劉　晶　李　琳　李石君

1(武漢大學(xué)計(jì)算機(jī)學(xué)院　湖北 武漢 430072)2(中南民族大學(xué)計(jì)算機(jī)科學(xué)學(xué)院　湖北 武漢 430074)3(武漢數(shù)字工程研究所　湖北 武漢 430074)

?

基于社交網(wǎng)絡(luò)大規(guī)模行為數(shù)據(jù)的用戶關(guān)系研究

劉晶1,2李琳3李石君1

1(武漢大學(xué)計(jì)算機(jī)學(xué)院湖北 武漢 430072)2(中南民族大學(xué)計(jì)算機(jī)科學(xué)學(xué)院湖北 武漢 430074)3(武漢數(shù)字工程研究所湖北 武漢 430074)

摘要用戶關(guān)系是構(gòu)成微博社會(huì)網(wǎng)絡(luò)的基礎(chǔ)。用戶關(guān)系的分析可以幫助更好地研究社會(huì)網(wǎng)絡(luò)的構(gòu)成、消息傳播模式等多個(gè)方面。對(duì)超過百萬用戶的海量微博數(shù)據(jù)進(jìn)行分析處理，利用信息論理論分析比較用戶微博行為的特點(diǎn)，構(gòu)建用戶活躍交互網(wǎng)絡(luò)并觀察交互網(wǎng)絡(luò)的動(dòng)態(tài)性，分析社交網(wǎng)絡(luò)用戶群體的在線行為模式及特點(diǎn)。實(shí)驗(yàn)表明在微博的交互活動(dòng)中，用戶的直接交互關(guān)系相對(duì)穩(wěn)定，不因時(shí)間的變化而變化，而用戶的轉(zhuǎn)發(fā)對(duì)象會(huì)不斷地變化，即用戶實(shí)際關(guān)注的群體是動(dòng)態(tài)變化的。

關(guān)鍵詞社會(huì)網(wǎng)絡(luò)用戶行為微博交互

0引言

對(duì)用戶行為數(shù)據(jù)進(jìn)行收集并理解的研究可以追溯到1945年[1]，美國學(xué)者Vannevar Bush提出了“Memex”設(shè)想，一個(gè)原始的用戶行為記錄系統(tǒng)。近十年來，在線社交網(wǎng)絡(luò)取得飛速發(fā)展。國內(nèi)各主流門戶網(wǎng)站也紛紛推出各自的微博產(chǎn)品，微博在中國呈指數(shù)級(jí)擴(kuò)張，用戶數(shù)量與日俱增。在線社交網(wǎng)絡(luò)已經(jīng)成為連接物理社交世界和虛擬網(wǎng)絡(luò)空間的橋梁。網(wǎng)絡(luò)用戶產(chǎn)生的信息和用戶與用戶之間的交互在社交網(wǎng)站上留下了各種足跡，直接促成了網(wǎng)絡(luò)大數(shù)據(jù)時(shí)代的到來。如何從這些大數(shù)據(jù)中更好地理解用戶和為用戶服務(wù)是信息產(chǎn)業(yè)中的一個(gè)重要研究方向。

微博作為一種社會(huì)媒體不僅滿足了用戶的信息個(gè)性化發(fā)布、社會(huì)性傳播和社交的需求，還改變了用戶在網(wǎng)絡(luò)上的交互方式。深入理解用戶的在線交互模式可以為分析人類社會(huì)行為提供新的視角[2]；幫助提高社交媒體和相關(guān)應(yīng)用的設(shè)計(jì)元素，包括用戶影響力度量[3,4]、消息傳播路徑[5]、朋友推薦[6-8]等。

針對(duì)社會(huì)網(wǎng)絡(luò)的用戶關(guān)系分析問題，學(xué)者們開展了大量的相關(guān)研究。其中，一些學(xué)者如Tang等[9,10]利用半監(jiān)督學(xué)習(xí)方法來計(jì)算用戶的關(guān)系強(qiáng)度，推斷用戶社會(huì)關(guān)系類型；Kahanda等[11]利用用戶之間的交互性來度量用戶關(guān)系強(qiáng)度；用戶關(guān)系分析也經(jīng)常被用于好友推薦[12]。

