Social Network Size Affects Neural Circuits in Macaques
社交网络中求最小正影响支配集的改进算法
社交网络中求最小正影响支配集的改进算法
麦飞;陈卫东
【期刊名称】《华南师范大学学报（自然科学版）》
【年(卷),期】2016(048)003
【摘要】网络中求解最小正影响支配集的问题已经被证明是NP难问题,且已有性能较好的贪心求解算法.通过分析现有的贪心近似算法(Wang-Greedy)和贪心启发式算法(Raei-Greedy),融合其贪心策略,提出了1个改进的贪心近似算法(Hybrid-Greedy).理论分析表明,Hybrid-Greedy仍保持Wang-Greedy的近似比性能和时间复杂度.在一些较大规模的真实社交网络实例中的实验研究表明,Hybrid-Greedy 在这些社交网络中所得解的质量较Wang-Greedy和Raei-Greedy有明显提高.【总页数】5页(P59-63)
【作者】麦飞;陈卫东
【作者单位】华南师范大学计算机学院,广州510631;华南师范大学计算机学院,广州510631
【正文语种】中文
【中图分类】TP301
【相关文献】
1.一种改进的求网络最小截集的算法 [J], 刘舒燕
2.WSNs中基于能量代价的最小权和支配集拓扑控制算法 [J], 孙超;尹荣荣;郝晓辰;刘彬
3.无线Mesh网络中基于最小权有限支配集的网关部署算法研究 [J], 翦鹏;漆华妹;陈志刚
4.移动Ad hoc网络中两种构造最小连通支配集算法分析 [J], 彭静;林正
5.社交网络中正影响支配集问题的轮转贪心算法 [J], 万科
因版权原因，仅展示原文概要，查看原文内容请购买。
社交网络中的信息扩散模型研究
社交网络中的信息扩散模型研究随着社交网络的快速发展和普及，信息扩散成为了一个重要的研究领域。
社交网络中的信息扩散模型研究旨在理解信息如何通过网络中的个体传播，进而预测和控制信息传播的路径和速度。
本文将介绍几种常见的社交网络中的信息扩散模型，并探讨它们的优缺点以及应用场景。
一、线性阈值模型线性阈值模型是最常见的信息扩散模型之一。
该模型假设每个个体对于接收到的信息有一个固定的阈值，只有当个体的邻居中大于阈值的比例超过一定比例时，个体才会接受并传播该信息。
线性阈值模型适用于信息传播受到社交影响而形成群体共识的情况。
然而，该模型并未考虑个体本身的属性和兴趣，忽略了个体之间的复杂关系，因此在某些情况下预测结果并不准确。
二、独立级联模型独立级联模型是另一种常见的信息扩散模型。
该模型假设个体对于接收到的信息是独立决策的，即个体在接收到信息后会根据自身的偏好和判断决定是否继续传播。
独立级联模型适用于信息传播受到个体自主选择而形成个体差异的情况。
然而，该模型没有考虑个体之间的社交关系和相互影响，忽略了社交网络的特点，因此在某些情况下预测结果并不准确。
三、影响最大化模型影响最大化模型是一种追求最大化信息影响力的模型。
该模型通过选择一些种子节点，使得信息扩散能够达到最大范围。
影响最大化模型适用于希望通过有限资源实现最大化信息传播效果的情况。
然而，该模型没有考虑信息的内容和质量，只关注传播的覆盖率，因此可能导致低质量信息的扩散或者忽略了一些重要信息。
四、扩散模型的发展趋势当前，研究者们不断探索新的扩散模型，以更好地模拟和预测社交网络中的信息传播。
其中一个重要的发展方向是结合网络特征和个体属性，建立更加准确的模型。
例如，一些研究者将复杂网络结构和个体的兴趣偏好相结合，提出了基于属性的扩散模型，使得传播过程更贴近现实情况。
另外，随着大数据和机器学习的兴起，研究者们也开始运用这些技术来分析和预测信息扩散的路径和速度。
五、社交网络中信息扩散模型的应用社交网络中的信息扩散模型在许多领域都有重要的应用。
基于机器学习的网络社交媒体情感分析研究
基于机器学习的网络社交媒体情感分析研究网络社交媒体情感分析是一种通过应用机器学习技术对用户在社交媒体平台上发布的内容进行情感分类和分析的方法。
随着互联网和社交媒体的普及，越来越多的人习惯于在这些平台上分享自己的生活、观点和情感。
网络社交媒体情感分析的研究旨在识别和理解用户在社交媒体上表达的情感，进而为市场调研、舆情监测和个性化推荐等领域提供有益的信息。
在进行网络社交媒体情感分析之前，首先需要解决数据预处理的问题。
社交媒体上的内容通常是非结构化和不规则的，包含大量的缩写词、元表情符号和拼写错误。
此外，还需要解决用户自带标签的问题，因为用户在发布内容时并不总是附加情感标签。
数据预处理的主要目标是将这些非结构化的内容转化为结构化的数据，为后续的机器学习建模提供可用的数据集。
在进行情感分析时，机器学习算法是最常用的方法。
常见的机器学习算法包括支持向量机、决策树、随机森林和深度神经网络等。
这些算法可以通过对训练集进行训练，从而学习到模型的参数和权重，进而在测试集上对新的数据进行情感分析。
机器学习的主要思想是通过样本数据的学习来抽象和预测未知数据的特征，从而实现对情感的分析和预测。
