許文文，時　鵬，于留寶，胡長軍

(1.北京科技大學計算機與通信工程學院，北京 100083； 2.北京科技大學國家材料服役安全科學中心，北京 100083； 3.微夢創(chuàng)科網(wǎng)絡科技(中國)有限公司，北京 100080)

一種在線社交網(wǎng)絡的自適應觀點引導模型及實現(xiàn)

許文文1，時鵬2，于留寶3，胡長軍1

(1.北京科技大學計算機與通信工程學院，北京 100083； 2.北京科技大學國家材料服役安全科學中心，北京 100083； 3.微夢創(chuàng)科網(wǎng)絡科技(中國)有限公司，北京 100080)

在線社交網(wǎng)絡已成為信息傳播的重要途徑，給人們獲取信息帶來便利的同時，也為不良信息的擴散提供了溫床.目前主流的在線社交網(wǎng)絡都采用關(guān)鍵字匹配的方式屏蔽不良信息的發(fā)布，在阻止信息本身的同時，也屏蔽了與其相關(guān)的積極觀點的傳播.本文提出一種自適應的觀點引導模型，實現(xiàn)對在線社交網(wǎng)絡用戶的觀點引導.該模型首先分析網(wǎng)絡用戶對事件/事物的觀點和情感傾向，確定其中觀點消極的用戶作為引導對象，然后向其推送與之關(guān)注點相近且情感相對積極的信息或用戶，進行觀點引導，同時引入反饋機制，根據(jù)引導對象的觀點變化動態(tài)調(diào)整推送內(nèi)容，以實現(xiàn)長期精確引導.基于該模型設計并實現(xiàn)了觀點引導系統(tǒng)，包括引導信息模塊、觀點標注模塊、推薦模塊和反饋模塊，實現(xiàn)了自動選擇群體、自動識別群體情感傾向、自動選擇和調(diào)整推送內(nèi)容等功能.實驗結(jié)果表明，該模型能夠?qū)崿F(xiàn)對在線社交網(wǎng)絡用戶的觀點引導.

在線社交網(wǎng)絡；觀點引導；情感分析；內(nèi)容推薦

1　引言

在線社交網(wǎng)絡已經(jīng)成為當代社會信息傳播的重要途徑.用戶通過網(wǎng)絡社交關(guān)系接收著來自四面八方的消息，同時還可以建立自己的“媒體”，對外發(fā)布、傳播信息.然而，在線社交網(wǎng)絡中用戶良莠不齊，不僅存在很多“水軍”，他們對某一事件批量發(fā)表或傳播一些觀點相似的評論，還有一些別有用心的用戶，利用社交網(wǎng)絡傳播虛假信息或消極觀點.因此，控制不良信息尤其是消極觀點在社交網(wǎng)絡中的傳播有著重要的現(xiàn)實意義.

目前主流的在線社交網(wǎng)絡利用關(guān)鍵字屏蔽控制不良信息的傳播，禁止用戶發(fā)布包含敏感詞匯的內(nèi)容或屏蔽發(fā)布內(nèi)容中的敏感詞.這種方法能夠在短期內(nèi)阻止信息的傳播，但惡意用戶可以使用代替詞等方法繞過敏感詞屏蔽，在敏感詞典更新前造成惡劣影響.更重要的是，屏蔽技術(shù)同時阻止了與該信息相關(guān)的積極觀點的傳播，導致民眾的觀點無序發(fā)展，更易受到消極觀點的影響.

由上述分析可知，要形成健康的在線社交網(wǎng)絡環(huán)境，引導民眾形成積極的觀點比單純阻止信息本身的傳播更有效.針對用戶交互的研究表明：如果用戶之間的意見有一部分相同，他們很可能進行交流；交流后意見分歧將會縮小，即意見中相似的屬性得到加強[1].據(jù)此本文提出一種適用于在線社交網(wǎng)絡的自適應觀點引導模型，實現(xiàn)對在線社交網(wǎng)絡用戶的觀點引導.該模型首先分析在線社交網(wǎng)絡中個體對某事件/事物的看法及情感傾向性，確定觀點比較消極的用戶，向其推送具有積極觀點的相關(guān)信息，同時推薦與其關(guān)注點相近且情感相對積極的用戶作為好友，為提高觀點引導的有效性，引入反饋機制，根據(jù)反饋信息動態(tài)調(diào)整推送內(nèi)容，實現(xiàn)自適應的觀點引導.

