标签传播算法理论及其应用研究综述_张俊丽
媒体传播研究进展论文文献综述
媒体传播研究进展论文文献综述媒体传播作为当今社会中不可或缺的重要组成部分，一直备受学者们的关注和研究。
随着社会的不断发展和媒体形式的多样化，媒体传播研究也在不断深化和拓展。
本文将对近年来关于媒体传播研究的一些重要文献进行综述，以期为相关领域的研究者提供参考和启发。
### 一、媒体传播理论研究在媒体传播研究领域，理论构建一直是学者们关注的焦点之一。
近年来，关于媒体传播理论的研究呈现出多元化和前沿性的特点。
例如，某些学者提出了新的传播模型，试图解释当今数字化时代媒体传播的特点和规律；还有一些学者对传统传播理论进行了批判性反思，提出了一些新的理论观点。
这些研究不仅拓展了传播理论的边界，也为媒体传播实践提供了新的思路和方法。
### 二、媒体融合与跨媒体传播研究随着互联网和移动通信技术的飞速发展，媒体融合和跨媒体传播成为研究的热点之一。
学者们致力于探讨不同媒体形式之间的互动关系，研究跨平台传播对信息传递和社会影响的作用。
他们提出了一些新的概念和观点，如跨媒体叙事、媒体融合创新等，为媒体产业的发展和媒体内容的创新提供了理论支持。
### 三、媒体传播与社会变迁研究媒体传播与社会变迁之间存在着密切的关系，这也是学者们关注的重点之一。
近年来，一些研究致力于探讨媒体在社会变迁中的作用和影响。
他们关注媒体对公众舆论的引导作用，研究媒体在社会事件中的表现和反应。
这些研究不仅有助于我们更好地理解媒体与社会的互动关系，也为媒体传播的社会责任提出了新的思考。
### 四、媒体传播与文化认同研究文化认同是当今社会中一个备受关注的议题，而媒体传播在文化认同建构中扮演着重要角色。
学者们通过研究媒体内容的生产和传播，探讨不同文化背景下的认同建构过程。
他们关注媒体对文化认同的塑造和影响，研究媒体在跨文化交流中的作用。
这些研究丰富了我们对文化认同的理解，也为跨文化传播提供了理论支持。
### 五、媒体传播技术与创新研究随着新技术的不断涌现，媒体传播技术与创新成为研究的热点之一。
一种局部强化的多标签传播社区发现算法
一种局部强化的多标签传播社区发现算法
马千里;张俊浩
【期刊名称】《计算机工程》
【年(卷),期】2014(040)006
【摘要】在社交网络中,社区和圈子均表现为一组内部连接相对紧密的节点,但后者规模较小.圈子是重要的局部社区信息,利用这一特点有助于进行社区发现.然而,现有的大部分基于标签传播的社区发现算法并没有考虑圈子的信息.为此,提出一种基于局部强化的多标签传播(LSMLP)社区发现算法.给出圈子的定义,提出一种基于圈子信息的迭代多标签传播策略,并从每个节点的多个标签中选择归属系数最大的标签作为其从属的临时社区.采用两步优化方法使模度最大化.在真实网络的数据实验结果表明,与已有的社区发现算法相比,LSMLP算法能更高效地发现社区.
【总页数】5页(P171-174,179)
【作者】马千里;张俊浩
【作者单位】华南理工大学计算机科学与工程学院,广州510006;华南理工大学计算机科学与工程学院,广州510006
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.一种优化标签传播过程的重叠社区发现算法 [J], 赵雨露;张曦煌
2.一种稳定的标签传播社区发现算法 [J], 石立新;张俊星
3.一种新的基于标签传播的重叠社区发现算法 [J], 沈海燕;李星毅
4.一种基于标签传播的两阶段社区发现算法 [J], 郑文萍;车晨浩;钱宇华;王杰
5.一种新的基于标签传播的重叠社区发现算法 [J], 沈海燕;李星毅
因版权原因，仅展示原文概要，查看原文内容请购买。
基于微信的大学英语移动学习策略探究
收稿日期：２０２０－１－７基金项目：本文系内蒙古工业大学科学研究项目“社会翻译学视角下葛译莫言作品中文化负载词的英译研究”（项目编号：ＳＫ２０１７０８）。
作者简介：张俊丽（１９７９—），女，山西人，讲师，研究方向：跨文化交际。
基于微信的大学英语移动学习策略探究张俊丽（内蒙古工业大学，内蒙古呼和浩特 ０１００１０） ［摘 要］科技时代下，我国在教学事业发展中要紧随时代发展脚步。
互联网的快速普及与应用，使各个高校越来越青睐于更加多元化的教学方式。
而微信作为科技时代的重要产物，已经成为一种全新的通讯方式，其不仅使用便利，而且具有非常强大的功能，现如今在各个领域中都已逐渐采用微信来作为生产学习工具。
本文通过对微信特点进行相应的总结，并对大学英语教学的主要特点进行了分析，以此对基于微信的大学英语移动学习策略进行深入探究。
［关键词］微信；大学英语；移动学习；学习策略［中图分类号］Ｇ６４２［文献标识码］Ａ［文章编号］２０９６－７１１Ｘ（２０２０）０８－０１８８－０２ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．２０９６－７１１Ｘ．２０２０．０８．０８２［本刊网址］ｈｔｔｐ：／／ｗｗｗ．ｈｂｘｂ．ｎｅｔ 引言近些年来，移动通信网络的高速发展，使即时通信工具得以迅速普及，这也为我国教育事业的发展提供了一种新型的教学平台，并深受广大民众的青睐与欢迎。
通信工具的应用，使信息传递变得更加便捷、快速，大学生群体通过各种即时通信工具的使用，能够随时随地进行移动式学习。
尤其是在大学英语学习中，移动学习已经成为一种新的风潮，而微信作为一种新型的即时通信工具，其具有强大的网络社交功能，通过移动互联网的应用，使其能够实现双人乃至多人间的即时交流与沟通。
自微信一经推出，便迅速风靡于全国，更是已经成为大学生群体在移动学习中的重要工具。
