基于ART模型的语义社会网络分析及其在白领犯罪中的应用
语义分析技术和模型在商业智能中的应用
语义分析技术和模型在商业智能中的应用随着数据的快速增长以及商业智能的普及，语义分析技术和模型的应用正在逐步升温。
基于语义分析技术和模型的商业智能应用，可以帮助企业更好地理解其数据，并快速找出数据背后的隐藏信息和趋势，从而为企业做出更优秀的业务决策。
1、语义分析技术和模型的概念语义分析技术是一种人工智能技术，它将人类自然语言转换成一种结构化的表达形式，以便为计算机程序理解和处理。
通俗地讲，语义分析技术可以理解和模拟人类的对话过程，从而完成对文本的自然理解和分析。
而语义分析模型是一种用于建立和训练语义分析算法的统计模型。
语义分析模型通常包含词类标注、命名实体识别、语法分析、语义分析等模块，这些分析模块协同工作的结果，可以帮助计算机程序深入理解文本的含义，并快速进行复杂的分析任务。
2、语义分析在商业智能中的应用语义分析技术和模型在商业智能中的应用有多个方面。
其中，主要的应用包括：2.1、情感分析情感分析是一种运用语义分析技术对文本中的情感色彩进行分析的技术。
对于企业来说，情感分析可以帮助他们快速了解和分析客户对于产品或服务的评价及满意度。
通过情感分析的结果，企业可以了解到消费者对其产品或服务的喜好、不满以及未来的需求，从而进行针对性的市场策划和改进计划。
2.2、知识图谱知识图谱是一种基于语义分析技术的知识组织体系，在知识图谱中，分析算法会将不同主题相关的内容进行统一的分类和整理。
对于企业来说，建立知识图谱可以帮助企业快速了解不同领域之间的相互关系，从而更好地分析数据，找出数据背后的深层次联系和规律，做出更好的商业决策。
2.3、关键词抽取关键词抽取是一种运用语义分析技术从文本数据中自动抽取出关键词的技术，它会选出文本中最重要的关键词和短语，以便帮助企业更好地理解文本数据。
对于企业来说，关键词抽取可以帮助企业更好地了解产品和市场趋势，从而提高企业的竞争力。
3、语义分析技术和模型在商业智能中的应用案例现如今，语义分析技术和模型在企业中的应用也越来越多。
社会网络分析与创新
社会网络分析与创新一、社会网络分析的概念及基础理论社会网络分析，简称SNA，是指通过分析人际关系网络中的节点、关系、组织结构等特征，研究群体行为、组织结构、信息传播、协同创新等社会问题的一种方法。
社会网络分析源于20世纪50年代初期美国社会学家马斯洛·弗里德金(B.F.Malcolm)等学者的研究，其基础理论主要有社会网络理论、赫敏尼茨理论、社会资本理论等。
1、社会网络理论社会网络理论是指通过节点和边来刻画社会个体之间联系和社会集团之间联系的一种理论。
在社会网络理论中，节点就是人或社会组织，而边则是人或社会组织之间相互作用的单元，例如知识传播、信息交流、资源共享等。
通过分析社会网络中节点和边的数量、密度、中心性、关联性等特征，可以揭示社会网络的形态、结构和功能。
2、赫敏尼茨理论赫敏尼茨理论是社会网络分析中的一个经典理论。
它将个体视为不同的社会关系的媒介，个体之间的社会关系构成了一个网络。
在赫敏尼茨理论中，关系主宰群体行为，个体及其内部特征并不是最重要的因素。
比如，人们在中华园社区组织中积极参与社团活动，主要因为他们与该组织的关系比较紧密，而不是个体本身的性格和动机。
3、社会资本理论社会资本理论是社会网络分析中的又一个重要理论，它是由美国社会学家詹姆斯·科尔曼提出的。
社会资本是指个体系统性与非系统性的社会资源，它来源于人际关系、信任、互惠等。
社会资本对于个体的生活、学习、工作等都有非常重要的影响。
通过社会网络分析，可以深入研究社会资本的构成、流动和影响。
二、社会网络分析在协同创新中的应用社会网络分析在协同创新中具有重要的应用价值。
无论是在大型企业还是在创业初期的小型公司中，都可以利用社会网络分析的方法，来分析团队内部的人际关系和组织结构，以便推动协同创新的发展。
1、发现潜在的创新型人才通过社会网络分析，可以发现团队中那些具有创新性和领导力的人才。
这些人才通常是团队中节点数量较多、边数量较多、中心性较高的人。
社会网络分析及其应用
