社會學理論下社會學網絡的模型研究范文

本站小編為你精心準備了社會學理論下社會學網絡的模型研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：社會網絡的發展使人們的溝通變得越來越便捷，對社會學網絡模型的研究不僅具備理論價值，它還具備極高的應用價值。但是，由于社會學網絡中的數據是以稀疏形式存在的，再加上噪音數據與數據缺失等現象的普遍存在，這使傳統的數據處理技術存在很大弊端與不足。同時，現階段社會學網絡的研究還尚未形成較為完善的社會學理論支撐。為此，本文便基于社會學理論和稀收學習方法對社會學網絡模型進行深入的研究，以此有效處理社會學網絡中所存在的稀疏數據之間的內在關系及其交互，為社會學網絡模型提供足夠的社會學理論支撐，以此幫助相關人員克服社會學網絡模型中存在的技術難點。

關鍵詞：社會學理論；稀疏學習；社會學網絡；模型 

一、社會學網絡的主要特征

社會學網絡可以看作是虛擬世界的一種延伸形式，它相比于傳統的信息網絡來說，具備以下幾個主要特征。首先，社會學網絡具備社會性，社會性普遍存在于社會網絡環境當中，其是與社會網絡呈現共存關系的，它將社會網絡環境中不同個體所具備的影響力與權威性之間的差異作為用戶所自有的社會性特征。其次，社會學網絡具備多維度特征，它可以從不同側面對相同用戶進行描述，進而使用戶具備明顯的多維度特征，同樣，對于相同群體來說，也同樣具備明顯的多維度特征。再次，社會學網絡具備較強的關聯性特征，在社會網絡中，用戶與用戶之間的差異使不同用戶在行為上具備一定的聯系，并借助于網絡拓撲結構來實現不同用戶之間的相互影響，進而使用戶具備了較強的關聯性特征。最后，社會學網絡具備演化性特征，在社會網絡的發展中，用戶的狀態及關系并不是一成不變的，而是處于不斷更新中，這也使網絡能夠不斷的產生新的信息，用戶也能夠對個人狀態進行不斷更新，同時建立新的社會關系，這也使社會網絡中的用戶具備了演化性特征。通過演化過程，能夠使信息在社會網絡中的傳播得到不斷擴大，進而使其在非常短的時間內就能進行大面積傳播。雖然社會學網絡的發展給人們帶來了新的商業機會與溝通渠道，但由于社會網絡自身所具備的這些特征，也使其在數據挖掘方法及分析技術方面和傳統方式產生很大的不同，并且在社會網絡不斷發展的同時，也給人們帶來了一系列需要攻克的技術難題，如符號網絡的鏈接預測問題、短文本的主題識別問題、信任關系稀疏問題等，因此，需要利用新的方法并充分結合多種理論來對社會學網絡模型進行深入的分析與研究，克服現有的技術難關，使其能夠更好的滿足用戶日益增長所帶來的社會需求。

二、稀疏學習方法及模型

1.稀疏學習方法近些年來，社會網絡的發展與大數據的推廣，給傳統的機器學習帶來了巨大的挑戰，例如數據缺失、數據的規模龐大、數據的稀疏性等。數據的稀疏性在各個研究領域中普遍存在，例如在社交網絡領域中，雖然用戶是大量存在的，但這些用戶之間的社會交互與社會關系相比于數據集合來說仍舊較為稀疏。機器在學習過程中，由于數據所具備的數據量大、冗余性、稀疏性等特征，使訓練學習模型變得越來越復雜，并且所耗時間也越來越長，這也使其在適用性上越來越差，因此必須要找出相應的方法來解決上述問題。所謂稀疏學習方法，是將實際生活中的應用問題所具備的數據特征利用維度約簡來進行稀疏表示，進而構建出解決問題的模型，利用稀疏學習方法能夠有效提高與改善學習模型性能，從而使學習模型成為一種更加高效的數據挖掘與機器學習工具。

2.稀疏學習模型分析稀疏學習模型主要分為三種類型，分別是主成分分析模型、Lasso模型及矩陣分解。主成分分析模型能夠從大量數據中對數據冗余及噪音進行有效去除，使獲得的原始數據能夠對事物特征進行最本質的反映，進而達到數據的降維處理與壓縮目的。Lasso模型是在上世紀60年代提出的，它是LeastSquares模型的變體，該模型能夠有效彌補傳統特征選擇方法中存在的不足，它通過懲罰函數的構造來建立相應的學習模型，并利用壓縮系數對某些回歸系數進行變小處理，這也使其具備子集選擇與嶺回歸的優勢。矩陣分解能夠使矩陣分解以后變得更容易處理，矩陣分解具備很多性質，這也使其能夠適用于不同的分解技術。最常見的矩陣分解技術主要有非負矩陣分解技術、奇異值分解技術、概率矩陣分解技術及低秩矩陣分解技術等。