2　相關(guān)工作

觀點引導的研究已經(jīng)引起國內(nèi)外學者的廣泛關(guān)注，通常應用于輿論控制中.西方學界[2,3]比較偏重于實證方法，運用輿論調(diào)查研究發(fā)現(xiàn)公眾的態(tài)度和意見，為政府部門的宣傳和決策提供支持.國內(nèi)學者陳力丹，劉毅等人從理論高度上闡述了輿論研究與導向的重要性[4,5].針對微博輿論引導問題，趙文晶、劉軍宏[6]提出要“把握第一時間造勢”、“引導意見領(lǐng)袖言論”、“嚴打操控輿論現(xiàn)象”.崔鑫等[7]認為網(wǎng)絡中個體點度中心度的變化，能夠影響引導手段對輿論系統(tǒng)的作用與效果.這種方法或許能夠改變意見領(lǐng)袖的影響力，但沒有考慮事件的發(fā)展變化情況.

上述相關(guān)工作主要從宏觀方面研究了網(wǎng)絡輿論的引導方法，揭示了對網(wǎng)絡輿論進行引導的可行性和必要性，對實際引導方法缺乏深入研究.我們認為對在線社交網(wǎng)絡中個體進行觀點引導需要解決如下三個關(guān)鍵問題：

(1)如何選擇相關(guān)的人群作為引導對象？本文對引導對象的選擇有兩個依據(jù):一是其關(guān)注點；二是其情感傾向性.在線社交網(wǎng)絡中，用戶的關(guān)注點體現(xiàn)在其網(wǎng)絡行為(發(fā)布、瀏覽、轉(zhuǎn)發(fā)、評論等)和涉及內(nèi)容等方面，從中挖掘出其關(guān)注點，通過與引導信息所涉及的關(guān)注點進行匹配，能夠確定候選人群，再從候選人群中篩選情感傾向性比較消極的用戶進行引導.

(2)如何選用恰當?shù)男畔⒒蚝糜堰M行引導？對于確定的引導對象，應選擇恰當?shù)男畔ζ溥M行引導，與其觀點相同或差異過大的引導信息都不能取得顯著成效；同時，結(jié)合網(wǎng)絡用戶易受他人影響的特點，向引導對象推薦合適好友，通過好友對其施加影響.

(3)如何保證引導措施的有效性并建立長期的引導機制？引導對象被引導后，是否取得預期效果，需要對此進行評估；同時，由于人的固有觀點很難在短期內(nèi)被改變，為確保最好的引導效果，需要對引導對象實施長期的引導措施.

從上述分析可知，與觀點引導密切相關(guān)的研究工作包括：興趣挖掘、情感傾向性分析、好友推薦和反饋調(diào)節(jié)等.

2.1興趣挖掘

興趣挖掘通常應用于商品推薦領(lǐng)域，很多主流的推薦算法都是通過分析網(wǎng)民的興趣，再向其推送相關(guān)商品.典型的興趣挖掘模型有鄰居模型(Neighborhood models)和基于內(nèi)容的挖掘模型(Latent factor models).鄰居模型[8]從用戶的好友入手，根據(jù)好友的興趣以及目標用戶與好友的相似度推理出目標用戶的興趣.基于內(nèi)容的挖掘模型[9,10]主要是根據(jù)用戶在網(wǎng)絡中的行為，分析出用戶的興趣.在觀點引導中，我們通過分析用戶的網(wǎng)絡行為(發(fā)布、瀏覽、轉(zhuǎn)發(fā)、評論等)和涉及內(nèi)容等方面，挖掘出其關(guān)注點.

2.2情感傾向性分析

情感傾向性分析[11～13]是指對帶有觀點、情感、情緒等文本的計算研究，根據(jù)處理的文本粒度可劃分為詞語情感分析、短語情感分析、句子情感分析和篇章情感分析等幾個層次，分別對詞語、短語、句子和文本整體進行處理和情感傾向性分析.本文引導模型中的情感傾向性分析屬于篇章級.篇章情感分析有兩種主流的分析方法：監(jiān)督式學習和非監(jiān)督式學習方法.監(jiān)督式學習經(jīng)典方法主要有樸素貝葉斯方法[14]和支持向量機等.非監(jiān)督的文檔情感分析方法是指通過確定文檔中的詞語、短語的情感極性，計算所有詞語、短語的平均情感極性，所得在閾值之上則文檔為積極情感極性，否則文檔為消極情感極性[15].

