杜治娟，王 碩，王秋月，孟小峰

中國(guó)人民大學(xué) 信息學(xué)院，北京 100872

社會(huì)媒體大數(shù)據(jù)分析研究綜述*

杜治娟+，王 碩，王秋月，孟小峰

中國(guó)人民大學(xué) 信息學(xué)院，北京 100872

DU Zhijuan,WANG Shuo,WANG Qiuyue,et al.Survey on social media big data analytics Journal of Frontiers of Computer Science and Technology,2017,11(1)：1-23.

社會(huì)媒體作為人們傳播信息和表達(dá)觀點(diǎn)的重要渠道，包含大量豐富的有用信息，近年來(lái)已成為大數(shù)據(jù)最具代表性的數(shù)據(jù)來(lái)源之一，挖掘與分析這些信息對(duì)社會(huì)發(fā)展影響深遠(yuǎn)。按照社交媒體的構(gòu)成要素將目前研究劃分為3類(lèi)，即從基于用戶(hù)的分析、基于關(guān)系的分析和基于交互內(nèi)容的分析三方面進(jìn)行總結(jié)分析。首先，從多源異構(gòu)網(wǎng)絡(luò)中識(shí)別用戶(hù)身份，發(fā)現(xiàn)社群并計(jì)算用戶(hù)影響力來(lái)分析基于用戶(hù)的數(shù)據(jù)；其次，從用戶(hù)關(guān)系強(qiáng)度計(jì)算、信息傳播和影響力最大化3個(gè)角度探討了基于交互關(guān)系為中心的數(shù)據(jù)分析；然后，基于用戶(hù)交互內(nèi)容探討了特征提取與選擇、話(huà)題事件挖掘、多媒體數(shù)據(jù)分析以及情感分析4個(gè)問(wèn)題。最后，從信息傳播、影響力計(jì)算、特征提取與選擇、微博新聞挖掘、社會(huì)媒體大數(shù)據(jù)融合和跨語(yǔ)言情感分析6個(gè)方面指出了現(xiàn)有研究的挑戰(zhàn)性和未來(lái)研究的新視角。

社交媒體；大數(shù)據(jù)；用戶(hù)行為；交互關(guān)系；交互內(nèi)容

1 引言

近十幾年來(lái)，在線(xiàn)社會(huì)網(wǎng)絡(luò)越來(lái)越流行，如博客，以照片共享為主要功能的Flickr、Facebook、Google+、LinkedIn以及具有強(qiáng)媒體性質(zhì)的微博等。它們快速增長(zhǎng)并允許用戶(hù)連接、互動(dòng)、共享和合作，創(chuàng)建了一個(gè)新的強(qiáng)大的通信媒體和信息發(fā)現(xiàn)、共享平臺(tái)[1-2]。平均而言[3]，F(xiàn)acebook的用戶(hù)每人每月花7.75小時(shí)與朋友進(jìn)行交流，每天發(fā)帖32億，而Twitter每天發(fā)帖3.4億，F(xiàn)lickr每分鐘上傳3 000多張照片，博客每年發(fā)帖量也超過(guò)1.53億。

社交網(wǎng)絡(luò)的快速、深度發(fā)展使其自身變得越來(lái)越龐雜。當(dāng)前社交網(wǎng)絡(luò)用戶(hù)過(guò)億，社交圖譜異常龐大，如RenRen社交圖譜[4]有75.33萬(wàn)條邊、2.74萬(wàn)個(gè)可見(jiàn)交互圖、24.1萬(wàn)個(gè)隱性交互圖；用戶(hù)在不同的社交媒體中持續(xù)交互；各種信息在多種社交網(wǎng)絡(luò)中快速傳播。這些特點(diǎn)給社交網(wǎng)絡(luò)的研究帶來(lái)巨大挑戰(zhàn)。雖然社交網(wǎng)絡(luò)形形色色，但它們都由用戶(hù)、關(guān)系和內(nèi)容組成。因此，本文從用戶(hù)、關(guān)系和內(nèi)容三方面分析現(xiàn)有研究，如圖1所示。

Fig.1 Typical characteristics for social media big data圖1 社會(huì)媒體大數(shù)據(jù)典型特征

從用戶(hù)層面上看，活躍用戶(hù)是社交網(wǎng)絡(luò)的核心，主導(dǎo)整個(gè)社交網(wǎng)絡(luò)的交互。社會(huì)媒體中的用戶(hù)可分為博主、關(guān)注對(duì)象和粉絲，可以進(jìn)行發(fā)布、關(guān)注、轉(zhuǎn)發(fā)（RT）、提及（@）、回復(fù)和評(píng)論操作，并且同一個(gè)用戶(hù)可以參與多個(gè)社交網(wǎng)絡(luò)的互動(dòng)。因此，以用戶(hù)為中心的研究主要集中在：（1）從多源異構(gòu)網(wǎng)絡(luò)中識(shí)別用戶(hù)身份，判斷用戶(hù)角色，可以借助URL、提及等分析。例如利用URL判斷與其他社會(huì)網(wǎng)絡(luò)連接情況[5]，使用@提及屬性的出入度判定不同角色的用戶(hù)[6-7]等，對(duì)于用戶(hù)信息的融合非常有用。（2）人以類(lèi)聚，物以群分，當(dāng)社交網(wǎng)絡(luò)中用戶(hù)在某段時(shí)間內(nèi)互動(dòng)形成具有穩(wěn)定群體結(jié)構(gòu)、一致行為特征和統(tǒng)一意識(shí)形態(tài)后他們就會(huì)形成社群[8]。這對(duì)于研究人的群體特征、行為規(guī)律等非常有用。（3）各行各業(yè)都有具有影響力的人物，社交網(wǎng)絡(luò)中也不例外，用戶(hù)影響力計(jì)算[9]、意見(jiàn)領(lǐng)袖發(fā)現(xiàn)[10]在推薦系統(tǒng)、病毒式營(yíng)銷(xiāo)、廣告投放、信息傳播、專(zhuān)家發(fā)現(xiàn)等多個(gè)領(lǐng)域廣泛應(yīng)用[11]。

從交互關(guān)系的層面看，用戶(hù)之間存在關(guān)注關(guān)系、傳播關(guān)系和互惠關(guān)系。其中，關(guān)注關(guān)系由粉絲行為引起，可用于影響力分析[12]，關(guān)注關(guān)系引發(fā)了用戶(hù)的網(wǎng)絡(luò)弱關(guān)系性和聚類(lèi)性[13]；傳播關(guān)系由轉(zhuǎn)播、提及和內(nèi)嵌的URL引起，具有更強(qiáng)的話(huà)題關(guān)聯(lián)性[14]；互惠關(guān)系由評(píng)論、回復(fù)引起，是傳播關(guān)系的特殊情況。這些研究的基本依據(jù)是信息學(xué)的傳播，它們的價(jià)值更多地體現(xiàn)在商業(yè)價(jià)值和政治價(jià)值，比如研究用戶(hù)及用戶(hù)群體的傳播能力和權(quán)威性，可以選取出有傳播力、影響力的用戶(hù)組成初始種子集合，使信息得到最大化的傳播；與此同時(shí)，各方的利益也將不同程度地得到最大化，利益雙方可以從社會(huì)網(wǎng)絡(luò)關(guān)系的廣度和深度采取不同措施制約對(duì)方發(fā)展或提升自身利益[15-16]。

從用戶(hù)交互內(nèi)容看，用戶(hù)交互的內(nèi)容不僅有文本信息，還會(huì)包含大量的地理位置、圖像和視頻等多媒體信息，并且在這些信息中還會(huì)包含情感信息。因此，社會(huì)媒體的價(jià)值體現(xiàn)在：（1）利用位置信息、社會(huì)媒體的動(dòng)態(tài)性和時(shí)效性分析多媒體數(shù)據(jù)。（2）從交互內(nèi)容中分析情感有助于提取不同領(lǐng)域的公眾情緒和意見(jiàn)，可以確定民意調(diào)查的影響[17]，有效解釋和描述政治事件[18]，預(yù)測(cè)股票趨勢(shì)[19]等。但是微博討論的話(huà)題不拘泥于任何方式，可變性大，這種互動(dòng)引發(fā)公眾情緒的不斷變化，挑戰(zhàn)性變大。（3）碎片信息的關(guān)聯(lián)與整合，由于海量的不同文化背景的各種思維在交互中相互交融，使原本碎片狀的信息以話(huà)題事件的方式相關(guān)聯(lián)，進(jìn)而匯聚為思想流。這種思想流看問(wèn)題的角度各異，也更能顯現(xiàn)出事情的本來(lái)面目。但是微博的短文本、多語(yǔ)言背景[20]，以及口語(yǔ)化、錯(cuò)誤拼寫(xiě)和縮寫(xiě)、使用特殊符號(hào)等對(duì)內(nèi)容的理解造成很大挑戰(zhàn)。#標(biāo)簽、轉(zhuǎn)播、提及、URL等可以輔助分析內(nèi)容[21]。比如利用#標(biāo)簽收集特定話(huà)題和事件的信息[5-6]，提高檢索性能和進(jìn)行語(yǔ)義分析[14]等。使用轉(zhuǎn)播估計(jì)話(huà)題興趣度或博文重要度[7,20]，提及查找具有特定興趣的個(gè)人或特定話(huà)題的視圖[22]，使用URL計(jì)數(shù)度量事件流行度[14]等。

