Neural Network World ( ScienceCitation Index Expanded Journal) http://www.nnw.cz/ Callfor Papers –Special Issue on Applied Soft Computing for Online Social Networks Social media are computer-mediated tools that allow people to create,share or exchange information, ideas, pictures, audios or videos in virtualcommunities by using open Internet. Over the past five years, online socialnetwork (OSN) websites or services have been widely developed and deployed,including general-purpose OSNs like Twitter, Facebook and Wechat, orspecial-purpose ones for multimedia sharing YouTube, professional communicationLinkedIn, and so on. Whatever the type of an OSN is, there exist veryinteresting and challengeable research works on how to improve an efficientsocial media computing and how to make an effective social network analysis andmining from the perspectives of both academia and industry. In order to bettercope with the burning issues, advances on soft computing technologies, such asneural network and system, evolutionary computing and genetic algorithms, fuzzyset and rough set theories, probabilistic computing, as well as chaos theoryand chaotic systems, are paving a road to more valuable and feasible solutionsto the emerging social media and big data, finally bringing a brilliant futureof wisdom and intelligent social media network. This special issue aimsto solicit the cutting edge research contributions of applied soft computing onsocial media and online networks. We specially invite authors to submit high quality,original papers that must not be under consideration for publication in anyother journal or conference, and meanwhilesome all-around and readable survey papers about the state-of-the art of softcomputing in social network applications are also welcomed. Research Thepossible main topics are listed as follows, but not limited to. ² Artificial/natural neural network and neural systemapplied to social media and online social network establishment ² Fuzzy set and rough set theories in social mediapropagation and redistribution ² Chaos theory and chaotic systems for social media content security ² Deep learning and machine learning for multimedia recommendationsystems and algorithms ² Soft computing technologies for both quantitative and qualitativetrust assessment and risk management in online social networks ² Soft computing enabling (mobile) multimedia socialnetwork prototypes, empirical cases studies and other applications Submissions Guideline All potential authors would sendtheir papers both Word and PDF files to the leading and corresponding guesteditor Prof. Zhiyong Zhang by xidianzzy@126.com .And, please make