傳統(tǒng)情感傾向分析算法只是將文本分為積極、消極或中立三類，沒有對傾向性強度進一步分析.Thelwall等人提出SetiStrength算法[16]，基于互聯(lián)網(wǎng)上英文文本的語法和拼寫風格來計算文本的情感強度.在引導模型中，借鑒SetiStrength算法的思想，針對中文微博，我們采用從細粒度到粗粒度，綜合使用情感詞典、否定詞、程度副詞、表情圖片、特殊的標點符號和轉(zhuǎn)折詞對文本情感傾向性強弱的影響，最終實現(xiàn)中文微博短文本的情感強度檢測.

2.3好友推薦

好友推薦在拓展社交圈，獲取關(guān)注信息等方面具有重要作用.一般基于社交網(wǎng)絡關(guān)系結(jié)構(gòu)進行好友推薦[17,18]，通過分析網(wǎng)絡的拓撲結(jié)構(gòu)找到推薦的候選人集合，然后比較目標用戶和候選用戶的相似度，選擇相似度較高的推薦給用戶.此外，一些研究通過對任意兩個用戶的行為分析，比較相似度來發(fā)現(xiàn)潛在好友[19,20].Chin A等[19]根據(jù)任意兩個用戶之間的手機交互次數(shù)來進行推薦.Dou Shen等[20]對用戶博客內(nèi)容進行分析，建立用戶的話題分布矢量，計算用戶間話題分布的相似度進而發(fā)現(xiàn)潛在好友.

隨著對推薦系統(tǒng)的研究逐漸從以數(shù)據(jù)為中心過渡到以用戶為中心，基于情感的推薦成為重要發(fā)展方向趨勢.Gurini等[21]提出Sentiment-Volume-Objectivity(SVO)權(quán)重函數(shù)來描述用戶對某一話題的態(tài)度，然后綜合用戶涉及的話題和態(tài)度進行相似判斷來推薦好友.在觀點引導中，我們向引導對象推薦關(guān)注點相近且情感相對積極的好友，利用好友的觀點傾向影響用戶對事件/事物的態(tài)度.

2.4反饋調(diào)節(jié)

在推薦系統(tǒng)中引入反饋調(diào)節(jié)有助于進一步完善用戶模型，提高未來推送的準確性.反饋調(diào)節(jié)通常有兩種形式：一種是基于用戶主動響應的顯式反饋，包括意見反饋、在線咨詢、推薦滿意度反饋等，例如用戶對商品的評價；另一類是基于用戶行為分析的隱式反饋[22～25]，通過對用戶的瀏覽記錄、搜索模式、購買歷史等分析來發(fā)掘隱含信息.在觀點引導中，我們對用戶接收推薦內(nèi)容后的行為進行分析，據(jù)此調(diào)整引導策略和推送內(nèi)容，屬于隱式反饋.

3　自適應觀點引導模型

3.1引導模型

結(jié)合上述興趣挖掘、情感分析、好友推薦和反饋調(diào)節(jié)等方法，本文提出了一種自適應觀點引導模型，主要構(gòu)成如圖1所示.第一步，通過對網(wǎng)民進行興趣挖掘和情感傾向分析，確定適宜的引導對象；第二步，向網(wǎng)民推送觀點較積極的信息或用戶；第三步，依據(jù)網(wǎng)民收到引導內(nèi)容后，情感傾向的變化，動態(tài)調(diào)整推送內(nèi)容.

3.2系統(tǒng)設計與實現(xiàn)

基于上述自適應觀點引導模型，我們設計并實現(xiàn)了觀點引導系統(tǒng)，包括引導信息模塊、觀點標注模塊、推薦模塊及反饋模塊，分別實現(xiàn)編輯引導信息、標注網(wǎng)民關(guān)注點和情感傾向、推薦合適信息及好友和反饋調(diào)節(jié)等功能，如圖2所示.

系統(tǒng)采用四元組(i,xi,Φi,mi)統(tǒng)一表示所涉及到的引導對象和引導信息，其中i用于唯一確認網(wǎng)民或引導信息，xi表示元素i的表面特征，Φi為對元素i的潛在因素描述，mi表示元素i的傾向極性.該四元組能夠反映元素i的關(guān)注點及情感傾向性屬性.系統(tǒng)根據(jù)制定的引導策略，將引導信息集合中的元素推送給引導對象集合中相關(guān)聯(lián)的元素，并且也向引導對象集合中的元素推送同一集合中與其關(guān)聯(lián)的其它元素.