由此可見(jiàn)，社會(huì)媒體大數(shù)據(jù)中潛藏著大量有價(jià)值的信息，挖掘過(guò)程面臨很多挑戰(zhàn)。因此，本文第2、3、4章分別基于用戶(hù)、交互關(guān)系和交互內(nèi)容三方面綜述現(xiàn)有研究工作；第5章指出面臨的挑戰(zhàn)和新問(wèn)題。

2 基于用戶(hù)的分析

社會(huì)網(wǎng)絡(luò)中基于用戶(hù)的研究包括多源異構(gòu)網(wǎng)絡(luò)中用戶(hù)身份識(shí)別、社群發(fā)現(xiàn)和用戶(hù)影響力計(jì)算。

2.1 用戶(hù)身份識(shí)別

在線(xiàn)社會(huì)網(wǎng)絡(luò)可看做異構(gòu)信息網(wǎng)絡(luò)，其中的信息通常包括時(shí)間、地點(diǎn)、人物、事件等，而用戶(hù)往往同時(shí)存在于多個(gè)不同的社會(huì)網(wǎng)絡(luò)中。由于異構(gòu)的特點(diǎn)，導(dǎo)致同一個(gè)人在不同的網(wǎng)絡(luò)中會(huì)呈現(xiàn)一定的差異，如何在此種情況下識(shí)別這個(gè)人的身份成為近年來(lái)異構(gòu)社會(huì)網(wǎng)絡(luò)研究的一個(gè)熱點(diǎn)。文獻(xiàn)[23]提出了跨異構(gòu)社會(huì)網(wǎng)絡(luò)的用戶(hù)身份識(shí)別方法，如圖2所示。

用戶(hù)身份識(shí)別主要思想是用戶(hù)匹配的推理策略，在一對(duì)一匹配條件約束下，通過(guò)擴(kuò)展Jaccards系數(shù)和擴(kuò)展Adar度量來(lái)對(duì)文本內(nèi)容、空間分布、時(shí)間分布等多個(gè)特征進(jìn)行分析。類(lèi)似的，也可以采用協(xié)同分割模型[24]來(lái)解決在多個(gè)大規(guī)模社會(huì)網(wǎng)絡(luò)上處于不同網(wǎng)絡(luò)中的相同身份的辨識(shí)問(wèn)題。該方法主要利用圖論知識(shí)，對(duì)一個(gè)社會(huì)網(wǎng)絡(luò)的拓?fù)溥M(jìn)行平衡化分割，從而在不同的網(wǎng)絡(luò)中發(fā)現(xiàn)相同的分割規(guī)律，進(jìn)而實(shí)現(xiàn)身份對(duì)齊。文獻(xiàn)[25]受力的相互作用和能量守恒原理的啟發(fā)，提出了基于能量方程的COSNET模型，采用的方法分別是無(wú)監(jiān)督成對(duì)網(wǎng)絡(luò)對(duì)齊和傳遞集成網(wǎng)絡(luò)對(duì)齊的方法，分別從局部一致性和全局一致性?xún)煞矫鎭?lái)分析異構(gòu)網(wǎng)絡(luò)環(huán)境下的用戶(hù)匹配問(wèn)題。

以上這些都是針對(duì)非匿名網(wǎng)絡(luò)的，實(shí)際的匿名網(wǎng)絡(luò)中用戶(hù)的身份識(shí)別問(wèn)題也很重要，因此，文獻(xiàn)[26]針對(duì)匿名社會(huì)網(wǎng)絡(luò)設(shè)計(jì)了一個(gè)無(wú)監(jiān)督的多網(wǎng)絡(luò)對(duì)齊模型，能夠解決匿名網(wǎng)絡(luò)中用戶(hù)信息和錨鏈接缺失的問(wèn)題。總之，以上方法考慮到異構(gòu)網(wǎng)絡(luò)的特點(diǎn)，挖掘同一身份在不同網(wǎng)絡(luò)中的共性，從而完成身份識(shí)別。

2.2 社群發(fā)現(xiàn)

社群是指用戶(hù)在某段時(shí)間內(nèi)互動(dòng)形成的具有穩(wěn)定群體結(jié)構(gòu)、一致行為特征和統(tǒng)一意識(shí)形態(tài)的個(gè)體和社會(huì)關(guān)系的集合。社群內(nèi)部用戶(hù)關(guān)系強(qiáng)度強(qiáng)，聚合強(qiáng)度大，而社群之間用戶(hù)關(guān)系強(qiáng)度弱，離散程度大[27]。社群挖掘的目的在于從用戶(hù)的行為、群體結(jié)構(gòu)和關(guān)系模式中發(fā)現(xiàn)潛在的規(guī)律。

社群結(jié)構(gòu)按照用戶(hù)社會(huì)關(guān)系和對(duì)文本內(nèi)容的興趣度劃分為兩種[27]：（1）以用戶(hù)個(gè)體為中心的社群結(jié)構(gòu)。由微博主、粉絲、好友及具有相同#標(biāo)簽或興趣度的用戶(hù)組成，其主體微博主一般影響力較大，充當(dāng)意見(jiàn)領(lǐng)袖的角色，其他用戶(hù)對(duì)微博主的某條博文進(jìn)行評(píng)論、轉(zhuǎn)發(fā)，這種結(jié)構(gòu)隨著微博主的威望或博文熱度的降低而減弱。（2）以話(huà)題為中心的社群結(jié)構(gòu)，以話(huà)題內(nèi)容為中心，聚合大部分興趣愛(ài)好相同或具有相同#標(biāo)簽的用戶(hù)，他們討論的主題大多以時(shí)效性較強(qiáng)、關(guān)注度較高的熱點(diǎn)話(huà)題為主，社群成員地位平等，分布均勻，這種結(jié)構(gòu)隨著話(huà)題的結(jié)束而消失。

早期社群劃分以靜態(tài)劃分為主，采用基于圖聚類(lèi)的方法和基于相似度計(jì)算的方法?；趫D聚類(lèi)的方法采用圖建模復(fù)雜網(wǎng)絡(luò)，通過(guò)計(jì)算節(jié)點(diǎn)相似度，按照子網(wǎng)內(nèi)部節(jié)點(diǎn)相似度高，不同子網(wǎng)中節(jié)點(diǎn)的連接數(shù)最少的原則劃分網(wǎng)絡(luò)，每個(gè)子網(wǎng)記為一個(gè)社群。大部分算法采用迭代二分的方式尋找二分網(wǎng)絡(luò)各自的最優(yōu)化分解以獲得滿(mǎn)足條件的子圖。比較著名的有Kernighan-Lin算法[28]和基于圖的Laplace矩陣特征向量的譜二分法[29]?；谙嗨贫扔?jì)算的方法是根據(jù)網(wǎng)絡(luò)中節(jié)點(diǎn)間的相似性或者連接的強(qiáng)弱來(lái)決定是否保留或刪除邊，實(shí)現(xiàn)網(wǎng)絡(luò)群體的重構(gòu)。GN算法[30]、Newman的快速算法[31]等都是這類(lèi)方法的代表。此外，用戶(hù)個(gè)體同一時(shí)間可能以不同身份出現(xiàn)在不同的社群，因此出現(xiàn)了重疊社群發(fā)現(xiàn)[32]，后來(lái)演變出了動(dòng)態(tài)社群發(fā)現(xiàn)[33]。它根據(jù)信息資源和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行動(dòng)態(tài)穩(wěn)定的變化規(guī)律劃分，如從分組群和個(gè)體兩個(gè)層次進(jìn)行動(dòng)態(tài)規(guī)劃，或者依據(jù)當(dāng)前社群結(jié)構(gòu)約束、歷史演變模式和特定時(shí)刻單節(jié)點(diǎn)的多社群屬性進(jìn)行劃分。

Fig.2 Identification schematic圖2 身份識(shí)別示意圖

2.3 用戶(hù)影響力計(jì)算

影響力計(jì)算對(duì)單個(gè)用戶(hù)的影響力進(jìn)行衡量，通常采用節(jié)點(diǎn)權(quán)重進(jìn)行表征。目前主要從網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、個(gè)體及其關(guān)系特征和信息傳播結(jié)構(gòu)3個(gè)角度來(lái)研究，其中，從網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)出發(fā)的方法如表1所示。