sure you clearly write the thematic issue title “ SpecialIssue on Applied Soft Computing for Online Social Networks ” in the coverletter for our conveniences on checking submitted manuscripts. Besides, if you still have any question, please do nothesitate to contact Prof. ZhiyongZhang by xidianzzy@126.com Prof. Arun Kumar Sangaiah by arunkumarsangaiah@gmail.com Important Dates Papersubmission: April 15, 2016 1st round of reviewnotification: July 15, 2016 Revision submissiondue: September 15, 2016 Finalacceptance: November 15, 2016 Publication(Tentative): The first issue of 2017 Guest Editors Zhiyong Zhang (Leading andCorresponding GE) Visiting Professor, Iowa State University,Ames, USA;Henan ProvinceDistinguished Professor, Henan University of Science Technology, Luoyang, China E-mail: xidianzzy@126.com Homepage: www.sigdrm.org/~zzhang ArunKumar Sangaiah Professor,VIT University,Vellore, India E-mail: arunkumarsangaiah@gmail.com Homepage: https://in.linkedin.com/pub/dr-arun-kumar-sangaiah/a9/452/81
邻接 矩阵 ( Adjacency Matrix -AM ) 伴随着图论，是一个古老的传说。研究各类复杂网络理论时，在高效计算的需求下，用邻接矩阵来表示网络拓扑，是各路大牛高手的首项选择。随着在线社交网络的蓬勃发展和深入研究，尤其是在关系错综复杂的微博平台内，尚未见到贴切的数学或逻辑模型，有效 描述 用户各种行为和关系，人们越来越感到直接使用邻接矩阵的乏力。 搞科研也是要个天时地利人和，注重关系意义的逻辑模型呼之欲出？！ 2012 年上半年 巴西利亚大学 TransLab 团队 推出粉丝模型 ( Followmodel ) ，在此 基础上，考虑到在线网络用户间的多重、多层的复杂关系和大型网络并行计算的潜力，下半年提出 关系寓意邻接矩阵概念 ( Relationship Committed Adjacency Matrix -RCAM ) ，昵称粉丝矩阵。 按照粉丝模型的定义， A in 为粉丝邻接矩阵 ( Follower A M ) ，其转置矩阵就是关注矩阵 ( Followee A M ) ，具体表示为 A out = A in T 。经过多次相乘， A in k =A in A in … A in 是 k - 阶粉丝矩阵。如果把 n 个节点的社交网络用 n x n 矩阵 A in 表示，则 通过 A in 2 可查询粉丝的粉丝信息 ; 利用 A in A out 查询关注人的粉丝信息；利用 A out A in 查询粉丝的关注人信息 … 在人工智能遗传基因的影响下，粉丝矩阵 -RCAM 这一华丽转身，竟然使得 邻接 矩阵风情万种，衍生出说不完的故事来 。本文将详细介绍这些关系矩阵的定义和 多重组合 应用。 1 ． 图 和邻接矩阵定义 为便于描述问题，约以成俗，我们按图论来定义在线社交网络的元素和关系。 四个 节点和连接构成一个简单的无向图 G = ( V, E ) ，见图 1 。节点集 V 内有 : A , B , C , D ϵ V ; 各节点内含一元素，这里指用户名 u , v , w 和 x ; 节点间形成无向连接集 E : V × V : ( A , B ), ( A , D ),( B , C ), ( B , D ) 和 ( C , D ) ϵ E ; 用户间可能的关系为 : ( u , v ),( u , x ), ( v , w ), ( v , x ) 和 ( w , x ) ϵ R . 图 1. 四节点形成的无向图，网络研究的出发点 请注意，在此定义里，我们有意分开节点和元素、连接和关系，因为 网络内 的节点和连接 一般 是不变的，但在线社交网络 的 元素和关系随时会发生变化。例如，节点可能会是用户，也可能是微博；关系可能是关注关系，也可能是微博转发关系。 邻接矩阵 A 的定义为 A(u,v) = 1, 如果 (u, v) ϵ E ; 否则 , A(u, v) = 0. 如果图内有 n 个节点，则 邻接矩阵 A 的元素为 n × n 。 图论进一步告诉我们 ， k - 阶邻接矩阵 即矩阵的 k 次连乘 , A k = A A … A 。如果 两个节点 ( u, v ) 间的连接赋予权重为 w(u, v) , 如果 (u, v) ϵ E ; 否则 , w(u, v) = 0 。 w(u, v) 可定义为距离、成本或效益 。 通过计算 A k ，可以得出 两点间 最优 k 段路经，如果存在这些路径的话。 2 ． 粉丝矩阵 ( RCAM ) 的定义 参见图 1 无向无权重图的基本定义和粉丝模型的概念 ，如果该图表征一社交网络，我们使用粉丝矩阵 ( Follower Adjacency Matrix ) A in 来表达该网络内各用户间的关注关系 , A in (u, v) = 1, 如果用户 u 关注用户 v 且 (u, v) ϵ E ; 否则 , A in (u, v) = 0 。这里的下标 in 和粉丝模型 的粉丝函数 f in (.) 