社会网络分析及其应用社会网络分析（Social Network Analysis，简称SNA）是一种研究人际关系、组织结构和社会系统的方法。
它通过分析网络中个体之间的连接关系，揭示出社会网络中的核心人物、信息流动模式以及关键影响力节点，从而帮助我们理解社会关系的结构和功能。
社会网络分析的基本概念是“节点”（Node）和“边”（Edge）。
节点代表个体，可以是人、组织或其他社会单位。
边代表节点之间的关系，可以是亲友关系、合作关系或其他社会关联。
通过构建网络图，就可以清晰地展示和分析社会网络中各个节点之间的连接关系。
社会网络分析可以应用于许多不同领域，例如社交媒体分析、组织管理、创新研究等。
以下将从社交媒体、组织管理和创新研究三个方面介绍社会网络分析的具体应用。
在社交媒体领域，社会网络分析有助于发现和理解信息传播的模式和趋势。
通过分析社交媒体平台上用户的互动行为，我们可以识别出社交网络中的“意见领袖”和“社交中心”。
意见领袖是社交网络中具有较高影响力和广泛影响范围的个体，他们的观点和行为往往能够在整个网络中迅速传播。
而社交中心则是网络中联系其他人的纽带，他们在信息流动中起到关键的桥梁作用。
通过了解这些核心节点，我们可以制定更有针对性的营销策略，提高社交媒体平台上信息传播的效果。
在组织管理方面，社会网络分析有助于了解组织内部的沟通和合作模式。
通过构建组织内部的社会网络图，我们可以分析员工之间的联系和信息流动路径。
发现关键的信息中心、沟通障碍和合作缺失等问题，有助于改善组织的沟通效率和协作能力。
此外，社会网络分析还可以识别出组织中的“隐形高手”，即那些在组织中不被重视但又具有重要技能和资源的个体。
通过激发和利用他们的潜力，组织可以更好地发展和创新。
在创新研究方面，社会网络分析可以揭示创新活动中的合作关系和知识流动。
对于科研团队、创业公司或创新型企业而言，合作是推动创新的重要因素。
通过社会网络分析，我们可以识别出在创新过程中担当关键角色的个体和组织，有助于建立更加高效的创新网络。
AI大模型在舆情分析与社会热点中的应用
AI大模型在舆情分析与社会热点中的应用人工智能（Artificial Intelligence，AI）技术近年来发展迅猛，其中大模型成为研究热点之一。
大模型在舆情分析与社会热点的应用越来越广泛，对社会生活和发展产生深远影响。
本文将探讨AI大模型在舆情分析和社会热点中的应用及其意义。
AI大模型在舆情分析中的应用具有重大意义。
舆情分析是通过收集、整理、分析和处理大量网络媒体信息，从而把握社会民意、社会风向和社会热点的变化趋势的一种方法。
AI大模型能够更深入地理解语义信息，帮助企业和政府更准确地把握舆情动向，做出更科学、更准确的决策。
同时，AI大模型也在社会热点中发挥着不可或缺的作用。
社会热点是指在特定时间、特定情境下引起社会广泛关注的热门话题或事件。
AI大模型可以通过大数据的分析，为人们提供更精准的舆情预譳，并且可以对事件进行更深入的解读和推演，帮助人们更好地应对各种社会热点事件。
此外，AI大模型在舆情分析和社会热点中的应用也存在一定的挑战和局限性。
例如，数据隐私和信息安全问题是当前AI大模型面临的重要挑战之一，需要各方共同努力解决。
另外，AI大模型的智能程度虽然很高，但在特定场景下仍可能出现误判或漏判的情况，这需要不断完善和改进AI算法。
总的来说，AI大模型在舆情分析和社会热点中的应用对于社会的发展和进步具有积极的促进作用。
当然，我们也应该意识到AI技术的发展仍然需要在人类的监督和引导下，保持技术的可持续发展，实现科技与社会良好互动。
希望未来AI大模型在舆情分析和社会热点中的应用能够为社会带来更多正面的影响，助力社会和谐稳定的发展。
人工智能在舆情分析与公关行业中的应用
人工智能在舆情分析与公关行业中的应用随着互联网的快速发展和全球信息的日益增长，舆情分析和公关行业变得愈发重要。
人工智能（Artificial Intelligence，简称AI）作为一种新兴的技术手段，已经开始在舆情分析与公关领域发挥重要作用。
本文将探讨人工智能在舆情分析和公关行业中的具体应用。
一、舆情分析舆情分析是对社会舆论和公众观点进行收集、整理、分析和研究的过程。
而传统的舆情分析主要依赖人工来完成，效率低下且易受人为因素干扰。