根據(jù)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可以將影響力分為節(jié)點(diǎn)的影響力和邊的影響力。表1中節(jié)點(diǎn)度分為節(jié)點(diǎn)的入度[34]、出度[35]和度中心度[36]。其中出入度是有方向的，表示信息傳播的方向，出度度量鄰居節(jié)點(diǎn)對(duì)當(dāng)前節(jié)點(diǎn)的影響力，入度反之，而度中心度度量的是當(dāng)前對(duì)鄰居節(jié)點(diǎn)的平均影響力。接近中心度[37]表示信息從當(dāng)前節(jié)點(diǎn)傳播到其他節(jié)點(diǎn)的距離，可以度量當(dāng)前節(jié)點(diǎn)對(duì)其他節(jié)點(diǎn)的間接影響，也可以度量當(dāng)前節(jié)點(diǎn)自身的關(guān)系強(qiáng)度。因此，接近中心度越大，當(dāng)前節(jié)點(diǎn)影響其他節(jié)點(diǎn)的速度越快。中介中心度[36]表示信息流經(jīng)當(dāng)前節(jié)點(diǎn)的數(shù)量，值越大，該節(jié)點(diǎn)在網(wǎng)絡(luò)中越重要。PageRank算法[38]計(jì)算的是當(dāng)前節(jié)點(diǎn)在網(wǎng)絡(luò)中的影響力排名，當(dāng)前節(jié)點(diǎn)影響力受其他節(jié)點(diǎn)影響力影響時(shí)，它們之間呈正相關(guān)關(guān)系。HITS（hyperlink induced topic search）算法[39]綜合考慮了節(jié)點(diǎn)的權(quán)威度與中心度，但沒(méi)有考慮節(jié)點(diǎn)影響力的劃分。聚集系數(shù)[40]表示當(dāng)前與鄰居節(jié)點(diǎn)產(chǎn)生聯(lián)系的可能性，具有傳遞性，可以用來(lái)預(yù)測(cè)形成社區(qū)的可能性。

也有文獻(xiàn)表明信息傳播與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)沒(méi)有必然聯(lián)系，單純基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)計(jì)算影響力不夠準(zhǔn)確[41-42]。用戶(hù)行為及其關(guān)系特征可以增強(qiáng)計(jì)算的準(zhǔn)確性[43-45]。如文獻(xiàn)[43-44]采用轉(zhuǎn)發(fā)、提及等用戶(hù)行為的傳播頻率和執(zhí)行范圍有效度量用戶(hù)發(fā)布信息的影響力。信息傳播結(jié)構(gòu)主要用到信息傳播樹(shù)，從其規(guī)模、深度、廣度等方面進(jìn)行研究。例如，基于用戶(hù)和信息傳播樹(shù)的話(huà)題相似性的影響力排序算法[13]，簡(jiǎn)單易行，但客觀性和準(zhǔn)確性欠佳；采用粉絲數(shù)、轉(zhuǎn)發(fā)數(shù)、用戶(hù)被提及數(shù)和PageRank值等來(lái)衡量用戶(hù)影響力[38]；利用產(chǎn)生式圖模型來(lái)度量Twitter異構(gòu)網(wǎng)絡(luò)中的話(huà)題影響力[46]。這些研究表明基于不同角度得出的度量結(jié)果差別較大，但基于同類(lèi)度量角度的度量結(jié)果較為相似。此外，研究也表明時(shí)間因素對(duì)影響力計(jì)算有重要作用[47-48]。

Table 1 User influence measures from network topology表1 從網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)角度度量用戶(hù)影響力

3 基于關(guān)系的分析

社會(huì)網(wǎng)絡(luò)通常采用圖表示，節(jié)點(diǎn)代表用戶(hù)集合，有激活和未激活兩類(lèi)狀態(tài)，節(jié)點(diǎn)的權(quán)重代表用戶(hù)影響力；邊代表用戶(hù)關(guān)系的集合，邊的權(quán)重代表用戶(hù)關(guān)系強(qiáng)度。目前主要是根據(jù)用戶(hù)關(guān)系研究信息傳播，它在調(diào)控輿情、產(chǎn)品推廣等方面有實(shí)用價(jià)值。

3.1 用戶(hù)關(guān)系強(qiáng)度計(jì)算

用戶(hù)關(guān)系強(qiáng)度用于表征用戶(hù)之間交互的概率，在微博網(wǎng)絡(luò)中用邊的權(quán)重表示。研究表明影響用戶(hù)關(guān)系強(qiáng)度的因素較多，如用戶(hù)類(lèi)型和行為[49]、網(wǎng)絡(luò)結(jié)構(gòu)[50]、微博博文特征和語(yǔ)法特征[51]等。目前典型的計(jì)算方法如表2所示。

Table 2 User relationship strength calculation methods表2 用戶(hù)關(guān)系強(qiáng)度計(jì)算方法

單純從網(wǎng)絡(luò)鏈接分析的角度看，用戶(hù)關(guān)系強(qiáng)度計(jì)算可以分為相似度計(jì)算、邊介數(shù)、影響力圖3種。其中，相似度計(jì)算[52-53]通常采用Jaccard相似度、Cosine相似度和Overlap相似度；邊介數(shù)[30]類(lèi)似于中介中心度，只不過(guò)面向的對(duì)象是邊；影響力圖[38]采用有向帶權(quán)圖表示社交網(wǎng)絡(luò)，弧的方向表示影響力來(lái)源，弧的權(quán)重表示影響力強(qiáng)度，與弧的重?cái)?shù)呈正相關(guān)。

從是否考慮時(shí)間因素的角度看，用戶(hù)關(guān)系強(qiáng)度計(jì)算可以分為靜態(tài)模型和時(shí)間模型。其中靜態(tài)模型包括文獻(xiàn)[54]所提出的方法、隱含變量模型[55]等。文獻(xiàn)[54]根據(jù)獨(dú)立級(jí)聯(lián)模型和真實(shí)傳播數(shù)據(jù)將研究問(wèn)題建模為一個(gè)似然函數(shù)最大化問(wèn)題，然后利用期望最大化進(jìn)行求解。隱含變量模型是根據(jù)用戶(hù)描述內(nèi)容的相似度與用戶(hù)間的交互關(guān)系計(jì)算關(guān)系強(qiáng)度。這兩種方法計(jì)算代價(jià)高，不適用于大規(guī)模數(shù)據(jù)集。時(shí)間型方法[44]增加了理論時(shí)間與實(shí)際時(shí)間的關(guān)聯(lián)關(guān)系，通常采用連續(xù)型或離散型指數(shù)衰減模型。連續(xù)型用戶(hù)關(guān)系強(qiáng)度具有時(shí)間動(dòng)態(tài)性，但只能非增量式地計(jì)算用戶(hù)的聯(lián)合影響力，不適用于大規(guī)模數(shù)據(jù)，為此出現(xiàn)了用離散時(shí)間函數(shù)近似表示的用戶(hù)關(guān)系強(qiáng)度，它可以增量式地計(jì)算用戶(hù)的聯(lián)合影響力。

研究表明，即便網(wǎng)絡(luò)結(jié)構(gòu)上不相關(guān)聯(lián)，只要交互內(nèi)容上有影響關(guān)系，那么這些用戶(hù)之間就存在間接影響關(guān)系。為此文獻(xiàn)[56]提出了基于歷史交互信息的HF-NMF方法，其中交互信息包括信息條目、用戶(hù)與信息的關(guān)系。文獻(xiàn)[47]利用轉(zhuǎn)移熵量化交互信息的演化過(guò)程，從而計(jì)算用戶(hù)之間的間接影響力。

3.2 信息傳播

信息傳播模型研究社會(huì)網(wǎng)絡(luò)中用戶(hù)對(duì)信息的轉(zhuǎn)播和采納。例如Twitter中，當(dāng)一個(gè)用戶(hù)轉(zhuǎn)發(fā)一條信息，他首先要與信息本身交互，因此初始消息的廣播創(chuàng)建了一個(gè)新的通知和帖子的級(jí)聯(lián)，這些對(duì)象被稱(chēng)為信息級(jí)聯(lián)[57]。傳播模型分為意見(jiàn)動(dòng)態(tài)（opiniondynamic，OD）模型、博弈論（game-theoretical，GT）模型。模型的對(duì)比如表3所示。

Table 3 Information propagation models表3 信息傳播模型

意見(jiàn)動(dòng)態(tài)模型包括級(jí)聯(lián)模型、閾值模型和傳染病模型。級(jí)聯(lián)模型認(rèn)為只要未激活鄰居節(jié)點(diǎn)中任意節(jié)點(diǎn)v以概率pu,v激活u成功，u將被激活；否則，v從此不能再激活u。pu,v的取值與u、v節(jié)點(diǎn)無(wú)關(guān)，是獨(dú)立的。線(xiàn)性閾值模型認(rèn)為當(dāng)v中所有節(jié)點(diǎn)的激活能力之和大于u的被激活閾值θv時(shí)，u將被激活。級(jí)聯(lián)模型、閾值模型中已激活節(jié)點(diǎn)不可以向未激活狀態(tài)轉(zhuǎn)換。也有一些擴(kuò)展模型，如文獻(xiàn)[58]用增量函數(shù)pv(u,Fv)代替獨(dú)立級(jí)聯(lián)模型中的pu,v，F(xiàn)v表示被u激活失敗的鄰居節(jié)點(diǎn)集合；并且文獻(xiàn)[63]發(fā)現(xiàn)pv(u,Fv)值隨著被激活失敗次數(shù)的增加而遞減。文獻(xiàn)[58]還采用閾值函數(shù)fu(Av)代替，其中Av表示前一時(shí)刻被激活的鄰居節(jié)點(diǎn)集合。