3.2.1觀點標注模塊

觀點標注模塊首先分析網(wǎng)民在社交網(wǎng)絡中的行為(發(fā)帖內(nèi)容等)，再對網(wǎng)民目前對事件的關(guān)注點和情感傾向等進行標注.針對中文微博，我們采用從細粒度到粗粒度的策略，首先計算句子級情感強度，然后評估文本中的連接詞對情感極性的影響，最終實現(xiàn)中文微博短文本的情感強度計算.句子級情感強度計算，具體見算法1.

經(jīng)過情感強度計算后，得到文本的積極傾向強度和消極傾向強度，將強度更強的定為文本最終傾向性，兩強度之差為文本最終傾向性強度.為方便數(shù)據(jù)處理，將文本傾向性區(qū)間約束在(-1,1)之間，極性強度間隔為0.1.

3.2.2推薦模塊

根據(jù)推薦算法給引導對象推送合適的信息和好友.在文獻[26]中，研究人員將“精準營銷”和“好友推薦”的思想融合在一個模型FIP(Friendship-Interest Propagation)進行推薦，獲得了良好性能.本模塊借鑒FIP模型[26]，將“信息推送”和“好友推薦”融合在一起，對網(wǎng)民及引導信息采用統(tǒng)一的模型進行標注，既能對網(wǎng)民推送合適的引導信息，又能向網(wǎng)民推送“志趣相投”的好友.

“信息推送”方面，考慮的不僅是關(guān)注點匹配度，還要考慮情感傾向.定義網(wǎng)民的傾向極性加權(quán)因子wi=log(10-9*mi)，當用戶i傾向極性mi屬于(-1,0)區(qū)間時，wi>1，增大原有的匹配值；當mi=0時， wi=1，原有匹配值不變；當mi屬于(0,1)區(qū)間時，wi<1，減小原有的匹配值.借鑒文獻[26]中建模方法，最終“信息推送”部分建模為：

Φi～p(Φi|xi)

Φj～p(Φj|xj)

wi～p(wi|mi)

yij～p(yij|Φi,Φj,xi,xj,wi,Θ)其中xi表示網(wǎng)民i的關(guān)注點，xj表示引導信息j的特征，Φi和Φj分別表示對網(wǎng)民i及引導信息j的潛在因素描述，yij表示網(wǎng)民i對引導信息j的匹配程度，Θ表示超參數(shù)集合.

“好友推薦”方面，同時考慮用戶關(guān)注點的相似度和傾向極性是否相近.定義網(wǎng)民i推薦給網(wǎng)民i′的傾向極性間隔加權(quán)因子dii′，隨著網(wǎng)民之間傾向極性差值的增大，該因子的值變小，兩網(wǎng)民之間成為好友的可能性減小，并且如果網(wǎng)民i的傾向極性小于網(wǎng)民i′的傾向極性，即mi

Φi～p(Φi|xi,Θ)

dii′～p(dii′|mi,mi′)

sii′～p(sii′|Φi,Φi′,xi,xi′,dii′,Θ)

其中xi和xi′表示網(wǎng)民i和網(wǎng)民i′的關(guān)注點，Φi和Φi′表示網(wǎng)民i和網(wǎng)民i′的潛在因素描述，sii′表示網(wǎng)民i和網(wǎng)民i′的相似度.表1給出了具體的推薦模型.

表1　基于FIP的推薦模型

3.2.3反饋調(diào)節(jié)模塊

反饋調(diào)節(jié)模塊綜合考慮用戶在前幾次收到引導信息之后的觀點態(tài)勢變化適時調(diào)整引導策略.系統(tǒng)實現(xiàn)時為每一個用戶創(chuàng)建和維護一張反饋表，由(m,Δm,flag)三元組組成，表示用戶在傾向極性為m時，接收到傾向極性比他大Δm的引導信息之后，用戶傾向極性具體變化(flag=up or down).再次引導時，調(diào)用反饋調(diào)節(jié)算法進行選擇.在特定情感m，如果有成功引導的記錄，則選用上次引導的情感間隔，否則情感間隔取所有成功引導記錄的期望值.如果沒有該記錄，則依據(jù)最新的引導記錄進行判斷.具體的反饋調(diào)節(jié)算法見算法2.