3.稀疏學習算法分析在機器學習領域，除了需要具備能夠對問題進行解決的模型以外，還要具備相應的優化算法。傳統的優化算法能夠使機器學習效果得到顯著提高，但大數據時代的來臨，使機器學習模型難以對數據稀疏及數據規模大這兩大問題予以有效解決，這也使傳統優化算法難以針對大數據的特點進行有效處理。而稀疏學習優化算法則是在傳統優化算法的基礎上演變出來的，它針對損失函數及正則化項的特殊構造含義及其作用，能夠適用于大數據的特點來對優化問題進行有效解決。

三、基于社會學理論和稀疏學習方法的社會學網絡的模型研究

1.LASSO稀疏學習模型研究在短文本主題識別方面的問題主要存在于短文本的信息量較少、表達語法不規范、關鍵特征較為分散、數據量大、更新速度快等問題，這也使經典機器學習方法難以對短文本進行有效處理。為此，本文通過構建稀疏學習模型來對噪音文本及短文本的分類問題進行形式化表示，然后對社會學理論文本關聯關系及文本內容進行模擬，最終提出對短文本及噪音文本進行主題識別的相關解決方案。首先，采用Lasso稀疏學習模型中的多類別分類器來對多分類問題進行解決。為了使文本表示能夠更好的應用到主題識別當中，應對文本進行預處理，如對停用詞的移除，提取詞干等。然后通過文本特征選擇模型來對文本內容的特征空間進行表示。采用的特征空間主要有三個，分別是Unigram模型、TF模型及TF-IDF模型。為了對稀疏學習模型進行進一步的擴展，并通過社會情境來對主題進行識別，為此采用了兩個社會學理論應用到主題識別當中，分別是偏好一致性正則化與社會感染正則化，并求解這兩個社會學理論的目標函數。按照上述兩個社會學理論的定義來建立主題識別的社會學框架，進而實現利用社會學理論并通過社會情景來對短文本及噪聲文本進行主題識別的目的。

2.信任預測模型研究對于信任預測模型，應采用特征向量中心性方法來對用戶的社會等級進行計算，然后對用戶的社會等級進行排序，并根據社會等級理論來提出相應的社會等級正則化方法，并最終建立信任關系預測模型sTrust，通過上述步驟，能夠有效解決社會網絡在進行信任數據預測時所產生的稀疏性問題。具體內容如下，首先利用矩陣分解技術將原矩陣分解成三個低維非負矩陣，然后重構信任關系網絡矩陣，即，這時由于信任關系網絡矩陣過于稀疏，因此需要添加正則化項來避免出現過度擬合問題，在社會等級正則化中，要給出所應用的基本符號，并利用低秩矩陣分解方法來對用戶與用戶之間的信任關系建立的可能性進行分析，以此找出最小化社會等級的懲罰項，然后根據社會等級理論進行建模。

3.鏈接預測模型研究在矩陣符號網絡預測模型中，需要將符號網絡當成矩陣，然后采用矩陣分解方法與信任傳播方法來對符號屬性進行預測，該模型是以低秩矩陣分解法，結合社會學理論中的社會等級理論、結構平衡理論及交互情感理論來對相應的符號網絡預測模型進行構建，進而達到對鏈接關系符號屬性進行預測的目的。首先用鄰接矩陣形式對構建符號網絡進行表示，然后采用矩陣分解方法分析低秩逼近的相關表達方法，利用低秩矩陣相乘的方式來對符號網絡矩陣進行重構，并將原矩陣中的缺失值進行補齊，由于這時的符號關系矩陣比較稀疏，因此需要添加正則化項方式來對過度擬合問題進行避免，進而達到對鏈接關系符號屬性進行預測的目的。

四、結語

綜上所述，雖然我國在社會網絡中的情感分類、符號網絡、信任關系預測及主題識別等方面取得了一系列的階段性成果，但在社會學網絡中仍舊存在許多問題需要得到進一步探討。在未來的社會學網絡研究工作中，將主要集中在對多數據源融合技術與垃圾用戶識別方面，而這也需要眾多學者的共同努力才能完成。當然，本文僅僅只對基于社會學理論和稀疏學習方法的社會學網絡模型進行了淺要的研究，并沒有對有效性進行驗證，這也需要在后續的工作中逐步得到完善。

參考文獻：

[1]黃立威,劉艷博,李德毅.基于深度學習的推薦系統[J/OL].計算機學報,2017:1-29.

[2]趙海燕,韓松,陳慶奎,曹健.考慮社會關系影響差異和動態性的社會化推薦[J/OL].計算機應用研究,2018(9):1-2.

[3]王鑫,王英,左萬利.基于交互意見和地位理論的符號網絡鏈接預測模型[J].計算機研究與發展,2016,53(4):764-775.

作者：王勤 單位：安徽省合肥市肥東縣委黨校