病毒傳播模型認(rèn)為只要v不為空，u就會(huì)以固定概率p被感染（激活），并且在一段時(shí)間之后，u可以重新回歸易感染（未激活狀態(tài)）。除此之外，處于免疫狀態(tài)的節(jié)點(diǎn)不會(huì)被感染，也不會(huì)去感染其他節(jié)點(diǎn)。其中p取固定值，一般與用戶(hù)關(guān)系無(wú)關(guān)，只與信息本身有關(guān)。例如，在Twitter中傳播謠言，如果謠言傳播給易感染者，則易感染者會(huì)以概率α變成已感染者；如果謠言傳播給已感染者，則已感染者會(huì)以概率β變成免疫者；否則鄰居節(jié)點(diǎn)不再發(fā)送該謠言給它時(shí)，它以1-β的概率繼續(xù)傳播該謠言。

意見(jiàn)動(dòng)態(tài)模型的最大特點(diǎn)是需要預(yù)定義簡(jiǎn)單的規(guī)則和行為，這樣模型失去了動(dòng)態(tài)性和靈活性，且考慮因素單一。因此出現(xiàn)了博弈論模型，它認(rèn)為節(jié)點(diǎn)u應(yīng)該同時(shí)考慮所有鄰居節(jié)點(diǎn)和信息內(nèi)容，使其自身利益最大化。例如，動(dòng)態(tài)隨機(jī)最優(yōu)反應(yīng)（stochasticbest-response dynamics）模型根據(jù)每個(gè)動(dòng)作未來(lái)效用的概率分布選擇動(dòng)作[30]；而文獻(xiàn)[62]的未來(lái)效用pi,β(yi|xN(i))根據(jù)當(dāng)前節(jié)點(diǎn)與鄰居節(jié)點(diǎn)的相互作用產(chǎn)生。它與閾值模型的區(qū)別在于用戶(hù)通過(guò)衡量自身可選策略的利益大小使其自身利益最大化來(lái)選擇動(dòng)作，而不是基于閾值，靈活性強(qiáng)。

上述兩大類(lèi)模型都屬于理論型傳播模型，它們單純從理論上模擬信息傳播，模型中的時(shí)刻都是理論上的時(shí)間間隔，并非真實(shí)的時(shí)間。為此，出現(xiàn)了用戶(hù)關(guān)系強(qiáng)度的計(jì)算源于實(shí)際數(shù)據(jù)的傳播模型，它們采用信息本身特性、用戶(hù)關(guān)系、微博網(wǎng)絡(luò)外部因素等多方面對(duì)信息傳播進(jìn)程建模，預(yù)測(cè)信息傳播動(dòng)態(tài)以及用戶(hù)個(gè)體的傳播行為。主要有兩條研究主線(xiàn)：（1）從整體出發(fā)，預(yù)測(cè)信息的擴(kuò)散速度、范圍、廣度和深度等[7,42,64]；（2）從個(gè)體出發(fā)，預(yù)測(cè)用戶(hù)個(gè)體傳播某條信息的概率，進(jìn)而研究整個(gè)社會(huì)網(wǎng)絡(luò)的信息傳播情況[7,65]。

3.3 影響力最大化

影響力計(jì)算是針對(duì)單個(gè)用戶(hù)節(jié)點(diǎn)而言的，而影響力最大化問(wèn)題[66]涉及網(wǎng)絡(luò)中的多個(gè)用戶(hù)，考量集體的聯(lián)合影響力，它利用信息傳播模型聚集用戶(hù)，使用戶(hù)集合可以最大程度地影響其他用戶(hù)，從而使信息最大程度地?cái)U(kuò)散。它是在線(xiàn)社交網(wǎng)絡(luò)的重要研究問(wèn)題，主要研究可分為傳統(tǒng)影響力最大化問(wèn)題和新型影響力最大化問(wèn)題。

傳統(tǒng)影響力最大化是針對(duì)單條信息而言的，主要研究方法包括基于信息傳播模型的近似貪心算法、啟發(fā)式算法和混合算法[58,67-69]，以及這些算法在擴(kuò)展性上的改進(jìn)算法[70-73]。貪心算法中基于獨(dú)立級(jí)聯(lián)模型和線(xiàn)性閾值模型可以避免多個(gè)信息同時(shí)擴(kuò)散到某一節(jié)點(diǎn)的現(xiàn)象；基于節(jié)點(diǎn)度中心度和距離中心度的方法，將信息擴(kuò)散僅限制在一個(gè)局部團(tuán)體內(nèi)，無(wú)法擴(kuò)散到整個(gè)網(wǎng)絡(luò)。啟發(fā)式算法只考慮了網(wǎng)絡(luò)結(jié)構(gòu)，而沒(méi)有考慮到信息在網(wǎng)絡(luò)中擴(kuò)散的動(dòng)態(tài)性。混合方法，例如采用級(jí)聯(lián)和閾值模型計(jì)算影響力，采用貪婪近似啟發(fā)式方法選擇k個(gè)最優(yōu)的初始種子達(dá)到影響力傳播最大化。

新型影響力最大化問(wèn)題包括競(jìng)爭(zhēng)性影響力最大化、最低成本影響力最大化和自適應(yīng)影響力最大化問(wèn)題。競(jìng)爭(zhēng)性影響力最大化是針對(duì)同時(shí)傳播的多條相互影響的信息而言的，比如不同品牌或廠家的新品信息、關(guān)于某一事件的謠言信息和可信信息等。對(duì)于其中每條信息，如何從自身的角度選擇初始節(jié)點(diǎn)集合使得該信息影響力得到最大化，這個(gè)問(wèn)題稱(chēng)為競(jìng)爭(zhēng)性信息影響力最大化問(wèn)題。最早解決這個(gè)問(wèn)題的是文獻(xiàn)[61,74-75]，它們證明了以競(jìng)爭(zhēng)對(duì)手的初始種子作為先驗(yàn)知識(shí)實(shí)現(xiàn)競(jìng)爭(zhēng)群影響最大化是一個(gè)NP難問(wèn)題和次模（submodular）問(wèn)題，并設(shè)計(jì)了兩個(gè)爬山算法。文獻(xiàn)[76]研究了類(lèi)似的問(wèn)題，但是其采用的是線(xiàn)性閾值模型和通用閾值模型。文獻(xiàn)[15-16]研究了社交網(wǎng)絡(luò)中廣告活動(dòng)的影響力最大化問(wèn)題。這些研究?jī)蓚€(gè)共同的缺點(diǎn)是假設(shè)了兩個(gè)不太現(xiàn)實(shí)的情況：（1）假設(shè)當(dāng)前用戶(hù)已經(jīng)選擇了種子，就不再感知新競(jìng)爭(zhēng)對(duì)手的存在；（2）假設(shè)當(dāng)前用戶(hù)感知競(jìng)爭(zhēng)對(duì)手的策略，并且從已經(jīng)提供免費(fèi)樣品的目標(biāo)用戶(hù)中選定種子。針對(duì)這種情況，文獻(xiàn)[76]提出了基于博弈論的文獻(xiàn)[77]新框架，給出了3個(gè)更為實(shí)際的假設(shè)：（1）在競(jìng)爭(zhēng)網(wǎng)絡(luò)中給定r個(gè)影響力已經(jīng)最大化的分組，每個(gè)分組在相同的策略下獨(dú)立選擇k個(gè)種子；（2）假設(shè)每個(gè)分組可以感知競(jìng)爭(zhēng)對(duì)手的存在，但不感知他們所采用的策略；（3）假設(shè)在影響力傳播過(guò)程中，一旦當(dāng)前用戶(hù)受到一些分組的影響，則他不再受任何其他分組的影響。

最低成本影響力最大化的目的是確定種子用戶(hù)的最小數(shù)目，這些用戶(hù)能夠觸發(fā)寬級(jí)聯(lián)的信息傳播[78]。早期研究限定在單個(gè)網(wǎng)絡(luò)中，但是只考慮單個(gè)網(wǎng)絡(luò)的信息傳播會(huì)影響計(jì)算的準(zhǔn)確度，因?yàn)橐粋€(gè)用戶(hù)可以處于Twitter、Facebook等多種社交網(wǎng)絡(luò)，并傳播相同的信息。最近，出現(xiàn)了跨多個(gè)社交網(wǎng)絡(luò)的影響力最大化的研究[78]，它采用無(wú)損耦合和有耦合模式將多個(gè)網(wǎng)絡(luò)映射到單個(gè)網(wǎng)絡(luò)。無(wú)損耦合方案保留原有網(wǎng)絡(luò)的所有屬性，提供高質(zhì)量的解決方案，而有損耦合方案考慮了運(yùn)行時(shí)間和內(nèi)存消耗因素。