通过在大学英语的移动学习中应用微信，能够使大学英语学习变得更加富有弹性，同时也有助于对英语教学内容的丰富，并能够构建一个和谐的协作学习和自主学习氛围，从而全面提高大学英语学习效果。
一种稳定的标签传播社区发现算法
一种稳定的标签传播社区发现算法石立新;张俊星【摘要】标签传播算法存在大量随机性，极大地破坏了算法的稳定性。
在深入分析标签传播算法随机性产生原因的基础上，提出基于节点度的标签传播算法。
该算法初始化时仅赋予节点度的极值点以标签，并根据邻接节点中具有相同标签的节点度之和进行标签更新。
实验表明该算法极大地降低了算法中的随机性，提高了社区划分的稳定性，加快了算法的收敛速度。
%A great deal of randomness existing in label propagation algorithm severely breaks its robustness.We propose a node degree-based label propagation algorithm (LPAD)on the basis of thoroughly analysing the generation cause of the randomness of label propagation algorithm.The algorithm only assigns the labels to extremum points of the node degree in its initialisation,and updates the label according to the sum of node degrees of same labels among their neighbouring nodes.Experiments show that the LPAD greatly reduces the randomness of algorithm,improves the robustness of community partition,and speeds up the convergence rate too.【期刊名称】《计算机应用与软件》【年(卷),期】2015(000)003【总页数】5页(P261-265)【关键词】社区发现;标签传播;随机性;稳定性【作者】石立新;张俊星【作者单位】大连民族学院信息与通信工程学院辽宁大连 116600;大连民族学院信息与通信工程学院辽宁大连 116600【正文语种】中文【中图分类】TP391.1Shi Lixin Zhang Junxing复杂网络是复杂系统的抽象，涉及从自然科学到社会科学的诸多领域。
Q方法及其在传播学中的应用综述
Q方法及其在传播学中的应用综述【摘要】本文主要介绍了Q方法及其在传播学中的应用综述。
首先讨论了Q方法的基本原理，然后详细介绍了Q方法在传播学、舆情分析、社会网络分析和市场调研中的具体应用。
结论部分指出，Q方法为传播学研究提供了一种新的分析工具，丰富了传播学领域的研究内容。
整体而言，Q方法在传播学中的应用为研究者提供了更多的分析技术和观察角度，有助于深入理解传播现象和社会关系。
通过该方法，研究者可以更好地识别不同个体和群体之间的认知差异，揭示更多隐藏在社会交互中的规律和趋势。
Q方法在传播学领域的研究中具有重要的理论和实践意义，并为该领域的发展提供了新的可能性和方向。
【关键词】Q方法、传播学、应用、综述、基本原理、舆情分析、社会网络分析、市场调研、新的分析工具、丰富研究内容1. 引言1.1 Q方法及其在传播学中的应用综述引言Q方法是一种主观的研究方法，通过对个体的观点和态度进行排序和分析，以揭示不同个体之间的观点差异和共识。
在传播学中，Q方法被广泛运用于了解观众对媒体内容和传播现象的看法，帮助研究者深入了解受众的需求和偏好，从而指导传播策略的制定和实施。
正文Q方法的基本原理Q方法是由英国心理学家威廉·斯蒂芬·基恩于20世纪30年代初提出的，其核心思想是通过对受访者进行排序，揭示他们的潜在观点和态度。
这种排序方法既能反映出个体的主观看法，又能在整体上展现出不同个体之间的异同，为研究者提供了一种直观和客观的分析途径。
Q方法也被广泛运用于舆情分析领域，帮助研究者对公众的情绪和态度进行深入了解。
通过对大众观点的排序和分析，研究者可以及时捕捉到舆论的变化和趋势，为舆情监测和应对提供科学依据。
除了在传播学和舆情分析领域的应用外，Q方法还被引入社会网络分析中。
研究者可以利用Q方法对社会网络中不同节点的观点和关系进行排列和分析，揭示社会网络结构和信息传播模式的内在规律。
Q方法也被广泛应用于市场调研领域，帮助企业了解消费者的需求和偏好。
数据分析知识：数据分析中的标签传播法
数据分析知识：数据分析中的标签传播法标签传播法是指把某一信息或想法以标签的形式进行传播，以此来实现宣传或者推广的目的。
这种传播方式在现代社交网络中得到了广泛应用，成为了数字营销和社交媒体营销的常见策略。
在这篇文章中，我们将介绍标签传播法的基本原理，以及如何将其应用于数据分析领域中。
一、标签传播法的基本原理标签传播法的基本原理是采用热点话题、关键词、标签等方式，将营销信息体现在标签上，以便于在社交媒体网络中扩散和传播。
通过精心设计标签，一条信息可以在短时间内被迅速传播到受众之中，从而扩大影响力。
标签传播法的应用方式一般分为两种：第一种是基于社交媒体的标签传播法。
通过在社交媒体上发布带有标签的信息，以吸引用户关注和分享。
这种方式可以利用用户社交网络之间的联系，将信息以短时间内迅速传播到更广泛的观众中。
第二种是基于在线搜索引擎的标签传播法。