與傳統(tǒng)的社交網(wǎng)絡(luò)不同，微博是一個(gè)基于弱關(guān)系的信息分享、傳播及獲取平臺(tái)。美國斯坦福大學(xué)的Mark教授提出了“弱連接威力”理論[13]：除了傳統(tǒng)社會(huì)中的親人、朋友、同事等十分穩(wěn)定但傳播范圍有限的社會(huì)“強(qiáng)連接”關(guān)系，還存在另外一類更為廣泛的社會(huì)關(guān)系，即所謂的“弱連接”。Mark的研究發(fā)現(xiàn)，在信息的擴(kuò)散和傳播上，弱連接關(guān)系其實(shí)比強(qiáng)連接關(guān)系發(fā)揮的作用更大。

本文借助微博開放平臺(tái)，利用用戶的公開行為數(shù)據(jù)來分析用戶的交互行為及其背后蘊(yùn)含的關(guān)系強(qiáng)度，從而更有針對(duì)性地為用戶服務(wù)。本文以新浪微博用戶為單位，定量對(duì)微博用戶的微博行為進(jìn)行深入分析，發(fā)現(xiàn)轉(zhuǎn)發(fā)在微博活動(dòng)中占主導(dǎo)地位。即使在單邊通信關(guān)系中，人們也更愿意從其他人那里獲取信息：用戶更愿意作為信息接收者、傳播者而不是信息發(fā)布者。本文還對(duì)新浪微博用戶行為的細(xì)節(jié)和用戶的交互隨時(shí)間動(dòng)態(tài)變化模式進(jìn)行了研究，發(fā)現(xiàn)用戶的直接交互關(guān)系相對(duì)穩(wěn)定，不因時(shí)間的變化而變化，而用戶的轉(zhuǎn)發(fā)對(duì)象會(huì)不斷地變化，即用戶實(shí)際關(guān)注的群體是動(dòng)態(tài)變化的。

1用戶關(guān)系分析

1.1數(shù)據(jù)

根據(jù)新浪微博開放平臺(tái)提供的應(yīng)用程序接口(API)設(shè)計(jì)爬蟲抓取用戶基本信息，用戶發(fā)表的微博和用戶關(guān)注/粉絲關(guān)系網(wǎng)絡(luò)。我們使用4臺(tái)不同IP的機(jī)器，以2012年6月新浪微博人氣總榜Top100用戶為種子，通過粉絲/關(guān)注列表雙向滾雪球式爬取粉絲數(shù)1000以上的用戶及其2012年全年發(fā)表的微博。歷時(shí)3個(gè)月爬回165 841 156條微博和8 386 628個(gè)用戶信息。數(shù)據(jù)集包含三部分：用戶基本信息、微博和關(guān)注/粉絲網(wǎng)絡(luò)。

? 用戶基本信息(User profile)

包含用戶名、性別、帳號(hào)創(chuàng)建時(shí)間、位置信息(省/市)、已發(fā)表微博數(shù)、粉絲數(shù)、關(guān)注數(shù)、描述、認(rèn)證信息。

? 微博(Tweets)

微博信息集包含：微博創(chuàng)建時(shí)間、轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)、被“贊”數(shù)、微博內(nèi)容，如果該條微博是轉(zhuǎn)發(fā)，則還包括被轉(zhuǎn)微博的用戶ID、被轉(zhuǎn)微博ID、創(chuàng)建時(shí)間、微博內(nèi)容。

? 關(guān)注/粉絲網(wǎng)絡(luò)(following/followers)

新浪微博設(shè)置了三種用戶關(guān)系網(wǎng)絡(luò)：關(guān)注、雙向關(guān)注和粉絲，其中，關(guān)注和粉絲是一對(duì)相互關(guān)系。如果A關(guān)注了B，則B在A的關(guān)注列表中，而A在B的粉絲列表中。如果A關(guān)注了B并且B也關(guān)注了A，則稱A、B雙向關(guān)注。雙方互相出現(xiàn)在對(duì)方的關(guān)注和粉絲列表中。

本文主要研究用戶的微博交互行為，因此對(duì)采集到的微博數(shù)據(jù)進(jìn)行預(yù)處理，只考慮轉(zhuǎn)發(fā)微博和包含提及的微博，即微博消息中包含了@[account]字段的微博。對(duì)微博文本進(jìn)行解析，利用正則表達(dá)式提取出每條微博的提及對(duì)象：@[account]中的account，對(duì)每個(gè)用戶u構(gòu)造提及對(duì)象集mention(u)={ a| 用戶a在u的微博中被提及}。