以上研究都采用了非自適應(yīng)設(shè)置，即營(yíng)銷(xiāo)人員應(yīng)該選擇所有種子用戶(hù)，給予免費(fèi)樣品等。這樣營(yíng)銷(xiāo)人員被迫僅依賴(lài)于傳播模型選擇所有的種子。如果某些選定的種子表現(xiàn)得不好，就沒(méi)有機(jī)會(huì)選擇正確的了。為此，文獻(xiàn)[79]提出了自適應(yīng)影響力最大化方法，并給出了兩個(gè)自適應(yīng)離線(xiàn)策略MaxSpread和MinTss。MaxSpread給定種子數(shù)預(yù)算和時(shí)間范圍，使其最大限度地發(fā)揮影響；MinTss給出一個(gè)時(shí)間范圍和受影響的目標(biāo)用戶(hù)的預(yù)期數(shù)量，最小化所需的種子數(shù)量。

4 基于內(nèi)容的分析

文本是社會(huì)媒體數(shù)據(jù)的核心[80]，其研究包括文本特征提取與選擇、話(huà)題挖掘、事件和新聞檢測(cè)。

4.1 文本特征提取與選擇

收集到的原始文本組織松散，直接用于文本分析會(huì)影響分析的準(zhǔn)確性[81-82]。預(yù)處理就是采用特征抽取和特征選擇的方法將文檔組織成固定數(shù)目的預(yù)定義類(lèi)別，典型處理技術(shù)如圖3所示。

Fig.3 Document preprocessing technology圖3 文檔預(yù)處理技術(shù)

4.1.1 特征抽取

特征抽取方法大概分為3類(lèi)[81]：形態(tài)分析（morphological analysis）、句法分析、語(yǔ)義分析。

形態(tài)分析主要是將文檔轉(zhuǎn)化為詞序列（去除標(biāo)點(diǎn)符號(hào)），包括詞語(yǔ)切分（tokenization）、去除停用詞、詞干還原。詞語(yǔ)切分是指將文檔去除標(biāo)點(diǎn)符號(hào)并切分成詞的序列[83]；去除停用詞是指去除如“the”、“a”、“or”這種詞，主要是為了削減文檔包含詞的數(shù)量來(lái)提高文本處理的效率和效果[84]；詞干還原是指將詞還原為詞根的形式，如“talking”→“talk”，典型的詞根還原算法如Brute-force、Suffix-stripping、Affix-removal和n-gram[81]。

句法分析用于分析句子的邏輯語(yǔ)義，典型方法

其中，D是一組文檔；文檔頻率DF(t)代表出現(xiàn)t的文檔數(shù)。IDF用于縮減詞條權(quán)重，降低詞條頻繁出現(xiàn)的影響，但是它不適合分析微博數(shù)據(jù)[89]，原因有4個(gè)：（1）博文的低冗長(zhǎng)使得詞頻通常接近于0、1，不能體現(xiàn)博文之間的區(qū)別[89]，并且詞頻權(quán)重僅表示詞條在集合中的重要性，而不是它相對(duì)于時(shí)間的重要性，不足以衡量時(shí)間敏感的話(huà)題。（2）噪聲和稀有詞的IDF得分更高，而話(huà)題詞在多個(gè)博文中出現(xiàn)說(shuō)明其更重要，因此減少此類(lèi)話(huà)題詞的重要性可能會(huì)導(dǎo)致性能下降[90]。（3）博文的高通量性使得計(jì)算整體權(quán)重不切實(shí)際。（4）詞頻技術(shù)不捕獲詞條的順序，致使處理過(guò)程中信包括詞性標(biāo)注（part-of-speech tagging，POS）和解析法。詞性標(biāo)注就是根據(jù)單詞在句子中的上下文語(yǔ)法知識(shí)為單詞添加詞匯分類(lèi)，以便進(jìn)行語(yǔ)言分析。詞性標(biāo)注的典型技術(shù)可分為基于規(guī)則的形態(tài)分析和隨機(jī)模型，如隱馬爾科夫模型（hidden Markov model，HMM）[85]。HMM是一種隨機(jī)標(biāo)記技術(shù)，主要用來(lái)從輸入詞序列中發(fā)現(xiàn)最類(lèi)似的POS標(biāo)記。解析[86]用于檢測(cè)句子的語(yǔ)法結(jié)構(gòu)，通常采用解析樹(shù)分析句子的語(yǔ)序。

語(yǔ)義分析就是理解句子的含義，包括關(guān)鍵詞識(shí)別技術(shù)和語(yǔ)義網(wǎng)技術(shù)。關(guān)鍵詞識(shí)別技術(shù)用于從文本信息中提取有用內(nèi)容，通常基于語(yǔ)義詞典，如Word-Net-Affect，可用于情感分析，但是它依賴(lài)于文本中的顯示詞匯。比如多人在飛機(jī)失事中遇難，表達(dá)悲傷情緒，但文中沒(méi)有出現(xiàn)“悲傷”，因此，它檢測(cè)不出悲傷這種情緒。為了彌補(bǔ)這種缺陷，出現(xiàn)了語(yǔ)義網(wǎng)技術(shù)，用于表示概念、事件，以及它們之間的關(guān)系[86-87]，這種技術(shù)利用的是詞語(yǔ)的背景信息而非明顯的關(guān)鍵字。

4.1.2 特征選擇

特征選擇是為了消除目標(biāo)文本中無(wú)關(guān)和冗余的信息，主要是根據(jù)詞在文檔中的重要性得分選擇重要特征[88]。主要分為基于頻率的方法、潛在語(yǔ)義索引（latent semantic indexing，LSI）和隨機(jī)映射，其中最常見(jiàn)的度量方法是基于頻率的技術(shù)，如TF/IDF，定義如下：息丟失。

LSI[91]傾向于提高詞匯匹配，隨機(jī)映射則是通過(guò)大的文檔集創(chuàng)建映射圖。圖中任何選定的區(qū)域可以用于提取類(lèi)似主題的新文檔。

4.2 話(huà)題事件挖掘

事件是指在特定的時(shí)間和地點(diǎn)下發(fā)生的有前因和后果的事情，而話(huà)題是指由所有直接相關(guān)事件構(gòu)成的大事件[92]。話(huà)題挖掘的主要任務(wù)是話(huà)題檢測(cè)與跟蹤（topic detection and tracking，TDT），采用歷史事件追溯檢測(cè)和在線(xiàn)新事件自動(dòng)識(shí)別方法[93]，已有大量研究，尤其針對(duì)完整新聞報(bào)導(dǎo)[93-94]和博客[95]的話(huà)題檢測(cè)已取得了一些成績(jī)。然而，由于微博格式復(fù)雜，內(nèi)容簡(jiǎn)短，用語(yǔ)不規(guī)范等特點(diǎn)，TDT技術(shù)不能簡(jiǎn)單應(yīng)用到微博[20]。下面從話(huà)題模型、話(huà)題摘要、話(huà)題的檢測(cè)與跟蹤三方面進(jìn)行介紹。

4.2.1 話(huà)題模型

話(huà)題模型用于識(shí)別文本內(nèi)容的潛在語(yǔ)義，典型的靜態(tài)話(huà)題模型有：（1）向量空間模型，用向量表示詞，計(jì)算方便，但缺乏信息的語(yǔ)義關(guān)聯(lián)，并且新詞、多義詞、別義詞對(duì)基于第三方詞典或者語(yǔ)言資料的詞匯鏈模型挑戰(zhàn)性很大。（2）圖模型，充分考慮上下文的語(yǔ)義關(guān)系，彌補(bǔ)了傳統(tǒng)話(huà)題模型語(yǔ)義信息缺失的不足，但是在實(shí)際應(yīng)用中存在著計(jì)算代價(jià)高，存儲(chǔ)容量大等問(wèn)題。（3）概率模型，典型的模型如LDA（latent Dirichlet allocation）[96]，它采用三層貝葉斯的形式表示潛在的話(huà)題，具有較好的泛化性，但也不太適合稀疏數(shù)據(jù)和短文本。因此演變出了針對(duì)微博中單一話(huà)題的L-LDA（labeled-LDA）模型[97]和Twitter-LDA模型[98]。L-LDA主要考慮了標(biāo)簽（Hashtag），在建模推文排名、為用戶(hù)推薦任務(wù)[97]方面有應(yīng)用。L-LDA、LDA發(fā)現(xiàn)潛在話(huà)題的處理流程如圖4所示。

Fig.4 Labeled-LDAand its generation process圖4 標(biāo)記LDA及其生成過(guò)程

Twitter-LDA模型[98]發(fā)現(xiàn)單個(gè)推文通常是關(guān)于單一話(huà)題的。此外，各種研究表明推文的短文本特性導(dǎo)致LDA不太適合Twitter?？朔@種問(wèn)題的一個(gè)想法是將推文聚合在一起來(lái)提供更多的背景知識(shí)，可以根據(jù)詞條按內(nèi)容[99]、話(huà)題[13]或author-topic（AT）模型[100]對(duì)推文進(jìn)行分組。然而研究表明，相比簡(jiǎn)單的基于詞條的方法，直接應(yīng)用AT模式不會(huì)產(chǎn)生顯著改進(jìn)，內(nèi)容聚合的性能比AT模型的聚合更好。

