基于Kmeans聚类的微博用户活跃度,关于免费Kmeans聚类论文范文在这里免费下载与阅读,为您的Kmeans聚类相关论文写作提供资料。
Kmeans聚类论文参考文献：
摘 要：以新浪微博用户为例,分析用户的相关数据,根据用户的粉丝数量、关注数量、发博文数量三个基本属性,采用K- means聚类算法对用户进行聚类分析,构建出用户活跃度聚类模型,为进一步的如何提升用户活跃度研究及采取相应措施保持、提高用户活跃度提供依据.
关键词：微博 K- means聚类算法 用户活跃度 社交网络平台
中图分类号：TP311.1；F49 文献标识码：A
在现今的日常生活中,微博作为一种新型的社交网络平台以其简单易用的用户平台、普遍的用户群、海量的实时信息和爆发式的传播方式,越来越受到人们的欢迎,也日益成为绝大多数用户生活中必不可少的一部分[1].微博最重要的特征和职能之一就是允许每一位用户更新、分享和传输丰富多彩的信息.如何激励用户发布新的内容,激励用户积极分享自己喜欢的内容,使得整个微博社区更加活跃、信息更加丰富多彩,构建更加良好的微博生态,对微博平台的不断发展起着至关重要的作用.针对这个问题,根据用户的粉丝数、关注数、博文数这三个基本属性,采用K-means聚类算法对用户进行聚类分析,构建用户活跃度聚类模型,为上述问题的解决提供依据.
对用户活跃度的定义：第一是分析用户在网站上会有什么行为；第二是分析用户在网站上具有哪些属性.以新浪微博用户为例,用户可以发微博文章、转发博文、评论博文、被其他用户关注、关注其他用户,用户有发布的微博文章数量、转发博文数、评论博文数、粉丝数、关注数.两个方面结合到一起就可以对活跃用户特征做出定义.
本文针对微博用户活跃度合理聚类问题,以新浪微博为例,运用K-means聚类算法构建合适的用户活跃度聚类模型,以期提高微博社区的活跃度及信息服务质量.
1 K- means聚类算法
1.1 K- means聚类算法简介
K-means聚类算法是由Steinhaus1995年、Llovd1957年、Ball & Hall1965年、McQueen1967年分别在各自的不同的科学研究领域独立的提出[2].K-means聚类算法被提出来后,在不同的学科领域被广泛研究和应用,并发展出大量不同的改进算法,虽然K-means聚类算法被提出已经超过50年了,但目前仍然是应用最广泛的划分聚类算法之一[2].
K-means聚类算法是在无监督的情况下,将研究对象分为相对同质的群组的统计分析技术.聚类分析与分类分析有较大差别,分类分析是有监督的学习,而聚类分析是无监督的学习.无监督学习需要由聚类学习算法自动确定标记,不依赖于带类标记或有预先定义的类的训练实例,是观察式学习,而分类学习的实例或数据对象有类别标记,是示例式的学习.
1.2 K- means聚类算法操作步骤
K-means聚类算法是把含有n个对象的集合划分成指定的K个簇,每个簇中的对象的平均值称为该簇的聚点（中心）,两个簇的相似度就是根据两个聚点而计算出来的.其操作步骤如下.
输入：数据集X等于{xm|m等于1,2,等,total},其中的数据样本只包括描述属性,没有类别属性,聚类的个数为K.输出：使误差平方和准则最小的K个聚类.
第一步,从数据集X中随机地选择K个数据样本作为聚类的初始代表点,每一个代表点表示一个类别.第二步,对于X中的任一数据样本xm（1≤m≤total）,计算它与K个初始代表点的距离,并且将它划分到距离最近的初始代表点所表示的类别中.第三步,完成数据样本的划分之后,对于每一个聚类,计算其中所有数据样本的均值,并且将其作为该聚类的新的代表点,由此得到K个均值代表点.第四步,对于X中的任一样本数据xm（1≤m≤total）,計算它与K个均值代表点的距离,并且将它划分到距离最近的均值代表点所表示的类别中.
反复执行第三步和第四步直至各个聚类不再发生变化为止,即误差平方和准则函数的值达到最优.