通过搜索引擎上的关键词或者标签，直接将信息给大众推广。
这种方式可以更有效地将信息传递给面向特定目标受众的用户，从而提高信息的转化率。
二、标签传播法在数据分析中的应用在数据分析中，标签传播法可以用来建立数据之间的关联，以便寻找最佳的营销策略。
这是一个非常有用的数据分析工具，可以帮助企业了解消费者对自己产品的喜好、兴趣和行为，以便制定更优质的商业战略。
标签传播法可以在以下的数据分析领域中应用：1.社交网络分析社交网络分析是指通过分析社交媒体上的关系网络，找出各个节点之间的关联程度，以便建立一个具有层次结构的社群。
标签传播法可以基于节点之间的联系，推动更迅速、更有效的信息传播，扩大影响力，提高数据分析结果的准确性。
2.搜索引擎优化标签传播法可以通过寻找最有效的关键词或标签，使企业网站能够在搜索引擎中排名更靠前，从而提高网站的流量，同时也提高了企业网站在潜在客户中的知名度。
3.消费者行为分析标签传播法可以用于研究消费者的购买决策，以便更好地了解消费者的喜好、行为和态度。
这可以帮助企业更好地掌握消费者的需求，并制定适宜的销售策略，提高销售额与客户保有率。
Q方法及其在传播学中的应用综述
Q方法及其在传播学中的应用综述
从20世纪初开始，Q方法已经成为了一种常用的研究方法，它主要是一种主观统计的方法，用于研究人们的态度、价值观以及其他主观感受。
与传统的主观问卷调查相比，Q 方法更加注重被试者对于某一主题的排序和分类，以及对于不同因素的权重判断，因此在对于比较主观的主题进行研究时，Q方法更加适用且有一定的优势。
在传播学中，Q方法也广泛地应用于一些研究领域，比如对于媒体对于公众态度的影响、对于媒体报道进行立场判定等问题。
在媒体对于公众态度的影响这一领域中，Q方法可以用来研究在特定的媒体环境下，不同的人群对于同一消息的反应；在媒体报道立场判定问题中，Q方法可以用来研究不同媒体在报道某个事件时所呈现的立场，并进一步分析其背后的原因和动机。
此外，在对于传播文化中的偏见和误解等问题进行研究时，Q方法也被广泛地运用。
比如，在探究大众对于某一文化现象的看法时，可以用Q方法来研究不同人群排名文化现象的顺序和各个因素的影响，从而了解其对于该文化现象的态度和认知。
在探究媒体对于文化现象的呈现时，可以用Q方法来研究不同观众对于媒体呈现的文化现象的接受程度，以进一步了解媒体在传播文化时的疏漏和误区。
总之，Q方法在传播学中的应用是多样的，它可以用来研究各种传播问题，比如媒体群体的态度、媒体报道的立场、文化现象的认知等问题。
正是由于Q方法可以用来研究不同人群的主观感受和认知，因此在传播学研究中具有独特的优势。
特征抽取中的标签传播算法方法介绍
特征抽取中的标签传播算法方法介绍在机器学习和数据挖掘领域，特征抽取是一个非常重要的任务。
特征抽取的目的是将原始数据转换为可用于机器学习算法的特征向量。
标签传播算法是一种常用的特征抽取方法之一，它可以用于社交网络分析、图像处理、文本分类等领域。
标签传播算法是一种半监督学习方法，它利用已知标签的样本来预测未知标签的样本。
该算法基于以下假设：相似的样本具有相似的标签。
因此，通过将已知标签传播到相似的样本上，可以推断未知标签。
标签传播算法的基本思想是通过构建一个相似度图来表示样本之间的相似关系。
在图中，每个节点代表一个样本，边表示样本之间的相似度。
相似度可以根据不同的应用领域和任务来定义，比如欧氏距离、余弦相似度等。
标签传播算法的步骤如下：1. 构建相似度图：根据已知标签的样本计算样本之间的相似度，并构建相似度图。
2. 初始化标签：将已知标签传播到相似的样本上，初始化未知样本的标签。
3. 标签传播：通过迭代的方式，将已知标签传播到相邻的样本上。
传播的方式可以根据具体的算法不同而不同，比如基于概率的传播、基于距离的传播等。
4. 收敛判断：判断算法是否收敛，即未知样本的标签是否稳定不变。
如果未知样本的标签不再变化，则算法收敛。
5. 预测标签：根据传播后的标签，预测未知样本的标签。
标签传播算法的优点是可以利用未标记样本的信息来提高分类性能。
然而，该算法也存在一些问题。
首先，标签传播算法对初始标签的选择非常敏感，不同的初始标签会导致不同的结果。
其次，标签传播算法在处理噪声数据时表现较差，容易受到噪声样本的影响。
为了解决这些问题，研究者们提出了许多改进的标签传播算法。
例如，基于图割的标签传播算法可以通过最小化图割来提高分类性能。
另外，基于半监督聚类的标签传播算法可以结合聚类和标签传播的方法来进行特征抽取。
总结起来，标签传播算法是一种常用的特征抽取方法，其基本思想是通过将已知标签传播到相似的样本上来预测未知标签。
该算法可以应用于多个领域，但也存在一些问题。
网络上的信息传播模型与算法研究
而 当参与人 的邻居 中有 一个 采取行 动 １ ， 则该 参与 人也 获得 ｌ的福 利 。 可 以得 到如 下模 型 ：
Ｕ ｉ （ １， ｚＮ（ Ｇ ） ）。 二 １一 Ｃ
“ （ ０ ， ｚ Ｇ ） ）一 １
“ （ Ｏ ， ｚ Ｇ ） ）一 ０
存在某 个有 ∈ Ｎ （ Ｇ） 有 ３ ２ 一１
∈Ｎ （ Ｇ）
．
其 中０ 是一 个 阈值 ， 并且 参 与人从 采 取行 动 １中获得 的福 利与 行动 ０的相 比是随着 选择 行动 １ 的邻 居们 的数 量 增 加而 弱增 加 的 。
以线性 阈值模 型为 例 ， 假设 对 每个参 与 人 ｉ ， 其行 动 ｌ的成 本为 每个 邻居 的贡 献为 ｎ ， 则有 ：
的邻 居们 采取 的行 动集 合 。
。 是 网络 Ｇ 中
１ ． １ ． １ 互补 阈值模 型 在互 补 阈值 模 型 中 ， 当 参与人 ｉ 的邻居 中选 择 行动 １的人数 超过 某一 阈值 时 ， 则参