微博話(huà)題數(shù)據(jù)具有流數(shù)據(jù)特征，隨時(shí)間不斷動(dòng)態(tài)演化，因而出現(xiàn)了話(huà)題動(dòng)態(tài)演化方法[101]，主要有：（1）將文檔的時(shí)間信息作為話(huà)題特征的一個(gè)指標(biāo)維度，并基于傳統(tǒng)空間向量構(gòu)建具有動(dòng)態(tài)演變性的話(huà)題模型。（2）基于概率話(huà)題模型在強(qiáng)度和內(nèi)容上挖掘話(huà)題演化，主要是計(jì)算時(shí)間信息與話(huà)題、文檔[102]、詞項(xiàng)[103]的后驗(yàn)概率分布。（3）基于已有詞項(xiàng)特征與新增詞項(xiàng)特征的演變特性挖掘話(huà)題演化。方法（1）、（2）在動(dòng)態(tài)更新問(wèn)題上具有明顯不足，并且僅采用均值泛化的思想去增量擴(kuò)充演化中的話(huà)題特征，影響了計(jì)算準(zhǔn)確度；方法（3）提高話(huà)題關(guān)聯(lián)的正確率，有效地解決了話(huà)題演化的偏斜問(wèn)題。

4.2.2 話(huà)題摘要

話(huà)題摘要旨在從多條博文中自動(dòng)為相同話(huà)題生成摘要，以輔助話(huà)題核心語(yǔ)義的理解。微博話(huà)題摘要的研究大概分為兩類(lèi)：一類(lèi)是針對(duì)話(huà)題事件的摘要；另一類(lèi)是針對(duì)信息檢索的摘要。主要研究有：（1）基于抽取的自動(dòng)摘要，如根據(jù)相關(guān)性、最大邊緣相關(guān)度或相關(guān)系數(shù)和覆蓋內(nèi)容最大化[104]自動(dòng)摘要，這種方法的缺點(diǎn)是高效的算法摘要的質(zhì)量差，質(zhì)量高的算法計(jì)算量大。（2）基于理解的自動(dòng)摘要，這種方法與第一種方法的區(qū)別在于摘要內(nèi)容不完全出自原文，根據(jù)語(yǔ)義理解得到摘要意義表示進(jìn)而生成摘要，如使用隱馬爾科夫模型發(fā)現(xiàn)Twitter事件的隱狀態(tài)摘要話(huà)題的所有博文[105]。（3）基于關(guān)鍵詞選取與序列化的自動(dòng)摘要，如提取命名實(shí)體、時(shí)間、事件短語(yǔ)和類(lèi)型作為摘要[106]，采用圖模型序列化詞條作為摘要[107]。這些摘要方法主要針對(duì)事件話(huà)題，針對(duì)用戶(hù)查詢(xún)的摘要方法并不多見(jiàn)。

目前微博的摘要方法主要針對(duì)事件話(huà)題，缺乏針對(duì)用戶(hù)查詢(xún)的摘要方法，這種方法需要根據(jù)用戶(hù)查詢(xún)和微博的特征選擇和組織摘要內(nèi)容。并且已有成果中摘要大都是詞、短語(yǔ)、句子或消息的簡(jiǎn)單陳列，缺乏對(duì)博文之間內(nèi)在關(guān)聯(lián)關(guān)系的考慮，摘要的組織形式和呈現(xiàn)方式欠佳，需要探索合適的微博摘要組織策略和呈現(xiàn)方式。

4.2.3 話(huà)題檢測(cè)與跟蹤

話(huà)題檢測(cè)與跟蹤包括在線(xiàn)新事件的檢測(cè)和歷史事件追溯[93,108]。在線(xiàn)新事件檢測(cè)的任務(wù)是實(shí)時(shí)從媒體反饋中識(shí)別事件[93]；歷史事件追溯的任務(wù)是從歷史積累的文檔中識(shí)別以前未知的事件[108]。

對(duì)于新事件檢測(cè)研究已久，早期研究采用傳統(tǒng)事件檢測(cè)方法，目前大多是基于特征的方法，如基于突發(fā)性、趨勢(shì)分析等檢測(cè)新事件。已有文獻(xiàn)的對(duì)比如表4所示。

Table 4 New event detection method based on burst detection and trend analysis表4 基于突發(fā)性檢測(cè)和趨勢(shì)分析的新事件檢測(cè)方法

文獻(xiàn)[109]針對(duì)經(jīng)典事件檢測(cè)方法在處理海量數(shù)據(jù)上速度和效率方面的局限性，提出了恒定時(shí)間和恒定空間的辦法來(lái)解決這個(gè)問(wèn)題。主要優(yōu)勢(shì)在于，它結(jié)合了位置敏感哈希（locality sensitive hashing，LSH）技術(shù)和變分推理策略，這種近似技術(shù)可以檢測(cè)未知事件。文獻(xiàn)[110]采用增量在線(xiàn)聚類(lèi)技術(shù)從博文中檢測(cè)相似話(huà)題，通過(guò)支持向量機(jī)（support vector machine，SVM）模型進(jìn)行分類(lèi)，利用了時(shí)間、社交、局部特征。其中，事件特征用來(lái)刻畫(huà)此詞聚類(lèi)頻率的海量性；局部特征捕捉消息聚類(lèi)中用戶(hù)的交互關(guān)系，如轉(zhuǎn)發(fā)、回復(fù)、提及等；話(huà)題特征描述聚類(lèi)的局部連貫性，事件聚類(lèi)圍繞中心話(huà)題展開(kāi)。文獻(xiàn)[111]提出統(tǒng)一的事件檢測(cè)、跟蹤和摘要的流程，首先采用話(huà)題詞聚類(lèi)檢測(cè)事件；然后將相關(guān)事件的跟蹤問(wèn)題轉(zhuǎn)化為二分圖匹配問(wèn)題；最后將已跟蹤的時(shí)間鏈做成方便用戶(hù)理解的摘要。文獻(xiàn)[112-113]將問(wèn)題轉(zhuǎn)化為圖劃分問(wèn)題并基于小波分析檢測(cè)事件。文獻(xiàn)[112]用詞構(gòu)建小波信號(hào)，而文獻(xiàn)[113]用＃標(biāo)簽事件作為小波信號(hào)。利用＃標(biāo)簽共現(xiàn)原理實(shí)現(xiàn)事件檢測(cè)。文獻(xiàn)[114]提出了Twevent，一個(gè)面向推文的基于片段的事件檢測(cè)系統(tǒng)。片段是指推文中的一個(gè)或連續(xù)的多個(gè)字。采用不重疊的k-最近鄰圖和基于廣義對(duì)稱(chēng)條件概率（symmetric conditional probability，SCP）的連續(xù)文件段的n-gram技術(shù)。它的獨(dú)特性在于采用突發(fā)性片段作為事件片段，而不是依賴(lài)于突發(fā)性詞或者話(huà)題。文獻(xiàn)[116-117]針對(duì)特殊事件進(jìn)行檢測(cè)。其中文獻(xiàn)[116]采用有監(jiān)督分類(lèi)技術(shù)檢測(cè)地震、臺(tái)風(fēng)、交通事故等事件。而文獻(xiàn)[117]采用預(yù)定義規(guī)則TEDAS對(duì)Twitter中與犯罪、疾病相關(guān)的事件進(jìn)行檢測(cè)。文獻(xiàn)[118]提出3種可選擇的基于梯度提升決策樹(shù)的回歸及其學(xué)習(xí)模型，用于檢測(cè)有爭(zhēng)議的事件。文獻(xiàn)[104]對(duì)文獻(xiàn)[118]進(jìn)行擴(kuò)展，允許對(duì)實(shí)體排序。文獻(xiàn)[106]提出了TwiGl，它是面向Twitter的開(kāi)放領(lǐng)域事件抽取和分類(lèi)系統(tǒng)，從800條隨機(jī)選擇的推文上訓(xùn)練命名實(shí)體標(biāo)注器來(lái)抽取命名實(shí)體，用已有的Twitter-tuned part-ofspeech tagger工具抽取事件提及，然后根據(jù)潛在變量模型LinkLDA分類(lèi)已抽取的事件。文獻(xiàn)[12]提出了TwitterStand系統(tǒng)，它利用位置信息和基于加權(quán)詞向量的聚類(lèi)算法從博文中自動(dòng)獲取突發(fā)新聞。