相对应，表示用户 v 的粉丝集 ( 即关注 v 的所有用户集 ) 。如果该图有 n 个节点， A in 具有 n × n 个 元素。 粉丝矩阵 A in 描述了相关元素的粉丝关系 ，通过对该矩阵各行的阅读，查询到有关用户的粉丝信息。 粉丝矩阵的转置 , A in T , 定义为关注矩阵 ( Followe e Adjacency Matrix ) A out = A in T 。关注矩阵 A out 与粉丝模型中的关注丝函数 f out (.) 相对应， 描述了相关元素的关注关系。 通过对该矩阵各行的阅读，查询到有关用户的关注人信息。利用互粉关系的对称型，这些信息也可以从上述两个矩阵里分别获取。 为便于广泛应用，我们通称粉丝矩和关注矩阵为关系寓意邻接矩阵 ( Relationship CommittedAdjacency Matrix - RCAM ) ，中文昵称粉丝矩阵。 在线社交网络用户间的关系并非仅仅是一个层次的关系，例如，朋友的朋友的朋友 … ，就是多层次关系 。有了 粉丝矩阵，对这些个关系的描述，则是十分自然的了。我们用 A in k = A in A in … A in 来表达 k- 阶粉丝关系， A in k 是 粉丝矩阵 A in 的 k 次相乘。 3 ． 粉丝矩阵的计算实例 为便于读者体会粉丝矩阵的个中奥妙，本节使用一简单例子，说明粉丝矩阵 A in 、 A out 、 A in 2 的具体计算和实际应用。 图 2. 简单在线社交网络中 相对于用户 v 的粉丝、关注和互粉关系 . 图 2 表达一简单社交网络，其中各种关系均相对于用户 v ：用户 u 关注 v 和 x ，用户 v 关注 w 和 x ，用户 x 关注 u 和 v 。在此基础上，图 3(a) 列出的粉丝矩阵 A in 的具体表达，图 3 (b) 列出的关注矩阵 A out 的具体表达。 图 3.(a) 粉丝矩阵 A in (b) 关注矩阵 A out . 从图 3 (a) 粉丝矩阵 A in 第一行，可以表达 / 查询 用户 u 是 v 和 x 的粉丝的信息。从图 3 ( b ) 关注矩阵 A out 第二行，可以表达 / 查询 用户 v 被 u 和 x 关注的信息。 当需要查询朋友的朋友相关信息时，粉丝矩阵的两阶运算 A in 2 便派上用场。从图 4 可看出，用户 u 的朋友的朋友是 v ； v 的朋友的朋友是 u 和 x ；等等。 图 4 . 两阶粉丝矩阵的运算示例 : A in 2 . 如果需要查询用户的关注人的粉丝，粉丝矩阵与关注矩阵的乘积， A in A out 可提供相应信息。如图 5 所示，用户 u 的关注人的粉丝为 v 和 x ； v 的关注人的粉丝为 u, 等等。 图 5 关注人的粉丝的计算 : A in A out . 通过粉丝矩阵和关注矩阵的的各种组合、各阶计算，我们可以得到对在线社交网络的各类相关信息查询。这些查询对于微博转发预测和信息传播预测都是有着积极的意义。同时，矩阵操作对于开发并行计算资源，意义重大。可以说整个网络各节点的计算都是将是一次性的甚至是同步的。 如果说二阶粉丝矩阵 A in 2 的计算复杂度为 O(n 3 ) ，当 k 为有限值时， A in k 的计算复杂度仍为 O(n 3 ) 。这一点也是激动人心的，在第一次计算 A in 2 后， A in k 将会在各项查询和微博转发预测中多次使用，这正是提出 关系承诺邻接矩阵的真正意义之一。 开发逻辑模型 对在线社交网络机制研究是一新趋势，粉丝模型 和粉丝矩阵 是本团队的初步尝试，敬请相关专业同仁相商赐教，以便完善推广。 《微博 de 故事》系列博文 将继续介绍巴西利亚大学 TransLab 团队应用粉丝矩阵 -RCAM ，在微博信息查询、微博转发预测和微博传播等方面逻辑关系模型化的最新研究成果。博文中的一些定义和概念描述可能不够严格和准确，请进一步参照本文正式发表的文献 。其它章节将陆续发出，敬请诸位网友指导、稍候。 参考资料： E.Sandes, L. Weigang and A. de Melo. Logical model of relationship for onlinesocial networks and performance optimizing of queries. In Proceedings of WISE,LNCS 7651, pp. 726—736, 2012. 李伟钢，微博的转发哲学 ( 下 ), 科学网博客， 2012 ， http://blog.sciencenet.cn/blog-652078-604604.html Li Weigang, Zheng Jianya and Denise LYLi, Querying and Predicting Retweets with Relationship Committed AdjacencyMatrix in Online Social Networks, Resarch report, ThansLab, University of Brasilia, 2012. J.D. Foley, A. Dam, S.K. Feiner and J.F.Hughes. Computer Graphics: Principles and Practice. Second Edition. 1996. 李伟钢，微博 de 故事：物理学者对计算机科学同行的批评，科学网博客， 2013 ， http://blog.sciencenet.cn/blog-652078-648754.html Li WEIGANG, ZHENG Jianya, Liu Yang, Retweeting Prediction Using Relationship Committed Adjacency Matrix In: BraSNAM - II Brazilian Workshop on Social Network Analysis and Mining, 2013, Maceio, Proceedings of Conference of Brazilian Computer Society, SBC 2013, pp.1561 - 1572, 2013.
标签: 在线社交网络