与人 ｉ 采 取 行动 １的盈利 将会 超 过行 动 ０ ， 即
“ （ １ ， ｚ ∞） ≥“ （ ｏ ， ｚ Ｇ ） ） 当且仅 当 ＞： ≥
在社 会 网络 中 ， 参 与 人之 间 的关 系 以图 的形式 表现 出来 。 每 个参 与人 在进 行 行为 选 择 时 ， 都会 受 其邻 居 影响。 通过 研究 网络上 的信 息传 播 ， 促进 了很 多研 究课 题 的发 展 ， 例如 ： 疾 病传 播 、 新产 品推广 等 。 两个研 究最 广泛 的模 型是 阈值模 型 和独 立联 级模 型 ， 本 文重 点研 究 阈值模 型 。 在 阈值 模 型 中 ， 每个 节 点 ｉ 都 拥 有 一个 阈 值 Ｑ（ ） ， 当其邻 居 中采取 某 种行 为 的权 重之 和超 过 （ （ ）时 ， 此 节点 也将 采取 这一行 为 。 文献 ［ １ ］ 研 究 了策 略 互补 阈值模 型 与策 略替 代 阈值模 型 。 文 献［ ２ ， ３ ］研 究 了如何 选取个 初 始节 点 ， 使 得 最终 采 取某 种 特殊 行 为 的 参 与人 尽量 多 ， 并 给 出了近 似算 法 ， 证 明 了问题 的复 杂性 。 文献 ［ ４ ］对 这一 问题 做 了进 一 步深 化 ， 通 过选 取尽 可 能少 的节 点 ， 使某 种特 殊行 为被 所 有节 点 采 纳 。 文献［ ５ ， ６ ］研 究 了 多产 品 的 网络 传 播模 型 ， 引入 了产 品生
标签理论的简述
标签理论简述标签理论形成于二十世纪五十年代的美国，六十年代开始流行起来，到七十年代己经成为美国社会学界研究越轨行为的占统治地位的理论。
标签理论来源于符号互动理论，认为越轨行为是社会互动的产物。
它主要探究越轨行为产生的过程而非越轨行为产生的原因，认为一个人所以成为越轨者，往往是因为在社会互动过程中，在父母、老师以及社会组织处理个人的越轨行为时，被贴上诸如坏孩子、不良少年的“标签”，而这些标签是一种社会耻辱性“烙印”，它将越轨者同“社会的正常人”区分开来。
而被贴上“标签”的人也在不知不觉中修正了“自我形象”，逐渐接受社会对其的不良的评价，并开始认同他人的观点，确认自己是坏人，进而被迫与其它的“坏人”为伍，进行更加恶劣的越轨行为。
久而久之，越轨行为者愈陷愈深，最终无法自拔。
标签理论强调社会对越轨者的反应，包括训斥、责骂、歧视、惩罚等，认为社会的反应是造成初级越轨者一步步加深，最终陷入“越轨生涯”这一深渊的重要原因。
标签理论的代表人物是美国社会学家贝克尔和莱默特。
贝克尔在年出版的《圈外人》一书中，对于标签理论作出了系统的阐述，从而将标签理论发扬光大起来。
标签理论的主要内容有三点即对越轨行为成因的解释、标签的张贴具有选择性以及越轨行为的养成是一种被辱的过程。
第一、对越轨行为成因的解释。
一个人是如何从一个社会大家庭中的“正常人”演变成一个被“标签”了的“不正常人”呢？标签理论认为，是由于这个人实行了被社会法则—如法律、道德等所禁止或者所鄙夷的行为，即违反社会法则的越轨行为。
而越轨行为是一种普遍的社会现象，是任何阶级社会所无法避免的，也是无法根除的。
只要有阶级社会的存在，就会有社会规范和社会控制，只要有社会规范和社会控制的存在，就一定会有背离社会规范和破坏社会控制的行为。
因此，标签理论认为越轨行为的成因来自于社会反映，越轨行为是被社会建构而形成的。
第二、标签的张贴具有选择性。
标签理论认为标签的张贴是由选择性的，这主要表现在两个方面，一是标签的张贴是因人、因事、因时间的不同而有所差异。
我国社会标签研究进展内容分析
我国社会标签研究进展内容分析邱均平;柴雯【摘要】社会标签是一种交互式Web2.0应用,能够实现对网络信息资源的有效分类和组织.文章利用内容分析法从时间、学科和关键词三个维度对CNKI数据库2006年至2012年国内社会标签领域相关论文进行分析,探讨了当前社会标签领域的研究主题和研究进展.【期刊名称】《图书馆论坛》【年(卷),期】2014(000)007【总页数】7页(P8-14)【关键词】社会标签;内容分析;进展研究【作者】邱均平;柴雯【作者单位】武汉大学中国科学评价研究中心;武汉大学信息管理学院【正文语种】中文社会标签(Social Tag)起源于2003年Delicious网站的上线，该网站旨在使用标签的形式帮助用户管理、共享和利用网络资源，公众可随意对收藏的网络资源进行标注，“贴”上标签。
这种自由灵活的标注方法很快受到用户的关注。
随着用户数量和标签数量的累积，社会标签在网络资源聚合中的优势逐渐显现，用户可以通过标签来迅速有效地查找、聚合与共享网络资源。
当前国外关于社会标签的研究与讨论很多，有学者将国外相关研究分为存在价值的研究、基于Tag的定量分析、基于用户的定量分析、系统的设计及应用研究、缺陷解决措施研究以及检索问题等六方面[1]。
国内相关研究起步晚，学界一般认为从2006年开始[2]。
本文以研究社会标签的相关论文为对象，力图通过时间分析、高频词分析和共词分析等内容分析方法了解近年社会标签的研究状况与新进展，为数字资源语义化聚合研究提供借鉴。
本文选取CNKI作为数据来源，以关键词进行检索，关键词包括社会标签、社会分类法、社会化标签、社会标注、大众分类、分众分类、协同标注、公众分类和民俗分类共九个中文词及Folksonomy一个英文词。
论文发表时间为2006-2012年。
然后对检索结果进行查重过滤，最终得到学术论文221篇。
本文采用内容分析法进行研究。
内容分析法是一种对具有明确特性的传播内容进行的客观定量且系统化描述的研究方法[3-4]。
