● 摘要
随着web2.0的迅速发展，在线社交网络逐渐成为数亿用户之间传递信息的主要媒介。该论文以973项目为背景，围绕社交网络中结点重要性预测开展研究，对理解网络的结构和信息传播的规律有理论意义，并在推荐系统和排名系统的设计中有应用价值。该论文重点针对在线网络广告提出了PageSense算法；针对网络的局部排序问题提出了DIGRank算法；针对大规模社交网络流行度预测和内容推荐提出了有向二分图算法。这些算法都具有很强的理论支撑，通过在小世界、无标度网络的模拟实验，以及web、社交网络等大规模的真实网络实验比较，我们得到了非常显著的实验效果。这些算法可以有效的用于真实的社交网络中，如社交网络广告的投放，用户排名，流行性预测和内容推荐。本文的主要成果有以下几个方面：1．我们提出了一种新的局部排序算法“DIGRank”。比起PageRank，DIGRank减少了超过99%的计算复杂度。这个算法在11个大规模网络和30个社交网络社交中测试，均获得非常好的效果。2、我们设计了一个在线推荐算法和社交网络内容流行度预测算法。我们利用有向二分图模型和加权二分图模型很准确刻画了Flickr图片共享网络的信息传播过程。相比传统的推荐算法，该算法准确率提高了81.9%，相比传统的预测算法，准确率提高了58.1%。3．针对在线广告进行研究。为了对在线图片做图片处理，我们提出了新的区域探测算法。通过这个算法，我们很高效的探测到图片存在低信息度的空白区域，然后通过和已搜集到的广告进行区域匹配，将广告顺利植入到图片的合适区域内。另外，通过有向二分图模型的预测算法和图片标签匹配方法，我们提出了个性化流行性图片的广告植入思路。