1.2用戶模型

對(duì)于給定的用戶集U中的任意一個(gè)用戶u∈U，其用戶信息包含3種屬性：個(gè)人背景、社交關(guān)系和交互信息。因此用戶u可以表示為模型M(u)={Info(u),Relation(u),Inter(u)}。具體說明如下：

1) Info(u) 表示u的個(gè)人描述信息，包括位置信息location、性別gender、個(gè)人描述describe、粉絲數(shù)量foNum、關(guān)注數(shù)量friNum、雙向關(guān)注數(shù)量bifNum。用元組表示為Info(u)={location(u), gender(u), describe(u), foNum(u), friNum (u), bifNum (u)}。

2) Relation(u) 表示u的社交關(guān)系，包括關(guān)注向量friend(u)、粉絲向量follower(u)和雙向關(guān)注向量bifollower(u)。因此Relation(u) = {friend(u)，follower(u)，bifollower(u)}。

3) Inter(u) 表示u的交互信息，包括轉(zhuǎn)發(fā)向量retweet(u)、提及向量mention(u)和評(píng)論向量comment(u)。因此，u的交互模型可表示為Inter(u)={retweet(u), mention(u)}。

對(duì)整個(gè)用戶集U中的每個(gè)用戶從1開始依次編號(hào)，向量retweet(u)和 mention(u)中的第i個(gè)分量分別表示用戶u轉(zhuǎn)發(fā)、提及和評(píng)論用戶i的次數(shù)。

1.3用戶交互行為分析

對(duì)微博用戶來說，他們的關(guān)注行為具有怎樣的特點(diǎn)；是愿意僅與少部分人交流還是喜歡與更多的人交流；如果一個(gè)用戶與其他很多用戶都存在交互行為，他對(duì)每一個(gè)對(duì)象的關(guān)注度是否一樣，即該用戶是否平均分配時(shí)間給各個(gè)交互用戶。為了研究這些問題，我們定義每個(gè)用戶u的轉(zhuǎn)發(fā)熵ERT如下：

(1)

其中，Su∈Inter(u). retweet(u)，是用戶u所有轉(zhuǎn)發(fā)微博的來源用戶集，pu(r)是u轉(zhuǎn)發(fā)用戶r的微博的頻率。得到的轉(zhuǎn)發(fā)熵矩陣ERT中，轉(zhuǎn)發(fā)熵值越高，說明該用戶越熱衷于接收、傳播來自不同用戶的消息；反之，低轉(zhuǎn)發(fā)熵表明該用戶只轉(zhuǎn)發(fā)來自少數(shù)特定用戶的微博，轉(zhuǎn)發(fā)來源可預(yù)測(cè)性高。

類似的，計(jì)算每個(gè)用戶的提及熵EC如下：

(2)

其中，Nu∈Inter(u). mention (u)是用戶u所有提及對(duì)象的集合，pu(n)是用戶u提及用戶n的次數(shù)占所有的提及微博的比例。評(píng)論熵矩陣EC中高熵值用戶平均與其他用戶的交互是均衡的；反之，用戶更多的與少數(shù)“親密”用戶交流。

由于不同用戶轉(zhuǎn)發(fā)微博來源的規(guī)模亦不同，為了跨用戶比較轉(zhuǎn)發(fā)行為，歸一化轉(zhuǎn)發(fā)熵使之取值在[0,1]區(qū)間內(nèi)：

E′(u)=E(u)/-0.5×|n|×log(|n|/2)

(3)

其中，|n|是用戶u的交互(轉(zhuǎn)發(fā)、提及)用戶集規(guī)模。

對(duì)于微博用戶行為分析的一個(gè)重要問題是：用戶是否持續(xù)性的關(guān)注某一組特定用戶？用戶的轉(zhuǎn)發(fā)和提及行為與用戶的關(guān)聯(lián)度是否會(huì)隨著時(shí)間的變化而變化？為了找出答案，我們分別以一周和一個(gè)月為時(shí)間窗口，觀察用戶的轉(zhuǎn)發(fā)和提及熵隨時(shí)間的變化情況。把用戶u在每個(gè)時(shí)間周期發(fā)表的微博作為一個(gè)集合ti，計(jì)算基于時(shí)間的轉(zhuǎn)發(fā)熵和提及熵如下：