标签传播算法在社交网络中的应用
标签传播算法在社交网络中的应用社交网络已经成为了人们生活中不可或缺的一部分，每天都有数以亿计的用户在各个社交平台上进行着信息交流和互动。
在这个不断扩大的社交网络中，如何让用户更有效地获取到感兴趣的内容，成为了考验社交网络平台的一个关键因素。
标签传播算法正是一种能够帮助平台实现这一目标的有效算法，我们在本文中将介绍这一算法在社交网络中的应用以及其原理和优缺点。
一、标签传播算法在社交网络中的应用标签传播算法是一种通过社交网络中用户传播信息的方式，将信息快速传递至其他用户的算法。
它的实现方式是将信息和标签相结合，当一个用户在社交网络中发表了一篇文章时，除了文章的内容之外，还会自动为该文章添加一些适当的标签，这些标签可以是文章的主题、关键词等等。
随后，标签将通过社交网络中的不同用户进行传播，当有用户点击一个标签时，该用户所在的社交网络中就会出现与此标签相关的内容。
这样，标签就通过社交网络中不同的用户进行传播，进而在社交网络中产生了广泛的影响。
二、标签传播算法的原理标签传播算法的实现原理主要包括节点选取、标签传播加权、标签合并等几个步骤。
节点选取是指通过一个算法来确定需要进行标签传播的节点，一般选择一些交互性较高的用户，这样才能够有效地传播标签。
标签传播加权是指在标签传播过程中需要对传播的标签进行加权，使得一些对信息传播有更直接贡献的标签获得更多的权重，这样能够加快标签的传播和扩大标签的影响力。
标签合并是指在信息传播过程中，需要根据不同用户之间的信息互动程度以及标签的相似度来对标签进行合并，这样能够提高标签的准确性。
三、标签传播算法的优缺点标签传播算法有以下几个优点：1、标签传播算法具有高可扩展性，可以适用于各种规模的社交网络。
2、标签传播算法不依赖于用户的人口统计信息，可以很好地适应用户的不同兴趣爱好和喜好。
3、标签传播算法可以快速传播信息，再加上标签推荐算法的辅助，可以提高用户的信息质量和效率。
然而，标签传播算法也有一些缺点：1、标签传播算法在信息传播的过程中对用户的完整性有一定要求，如果用户之间无交集，那么标签传播的效果将大打折扣。
传播策略论文研究报告
传播策略论文研究报告一、引言随着信息技术的飞速发展，传播策略在各个领域的重要性日益凸显。
有效的传播策略能够帮助企业提高品牌知名度、扩大市场份额，并在竞争激烈的市场中脱颖而出。
然而，当前我国在传播策略的研究与应用方面仍存在诸多不足，如策略单一、针对性不强等问题。
本研究报告旨在针对传播策略进行深入探讨，以期为相关企业及从业者提供有益的参考。
本研究围绕传播策略这一核心议题，首先梳理传播策略的背景与重要性，进而提出研究问题。
在此基础上，明确研究目的与假设，界定研究范围与限制，并对研究报告的主要内容进行简要概述。
研究对象为我国企业传播策略，重点关注以下几个方面：传播渠道的选择、传播内容的设计、传播效果的评估等。
通过对这些方面的深入研究，旨在揭示传播策略在实际应用中的规律与特点，为提升企业传播效果提供理论支持。
本研究的重要性体现在以下几个方面：一是提高企业对传播策略的认识，促进其传播活动的有效开展；二是为传播策略研究提供新的视角与思路，丰富相关理论体系；三是为政府、企业及从业者提供决策依据，助力我国传播事业的繁荣发展。
研究问题主要包括：传播策略在实践中的应用现状、存在问题及原因分析；传播策略与企业竞争力之间的关系；如何构建具有针对性的传播策略体系。
研究目的在于：探讨传播策略的优化路径，提高企业传播效果；验证传播策略与企业竞争力之间的相关性。
研究假设为：传播策略的优化有助于提升企业传播效果，进而增强企业竞争力。
本研究范围限定在我国企业传播策略领域，重点关注中小企业。
由于时间和精力有限，报告在研究深度和广度上存在一定限制，但力求在实用性方面为相关人员提供参考。
本报告将从传播策略的实践应用、理论探讨、案例分析等多方面展开论述，以期为我国企业传播策略的制定与实施提供指导。
二、文献综述传播策略研究长期以来受到国内外学者的关注，形成了丰富的理论框架与实证成果。
在传播策略的理论框架方面，经典的PEST分析、SWOT分析等模型被广泛应用于企业传播策略的制定与调整。
标签传播算法在社会网络中的应用研究
相互作用 的连 接关 系 ； 节 点和边 都可 以带 有属性 ， 可 以具 有 类标号 ， 链 接一般是单 向的但不 必是 二元 的 ， 这 种表 示 图一 般很大 。显然 ， 图论 中的图为社会 网络 的研究 提供 了一种直
第 ３卷 第 ３期
２ ０ １ ３年 ６月
智 能 计 算 机 与 应 用
Ｉ ＮＴ ＥＬ ＬＩ ＧＥＮＴ ＣＯＭＰＵＴＥＲ ＡＮＤ ＡＰＰ ＬＩ ＣＡＴＩ ＯＮＳ
Ｖ０ １ ． ３ Ｎｏ ． ３
Ｊ ｕ ｎ ． ２ ０１ ３
标签 传 播 算法 在 社会 网络 中的应 用研 究
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｉ ｎ ｔ ｈ ｅ ｒ ｅ ｃ ｅ ｎ ｌ ｔ ｙ ｙ ｅ ａ ｒ ｓ ，ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｎ ｇ ｃ ｏ ｍｍｕ ｎ ｉ ｔ ｉ ｅ ｓ ｏ ｆ ｓ ｏ ｃ ｉ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｓ ｈ ａ ｓ ｍａ ｄ ｅ ｃ ｏ ｎ ｓ ｉ ｄ ｅ ｒ ａ ｂ ｌ ｅ ｐ ｒ ｏ ｇ ｒ ｅ ｓ ｓ ，ｈ ａ ｓ ｂ ｅ ｅ ｎ ｗｉ ｄ ｅ ｌ ｙ
一种稳定的标签传播社区发现算法
第３ ２卷 第 ３期
２ ０ １ ５年 ３月