而人工智能技术可以自动化地完成涉及大量数据的舆情分析工作，提高分析效率和准确性。
1.1 自然语言处理在舆情分析中，人工智能可以通过自然语言处理（Natural Language Processing，简称NLP）技术来分析和理解大量的文本信息。
NLP技术可以帮助系统识别和提取关键词、情感分析、情绪识别等，从而帮助分析师更准确地了解公众的观点和情感倾向。
1.2 文本挖掘人工智能还可以利用文本挖掘技术对大量文本数据进行挖掘和分析。
文本挖掘可以帮助舆情分析师找到潜在的话题、关键词，发现不同观点之间的关联性，从而更好地把握社会舆论的走向。
1.3 数据分析和预测人工智能可以快速处理大量的数据，并借助机器学习和数据挖掘算法来进行数据分析和预测。
通过对历史数据的分析和模型建立，可以预测未来的舆情走向和公众观点的变化，为公关决策提供科学依据。
二、公关行业公关行业是企业和组织与公众之间进行有效沟通和关系管理的重要部分。
而在公关行业中，人工智能也开始展现出巨大的潜力。
2.1 媒体监测利用人工智能技术，可以自动监测和跟踪新闻报道、社交媒体信息、博客评论等大量媒体信息。
通过实时监控，公关从业者可以更快速地了解到公众对于品牌或事件的反应，及时采取合适的公关措施。
2.2 舆情预警与危机管理通过人工智能技术分析社会舆情的走向，公关从业者可在舆情出现之前发现并进行预警，及时采取应对措施，从而有效降低危机发生的风险。
AI大模型在社会心理学研究中的应用前景
AI大模型在社会心理学研究中的应用前景随着人工智能技术的不断发展，AI大模型在社会心理学研究中的应用前景也越来越受到重视。
人工智能的快速发展为社会心理学研究提供了全新的途径和工具，使研究者能够更深入地理解人类社会心理活动的本质。
本文将探讨AI大模型在社会心理学研究中的应用前景。
一、情感分析AI大模型在社会心理学研究中的一个重要应用是情感分析。
通过对社交媒体、新闻报道、评论等文本数据进行情感分析，研究者可以了解人们在不同情境下的情绪表达和情感体验。
这有助于揭示人类的情感变化规律，深入理解社会心理学现象的本质。
AI大模型的强大计算能力和自然语言处理技术使得情感分析的效果更加准确和高效，为社会心理学研究提供了新的视角和方法。
二、社会关系分析除了情感分析，AI大模型还可以在社会心理学研究中应用于社会关系分析。
通过分析人们在社交网络中的交流行为、社交关系网络等数据，研究者可以揭示人际关系的结构、演化和影响因素。
AI大模型可以帮助研究者理清社会网络中复杂的关系，挖掘潜在的社会互动模式，为社会心理学的应用和实践提供理论支持。
三、舆情监测与预警另一个重要应用领域是舆情监测与预警。
随着社交媒体的普及和信息传播的速度加快，舆情监测和管理成为社会心理学研究的重要课题。
AI大模型可以对海量的文本数据进行实时监测和分析，识别舆情事件的发展趋势和潜在风险，为政府部门和企业提供决策支持。
AI大模型在舆情应对中的应用，有助于及时发现和解决社会心理问题，维护社会稳定和和谐。
四、心理健康辅助此外，AI大模型还可以在心理健康领域发挥作用，为心理健康辅助和治疗提供支持。
通过分析用户的言行举止、情感表达等数据，AI大模型可以帮助心理医生更好地了解患者的心理状态和需求，制定个性化的治疗方案。
AI大模型的应用为心理咨询和治疗提供了新的可能性，有助于提高心理健康服务的效率和效果。
综上所述，AI大模型在社会心理学研究中有着广阔的应用前景。
情感分析、社会关系分析、舆情监测与预警、心理健康辅助等领域都可以受益于AI技术的进步。
社会网络分析
社会网络分析社会网络分析 (Social Network Analysis, SNA) 是一种研究社会关系与信息流动的方法。
通过对社会网络中的节点和关系进行系统性的分析，可以揭示出群体中个体之间的相互影响、信息传播路径以及组织结构等特征。
本文将介绍社会网络分析的概念、应用领域以及分析方法。
一、概念社会网络分析的核心概念包括节点、边和关系。
节点代表社会实体，可以是人、组织或其他单位。
边则表示节点之间的关系，可以是互动、合作、交流等。
关系的强度和方向也是网络分析的重要考量因素。