特征提取是网络社交媒体情感分析的重要环节。
特征可以分为文本特征和语义特征两类。
文本特征通常包括词频、词性、句法依赖等信息，能够反映文本的词汇和语法结构。
语义特征则包括情感词汇、情感强度、情感极性等信息，能够反映文本的情感倾向。
特征提取的目标是通过提取和选择合适的特征来描述文本的情感信息，从而提高情感分析的准确性和效果。
除了机器学习算法外，近年来深度学习技术也在网络社交媒体情感分析中取得了显著的进展。
深度学习通过构建多层神经网络提取复杂的特征，从而实现更准确的情感分析。
常见的深度学习模型包括卷积神经网络和循环神经网络等。
这些模型能够自动学习和理解文本的语义和上下文关系，从而提高情感分析的质量。
在实际应用中，网络社交媒体情感分析可以应用于多个领域。
基于心理资本干预(PCI)模型大学生社交媒体依赖症干预方案
办公自动化杂志0引言心理资本是除了财力、人力、社会三大资本以外的第四大资本，是超越人力资本和社会资本的一种核心心理要素，任何社会组织的竞争优势不是财力，不是技术，而是人。
人的无限潜能的根源在于人的心理资本。
心理资本包含自我效能感（自信）、希望、乐观、坚韧等。
心理资本是人们在现实生活中获得成功的必备要素。
2004年，Luthans 正式将积极心理资本概念引入积极组织行为学，提出了开发积极心理资本的主张。
2006年，Luthans et al.（2006）提出了著名的PCI （Psychological Capital Intervention）模型（Model），基于积极心理学（Positive Psychol-ogy）和积极组织行为学（Positive Organizational Behavior，POB）提出旨在开发个体心理资本的著名模型，并详述了PCI 模型的主要内容，Luthans et al.（2008）又将文字描述型的PCI 模型精致化为图形呈现型的PCI 模型[2]。
1大学生社交媒体依赖症与心理资本相关关系分析针对社交媒体依赖问题，本研究设计社交媒体依赖症调查表共设有15个典型问题，采用李克特5点计分法。
采用的积极心理资本量表共设有问题26个，采用李克特7点计分法。
在大学生中发放问卷，利用数据分析软件为Spss19.0；采用描述统计方法，用Pearson 相关分析法分析积极心理资本及各因子与社交媒体依赖之间的关系。
通过数据分析，发现大学生社交媒体依赖症和心理资本之间存在较明显的相关关系，且为负相关。
心里资本得分越高的同学，社交媒体依赖症得分则越低，反之，社交媒体依赖症得分则越高。
用线性回归分析方法进一步探讨大生积极心理资本及各因子与社交媒体依赖之间的关系。
发现社交媒体依赖症与心理资本之间存在较明显的线性关系，如表1所示，拟合度达0.710，F 值达230.661，sig 值很小。
基于心理资本干预（PCI）模型大学生社交媒体依赖症干预方案蔡发群（南京科技职业学院南京210048）摘要：通过对大学生的心理资本和社交媒体依赖症现状的调研，发现大学生社交媒体依赖症和心理资本之间存在明显的负相关关系。
机器学习在社会计算中的应用研究
机器学习在社会计算中的应用研究一、引言机器学习是指利用计算机程序来提高系统性能的一种人工智能方法。
社会计算是指将社会学、社会心理学、社会网络分析等社会科学领域的理论和方法应用到计算机科学中的新兴学科。
本文探讨了机器学习在社会计算中的应用研究。
二、机器学习的基本原理机器学习的基本原理包括监督学习、非监督学习和强化学习。
监督学习是通过学习样本数据的输入输出关系来进行预测或分类的方法。
非监督学习是发现数据的分布规律，从而对数据进行无监督分类或聚类的方法。
强化学习是通过与环境交互，使智能体可以自主学习最优策略的方法。
三、机器学习在社交网络中的应用1.社交网络的挖掘社交网络是指由人们形成的网络，它们通过不同的关系相互连接，如朋友、家庭、同事等。
机器学习在社交网络中的应用主要包括朋友推荐、社交关系发现、群组发现等。
2.社交媒体的分析社交媒体是指通过互联网、移动应用等平台进行信息交流的一种形式。
由于社交媒体具有实时性、互动性和大数据性等特点，因此可以应用机器学习方法对其进行分析和预测。
社交媒体的分析可以帮助企业进行营销策略、政府进行公共管理、个人了解社会趋势等。
四、机器学习在个性化推荐中的应用机器学习在个性化推荐中的应用主要包括基于内容的过滤、基于协同过滤的推荐和基于混合模型的推荐。
在个性化推荐中，机器学习方法可以根据用户的个人信息、历史记录、兴趣和行为等数据进行分析和建模，从而实现对用户需求和偏好的精准预测。
五、机器学习在社会安全中的应用1.犯罪行为的预测和防控机器学习在犯罪行为的预测和防控中发挥着重要作用。
通过机器学习方法对大量相关数据进行分析和建模，可以预测出潜在的犯罪风险，帮助公安机关提前预警和防控。
例如，通过对社交网络上的信息分析，可以发现潜在的犯罪嫌疑人以及犯罪网络。
2.公共安全事件的应急响应机器学习在公共安全事件的应急响应中也表现出了巨大的优势。