计 算机 应 用与软 件
Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ａ ｎ ｄ Ｓ ｏ ｆ ｔ ｗａ ｒ ｅ
Ｖｏ １ ． ３ ２ Ｎｏ． ３
Ｍａ ｒ ．２ ０１ ５
一
种 稳 定 的标 签 传 播 社 区发 现 算 法
石立新 张俊星
（ 大连 民族学 院信息与通信工程学 院 辽宁 大连 １ １ ６ ６ ０ ０ ）
摘
要
标签传播 算法存在大量随机性 ， 极大地破坏 了算 法的稳定 性。在 深入分析标签传播算法随机性产 生原 因的基 础上 ， 提出
基于节点度 的标签传播 算法。该算法初始化 时仅赋 予节点度的极值点 以标 签， 并根 据邻接 节点 中具 有相 同标 签的节 点度之 和进行 标 签更新。实验表 明该算 法极 大地 降低 了算法 中的随机 性 ， 提高 了社 区划分 的稳定 性， 加快 了算 法的收敛速度 。 关键词
签传播算法 与多步贪婪 凝聚算 法融合 ， 能够避 免陷 入局 部极 大
０ 引 言
复杂 网络 是复杂系统 的抽象 ， 涉及从 自然 科学 到社会 科学
新媒体时代的广告设计研究综述
美学技术新媒体时代的广告设计研究综述周雯，江明（江南大学设计学院，江苏无锡214000）摘要：新兴的数字媒体以其强大的传播潜力及渗透力推动当代广告业转型与升级发展。
本文以新媒体时代广告信息运作过程中的各重要环节为脉络，梳理已有研究内容，对新媒体时代广告的视觉语言、表现形式以及传播方式三方面的研究概况进行综述，以掌握新媒体广告的研究现状，指出目前国内研究存在的不足，旨在为该领域未来的研究提供参考。
关键词：新媒体；广告设计；传播；研究综述中图分类号：J524.3 文献标识码：A 文章编号：1004-9436（2021）02-0138-020 引言《2019年中国新媒体营销价值专题报告》显示，中国移动社交用户规模将在2019年达到7.8亿。
随着国内新媒体用户的稳步增长，新媒体营销的重要性日益凸显，监测数据显示，2019—2020年的第一季度，约70%的广告主选择新媒体平台进行广告投放。
而新媒体技术的快速发展在吸引广告商注意的同时，也吸引了众多学者的关注，梳理现有文献发现，目前大部分研究都以广告运作过程中的重要环节展开。
主要有广告主决定广告信息内容、广告信息艺术加工、广告公司策划设计与制作、媒体传播广告信息、受众接收广告五个主要环节，各环节都与新媒体数字技术有着密切联系。
因而，本文以此为线索，对广告的视觉语言、表现形式、传播方式的主要研究内容进行分析，总结新媒体广告设计的研究现状，探索该领域后续的研究方向。
1 研究方法及文献基本分布情况1.1 研究方法纵览国内文献数据库中有关新媒体和广告设计的主要期刊、文献以及学位论文。
检索关键词“新媒体”和“广告设计”，筛选的标准为以新媒体时代广告设计的表现形式、传播方式与设计发展趋势为核心的研究。
1.2 文献基本分布情况1.2.1 文献概况“新媒体”一词作为传播媒介的专业术语，主要指利用数字技术通过电子终端向受众提供信息和服务的传播形式。
本文即基于新媒体时代广告设计的相关研究进行综述。
标签传播算法理论及其应用研究综述_张俊丽
一个完全连接图，其边的权重计算式如下：
wij = exp（
－
d2ij σ2
）
= exp（
－
∑
D d
=
1
（
xdi σ2
－
xdj ）
2
）
（ 1）
其中： dij 表示任意两个节点的欧氏距离，权重 wij 受控于参数 σ。 为衡量一个节点的标注通过边传播到其他节点的概率，在
为初始值。重复步骤 d） ，直到收敛。注意保持已标注数据点
的标注源不变，把它的值限定为 Yl ，不断地把标注从高权值传
播到低权值。
Fij = Yij 1≤i≤l； 1≤j≤C
（ 4）
2 标签传播算法的特点
a） LPA 是一种半监督学习算法，具有半监督学习算法的 两个假设前提： （ a） 邻近的样本点拥有相同的标签，根据该假 设，分类时边界两侧尽可能避免选择较为密集的样本数据点， 而是尽量选择稀疏数据，便于算法利用少量已标注数据指导大 量的未标注数据； （ b） 相同流形结构上的点能够拥有相同的标 签，根据该假设，未标记的样本数据能够让数据空间变得更加 密集，便于充分分析局部区域特征。
变，使其像一个源头把标签传向未标注数据。最终，当迭代过
程结束时，相似节点的概率分布也趋于相似，可以划分到同一
个类别中，从而完成标签传播过程。 具体算法［3］如下： 令（ x1 ，y1 ） …（ xl ，yl ） 是已标注数据，YL =
｛ y1 …yl ｝ ∈｛ 1…C｝ 是类别标签，类别数 C 已知，且均存在于标 签数据中。令（ xl + 1 ，yl + 1 ） … （ xl + u ，yl + u ） 为未标注数据，YU = ｛ yl + 1 …yl + u ｝ 不可观测，l ＜＜ u，令数据集 X = ｛ x1 …xl + u ｝ ∈RD 。 问题转换为： 从数据集 X 中，利用 YL 的学习，为未标注数据集 YU 的每个数据找到对应的标签。
标签传播算法在社会网络中的应用研究
标签传播算法在社会网络中的应用研究
罗秋滨;朱宏;李云晖;丛二勇
【期刊名称】《智能计算机与应用》
【年(卷),期】2013(003)003
【摘要】近年来,社会网络簇结构挖掘取得了长足的进展,广泛应用在社会网、生物网和万维网等领域中.如何挖掘社会网络中各种潜在结构和信息成为研究热点.标签传播算法是一种能够利用少量已标记节点的标签信息去预测大量的未标记节点的标签的半监督学习算法.介绍了标签传播算法理论,给出了标签算法的特点,总结了标签传播算法在社会网络中的应用及发展趋势.