4　測試實驗及結(jié)果分析

4.1系統(tǒng)部署

自適應觀點引導系統(tǒng)采用C/S服務模式，服務器端實現(xiàn)觀點標注及相關(guān)推薦工作，客戶端完成引導信息編輯和數(shù)據(jù)展示.服務器端采用python編寫，運行環(huán)境為：16*Intel(R) Xeon(R) CPU E7320 @ 2.13GHz、16g內(nèi)存、1g緩存、2g swap交換區(qū)；客戶端界面主要劃分為六個版塊：群體分布—展示相關(guān)群體占整個群體的比重及相關(guān)群體情感傾向分布；引導信息—編輯相關(guān)引導信息；觀點標注—展示網(wǎng)民目前的情感傾向；信息推薦—展示網(wǎng)民接收到的引導信息；好友推薦—展示網(wǎng)民接收到的“好友”；反饋調(diào)節(jié)—展示反饋表具體數(shù)據(jù).客戶端主界面如圖3所示.

4.2測試結(jié)果及分析

我們在模擬環(huán)境中測試推薦模塊的準確性和整個模型的引導效果.具體實施步驟如下：

批量生成1000個測試用戶和20條引導信息(均以向量表示)，以這些數(shù)據(jù)作為推薦模塊的輸入數(shù)據(jù).

示例，用戶向量：

(′user24′,′p1′,′p5′,…,0.4)

向量第一個元素表示用戶的編號，最后一個元素表示用戶目前的情感傾向極性，中間的元素表示用戶的關(guān)注點.

示例，引導信息向量：

(′m24′,′p3′,′p8′,…,0.6)

向量第一個元素表示引導信息的編號，最后一個元素表示引導信息具有的情感傾向極性，中間的元素表示引導信息涉及到的關(guān)注點.

引導系統(tǒng)根據(jù)輸入的引導信息所涉及的關(guān)注點與群體中用戶的關(guān)注點進行匹配，選擇有關(guān)人群.結(jié)果如圖4所示，相關(guān)人群約占總?cè)巳旱?3%.相關(guān)群體及引導信息的關(guān)注點分布如圖5.

從圖5中可以看出，系統(tǒng)自動選擇的群體關(guān)注點分布與引導信息所涉及到的關(guān)注點基本相符，即引導系統(tǒng)能夠自動選擇相關(guān)人群.

圖6表明，在觀點引導之前，測試用戶的傾向極性分布大致均勻，這是因為用戶是隨機生成的，每一個傾向極性分布是等概率的；經(jīng)過觀點引導之后，用戶的傾向極性集中在極性強度0.5左右，原來傾向極性較低的用戶都得到了不同程度的提高.

表2為用戶收到的引導信息相關(guān)記錄，左側(cè)欄表示用戶目前的傾向極性，右側(cè)欄表示推薦給用戶的引導信息的傾向極性.當用戶的傾向極性為-0.5時，接收到傾向極性為-0.4的引導信息，之后用戶的傾向極性變?yōu)?0.3.在下一輪的引導過程中，反饋調(diào)節(jié)系統(tǒng)根據(jù)用戶的反饋信息，分析出用戶有可能接受傾向極性比起目前傾向性高0.2(-0.3-(-0.5))的引導信息，所以在下一輪的引導過程中，系統(tǒng)向其推薦-0.1(-0.3+0.2)的引導信息，之后用戶的傾向極性變?yōu)?.0，可以看出，推薦系統(tǒng)根據(jù)反饋信息動態(tài)調(diào)節(jié)，最大程度的向用戶推送可接受的信息；在用戶傾向極性第一次達到0.0時，接收到了極性強度為0.3的引導信息，結(jié)果用戶的傾向極性反而降低了，在用戶傾向極性重新達到0.0時，推薦模塊根據(jù)前幾輪的引導結(jié)果，動態(tài)調(diào)整推送信息，將引導信息的傾向極性調(diào)整為0.1，用戶的傾向極性上升為0.1，表明推薦系統(tǒng)能夠根據(jù)引導歷史動態(tài)調(diào)整引導策略，向用戶推送可接受的信息.

