作者：安俊秀 著

出版日期：2021年8月

开本：16开

出版社：经济管理出版社

小编推荐

本书通过大数据技术对社交网络中人际交往方式变化的社会心理影响进行分析和研究。内容包括大数据时代群体人际交往模式和现状的概述，社交网络模型的构建方法，大数据时代人际交往方式演化机理、人际交互行为感知及影响分析，社交网络中虚假信息传播特点及控制算法，微博网络节点影响力因素分析，基于HowNet和Naive Bayes相结合的网络社会评论倾向性分析，等等。本书以落实 大数据发展战略、满足大数据生态构建发展的人才需求为基本出发点，主要是为面向大数据社会情感计算方向的研究人员提供一些参考，目的是帮助相关研究人员了解大数据的应用前景。同时，本书将大数据知识与多学科技术融合运用，对于运用大数据技术作交叉学科研究领域的学者来说，本书也具有一定的参考价值。

作者简介靳宇倡，山西朔州人，二级教授，博士研究生导师、四川师范大学心理学院院长。第十二批四川省学术和技术带头人，心理学专业国家一流本科专业建设点负责人，四川省心理学类专业教学指导委员会副主任，西南民族地区社会心理服务研究基地学术委员会委员，四川师范大学首届“狮山学者”特聘教授，四川师范大学“251重点人才培养工程”第二层次“优秀人才”，2017、2018、2019、2020年度四川师范大学“科研十佳”。现任四川师范大学心理学院教授、应用心理专业硕士点负责人。现为Computers in Human Behavior、Journal of Anxiety Disorders、Journal of Affective Disorders、Psychiatry Research、Media Psychology、Journal of Behavioral Addiction、《心理科学》、《心理科学进展》、《西南民族大学学报（社科版）》审稿专家。 安俊秀，成都信息工程大学教授，硕士生导师。软件自动生成与智能服务四川省重点实验室学术带头人（领域知识本体和大数据方向），并行计算与大数据研究所负责人。长期从事数据科学与大数据相关的研究与教学工作，发表相关论文40余篇，主编云计算与大数据方面专著或教材将近20部。国家自然科学基金委通讯评审专家，四川省科技项目评审专家，成都市科技攻关计划评审专家。 陈涛，硕士研究生。研究方向为大数据与并行计算、数据挖掘、自然语言处理。目前主要从事大数据基础研发工作。

第1章 群体人际交往模式的演化概述

1.1 群体人际交往模式演化的 外研究现状

1.2 研究的主要内容

1.3 研究思路

1.4 研究的意义

第2章 大数据时代人际交往方式现状调查

2.1 微信

2.2 QQ

2.3 微博

2.4 实时弹幕

第3章 节点、联系与影响

3.1 社会网络

3.2 节点的重要性

3.3 联系的强度

3.4 社会影响建模

第4章 大数据时代人际交往方式演化机理

4.1 社交网络建模与分析

4.2 社交网络基本理论

4.3 社交网络信息传播研究现状

4.4 当前社交网络的信息传播模型

第5章 社交网络中虚假信息传播特点及控制算法

5.1 社交网络中虚假信息传播的特点

5.2 社交网络信息控制的研究现状

5.3 克隆选择算法概述

5.4 改进的克隆选择信息控制算法

第6章 大数据时代人际交互行为感知及影响研究方法

6.1 研究背景及意义

6.2 外研究现状

6.3 聚类技术

6.4 文本情感分类

第7章 将改进后的多尺度量子谐振子优化算法应用于聚类

7.1 优化算法概述

7.2 MQHOA概述

7.3 基于协方差的MQHOA

7.4 数值仿真实验及分析

7.5 将CM-MQHOA应用于聚类

7.6 总结与展望

第8章 基于HowNet和Naive Bayes相融合的网络社会评论倾向性分析

8.1 网络社会评论倾向性分析概况

8.2 社交群众心理方向智慧分析模型架构

8.3 基于HowNet的情绪词语资源的情绪属性认知

8.4 基于朴素贝叶斯理论的分类器构造

8.5 HowNet和Naive Bayes相融合的网络社会评论倾向性分析

8.6 实验与结果分析

第9章 基于情感倾向聚类的实时评论情感分类研究

9.1 实时评论概述

9.2 实时评论的情感倾向聚类

9.3 量子谐振子模型

9.4 基于量子谐振子模型的情感倾向聚类算法

9.5 情感倾向聚类用于实时评论情感分类的可行性分析

9.6 改进的贝叶斯分类模型

9.7 基于情感倾向聚类的矫正贝叶斯算法

9.8 实验与分析

9.9 本章小结

第10章 微博网络节点影响力因素分析

10.1 PageRank概述

10.2 微博网络影响力关键因素分析

10.3 微博网络节点影响力关键因素度量研究

10.4 LeaderRank算法与UserRank算法分析

10.5 小结

点击