通过对节点和边的分析，可以揭示出网络结构、影响力、信息传播路径等重要信息。
二、应用领域社会网络分析在多个领域都有广泛的应用。
以下是几个典型的应用领域：1. 社交媒体分析：社交媒体平台如Facebook、Twitter等成为了人们交流和信息获取的主要渠道。
社会网络分析可以帮助企业分析用户之间的关系，挖掘潜在的目标用户，优化信息传播效果。
2. 组织管理：在组织中，社会网络分析可以帮助揭示出隐性的权力结构和信息流动路径，优化组织结构并提高工作效率。
3. 创新与知识管理：社会网络分析可以帮助发现知识的源头，找到专家和关键创新节点，从而提高知识管理和创新效率。
4. 犯罪与恐怖主义研究：社会网络分析在犯罪与恐怖主义研究中被广泛应用，可以揭示出犯罪网络的结构、头目与手下之间的关系，为打击犯罪提供决策支持。
三、分析方法社会网络分析主要包括描述统计、中心性分析和社团检测等方法。
以下是几个常用的分析方法：1. 描述统计：描述统计是对社会网络的基本特征进行统计分析的方法。
通过计算网络的规模、密度、连通性等指标，可以对网络的整体结构有一个初步的认识。
2. 中心性分析：中心性分析是衡量节点在网络中重要性的方法。
常用的中心性指标包括度中心性、接近度中心性和介数中心性。
通过中心性分析，可以找到网络中的关键节点和重要影响者。
3. 社团检测：社团检测是找到网络中紧密连接的节点子集的方法。
社会网络模型研究论析
社会网络模型研究论析一、概述社会网络模型研究是社会学、心理学、计算机科学等多个学科交叉的领域，它关注于个体和群体间复杂的互动关系以及这些关系如何影响社会结构和行为。
社会网络模型的核心在于理解和分析社会网络中节点（个体或群体）之间的连接（关系），以及这些连接如何传递信息、资源、影响力和其他形式的社会资本。
随着大数据和复杂网络理论的发展，社会网络模型研究在揭示社会现象、预测社会动态以及优化社会结构等方面发挥着越来越重要的作用。
社会网络模型研究起源于20世纪30年代的社会计量学，经过几十年的发展，逐渐形成了包括社会网络分析、社交网络分析、复杂网络理论等多个分支。
这些分支在方法论和研究重点上有所不同，但都致力于从网络视角揭示社会现象的本质和规律。
近年来，随着大数据技术的普及和计算能力的提升，社会网络模型研究在数据收集、处理和分析方面取得了突破性进展，使得我们能够更准确地刻画和解释复杂的社会网络结构。
在理论上，社会网络模型研究关注于网络结构、网络关系、网络动态等多个方面。
网络结构研究主要关注网络的整体形态和特征，如网络的密度、中心性、聚类系数等网络关系研究则关注节点间的连接模式、关系强度和方向性等网络动态研究则关注网络随时间的变化过程，包括网络的演化、扩散和同步等。
这些研究不仅有助于我们深入理解社会网络的结构和机制，也为解决现实生活中的社会问题提供了理论支持。
在实践上，社会网络模型研究被广泛应用于社会各个领域，如社交网络分析、组织行为学、信息传播、社会治安等。
通过构建和分析社会网络模型，我们可以揭示社会网络中的关键节点和群体，预测社会动态和趋势，优化社会资源配置，提高社会治理效率等。
社会网络模型研究还为政策制定、市场营销、舆论引导等领域提供了有力的决策支持。
社会网络模型研究是一个跨学科的领域，它致力于从网络视角揭示社会现象的本质和规律。
随着大数据和复杂网络理论的发展，社会网络模型研究在理论和实践上都取得了重要进展，为解决现实生活中的社会问题提供了有力支持。
- 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)。
基于ART模型的语义社会网络分析及其在白领犯罪中的应用
摘要：本文在贝叶斯网络的基础上提出并讨论了基于发送者-接收者-话题,即ART(Author -Recipient-Topic)模型的语义社会网络分析技术,以人与人之间发送的对方向敏感的消息(message)为研究对象从社会网络数据中探查隐藏在人际之间的关系,这种方法通过发送接收对,不仅模拟了从一个人的实体到另一个实体的连接,还更好的预测了人的角色,从而提高了结果的准确程度。
关键词：ART模型社会网络分析(SNA) 语义分析白领犯罪社会网络分析(SNA)是对人,组织和团体之间交往的数学模型的定量研究。