【总页数】4页(P37-39,43)
【作者】罗秋滨;朱宏;李云晖;丛二勇
【作者单位】哈尔滨学院工学院计算机系,哈尔滨150086;哈尔滨学院工学院计算机系,哈尔滨150086;哈尔滨学院工学院计算机系,哈尔滨150086;哈尔滨学院工学院计算机系,哈尔滨150086
【正文语种】中文
【中图分类】TP301
【相关文献】
1.社会网络分析在微博信息传播中的应用研究 [J], 刘小平;田晓颖;肖光杰
2.标签传播算法在社会网络中的应用研究 [J], 罗秋滨;朱宏;李云晖;丛二勇;
3.节点相似度标签传播在社会网络中的应用研究 [J], 夏磊;张乐君;国林;张勇实;张
健沛;杨静
4.社会网络中基于标签传播的社区发现新算法 [J], 赵卓翔;王轶彤;田家堂;周泽学
5.标签传播算法理论及其应用研究综述 [J], 张俊丽;常艳丽;师文
因版权原因，仅展示原文概要，查看原文内容请购买。
基于核心图的标签传播算法
基于核心图的标签传播算法
马杰良;韩路;潘贞贞;宋艳
【期刊名称】《计算机科学》
【年(卷),期】2015(042)001
【摘要】网络中的社团发现是当前的一个研究热点.在众多社团发现算法中,标签传播算法因简单快速而被广泛应用,但标签传播算法也存在结果稳定性较差的问题.基于此对标签传播算法的初始化过程进行改进,提出了基于核心图的标签传播算法.通过计算图中任意两点的k阶公共邻居,将具有最大相似性的节点及k阶邻居作为初始核心社团,并为其分配初始标签.通过上述过程,提取一些较为紧密的子结构来作为标签传播的初始社团,并给这些结构分配初始社团标签.在真实网络中的实验结果表明,该算法可以大幅提高结果的稳定性.
【总页数】4页(P119-121,148)
【作者】马杰良;韩路;潘贞贞;宋艳
【作者单位】南京信息工程大学信息与控制学院南京210044;南京信息工程大学电子与信息工程学院南京210044;南京信息工程大学电子与信息工程学院南京210044;南京信息工程大学电子与信息工程学院南京210044
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于多核心标签传播的复杂网络重叠社区识别方法 [J], 邓琨;李文平;余法红;张健沛
2.GPLP：基于标签传播的大图多级划分算法 [J], 张喆程;马自堂
3.基于半监督的SVM多标签图数据分类算法研究 [J], 宋文广;李程文;谭建平
4.基于共现图的混合标签推荐算法 [J], 田伟;龚磊
5.基于标签进行度量学习的图半监督学习算法 [J], 吕亚丽;苗钧重;胡玮昕
因版权原因，仅展示原文概要，查看原文内容请购买。
基于加权聚类集成的标签传播算法
基于加权聚类集成的标签传播算法
张美琴;白亮;王俊斌
【期刊名称】《智能系统学报》
【年(卷),期】2018(13)6
【摘要】标签传播算法(LPA)是一种高效地处理大规模网络的社区发现算法,由于其近乎线性的时间复杂度而受到广泛关注.然而,该算法每个节点的标签依赖于其邻居节点,其迭代速度和聚类有效性对标签信息的更新顺序非常敏感,影响了社区发现结果的准确性和稳定性.基于该问题,提出了一种基于加权聚类集成的标签传播算法.该算法利用多次标签传播算法的结果作为基聚类集,并用模块度评估每个基聚类的重要性,使其作为节点相似性度量的权值形成加权相似性矩阵,最后通过层次聚类得出最终的社区划分结果.在实验分析中,该算法和其他5个具有代表性的标签传播算法的改进算法在真实数据集上进行了比较,展示了新算法能有效地提高标签传播算法的社区发现精度.
