[论文解读] Analyzing User Activities Using Vector Space Model in Online Social Networks

Dhrubasish Sarkar, Premananda Jana|arXiv (Cornell University)|Oct 13, 2019

Complex Network Analysis Techniques参考文献 6被引用 9

一句话总结

本文提出了一种基于TF-IDF的向量空间模型，用于分析在线社交网络（OSNs）中的用户活动模式，将用户-对象交互（例如，帖子、照片）及观看者关系表示为加权向量。该方法将用户参与数据转化为向量空间，并通过加权图进行可视化，揭示了具有更高可解释性和模式检测能力的有意义的活动关系与社交互动结构。

ABSTRACT

The increasing popularity of internet, wireless technologies and mobile devices has led to the birth of mass connectivity and online interaction through Online Social Networks (OSNs) and similar environments. OSN reflects a social structure consist of a set of individuals and different types of ties like connections, relationships, interactions etc among them and helps its users to connect with their friends and common interest groups, share views and to pass information. Now days the users choose OSN sites as a most preferred place for sharing their updates, different views, posting photographs and would like to make it available for others for viewing, rating and making comments. The current paper aims to explore and analyze the association between the objects (like photographs, posts etc) and its viewers (friends, acquaintances etc) for a given user and to find activity relationship among them by using the TF-IDF scheme of Vector Space Model. After vectorization the vector data has been presented through a weighted graph with various properties.

研究动机与目标

• 使用向量空间表示方法对在线社交网络中用户与数字对象（例如，帖子、照片）的交互进行建模。
• 通过内容与交互分析，识别用户生成内容与其观看者（朋友、熟人）之间的关联。
• 将用户活动关系表示为加权图，以增强可视化与结构分析能力。
• 利用TF-IDF方案以可扩展且可解释的方式量化内容的相关性与用户参与度。

提出的方法

• 基于内容与观看者频率，将用户活动数据（如帖子、照片、评论、点赞）转换为基于TF-IDF的加权向量。
• 构建向量空间模型，其中每个用户-对象交互均表示为术语向量，权重反映词频与逆文档频率。
• 将生成的向量数据映射为加权图结构，其中节点代表用户或内容对象，边代表交互强度或相似度。
• 应用向量空间转换以捕捉用户与内容之间的语义与行为关系，实现模式发现。
• 利用图表示分析用户活动网络中的结构性质，如中心性、聚类与连通性。
• 整合基于内容的特征（如文本、媒体）与用户交互日志，以丰富向量表示。

实验结果

研究问题

• RQ1 如何利用向量空间表示有效建模在线社交网络中的用户-对象交互？
• RQ2 在使用TF-IDF加权时，内容对象与其观看者之间会浮现何种关联模式？
• RQ3 向量化用户活动的加权图表示如何揭示潜在的社会与行为结构？
• RQ4 与原始交互日志相比，向量空间模型在多大程度上提升了对有意义活动关系的检测能力？

主要发现

• 基于TF-IDF的向量空间模型成功捕捉了用户生成内容对特定观看者的相关性，实现了对参与模式的结构化分析。
• 向量化数据的加权图可视化揭示了具有相似交互行为与内容偏好的用户群体聚类。
• 该方法能有效根据向量幅值与观看者分布，区分高参与度与低参与度内容。
• 通过将稀疏的交互日志转换为密集且具有语义意义的表示，该模型显著提升了用户活动关系的可解释性。