通过对历史数据和实时数据的分析，可以快速识别出潜在的安全风险和漏洞，从而提前进行应对和处置。
《2024年基于多尺度和注意力机制融合的语义分割模型研究》范文
《基于多尺度和注意力机制融合的语义分割模型研究》篇一一、引言随着深度学习技术的不断发展，语义分割作为计算机视觉领域的一个重要任务，逐渐成为研究的热点。
语义分割旨在将图像中的每个像素划分为不同的语义类别，为图像理解提供了更加细致的信息。
然而，由于实际场景中存在多尺度目标和复杂背景的干扰，语义分割任务仍面临诸多挑战。
为了解决这些问题，本文提出了一种基于多尺度和注意力机制融合的语义分割模型。
二、相关工作语义分割作为计算机视觉的一个关键任务，在近几年的研究中得到了广泛的关注。
目前主流的语义分割模型主要采用深度卷积神经网络（CNN）来实现。
这些模型通过捕获上下文信息、提高特征表达能力等手段提高分割精度。
然而，在处理多尺度目标和复杂背景时，这些模型仍存在局限性。
为了解决这些问题，本文提出了一种融合多尺度和注意力机制的语义分割模型。
三、模型与方法本文提出的模型主要由两个部分组成：多尺度特征提取和注意力机制融合。
（一）多尺度特征提取多尺度特征提取是提高语义分割性能的关键技术之一。
在本模型中，我们采用了不同尺度的卷积核和池化操作来提取图像的多尺度特征。
具体而言，我们设计了一个包含多种尺度卷积核的卷积层，以捕获不同尺度的目标信息。
此外，我们还采用了池化操作来获取更大尺度的上下文信息。
这些多尺度特征将被用于后续的注意力机制融合。
（二）注意力机制融合注意力机制是一种有效的提高模型性能的技术，可以使得模型更加关注重要的区域。
在本模型中，我们采用了自注意力机制和交叉注意力机制来提高模型的表达能力。
自注意力机制主要用于捕获每个像素的上下文信息，而交叉注意力机制则用于融合不同尺度特征之间的信息。
具体而言，我们通过在卷积层之间引入自注意力和交叉注意力模块，使得模型能够更好地关注重要区域和提取多尺度特征。
四、实验与结果为了验证本文提出的模型的性能，我们在公开的语义分割数据集上进行了一系列实验。
实验结果表明，本文提出的模型在处理多尺度目标和复杂背景时具有更好的性能。
上行社会比较和自尊的序列中介作用
摘 要 为探讨社交网站(QQ 空间)使用对青少年抑郁的影响及其作用机制, 在社会比较和抑郁易感性模型 的视角下, 采用社交网站使用强度问卷、上行社会比较问卷、自尊量表和抑郁量表, 对 964 名中学生进行调 查。结果表明：(1)在控制了性别、年龄以及社交网站使用年限后, 社交网站使用对抑郁和社交网站中的上 行社会比较都有显著的正向预测作用; (2)社交网站使用能通过社交网站中的上行社会比较和自尊的中介作 用对抑郁产生影响, 且该中介作用包含了两条路径——上行社会比较的单独中介作用以及上行社会比较−自 尊的链式中介作用。本研究揭示了社交网站使用与抑郁的关系及其作用机制, 深化了社交网站使用对个体影 响的研究。 关键词 社交网站; 上行社会比较; 自尊; 抑郁; 青少年 分类号 B845; B849:C91
和策略性(Krämer & Winter, 2008; Seidman, 2013), 并会突出积极的和理想化的自我信息(Gonzales & Hancock, 2011; Zhao, Grasmuck, & Martin, 2008; Fardouly, Diedrichs, Vartanian, & Halliwell, 2015), 这就使得社交网站中呈现/表露的信息带有积极化 的偏向。相关的研究结果也指出, 相对于现实生活, 个体在社交网站中会更多地表露积极情绪和幸福 感相关的内容(Qiu, Lin, Leung, & Tov, 2012); 且在 社交网站中, 个体往往会觉得别人过得更好, 更幸 福, 更成功, 并产生妒忌情绪(Chou & Edge, 2012; Krasnova, Wenninger, Widjaja, & Buxmann, 2013)。 因此, 社交网站使用会诱发个体进行上行社会比较 的倾向(Vogel et al., 2014; Kim & Chock, 2015), 在 此基础上, 本研究假设社交网站使用对社交网站中 的上行社会比较有显著的正向预测作用(H2)。 1.2 社交网站中的上行社会比较和自尊的中介
社会网络分析
社会网络分析(Social Network Analysis) 是一种基于数学和计算机科学的研究方法，用于探究社会结构和交互关系的科学工具。
它涵盖了社会学、心理学、信息学、计算机科学和统计学等多个学科领域，可以用于研究社交媒体、组织网络、社交关系、人际关系、文化传播、疾病传播等方面。
社会网络分析的基本原理是将交互关系看作是由节点（node）和边（edge）构成的网络，节点代表社会实体，如人、组织、地点、物体等，边则代表实体之间的关系和连接，如亲戚关系、朋友关系、合作关系、交通关系等。
通过对社会网络中节点和边的度、聚集性、中心性、路径等属性的分析，可以探索出社会结构和关系，为社会现象提供深刻的认识和理解。