對(duì)于歷史事件追溯的研究也有很多，其對(duì)比如表5所示。

Table 5 Event tracing methods表5 事件追溯方法

文獻(xiàn)[119]在消息級(jí)別，采用條件隨機(jī)場(chǎng)技術(shù)抽取位置等場(chǎng)值，因子圖模型捕捉?jīng)Q策之間的交互、變分推理技術(shù)來(lái)提升海量消息預(yù)測(cè)的效率和效果。文獻(xiàn)[120]利用詞頻分析和位置共現(xiàn)技術(shù)來(lái)提高召回率，文獻(xiàn)[121]將此方法擴(kuò)展到不同的社交媒體網(wǎng)絡(luò)。文獻(xiàn)[124]提出ETree系統(tǒng)，它首先采用n-gram技術(shù)將短消息分組到預(yù)以連貫的信息塊，然后采用增量層次建模技術(shù)構(gòu)建不同粒度的時(shí)間主體結(jié)構(gòu)，最后采用時(shí)間分析技術(shù)識(shí)別信息塊之間的內(nèi)在因果關(guān)系。文獻(xiàn)[125]通過(guò)用戶(hù)標(biāo)注的標(biāo)簽從Flickr照片中檢測(cè)事件分3步完成：（1）事件標(biāo)簽檢測(cè)，使用標(biāo)簽的事件和位置分布信息發(fā)現(xiàn)事件相關(guān)的標(biāo)簽，并采用小波轉(zhuǎn)換技術(shù)減少噪音。（2）事件產(chǎn)生，檢測(cè)分布模式的特征，聚類(lèi)事件相關(guān)的標(biāo)簽。（3）事件照片識(shí)別，根據(jù)每個(gè)標(biāo)簽，聚類(lèi)照片相關(guān)的事件。

4.2.4 微博新聞檢測(cè)

目前，微博對(duì)新聞業(yè)的影響很大，如重大政治事件和緊急情況中記者使用微博和觀眾互動(dòng)，跟蹤新聞的發(fā)展[126]，并可以通過(guò)微博發(fā)表個(gè)人看法，為新聞報(bào)道的發(fā)展提供了一個(gè)額外的語(yǔ)境和對(duì)新聞的額外透明度[127]。此外，Twitter多次表明，它是一個(gè)新聞媒體[128]。微博新聞話(huà)題的檢測(cè)不同于新聞集成，也不同于傳統(tǒng)的話(huà)題和趨勢(shì)檢測(cè)。新聞集成如谷歌新聞和雅虎新聞注重新聞文章，新聞文章包含豐富的新聞話(huà)題和較少的噪音。話(huà)題和趨勢(shì)檢測(cè)是從博文中識(shí)別并合并話(huà)題，并不檢測(cè)話(huà)題與真實(shí)事件的相關(guān)性。但新聞話(huà)題源于話(huà)題，因此話(huà)題檢測(cè)是微博新聞話(huà)題檢測(cè)的根本任務(wù)。此外突發(fā)性[129]、話(huà)題趨勢(shì)[130]、信息監(jiān)測(cè)等技術(shù)也是必不可少的。目前，微博信息檢測(cè)跟蹤工具如表6[131]所示。

目前也有一些有影響力的微博新聞檢測(cè)系統(tǒng)，如Eddi，一個(gè)互動(dòng)的Twitter話(huà)題瀏覽系統(tǒng)[132]，但僅適用于單個(gè)用戶(hù)流，不處理來(lái)自公眾的tweets流。典型的系統(tǒng)還有TwitterStand[12]，如圖5所示。

從架構(gòu)的角度，TwitterStand和TwitInfo有更完整的特征集，包括推文爬取、事件識(shí)別和話(huà)題識(shí)別。TwitterStand[12]使用詞頻進(jìn)行在線(xiàn)聚類(lèi)，尋找話(huà)題并定期合并重復(fù)聚類(lèi)，在收集微博新聞方面效果很好，但不完全自動(dòng)化，其話(huà)題檢測(cè)性能取決于預(yù)先選定的種子，并允許用戶(hù)根據(jù)地域?yàn)g覽新聞，適合于地理特征的應(yīng)用。TwitInfo[133]旨在幫助用戶(hù)瀏覽由用戶(hù)指定的事件，通過(guò)計(jì)算時(shí)間序列推文頻率的峰值檢測(cè)話(huà)題，還可以運(yùn)用情感分析幫助用戶(hù)可視化一個(gè)事件的關(guān)鍵點(diǎn)。這兩種系統(tǒng)都使用TF-IDF權(quán)重以減少流行用語(yǔ)的影響。

Table 6 Existing information discovery and tracking tool for Twitter表6 現(xiàn)有Twitter信息發(fā)現(xiàn)與跟蹤工具

Fig.5 System architecture of TwitterStand圖5 TwitterStand系統(tǒng)架構(gòu)

4.3 多媒體數(shù)據(jù)的挖掘與分析

多媒體數(shù)據(jù)源于特定領(lǐng)域的特定問(wèn)題，主要從位置信息的利用、社會(huì)媒體的動(dòng)態(tài)性和時(shí)效性以及社會(huì)媒體大數(shù)據(jù)中存在的深層語(yǔ)義三方面進(jìn)行分析。

4.3.1 地理或位置信息分析

理解和發(fā)現(xiàn)人的移動(dòng)規(guī)律在交通管理、城市規(guī)劃、安全管理等方面尤為重要，近年來(lái)出現(xiàn)的GeoSM（地理標(biāo)記社會(huì)媒體）為研究此類(lèi)問(wèn)題提供了方便?？梢岳蒙鐣?huì)媒體中的地理標(biāo)簽信息學(xué)習(xí)人的位置信息，但是人的移動(dòng)信息往往很分散且移動(dòng)能力是有限的，為了解決此種標(biāo)簽稀疏的問(wèn)題，文獻(xiàn)[134]采用了以標(biāo)簽信息為參考對(duì)用戶(hù)進(jìn)行分組的策略，然后通過(guò)建立HMMs模型來(lái)同時(shí)完成分組和移動(dòng)模型的建立，既可以將移動(dòng)行為類(lèi)似的人員分到一組，又能據(jù)此預(yù)測(cè)人的移動(dòng)趨勢(shì)，從而兼顧了分組的合理性和地理位置引導(dǎo)的有效性。文獻(xiàn)[135]提出了Geo-SAGE系統(tǒng)。該系統(tǒng)使用了一個(gè)稀疏性附加生成模型來(lái)實(shí)現(xiàn)空間目標(biāo)推薦，該模型基于概率混合模型LCA-LDA來(lái)建立，能通過(guò)收集用戶(hù)的位置和頻度信息得到用戶(hù)的空間偏好模型；接下來(lái)再通過(guò)空間金字塔結(jié)構(gòu)把個(gè)人的偏好與地理區(qū)域的人群偏好結(jié)合到一起來(lái)挖掘總體的偏好模式，進(jìn)而達(dá)到對(duì)用戶(hù)進(jìn)行有效推薦的目標(biāo)。文獻(xiàn)[136]針對(duì)大氣環(huán)境檢測(cè)問(wèn)題提出利用地理傳感器中的時(shí)空標(biāo)簽信息來(lái)完成時(shí)空協(xié)同演化模式挖掘的功能。首先對(duì)空間傳感器的數(shù)據(jù)通過(guò)小波變化進(jìn)行過(guò)濾，而且要在空間信息上附加時(shí)間信息，以此得到單個(gè)傳感器的演化模式；然后通過(guò)SCP搜索樹(shù)這個(gè)數(shù)據(jù)結(jié)構(gòu)來(lái)存儲(chǔ)收集的這些單個(gè)數(shù)據(jù)；接下來(lái)在此結(jié)構(gòu)上通過(guò)搜索算法來(lái)完成帶空間約束的集成協(xié)同演化模式發(fā)現(xiàn)，從而使人們可以通過(guò)大氣環(huán)境的時(shí)空關(guān)系變化模式來(lái)進(jìn)行更有效的相關(guān)分析和合理的治理。

4.3.2 社會(huì)媒體的動(dòng)態(tài)性和時(shí)效性分析

最典型的例子就是新聞事件或者說(shuō)新聞報(bào)道，里面不僅會(huì)有事件發(fā)生的時(shí)間和地點(diǎn)，甚至還會(huì)產(chǎn)生很多社會(huì)話(huà)題和社會(huì)影響，這些都會(huì)隨著時(shí)間的推移而發(fā)生變化。文獻(xiàn)[137]提出了基于在線(xiàn)新聞分析的EKNOT系統(tǒng)，能在給定的時(shí)間范圍內(nèi)從Google-News中提取出新聞事件，并從Twitter中找出關(guān)于該事件的評(píng)論和有關(guān)話(huà)題，最終可以提供新聞的事件描述、事件發(fā)展時(shí)間軸、事件所涉及的實(shí)體對(duì)象和對(duì)象間的關(guān)系、關(guān)于該事件的評(píng)論和態(tài)度的統(tǒng)計(jì)，可以看成一個(gè)聯(lián)動(dòng)的過(guò)程，基本采用自然語(yǔ)言處理的常見(jiàn)方法，但是該系統(tǒng)需要一定的時(shí)間來(lái)完成整個(gè)分析過(guò)程。文獻(xiàn)[138]將實(shí)時(shí)分析和地理信息結(jié)合到一起，提出了一個(gè)GeoBurst系統(tǒng)。它能夠通過(guò)Tweet流在線(xiàn)地實(shí)時(shí)發(fā)現(xiàn)突發(fā)性的本地事件，并提取出帶有地理標(biāo)簽的新聞主題；然后對(duì)此進(jìn)行聚類(lèi)來(lái)找到與該主題和地理位置有關(guān)的其他突發(fā)性話(huà)題，從而建立該突發(fā)性事件的時(shí)間軸來(lái)更好地實(shí)現(xiàn)輿論分析等任務(wù)。該系統(tǒng)還同現(xiàn)有的EvenTweet和Wavelet兩個(gè)系統(tǒng)進(jìn)行了比較，實(shí)驗(yàn)證明在同樣的數(shù)據(jù)集上Geo-Burst系統(tǒng)更能準(zhǔn)確地發(fā)現(xiàn)突發(fā)性事件，換句話(huà)說(shuō)就是對(duì)突發(fā)性更敏感和準(zhǔn)確。文獻(xiàn)[139]進(jìn)一步提出了新聞事件隨著時(shí)間推移會(huì)產(chǎn)生許多不同角度的衍生話(huà)題，事件本身的動(dòng)態(tài)性也是多樣化的，一個(gè)主題下會(huì)有很多子主題，因此提出建立一個(gè)分層的事件側(cè)面模型來(lái)幫助檢測(cè)事件，并確定事件的主題，當(dāng)然這主要建立在批處理系統(tǒng)之上。文獻(xiàn)[140]也提出了多視角聚類(lèi)算法，利用兩階段隨機(jī)游走策略來(lái)建立動(dòng)態(tài)的中心主題模型，它能更好地描述主題的變遷過(guò)程，而不僅僅是主題的不同側(cè)面。