(4)

其中，r(v)是用戶u的轉(zhuǎn)發(fā)或提及的時(shí)間集合中v至少出現(xiàn)一次的概率，即包含v的ti占所有集合的比例。如果計(jì)算的是基于時(shí)間的轉(zhuǎn)發(fā)熵，則Mu=Su；如果計(jì)算的是基于時(shí)間的提及熵，則Mu=Nu。同樣地，為了使熵值落在區(qū)間[0,1]中，進(jìn)行歸一化處理：

E′(u)=E(u)/log(|n|)

(5)

在得到的用戶—時(shí)間熵矩陣中，低熵值表示該用戶一直與同樣的用戶群交互(轉(zhuǎn)發(fā)或提及)；反之，高熵值表示用戶在不同時(shí)間段關(guān)注的用戶群是變化的。

2實(shí)驗(yàn)分析

為了滿足實(shí)驗(yàn)的大數(shù)據(jù)量運(yùn)算，我們以高性能NF8560M2服務(wù)器為基礎(chǔ)虛擬出10個(gè)主機(jī)節(jié)點(diǎn)，并以此為底層的分布式硬件環(huán)境。每個(gè)節(jié)點(diǎn)虛擬出一個(gè)XENO E7-4807的CPU和8 GB的內(nèi)存，主機(jī)采用的是Windows Server 2008 R2操作系統(tǒng)，節(jié)點(diǎn)采用Ubuntu 12操作系統(tǒng)的Hadoop 0.20.2平臺(tái)。

我們從用戶個(gè)體的角度出發(fā)，統(tǒng)計(jì)了轉(zhuǎn)發(fā)、提及微博占該用戶所有微博行為的比重，圖1以累計(jì)分布函數(shù)表示統(tǒng)計(jì)結(jié)果。

圖1　用戶轉(zhuǎn)發(fā)、提及行為比重在[0,1]區(qū)間的用戶分布

從圖1提及曲線可以看出，49.3%的用戶在微博中從未提及他人，有95.4%的用戶在微博中提及他人的的行為比例小于30%。轉(zhuǎn)發(fā)曲線顯示51.7%的用戶的轉(zhuǎn)發(fā)行為占所有微博行為的73%，且這部分用戶中，轉(zhuǎn)發(fā)微博超過91.8%的用戶有一個(gè)爆發(fā)式的增長(zhǎng)。

分別計(jì)算每個(gè)用戶的轉(zhuǎn)發(fā)熵和提及熵，結(jié)果顯示用戶的平均提及熵為0.21，而平均轉(zhuǎn)發(fā)熵為0.52。可以看出，提及是一種比較親密的個(gè)人交互行為，更傾向于出現(xiàn)在小團(tuán)體內(nèi)部且相互間交互的更頻繁，是強(qiáng)聯(lián)系；而轉(zhuǎn)發(fā)行為中用戶的關(guān)注面更廣，并且對(duì)轉(zhuǎn)發(fā)來源的關(guān)注不像提及行為那樣集中，是弱聯(lián)系。圖2顯示了用戶不同微博行為的熵值區(qū)間的分布情況。

圖2　用戶在不同行為熵值區(qū)間的分布

從圖2用戶不同微博行為的熵值分布區(qū)間可以看出，用戶的轉(zhuǎn)發(fā)和提及行為具有明顯區(qū)別。在轉(zhuǎn)發(fā)行為中，用戶峰值出現(xiàn)在0.5至0.6的熵值區(qū)間，而轉(zhuǎn)發(fā)熵小于0.4的用戶不到5%；在提及行為中，用戶峰值出現(xiàn)在0.1至0.2的熵值區(qū)間，然后隨著熵值的增大快速降低。這一現(xiàn)象說明用戶的主要轉(zhuǎn)發(fā)行為分布在較大的社區(qū)中，并且相對(duì)均勻的轉(zhuǎn)發(fā)來自不同用戶的微博，只有極少的用戶只轉(zhuǎn)發(fā)來自特定用戶的微博。而大部分用戶的提及行為集中在一個(gè)特定的小群體。