在社交网络分析中，最基本的概念是中心度（Centrality）。
中心度用来衡量一个节点在网络中的重要性和影响力。
常用的中心度算法包括度中心度（Degree Centrality）、接近中心度（Closeness Centrality）、中介中心度（Betweenness Centrality）等。
度中心度指的是一个节点在网络中直接连接的节点数量；接近中心度是指一个节点到其他所有节点之间最短路径的平均长度的倒数；中介中心度则是用来衡量一个节点在网络中的媒介作用，即在其它节点之间起到桥梁的作用程度。
除了中心度之外，社会网络分析还可以使用社群检测（Community Detection）算法来发现网络中的社群结构和组织。
社群结构是指网络中由相关的节点组成的子群，这些节点在一些特定的方面上具有一定的相似性，如爱好、政治观点、职业等。
社会网络分析在实践中有着广泛的应用，例如在组织管理和领导力方面，它可以用来优化组织结构、发现潜在领袖、分析组织知识产权的流动等；在社交媒体和网络广告方面，它可以用来个性化推荐、研究信息传播和消费者行为，精准定位目标受众等；在健康医学方面，它可以用来监测疾病传播、探索医疗服务的改进、发现潜在疾病风险等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
31. H. E. Covington 3rd et al., J. Neurosci. 30, 16082 (2010).
32. O. Yizhar et al., Nature 477, 171 (2011). 33. K. Guillem et al., Science 333, 888 (2011). 34. D. Tse et al., Science 333, 891 (2011). Acknowledgments: We thank J. Zhu for the gifts of
Downloaded from on November 13, 2011
Social Network Size Affects Neural Circuits in Macaques J. Sallet, et al. Science 334, 697 (2011); DOI: 10.1126/science.1210027
Res. 146, 3 (2003). 21. R. R. Holson, Physiol. Behav. 37, 239 (1986). 22. H. Marie, W. Morishita, X. Yu, N. Calakos, R. C. Malenka,
Neuron 45, 741 (2005). 23. S. G. McCormack, R. L. Stornetta, J. J. Zhu, Neuron 50,
pSindbis GluR4 and R4Ct constructs and discussion on GluR4; R. Malinow for support of the initial exploration of the tube test in his laboratory; M. Poo, H. Kessels, J. Feldman, and R. Sapolsky for discussion and critical reading of the manuscript; J. Yan for help with statistics; B. Lu for tr test; B. Zhang, K. Zhang, and M. Streets for technical help; Y. Yanagawa for the Gad67-GFP mouse; and X. Yu for ultrasound equipment. The work was supported by Chinese 973 Program (2011CBA00400), Projects of the Scientific Research Foundation, the Hundreds of Talents Program, and the Shanghai Pujiang Talent Program to H.H. Author contributions: F.W. performed most experiments. J.Z. participated in the behavioral and viral injection experiments. F.W., J.Z., and H.H. analyzed data and prepared the figures. H.Z, Q.Z., and Z.L. assisted in experiments. H.H. designed the study and wrote the manuscript.
