12、社交网络中动态群体行为的数据挖掘框架解析

社交网络中动态群体行为的数据挖掘框架解析

在社交网络的分析中，数据挖掘技术能够帮助我们揭示用户之间潜在的关系和形成的社区。下面将详细介绍一个数据挖掘框架，它可以有效地挖掘社交网络中的信息，发现隐含的兴趣社区。

1. 特征提取

特征提取是信息提取的重要步骤，其目的是寻找可用于构建用户配置文件的主题特征（标签集）。这里采用基于图的主题建模技术，从标签图中提取以标签团形式存在的抽象主题，因此该步骤也被称为主题提取。

• 标签团的定义 ：在标签图 (TG = (T, E_{TT})) 中，标签团 (TC) 是一个标签顶点集 (TS \subseteq T)，使得 (TS) 中的任意两个顶点之间都存在一条边，即由 (TS) 诱导的子图是完全图。可以表示为 (TC = (TS, E))，其中 (TS) 是对应标签的顶点集，(E) 是边集，且 (E \subseteq {(t_1, t_2) | t_1, t_2 \in TS})。标签图中存在多个这样的标签团，定义 (TC_n) 为有限集 ({TC_1, TC_2, \ldots, TC_n})，其中 (\forall TC_i \subseteq T)。
• 主题提取步骤 ：
  1. 资源 - 标签图（GRL）
  2. 标签概念层次结构
  3. 主题提取（TC）

下面是主题提取步骤的 mermaid 流程图：

graph LR