随着互联网技术的发展,社交网络已经成为一个受欢迎的交流,人们可以与他人交流方便、自由。出现了很多类型的社交网络,如在线社交网络,雇佣关系网络和科学合作网络。用户在社交网络上与其他用户可以创建新连接,这样他们就可以通过这些交互链接,或者他们可能会打破现有的连接。因此,社交网络的结构演化[每一天1,2]。用户可以联系他们的邻居,发送信息,和交换他们的意见,导致在社交网络上动力学,包括舆论的形成(3],传播动力学[4),和协作行为(5]。通过当地交互和个人行为积累可能导致复杂的集体现象,展示了社交网络在推动社会发展的重要作用。分析复杂的人类行为和矿业图拓扑可以帮助理解宏观现象的基本机制6]。这些研究将有助于吸引公众利益和挖掘有用的资源。因此,社交网络挖掘已经成为一个有前途的研究领域,吸引了大量的关注。
社交网络的研究可以分为两大类:理论建模和数据驱动的方法。理论方法描述个人用户行为和试图找到集体现象的微观起源统计物理学、概率论和数值随机过程(7]。数据驱动的方法使用机器学习、数据挖掘、自然语言处理利用隐藏模式从社交网络中的数据8]。他们也被用来估计未来社会行为的进化。近年来,随着大规模的数据量的增长,我变得越来越难社交网络和用户行为分析。因此,先进的跨学科的数据分析和数据挖掘方法应该建议和发展研究社交网络(9]。
在这个特殊的问题,23论文已经发表。所有的文件必须经过严格的同行评审过程。发表论文可以分为三类,即。,empirical social behavior analysis, social network modeling, and network data mining.
在社会行为实证分析的范畴,本文通过刘et al。10),”个人特征的影响在文化消费从复杂的社会网络的角度来看,“研究了社交网络对文化消费的影响。本文通过顾和肖11),“社会网络结构作为主持人的心理资本与工作满意度之间的关系:来自中国的证据,”主要研究社会网络结构的作用在心理资本和就业满意度之间的关系从本科生采用双波数据。在这篇文章题为“基于知识共享行为的可持续性计划行为理论问答社交网络社区,”冯et al。(12),作者调查的重要因素驱动用户分享知识和他们验证模型通过问卷调查数据。
在社交网络建模的范畴,本文通过Xiaokaiti et al。13),”高效数据传输为社区检测算法基于节点相似性在投机取巧的社交网络,“学习社区检测的问题,提出了一种新的数据传输方法,认为社会属性。在这篇文章题为“层信息相似性有关网络嵌入,”陆et al。14),作者探讨了网络嵌入和他们的方法介绍了相似性来提高节点的表示层信息。
在网络数据挖掘的分类,本文由Asgari-Chenaghlu et al。15在Twitter上),”话题检测与跟踪技术:系统回顾,“Twitter上的流行话题的检测技术进行综述和分析一些常见的问题在这一领域。本文“DWNet:双窗口深层神经网络时间序列预测,“通过风扇等。16),利用multigranularity依赖关系的时间序列,构建了一个双窗口深神经网络来预测未来数据。
的利益冲突
编辑们宣称他们没有利益冲突。
确认
我们要感谢所有的代码开发者和评审者在我们的特殊问题。我们也感谢主编的帮助和工作人员。承认客人编辑的帮助这个特殊的问题。
森王
梓鸣张