近年来,大量可用的人际交往方面数据集的出现,国内外社交网站的蓬勃发展以及经济犯罪案件的侦破等事件促进了对社会网络分析的研究。
传统的研究工作强调二元交互,形成有向有加权的边,采用点,线模拟个体间的交流产生的相互关系。
这在展现传统的人际交流模式上十分有效,但随着网络技术的不断发展,人与人之间的交流朝着便捷化,海量化、多样化方向发展因此对社会网络进行高效准确的分析日益困难。
另外,出于对安全的需要,社会网络分析在统计的自然语言处理,获取交流语言内容,如单词,话题,以及其他交流内容的多维特性等方面需要进一步研究。
本文提出并研究了基于ART(Author -Recipient-Topic)模型的语义
社会网络分析。
该模型以发送者和接收者为条件共同决定每条消息中的话题分布,因此结果受到消息发送和接收的社会结构的影响,对每一个发送-接收对都有关于话题的多项分布。
我们也能计算出仅仅依据发送者或者接收者而得出的关于话题的边缘分布,从而找出群体中个人最有可能发送和接收的话题。
更重要的是,通过有效地利用这些基于人的话题分布测量人与人之间的相似性及引入Freeman的中心度方法,通过产生发送者和接收者的角色关联以及以基于角色分配的话题分布为条件,利用相似性,中介程度,以及与其他人的接近程度聚类发现单个人的角色和重要程度。
本文给出了一个拥有83个人物,400条短消息,21000词汇手机信息交互的公司员工群体的数据集的测试结果,预测了隐藏其中的白领犯罪的疑似罪犯,通过与已知数据的对比发现预测结果比较理想。
另外,关注点的不同对参数的适当改变使得方法对探索群体中其他类型的隐藏关系同样有效。
建立模型
一条消息或者邮件拥有一个发送者和通常多于一个的接收者。
我们可以把发送者和接收者都视为“作者”,但是这并没有有效地区分发送者和接收者,以至于在实际问题的分析中不具有实用价值,例如一个管理者和他的职员可能会互发短信但是请求的性质和语言的运用却差别很大。
5.Nd单词个数
ART模型关注每条消息的发送者和每个接收者关于话题的多项分布,并以此捕捉话题和发送者和接收者组成的有向社会网络图。
ART模型是一个同时处理消息内容和有向社会网络图的贝叶斯网络,除了把信息内容以若干话题的组合的形式建模之外,还把明确了信息的发送者和接收者。
在创建过程当中,对于每一条消息d,它的发送者ad,以及一组接收者rd都被观测。
为了产生每一个单词,一个接收者x,从集合rd中统一选取,话题z从关于话题的多项分布θadx中选取,而这个分布是针对于发送-接收对的(ad,x)的。
最后,单词w从特定话题的多项分布中选取,结果有关话题的发现就是它被产生消息文本的集合的社会网络所决定。
ART模型具体建立(图1)
在ART模型当中,对每条消息d,已经给出了超参数α和β,发送者ad,以及一组接收者rd,每个发送-接受对(i,j)给出话题的集合θij的联合分布,每个话题t的单词集合φt,一组接收者x,一组话题z,和一组单词w通过以下方式给出:
我们可以通过吉布斯抽样对公式进行简化,我们对该多项分布采用共轭先验,于是我们可以积分得出θ和。
我们可以使用Gibbs EM算法估计ART模型的超参数α和β。
在一些实际应用当中,话题模型对超参数是非常敏感的,但在本文中讨论的应用,在实验了多次以后我们发现模型对超参数的敏感程度比较低。
因此,本文的实验采用固定的对称狄利克雷分布(α=50/T,β=0.1),所以以上的条件概率可以用以下公式近似:
在这里nijt是分配给话题t及发送-接受对(i,j)的单词个数,mtv是
分配给话题t的单词v的出现次数。
后验估计θ和φ可通过如下公式计算:
吉布斯抽样算法的伪代码如下:
Initialize the author and topic assignments randomly for all tokens
1. repeat
2. for d=1 to D do
3. for i=1 to Nd do
4. draw xdi and zdi from
5. Update and
6. end for
7. end for
8. until the markov chain reaches its equilibrium
