研究受到多项科研基金的支持,并由闫光辉、刘晓飞和王梦阳等人完成。" 这篇论文的核心在于构建一个评估微博用户可信度的模型,特别是在信息传播迅速且真实性难以辨别的社交媒体环境下。作者们选择了新浪微博作为研究平台,因为微博已经成为重要的信息传播和交流渠道,但同时,虚假信息和误导性的内容也广泛存在,因此评估用户可信度显得尤为重要。 模型UC的构建融合了PageRank算法的原理,这是一种在网页排名中广泛应用的方法,主要用于衡量网页的重要性。在微博环境中,PageRank的概念被扩展到用户,通过分析用户之间的互动和链接关系,来判断其影响力和可信度。此外,论文还借鉴了网络群体结构平衡理论,这是社会网络分析中的一个重要概念,它涉及用户间的相互关系和社交网络的稳定性。 UC模型由两个子模型组成:用户自评估和用户互评估。用户自评估模型考虑了每个微博用户的基本属性,如活跃度、历史发布内容的质量和真实性,以此计算出用户的初始可信度值。然后,这些初始可信度值被输入到用户互评估模型中,通过分析用户之间的互动行为(如转发、评论和点赞)来计算用户之间的相互信任度,进一步调整和优化每个用户的可信度得分。 实验结果表明,UC模型能够有效地对微博用户进行可信度比较和排序,这有助于识别和区分信息源的可靠性,对于抑制虚假信息的传播和提升网络信息质量具有实际意义。此外,论文的研究还得到了多项科研基金的资助,表明这一领域的研究受到学术界的关注和支持。 关键词涵盖了微博、用户可信度、影响力、PageRank算法和结构平衡,这些都是论文研究的关键点,突出了该工作的理论基础和技术手段。论文的发表也反映了数据挖掘、信息传播和社交媒体分析在信息技术领域的重要性。