表2　引導過程中網(wǎng)民收到的引導信息相關(guān)記錄

表3中第一欄表明用戶目前的傾向極性強度，其余三欄是向用戶推薦的好友及好友的傾向極性強度，可以看出，向用戶推薦的“好友”均有著比用戶更加積極的傾向極性，符合我們制定的好友推薦規(guī)則.

表3　引導過程中網(wǎng)民收到的推薦“好友”

上述測試實驗結(jié)果表明，自適應觀點引導系統(tǒng)能夠根據(jù)引導信息自動選擇相關(guān)人群，并且能夠根據(jù)用戶目前的觀點態(tài)勢，綜合考慮用戶的反饋信息，動態(tài)調(diào)整推送策略.

5　結(jié)論與未來工作

本文提出一種適用于在線社交網(wǎng)絡的自適應觀點引導模型，通過向觀點消極的網(wǎng)民推送觀點較積極的信息或用戶，實現(xiàn)觀點引導.實驗結(jié)果表明該模型能夠?qū)崿F(xiàn)對在線社交網(wǎng)絡用戶觀點的引導.

下一步工作主要集中于真實網(wǎng)絡環(huán)境測試和完善引導策略方面.真實環(huán)境要比模擬時使用的環(huán)境更復雜，擬將系統(tǒng)嵌入校園論壇中進行測試.在引導信息方面，目前系統(tǒng)需手動生成，下一步擬直接選用網(wǎng)絡中其他用戶發(fā)布的信息作為引導信息，使得引導措施更加自然和有效.

[1]Lorenz J.Continuous opinion dynamics under bounded confidence:A survey[J].International Journal of Modern Physics C,2007,18(12):1819-1838.

[2]Splichal S.Public Opinion:Developments and Controversies in the Twentieth Century[M].USA:Rowman & Littlefield,1999.

[3]Foyle D C.Leading the public to war? The influence of American public opinion on the Bush administration's decision to go to war in Iraq[J].International Journal of Public Opinion Research,2004,16(3):269-294.

[4]陳力丹.輿論學:輿論導向研究[M].中國廣播電視出版社,1999.

[5]劉毅.網(wǎng)絡輿情研究概論[M].天津:天津人民出版社,2007.

[6]趙文晶,劉軍宏.微博輿論引導策略研究[J].中國出版,2011,(12):12-15.

[7]崔鑫,胡勇,丁雪峰,等.基于SNA點度的網(wǎng)絡輿論導向機理研究[J].四川大學學報:工程科學版,2011,43(1):104-108.

[8]Su X,Khoshgoftaar T M.A survey of collaborative filtering techniques[J].Advances in Artificial Intelligence,2009,2009(1):421425-1-421425-19.

[9]Agarwal D,Chen B C.Regression-based latent factor models[A].Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C].USA:ACM,2009.19-28.

[10]謝海濤,孟祥武.適應用戶需求進化的個性化信息服務模型[J].電子學報,2011,39(3):643-648.

XIE Hai-tao,MENG Xiang-wu.A personalized information service model adapting to user requirement evolution[J].Acta Electronica Sinica,2011,39(3):643-648.(in Chinese)

[11]Pang B,Lee L.Opinion mining and sentiment analysis[J].Foundations and Trends in Information Retrieval,2008,2(1-2):1-135.

[12]Liu B.Sentiment analysis and subjectivity[A].Handbook of Natural Language Processing[C].USA:Taylor and Francis Group,2010.627-666.

[13]趙妍妍,秦兵,劉挺.文本情感分析[J].軟件學報,2010,21(8):1834-1848.

ZHAO Yan-Yan,QIN Bing,LIU Ting.Sentiment analysis[J].Journal of Software,2010,21(8):1834-1848.(in Chinese)

[14]Pang B,Lee L,Vaithyanathan S.Thumbs up?:Sentiment classification using machine learning techniques[A].Proceedings of the ACL-02 Conference on Empirical Methods in Natural Language Processing(Volume 10)[C].USA:Association for Computational Linguistics,2002.79-86.

[15]Turney P D.Thumbs up or thumbs down?:semantic orientation applied to unsupervised classification of reviews[A].Proceedings of the 40th Annual Meeting on Association for Computational Linguistics[C].USA:Association for Computational Linguistics,2002.417-424.

[16]Thelwall M,Buckley K,Paltoglou G,et al.Sentiment strength detection in short informal text[J].Journal of the American Society for Information Science and Technology,2010,61(12):2544-2558.