9. compute the posterior estimate of θ and
尽管之前的论述可以有效的探测出与问题相关的话题以及频繁
涉及这些话题的发送-接收对,但是发送者和接收者哪个的相关度更大尚不清楚,鉴于此,本文的模型将进一步深化以探测消息发送者,接收者在所关注问题中的重要程度和可能角色。
根据社会网络分析中常用的中心性方法,本文引入三个参数描述网络中成员的地位并且给出计算公式。
表示节点在网络中的与关注问题的相关程度,值越高表明该成员在网络中的影响程度越高,也就更有可能成为网络中的核心成员,表示成员与其他成员的连接边上的关联度的加和。
表示节点在网络中对其他成员的中介影响程度,值越高,代表该成员越有可能扮演着桥梁的作用,为成员j与成员k之间的最短距离的个数。
表示节点在网络中与其他成员的接近程度,值越小就表明该成员越接近其他成员对其他成员直接影响越大。
根据前述的中间结果并聚类我们便可以得到我们所关心问题相
关度较大的成员及其可能的角色。
测试及结果
本文采用的测试数据集包含83个人物节点,400条短消息,21000词汇信息的公司员工内部短信数据,其中隐藏了一起白领犯罪,已知罪犯有Jean, Alex, Elsie, Paul, Ulf, Yao,和Harvey,我们需要分析预测出可能的犯罪成员及其起到的作用并与已知条件作对比。
借助表1的数据,我们可以很容易计算出这几个话题与犯罪的相关程度,数据见表2:
这里需要说明的是,与犯罪无关的话题权重置为0,而实验的结果是建立在数据的相对量比较上的,所以我们这里对各个话题与阴谋相关度参数的调整是一种归一化处理,该调整并不影响数据处理的结果。
另外,本文的测量方法得到的关系矩阵并不是对称的,这是由ART 模型本身的性质决定的,因为发送者与接收者的地位并不平等。
(图2)
在该ART模型对于可疑话题7,11,13的关系矩阵中,原点在矩阵左上角,横坐标x∈[1,83],从左向右递增,y∈[1,83],从上到下递增,矩阵中的每一个节点代表了两个人之间的信息(message),矩阵节点的颜色代表信息与犯罪的关联程度——颜色越鲜艳,两人之间的信息与犯罪的关系越密切,颜色越暗淡,信息与犯罪越无关,无色表示完全无关。
我们对人员按照与犯罪相关程度进行排序,(2),(3)两式的计算结果可以更好地预测可能的犯人在犯罪中所扮演的角色和作用——核心成员或者是传递信息的关键人物或者是普通成员等等,折线图如下:(图3)
聚类结果如图4,其中红色表示可能白领犯罪人员,蓝色表示普通职员。
(图4)
根据前述中间结果并聚类我们得到20个预测人选,和其他人相比他们与犯罪有着较大关联,并且可能在犯罪中有着如下不同的角色:(表3)
结语
通过测试我们发现预测结果包含了已知罪犯,并且发现他们可能有着不同的角色,并与已知条件对比,发现得到了较为理想的结果,验证了本文的方法的可行性和有效性。
本文基于ART模型的语义社会网络分析方法不仅可以应用于短信形式下的隐藏关系分析,在邮件等文本交流情况下同样有效,对信息方向的敏感使得不仅对相关程度分析预测的结果更准确也有助于不同成员的角色分析。
然而模型的局限性在于不能够有效发现关系网络中关系随时间而发生的动态变化,应用中时间变量因素对得出更准确的结论是不容忽视的。
参考文献
[1] 陈磊,董碧丹,赵燕平.基于语义社会网络分析的企业内隐藏关系探测.计算机与数字工程,2009年第九期.
[2] Andrew McCallum,Xue rui Wang, Andr′es Corrada-Emmanuel (2007), Topic and Role Discovery in Social Networks with Experiments on Enron and Academic Email, Journal of Arti′cial Intelligence Research 30 (2007) 249-272.
[3] Criminal Network Analysis and Visualization (2005),COMMUNICATIONS OF THE ACM June 2005/V ol.48,No.6.。