從圖3可以看出，在用戶的轉(zhuǎn)發(fā)行為中，多數(shù)用戶的不同時(shí)段的轉(zhuǎn)發(fā)熵大于0.5，表明用戶在不同時(shí)期頻繁關(guān)注的用戶集是變化的，用戶在不斷地尋求建立新的弱連接。而在用戶的提及行為中，大部分用戶的提及時(shí)間熵小于0.5，表明用戶的直接交互關(guān)系相對(duì)穩(wěn)定，不因時(shí)間的變化而變化。

圖3　用戶轉(zhuǎn)發(fā)、提及行為的動(dòng)態(tài)性

表1給出了不同微博行為與社會(huì)網(wǎng)絡(luò)的皮爾遜相關(guān)系數(shù)，以*表示p值(p-value)范圍：p<0.005(***)，p<0.05(**)，p<0.1(*)。用戶微博行為與其社會(huì)網(wǎng)絡(luò)的皮爾遜積矩相關(guān)系數(shù)可以分析用戶的微博交互行為和他的朋友數(shù)量，粉絲數(shù)量是否存在關(guān)聯(lián)。

表1　微博行為與社會(huì)網(wǎng)絡(luò)的皮爾遜相關(guān)系數(shù)

從表1可以看出用戶發(fā)表微博的數(shù)量與用戶的關(guān)注數(shù)量正相關(guān)(r=0.36)。而用戶的轉(zhuǎn)發(fā)和提及行為與粉絲/關(guān)注數(shù)量沒有直接聯(lián)系。微博數(shù)量和關(guān)注者的數(shù)量相關(guān)，但是用戶間的交互與靜態(tài)網(wǎng)絡(luò)的規(guī)模無關(guān)。

3結(jié)語

在對(duì)社交網(wǎng)絡(luò)的用戶關(guān)系和交互的研究中，以用戶為結(jié)點(diǎn)，用戶間的關(guān)系為邊的圖模型是最常用的研究手段。然而隨著社交網(wǎng)絡(luò)規(guī)模的急劇膨脹，在有限的計(jì)算能力和存儲(chǔ)空間的條件下分析用戶交互行為是一個(gè)巨大的挑戰(zhàn)。

本文以用戶為單位，利用信息論理論對(duì)超過百萬用戶的海量微博數(shù)據(jù)進(jìn)行建模和定量分析，通過交互之間的微博交互行為發(fā)現(xiàn)潛在的用戶關(guān)系。文中的方法在分布式云計(jì)算平臺(tái)實(shí)驗(yàn)環(huán)境下能大大提高對(duì)用戶交互行為的分析效率。

實(shí)驗(yàn)表明在所有交互行為中，轉(zhuǎn)發(fā)在微博活動(dòng)中占主導(dǎo)地位。即使在單邊通信關(guān)系中，微博用戶更愿意從其他人那里獲取信息：用戶更愿意作信息接收者、傳播者而不是信息發(fā)布者；我們發(fā)現(xiàn)用戶發(fā)表的微博量與用戶的關(guān)注數(shù)量正相關(guān)，而用戶的粉絲數(shù)量對(duì)用戶的微博交互行為幾乎沒有影響。本文還對(duì)新浪微博用戶行為的細(xì)節(jié)和用戶的交互隨時(shí)間動(dòng)態(tài)變化模式進(jìn)行了研究，發(fā)現(xiàn)用戶的轉(zhuǎn)發(fā)對(duì)象會(huì)隨著時(shí)間的推移而變化，而用戶直接交流的用戶集則相對(duì)穩(wěn)定。在實(shí)驗(yàn)中還發(fā)現(xiàn)，用戶間的關(guān)系強(qiáng)度會(huì)隨著時(shí)間而變化，互相提及的用戶關(guān)系的持久性更強(qiáng)。

在接下來的工作中，我們準(zhǔn)備進(jìn)一步完善用戶的交互模型，分析交互行為相似用戶的共有特點(diǎn)并利用該交互模型進(jìn)行用戶推薦以及用戶在社區(qū)內(nèi)的影響力排序。

參考文獻(xiàn)

[1] 袁晶,謝幸.基于大規(guī)模行為數(shù)據(jù)的用戶理解[J].中國計(jì)算機(jī)學(xué)會(huì)通訊,2014,10(5):14-17.