【总页数】5页(P994-998)
【作者】张美琴;白亮;王俊斌
【作者单位】山西大学计算机与信息技术学院,山西太原030006;山西大学计算智能与中文信息处理教育部重点实验室,山西太原030006;山西大学计算机与信息技术学院,山西太原030006
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于加权co-occurrence矩阵的聚类集成算法 [J], 柏建普;杨亚坤
2.基于决策加权的聚类集成算法 [J], 黄栋;王昌栋;赖剑煌;梁云;边山;陈羽
3.基于模糊C均值改进的粒化特征加权多标签分类算法 [J], 柴瑞敏;闫婷
4.基于样本对加权共协关系矩阵的聚类集成算法 [J], 王彤;魏巍;王锋
5.基于信息熵加权的聚类集成算法 [J], 邵长龙;孙统风;丁世飞
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
和社区发现等方面的应用研究，最后探讨了标签传播算法未来的研究方向。
关键词： 标签传播算法； 半监督学习； 多媒体； 社区发现
中图分类号： TP301
文献标志码： A
文章编号： 1001-3695（ 2013） 01-0021-05
doi： 10． 3969 / j． issn． 1001-3695． 2013． 01． 004
将所有数据作为节点（ 包括已标注和未标注数据） ，创建
一个完全连接图，其边的权重计算式如下：
wij = exp（
－
d2ij σ2
）Hale Waihona Puke = exp（－∑
D d
=
1
（
xdi σ2
－
xdj ）
2
）
（ 1）
其中： dij 表示任意两个节点的欧氏距离，权重 wij 受控于参数 σ。 为衡量一个节点的标注通过边传播到其他节点的概率，在
Abstract： This article introduced the theoretical study of label propagation algorithm，analysed its characteristics and summarized its applications in multimedia information processing，retrieval，annotation，classification and community discovery，etc． Finally，this paper proposed the future prospects and the trends of developments of the LPA algorithm． Key words： label propagation algorithm（ LPA） ； semi-supervised learning（ SSL） ； multimedia； community discovery
机器学习算法可以分为有监督学习和无监督学习算法两 大类。所谓有监督学习，是指从已经标注好类别的数据样本中 学习； 而无监督学习，是指根据数据本身的内在特点进行学习， 样本事先并没有清晰的分类。半监督学习（ SSL） 是一种监督 学习和无监督学习相结合的方法，其主要思想是： 基于数据分 布上的模型假设，利用少量的已标注数据进行指导并预测未标 记数据的标记，然后合并到标记的数据集中［1，2］。
此定义一个（ l + u） × （ l + u） 概率传递矩阵 T 如下所示：
Tij = P（ j→i）
=
wij
∑kl
+u =1
wkj
（ 2）
其中： Tij 是节点 j 到 i 的传播概率。 同时定义一个（ l + u） × C 的标注矩阵 Y，令 Yic = δ（ yi ，c） ，
它的第 i 行代表着节点 yi 的标注概率，第 c 列代表类别，若 Yic = 1 则表示节点 yi 是属于 c 类别，否则为 0。通过概率传递，使其 概率分布集中于给定类别，然后通过边的权重值来传递节点标
签。矩阵 Y 的初始值并不重要，但是要保证他的每行都是标
准化的。算法描述如下：
输入： u 个未标注数据，l 个标注数据及其类别 C。
Overview on label propagation algorithm and applications
ZHANG Jun-li，CHANG Yan-li，SHI Wen
（ School of Information Management，Nanjing University，Nanjing 210093，China）
标签传播算法［3］（ LPA） 是由 Zhu 等人于 2002 年提出，它 是一种基于图的半监督学习方法，其基本思路是用已标记节点 的标签信息去预测未标记节点的标签信息。利用样本间的关 系建立关系完全图模型，在完全图中，节点包括已标注和未标 注数据，其边表示两个节点的相似度，节点的标签按相似度传 递给其他节点。标签数据就像是一个源头，可以对无标签数据 进行标注，节点的相似度越大，标签越容易传播。由于该算法 简单易实现，算法执行时间短，复杂度低且分类效果好，引起了 国内外学者的关注，并将其广泛地应用到多媒体信息分类、虚 拟社区挖掘等领域中。本文利用关键字 label propagation、标签 传播、标签传递、标记传播、标记传递等词作为关键词，对国内 外数据库及网络资源进行了检索，结果发现，目前国内外相关 文献期刊论文约有 90 篇，其中国外 82 篇，国内 8 篇，国内外硕 博论文 3 篇。
1 标签传播算法基本理论
根据 LPA 算法基本理论，每个节点的标签按相似度传播 给相邻节点，在节点传播的每一步，每个节点根据相邻节点的 标签来更新自己的标签，与该节点相似度越大，其相邻节点对 其标注的影响权值越大，相似节点的标签越趋于一致，其标签 就越容易传播。在标签传播过程中，保持已标注数据的标签不
第 30 卷第 1 期 2013 年 1 月
计算机应用研究 Application Research of Computers
Vol. 30 No. 1 Jan． 2013
标签传播算法理论及其应用研究综述*
张俊丽，常艳丽，师 文
（ 南京大学 信息管理学院，南京 210093）
摘 要： 介绍了标签传播算法理论，分析了标签传播算法的特点，总结了其在多媒体信息检索、分类、标注、处理
变，使其像一个源头把标签传向未标注数据。最终，当迭代过
程结束时，相似节点的概率分布也趋于相似，可以划分到同一
个类别中，从而完成标签传播过程。 具体算法［3］如下： 令（ x1 ，y1 ） …（ xl ，yl ） 是已标注数据，YL =
｛ y1 …yl ｝ ∈｛ 1…C｝ 是类别标签，类别数 C 已知，且均存在于标 签数据中。令（ xl + 1 ，yl + 1 ） … （ xl + u ，yl + u ） 为未标注数据，YU = ｛ yl + 1 …yl + u ｝ 不可观测，l ＜＜ u，令数据集 X = ｛ x1 …xl + u ｝ ∈RD 。 问题转换为： 从数据集 X 中，利用 YL 的学习，为未标注数据集 YU 的每个数据找到对应的标签。