2 微博用户活跃度聚类模型构建
2.1数据采集与预处理
本文用户数据来源于新浪微博,通过利用网络爬虫实现用户相关数据的获取,主要收集了2018年1月16日的一些用户数据,提取了用户的粉丝数、关注数、博文数属性,共得到17283条数据,得到的数据中有些数据的部分属性存在缺失,考虑到本文样本中每条数据属性值之间存在关联,常规的缺失值处理方法在此不太适用,并且存在缺失的数据量也不大,故直接将此类数据剔除,最终得到15518条数据,为对用户进行聚类分析做好准备.
2.2 K- means算法对用户活跃度分类的具体实现
本文使用WeKa工具中的K-means算法对预处理后的数据进行聚类分析,经过比较分析,聚类数量为4时聚类效果较好,最终得到的用户活跃度聚类模型如图1所示.
图1上半部分中列出了各个簇中心的位置,本文中用到的属性的值均为数值型,故簇中心就是它的均值,图1的中部则给出了各个簇中的实例数及其占总体的比例,图1的下半部分则是各个簇的柱状图表示.
2.3结果分析及小结
从图1中可以看出,使用K-mean聚类算法最终将微博聚为了四个类,根据每个类的类中心位置将这四个类分别定义为极度活跃用户、活跃用户、中度活跃用户、普通活跃用户,其中极度活跃用户平均粉丝数量约为7945人、平均关注数量约为1415人、平均发博文数量约为1002篇,此类用户在微博中极度活跃,不仅粉丝众多、积极贡献信息,而且关注的信息也较多,约占整体用户的1%；活跃用户平均粉丝数量约为1188人、平均关注数量约为543人、平均发博文数量约为602篇,此类用户在微博中较为活跃,拥有一定的粉丝量并且比较频繁的发布信息,约占整体用户的3%；中度活跃用户的平均粉丝数量、平均关注数量及平均发博文数量则分别约为649人、187人、288篇,此类用户在整体用户中占比20%；在整体中占比最多的是普通活跃用户,此类用户的粉丝数、关注数、发博文数量都很少,潜在原因可能是他们更加习惯随意浏览信息,没有太多特意关注的领域或个人,也没有特意关注的信息,对于在整个社区分享信息、分享自己的想法也没有兴趣,此类用户占总体用户的76%.
3 结束语
从以上的分析可以看出,极度活跃用户、活跃用户甚至是中度活跃用户在总体用户中占比都很小,而粉丝数量、关注数量、发博文数量都少的普通活跃用户在总体用户中占比高达76%,可以得出结论：从总体上来看,微博用户的活跃度不足,激励用户积极分享,使得整个微博社区更加活跃、信息更加丰富多彩,构建更加良好的微博生态这个问题必须得到重视,而怎样激励普通活跃用户则是解决这个问题的关键.
参考文献：
[1] Liu B,Chang K C C.Sepecial issue on web content mining[J].ACM SigKdd Explorations,2004,6（2）：14.
[2] Anil K J.Data clustering：50 years beyond K - M eans[J ].Pattern R ecognition Letters,2010,31（8）：651- 666.
[3] 廉捷,周欣,曹伟,等.新浪微博数据挖掘方案[J].清华大学学报：自然科学版,2005,51（10）：1300- 1305.
[4] 吴夙慧,成颖,郑颜宁,等.K- means聚类算法研究综述[J].知识管理与知识组织：现代图书情报技术版,2011（5）：28- 35.
[5] R adicchi F.Human activity in the web. Physical R eview E,2009,80（2）：118- 120.
结论：关于对不知道怎么写Kmeans聚类论文范文课题研究的大学硕士、相关本科毕业论文Kmeans聚类论文开题报告范文和文献综述及职称论文的作为参考文献资料下载。
基于聚类和主成分分析城市空气质量影响因素
摘 要：文章首先运用K均值聚类分析法对全国主要城市2016年的空气质量进行分类，将113个城市分为三类；其次，运用主成分分析对每一类城市影响空气。
议程设置功能之于微博再
微博发展至今已经从单纯的互联网产品成为了符合社会属性的媒体工具，它正改变并影响着人们的信息获取渠道与社会交往。人们之前更倾向于通过传统媒体单向获。
政务微博实践和
政务公开 社会管理创新政务微博 信息公开我国政务微博的发展现状微博源于美国的“Twitter”，自2010年在中国“两会”期间现身之后开始风。
基于聚类分析农村居民消费结构实证
本文依据我国2014年各地區农村居民人均消费数据，运用多元统计分析中的聚类分析的方法，对2814年我国31个地区农村居民入均消费情况进行实证分析。