[2] Tiancheng L,Jie T,John H,et al.Learning to Predict Reciprocity and Triadic Closure in Social Networks[J].ACM Transactions on Knowledge Discovery from Data,2013,7(2):5.

[3] 肖宇,許煒,商召璽.微博用戶區(qū)域影響力識(shí)別算法及分析[J].計(jì)算機(jī)科學(xué),2012,39(9):38-42.

[4] Cha M,Haddadi H,Benecenuto F,et al.Measuring use rinfluence in twitter: The million follower fallacy[C]//ICWSM2010:Proceedings of International AAAI Conference on Weblogs and Social Media, Washington,DC,May 23-26, 2010 California:AAAI,2010.

[5] 曹玖,吳江林,石偉,等.新浪微博網(wǎng)信息傳播分析與預(yù)測(cè)[J].計(jì)算機(jī)學(xué)報(bào),2014,37(4):779-790.

[6] Hopcroft J,Lou T,Tang J.Who will follow you back? Reciprocal relationship prediction[C]//CIKM2011:Proceedings of the 20th ACM International Conference on Information and Knowledge Management,Scotland,UK,24th-28th October 2011.New York:ACM,2011:1137-1146.

[7] Tang J,Wu S,Sun J,et al.Cross-domain collaboration recommendation[C]//KDD2012:Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Beijing,August 12-16,2012.New York:ACM,2012.

[8] 郭磊,馬軍,陳竹敏.一種信任關(guān)系強(qiáng)度敏感的社會(huì)化推薦算法[J].計(jì)算機(jī)研究與發(fā)展,2013,50(9):1805-1813.

[9] Tang W,Zhuang H,Tang J.Learning to infer social ties in large networks[C]//ECML/PKDD2011:Proceedings of the European Conference on Machine Learning and Knowledge Discovery in Databases,Athens,Greece,5-9 September,2011.Berlin:Springer,2011:381-397.

[10] Eric G,Karrie K.Predicting Tie Strength With Social Media[C]//CHI2009: Proceedings of the 27th International Conference on Human Factors in Computing Systems, Boston,4-9 April,2009.New York:ACM,2009.

[11] Kahanda I,Nevile J.Using transactional information to predict link strength in online social networks[C]//ICWSM2009:Proceedings of the 3rd International AAAI Conference on Weblogs and Social Media, San Jose, California, 17-20 May,2009.California:AAAI,2009.

[12] Hannon J,McCarthy K,Smyth B.Finding useful users on twitter:Twittomender the followee recommender[C]//ECIR2011:Proceedings of the 33rd European Conference on IR Research, Dublin, Ireland,18-21 April,2011.Berlin:Springer,2011.

[13] Mark S G.The Strength of Weak Ties[J].American Journal of Sociology,1973,78(6):1360-1380.

收稿日期：2015-02-15。國家自然科學(xué)基金項(xiàng)目(61272109)；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(CZY15006)。劉晶，講師，主研領(lǐng)域：社會(huì)媒休，數(shù)據(jù)挖掘。李琳，工程師。李石君，教授。

中圖分類號(hào)TP393

文獻(xiàn)標(biāo)識(shí)碼A

DOI:10.3969/j.issn.1000-386x.2016.07.009

ON USERS RELATIONSHIP BASED ON LARGE-SCALE BEHAVIOUR DATA IN SOCIAL NETWORKS

Liu Jing1,2Li Lin3Li Shijun1

1(SchoolofComputer,WuhanUniversity,Wuhan430072,Hubei,China)2(CollegeofComputerScience,South-CentralUniversityforNationalities,Wuhan430074,Hubei,China)

3(WuhanDigitalEngineeringResearchInstitute,Wuhan430074,Hubei,China)

AbstractUser relationship is the basis of microblogging social network formation. To analyse users relationship can help the better study in regard to the formation of social networks and the messages dissemination patterns, etc. In this paper we analyse and process massive microblogging data of more than one million users, and use information theory to analyse and compare the features of users microblogging behaviour, construct active users interaction network and observe its dynamics property, as well as analyse the online behaviour patterns and features of user groups in social networks. Experiments show that in microblogging interactions, direct interactive relationship between users are relatively stable and will not change along with the time going, while their forwarding objects are constantly change, that is, the groups actually concerned by the users are dynamically changing.

KeywordsSocial networkUser behaviourMicroblogInteraction