[17]Armentano M G,Godoy D,Amandi A A.Followee recommendation based on text analysis of micro-blogging activity[J].Information Systems,2013,38(8):1116-1127.

[18]Hannon J,Bennett M,Smyth B.Recommending twitter users to follow using content and collaborative filtering approaches[A].Proceedings of the Fourth ACM Conference on Recommender Systems[C].USA:ACM,2010.199-206.

[19]Chin A.Finding cohesive subgroups and relevant members in the nokia friend view mobile social network[A].Proceedings of Computational Science and Engineering[C].USA:IEEE,2009.278-283.

[20]Shen D,Sun J T,Yang Q,et al.Latent friend mining from blog data[A].Proceedings of the Sixth International Conference on Data Mining[C].USA:IEEE,2006.552-561.

[21]Gurini D F,Gasparetti F,Micarelli A,et al.A sentiment-based approach to twitter user recommendation[A].Proceedings of RSWeb@RecSys[C].Hong Kong:Technology,Health & Medicine,2013.8401-8404.

[22]Oard D W,Kim J.Implicit feedback for recommender systems[A].Proceedings of the AAAI Workshop on Recommender Systems[C].USA:Wollongong,1998.81-83.

[23]Hu Y,Koren Y,Volinsky C.Collaborative filtering for implicit feedback datasets[A].Proceedings of the Eighth IEEE International Conference on Data Mining[C].USA:IEEE,2008.263-272.

[24]Ostuni V C,Di Noia T,Di Sciascio E,et al.Top-N recommendations from implicit feedback leveraging linked open data[A].Proceedings of the 7th ACM Conference on Recommender Systems[C].USA:ACM,2013.85-92.

[25]劉勝宗,廖志芳,胡佳,等.基于隱反饋的類時齊 Markov 推薦模型[J].電子學報,2014,42(4):703-710.

LIU Sheng-zong,LIAO Zhi-fang,HU Jia,et al.Classified time homogeneous Markov model for recommendation based on implicit feedback[J].Acta Electronica Sinica,2014,42(4):703-710.(in Chinese)

[26]Yang S H,Long B,Smola A,et al.Like like alike:joint friendship and interest propagation in social networks[A].Proceedings of the 20th International Conference on World Wide Web[C].USA:ACM,2011.537-546.

許文文女，1989年5月出生于山西臨汾.北京科技大學博士研究生，研究方向為社交網(wǎng)絡中信息傳播分析.

E-mail:xuwenwenustb@163.com

時鵬(通訊作者)男，1977年6月出生于山東濟南.北京科技大學國家材料服役安全科學中心副教授，主要研究領(lǐng)域為社交網(wǎng)絡分析和材料數(shù)據(jù)工程.

E-mail:shipengustb@sina.com

An Adaptive Opinion Guiding Model for Online Social Networks

XU Wen-wen1，SHI Peng2，YU Liu-bao3，HU Chang-jun1

(1.School of Computer and Communication Engineering,University of Science and Technology Beijing,Beijing 100083,China; 2.National Center for Materials Service Safety,University of Science and Technology Beijing,Beijing 100083,China; 3.The Micro Dreaming of Beijing Network Technology Company Limited,Beijing 100080,China)

Online social networks are now recognized as an important platform for the spread of information. While providing convenient exchange for users,it also makes OSNs fertile grounds for the wide spread of misinformation which can lead to undesirable consequences.Most mainstream media outlets use keyword matching as a search method to find misinformation and forbid the presentation in context.However,this method also blocks positive messages related to misinformation.In this paper,we propose an adaptive opinion guiding model to limit the spread of misinformation.Based on user’s opinion and sentiment,the model recommends messages or other users that have relative positive feeling to current user.It also introduces the feedback mechanism to achieve a long-term and accurate guiding by adjusting the pushing content dynamically.We also design and finish the guiding system.Experiments show that the model can guide the opinion of the network group effectively.

online social networks;opinion guiding;sentiment analysis;content-based recommendation

2015-02-04；

2015-05-07；責任編輯：孫瑤

國家973重點基礎研究發(fā)展計劃(No.2013CB329605)

TP393.4

A

0372-2112 (2016)07-1714-07

??學報URL:http://www.ejournal.org.cn

10.3969/j.issn.0372-2112.2016.07.028