主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
崔颖安,李雪,王志晓,张德运.社会化媒体大数据多阶段整群抽样方法.软件学报,2014,25(4):781-796
社会化媒体大数据多阶段整群抽样方法
Sampling Online Social Media Big Data Based Multi Stage Cluster Method
投稿时间:2013-09-11  修订日期:2014-01-27
DOI:10.13328/j.cnki.jos.004566
中文关键词:  在线社会化媒体  大数据  马尔可夫蒙特卡洛方法  多阶段整群抽样
英文关键词:online social media  big data  Markov chain Monte Carlo  multi stage cluster sampling
基金项目:教育部中央高校基金(13SZYB01);陕西省社科联重大理论与现实问题研究项目(2013C124);中国电信“社会化媒体大数据云服务商业模式的研究”项目(SN2012-YS-13709)
作者单位E-mail
崔颖安 西安交通大学 电信学院, 陕西 西安 710049
西安理工大学 计算机科学与工程学院, 陕西 西安 710048 
cuiyan@xaut.edu.cn 
李雪 陕西师范大学 国际商学院, 陕西 西安 710062  
王志晓 西安交通大学 电信学院, 陕西 西安 710049  
张德运 西安交通大学 电信学院, 陕西 西安 710049  
摘要点击次数: 3286
全文下载次数: 3944
中文摘要:
      在线社会化媒体大数据是行动者自组织关系的集合,其内部蕴含了多层次的社会实体关系,因此,在线社会化媒体大数据抽样方法的研究对于社会计算这一新兴研究领域具有重要的理论和应用价值.现有抽样方法存在大型马尔可夫链难以并行化、样本局部性陷入、马尔可夫链燃烧预热等问题.针对这些问题,提出了在线社会化媒体大数据整群多阶段抽样方法OSM-MSCS.该方法首先进行整群分解,将总体分解成若干小型凝聚子群;而后,使用动态延迟拒绝方法对凝聚子群内部的关系抽样;最后,使用Gibbs方法完成不同凝聚子群之间相干关系的筛选,从而获得整个样本序列.实验结果表明,OSM-MSCS方法能够有效地对各种结构特征的在线社会化媒体大数据进行抽样,从“个体地位-群体凝聚性-整体结构性”这3个层次进行综合评价,其抽样效果要明显好于MHRW和BFS这两种最主流的抽样方法.
英文摘要:
      The big data from online social media represents the relationship between the actors' self-organization. It contains multi-level social entity relationship. As an emerging field in recent years, online social media sampling method has important research value and practical significance in social computing. However, there are some problems in existing methods. For example, large Markov chain is difficult to parallelize, sampling is easy to be trapped in local, and there is concerns with Markov chain burn-in process. To address those issues, the paper presents a multi stage cluster sampling for online social media big data (OSM-MSCS). The proposed method first decomposes integral cluster into small cohesive subgroups, then uses delay rejection (DR) to sample typical online social relationship with parallel processing, and finally uses Gibbs sampling methods to choose interaction relationship in different cohesive subgroups to obtain the random sequence. Experimental results show that OSM-MSCS is an effective method for online social media big data, and its sampling technique is better than BFS and MHRW.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利