摘要：Facebook、Twitter、微信和微博等社交和信息网络活动已经成为我们日常生活中不可或缺的一部分，在那里，我们可以很容易地接触到朋友的行为，并进而受到朋友的影响。因此，对每个用户进行有效的社会影响预测对于各种应用程序至关重要。传统的社会影响预测方法通常设计各种手工规则来提取特定于用户和网络的特征。然而，它们的有效性在很大程度上取决于领域专家的知识。因此，通常很难将它们推广到不同的领域。

在社交相似性和 GHSOM 的启发下，本文研究了图特征以及手工特征输入的基于 GH-SOM 的社交影响力算法，学习用户的潜在特征表示，以预测社会影响。将网络结构和特定用户特征在卷积神经网络中补齐。GHSOM 将用户的特征作为输出到一个二维的表征网络，以表现其潜在的社会表征。在微博上进行的广泛实验表明，所提出的基于 GHSOM 的新模型显著优于传统的基于特征工程的方法。

关键词：图卷积;GHSOM; 社交影响力; 社交网络

目录

摘要

Abstract

第 1 章 绪论-1

1.1-研究现状-1

1.2-问题特征-2

-1.2.1-顶点特征-2

-1.2.2-手工特征-3

第 2 章-主要模型-4

2.1-GCN 模型-4

2.2-GHSOM 模型-5

2.3-特征量化模型-7

第 3 章-实验设置-9

3.1-数据集-9

3.1.1-数据处理-9

3.1.2-数据分析-10

3.2-评估指标-12

3.3-算法比较-12

第 4 章-实验结果-13

4.1-参数调整-13

4.2-算法应用-14

4.2.1-舆情监控-14

4.2.2-广告投放-15

第 5 章 相关工作-17

第 6 章 结论-18

附录-19

参考文献-22

致 谢-23