9、区块链与社交网络中的数据处理与影响力分析

区块链与社交网络中的数据处理与影响力分析

在当今数字化时代，区块链和社交网络领域的研究不断发展，为数据处理和用户影响力分析带来了新的思路和方法。本文将介绍两个方面的研究成果，一是针对 ElasticChain 的优化数据分布模型，二是基于 CNN+ELM 模型的新浪微博用户情感影响力分析算法。

1. ElasticChain 优化数据分布模型

1.1 相关基础概念

• 互联网区块链 ：为互联网基础设施资源交易构建了抗篡改框架，消除了对 PKI 的依赖和信任根。例如，有研究提出了 EtherQL，它是以太坊区块链数据的有效查询层，内置了以太坊共识协议的 Java 实现，可用于同步以太坊区块链网络的数据。
• ElasticChain 节点可靠性验证 ：ElasticChain 中的节点包含用户节点、验证节点和存储节点三种角色。初始时，每个存储节点被赋予相同的可靠性值，验证节点会定期检查存储节点的数据完整性。若数据完整，可靠性值不变；若数据丢失或被修改，验证节点会降低其可靠性值并存储在 POR 链中。
• 极限学习机（ELM） ：最初为单隐藏层前馈神经网络（SLFNs）开发，后扩展到广义 SLFNs。与其他传统学习算法相比，ELM 具有极快的学习速度，对用户指定参数不太敏感，部署更快捷方便。许多研究对 ELM 进行了拓展和应用，如将多个上积分分类器与单层神经网络融合作为分类系统，基于分布式 MapReduce 框架的分布式极限学习机（ELM*），以及用于确保 SLFN 隐藏层输出矩阵满列秩的 EELM 算法等。