(1961). 12. A. S. Garfield et al., Nature 469, 534 (2011). 13. H. Arakawa, D. C. Blanchard, R. J. Blanchard, Behav.
Brain Res. 176, 27 (2007). 14. S. Y. Long, Anim. Behav. 20, 10 (1972). 15. L. C. Drickamer, Behav. Processes 53, 113 (2001). 16. J. Nyby, G. A. Dizinno, G. Whitney, Behav. Biol. 18, 285
References and Notes 1. E. O. Wilson, Sociobiology: The New Synthesis (Harvard
Univ. Press, Cambridge, MA, 1975). 2. I. S. Bernstein, Behav. Brain Sci. 4, 419 (1981). 3. R. M. Sapolsky, Science 308, 648 (2005). 4. S. R. Yeh, R. A. Fricke, D. H. Edwards, Science 271, 366
(1996). 5. C. Drews, Behaviour 125, 283 (1993).
6. D. G. Frankel, T. Arbel, Int. J. Behav. Dev. 3, 287 (1980).
7. J. Masur, M. A. Benedito, Nature 249, 284 (1974). 8. D. A. Dewsbury, Anim. Behav. 39, 284 (1990). 9. A. Mehrabian, Curr. Psychol. 14, 261 (1996). 10. D. D. Cummins, Synthese 122, 3 (2000). 11. G. Lindzey, H. Winston, M. Manosevitz, Nature 191, 474
(1976). 17. D. Benton, J. C. Dalrymplealford, P. F. Brain, Anim.
Behav. 28, 1274 (1980). 18. C. F. Zink et al., Neuron 58, 273 (2008). 19. J. Y. Chiao, Curr. Opin. Neurobiol. 20, 803 (2010). 20. H. B. Uylings, H. J. Groenewegen, B. Kolb, Behav. Brain
REPORTS
to regions such as dorsal raphe, ventral tegmental area, hypothalamus, and amygdala, mPFC exerts top-down controls on serotonin and dopamine release, endocrine function, and fear response. All of these could contribute to key features of the dominance behaviors, including aggressiveness, stress responsiveness, and fearfulness. It will be of interest to determine which of these mPFC downstream circuits are specifically involved in setting the dominance hierarchy and to investigate how the dominance rank is initiated and maintained by differential neuronal activities in these circuits. Likewise, it will also be important to understand how the behavioral specificity of mPFC is generated by distinct upstream inputs, given the multiple functions that mPFC has been implicated in [reviewed by (30) and, recently, (31–34)]. The identification of a neural substrate of dominance hierarchy should provide new insights into the coding of a fundamental social behavior in the mammalian nervous system.
Science (print ISSN 0036-8075; online ISSN 1095-9203) is published weekly, except the last week in December, by the American Association for the Advancement of Science, 1200 New York Avenue NW, Washington, DC 20005. Copyright 2011 by the American Association for the Advancement of Science; all rights reserved. The title Science is a registered trademark of AAAS.
This copy is for your personal, non-commercial use only.
If you wish to distribute this article to others, you can order high-quality copies for your colleagues, clients, or customers by clicking here. Permission to republish or repurpose articles or portions of articles can be obtained by following the guidelines here. The following resources related to this article are available online at (this infomation is current as of November 13, 2011 ): Updated information and services, including high-resolution figures, can be found in the online version of this article at: /content/334/6056/697.full.html Supporting Online Material can be found at: /content/suppl/2011/11/03/334.6056.697.DC1.html /content/suppl/2011/11/03/334.6056.697.DC2.html A list of selected additional articles on the Science Web sites related to this article can be found at: /content/334/6056/697.full.html#related This article cites 29 articles, 15 of which can be accessed free: /content/334/6056/697.full.html#ref-list-1 This article appears in the following subject collections: Neuroscience /cgi/collection/neuroscience