4.3.3 社會(huì)媒體大數(shù)據(jù)中存在的深層語(yǔ)義挖掘

對(duì)新聞、視頻、圖像等社會(huì)媒體進(jìn)一步挖掘深層語(yǔ)義也越來(lái)越受到重視。比如之前的新聞事件或主題發(fā)現(xiàn)問(wèn)題，文獻(xiàn)[141]提出了輿論偏見(jiàn)發(fā)現(xiàn)模型，不僅僅是發(fā)現(xiàn)主題或事件，還要根據(jù)該主題或事件的變遷過(guò)程來(lái)發(fā)現(xiàn)新舊狀態(tài)下是否出現(xiàn)了偏激的傾向。這個(gè)問(wèn)題類(lèi)似于情感分析，但是需要對(duì)情感進(jìn)行分類(lèi)，并以此識(shí)別出那些不正常或偏激的論點(diǎn)。文獻(xiàn)[142]除了采用很多新的自然語(yǔ)言處理技術(shù)來(lái)完成實(shí)體識(shí)別和共指消歧之外，還利用了實(shí)體和外部知識(shí)庫(kù)來(lái)更好地發(fā)現(xiàn)用戶(hù)的偏好，并據(jù)此可以估計(jì)哪些新聞或事件會(huì)更流行。文獻(xiàn)[143]也做了同樣的事，只不過(guò)聚焦的媒介發(fā)生了變化，他們更關(guān)注電視、電影等包含更多圖像的媒體，在瀏覽數(shù)量這個(gè)特征之外，提出通過(guò)加入額外的諸如圖像相關(guān)性分析等方法引入深層影響因子分析的機(jī)制，進(jìn)而更好地判斷話(huà)題的流行程度。文獻(xiàn)[144]提出分析人類(lèi)的行為，在定義了人類(lèi)行為的一般模型的同時(shí)，指出要充分利用各種媒介，包括電影腳本、視頻片段、粉絲討論等多種渠道去挖掘行為模式，從而構(gòu)建多種人類(lèi)的行為模式并加以集成構(gòu)成行為語(yǔ)義框架。

社會(huì)媒體中的信息挖掘技術(shù)也催生了很多應(yīng)用，文獻(xiàn)[145]利用發(fā)信者與信息之間的關(guān)系分析來(lái)完成垃圾信息檢測(cè)；文獻(xiàn)[146]利用地理位置信息來(lái)幫助出租車(chē)司機(jī)實(shí)時(shí)規(guī)劃路線(xiàn)；文獻(xiàn)[147]通過(guò)You-Tube和Twitter相結(jié)合來(lái)發(fā)現(xiàn)病毒式營(yíng)銷(xiāo)模式?？傊?，研究人員已經(jīng)開(kāi)始利用這些社會(huì)媒體中的語(yǔ)義信息來(lái)幫助人們完善社會(huì)服務(wù)和構(gòu)建網(wǎng)絡(luò)安全，這些應(yīng)用就不再贅述了。

4.4 情感分析

情感分析也叫意見(jiàn)挖掘，旨在依據(jù)意見(jiàn)目標(biāo)從語(yǔ)料中識(shí)別和提取特定主題的屬性、要素和隱含的主觀信息。意見(jiàn)目標(biāo)通常稱(chēng)作實(shí)體，可以是人物、事件或話(huà)題，與要素和子要素相關(guān)聯(lián)，每個(gè)要素都有其自己的一套情感屬性。微博情感分析可以提取不同領(lǐng)域的公眾情緒和意見(jiàn)，可以確定民意調(diào)查的影響[17]，有效解釋和描述政治事件[18]，預(yù)測(cè)股票趨勢(shì)[19]等。各種情感分析技術(shù)、高密度的情感承載詞和非正式的詞（如“coooool”）有助于微博感情的分類(lèi)[148]。情感分析面臨的挑戰(zhàn)和已有研究工作在報(bào)告[149]和專(zhuān)著[150]中有詳細(xì)的分析和總結(jié)，但是缺乏多維度的情感度量方法，并且微博的多關(guān)系特征和話(huà)題的演化特性引發(fā)了情感的動(dòng)態(tài)演化現(xiàn)象，隨著微博數(shù)據(jù)流的迅速增長(zhǎng)，這個(gè)問(wèn)題也需要考慮。

5 研究展望

由上述分析可知，社會(huì)媒體已經(jīng)引起廣泛關(guān)注，已有一些研究成果，但隨著社會(huì)的發(fā)展，需求的變化，社會(huì)媒體大數(shù)據(jù)挖掘又面臨著新的挑戰(zhàn)。

（1）信息傳播效應(yīng)捕捉

社會(huì)媒體網(wǎng)絡(luò)中信息傳播效應(yīng)的刻畫(huà)是一個(gè)復(fù)雜的問(wèn)題，它受到信息自身因素、社會(huì)因素和網(wǎng)絡(luò)外部因素的綜合影響，并且用戶(hù)本身的屬性與信息本身的屬性也相互影響，準(zhǔn)確全面地反映信息傳播效應(yīng)已成為關(guān)鍵。這一問(wèn)題的解決還依賴(lài)于影響力、用戶(hù)關(guān)系強(qiáng)度和傳播規(guī)律。

①用轉(zhuǎn)發(fā)數(shù)來(lái)衡量影響力以及從單個(gè)獨(dú)立的角度研究影響力的方法不能很好地刻畫(huà)信息傳播情況和完全展現(xiàn)用戶(hù)的影響力，需要將網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與信息傳播樹(shù)結(jié)合使用，不僅要考慮信息傳播樹(shù)的規(guī)模，還要著重關(guān)注其深度和廣度等特征。

②信息傳播是一個(gè)動(dòng)態(tài)過(guò)程，需要捕捉用戶(hù)關(guān)系強(qiáng)度與傳播關(guān)系的動(dòng)態(tài)規(guī)律。目前一般采用理論型傳播模型，但是這種模型計(jì)算得到的用戶(hù)關(guān)系強(qiáng)度脫離實(shí)際，并且存在著理論時(shí)間與真實(shí)時(shí)刻關(guān)聯(lián)的問(wèn)題。可以考慮從信息傳播歷史數(shù)據(jù)挖掘分析用戶(hù)關(guān)系強(qiáng)度，將理論模型和實(shí)際數(shù)據(jù)聯(lián)通起來(lái)體現(xiàn)實(shí)際應(yīng)用價(jià)值。并且利用社交媒體數(shù)據(jù)的群體特征，借助動(dòng)態(tài)社區(qū)捕捉信息傳播規(guī)律。

（2）影響力計(jì)算

基于關(guān)系分析的一個(gè)具有重要商業(yè)價(jià)值的研究方向是影響力計(jì)算和信息傳播的最大化問(wèn)題。其中信息傳播的最大化問(wèn)題的全局最優(yōu)化被證明是NP難問(wèn)題，對(duì)于大規(guī)模的社會(huì)網(wǎng)絡(luò)，目前只能采用一些優(yōu)化算法獲取近似的較優(yōu)解，并且對(duì)于影響力最大化問(wèn)題目前的最佳解決算法也只處理了百萬(wàn)級(jí)規(guī)模的社會(huì)網(wǎng)絡(luò)[69]。而目前微博網(wǎng)絡(luò)節(jié)過(guò)億，如何在微博網(wǎng)絡(luò)中快速計(jì)算出固定數(shù)量的最有影響力的節(jié)點(diǎn)集合還有待進(jìn)一步探究。

此外，①因?yàn)楦?jìng)爭(zhēng)性信息在選擇初始節(jié)點(diǎn)時(shí)有先后順序，所以不同次序的信息會(huì)有不同的選擇策略，這也需要考慮。②在線(xiàn)社交網(wǎng)絡(luò)除了文本數(shù)據(jù)，還包含大量的圖像聲音等多媒體信息，它對(duì)影響力分析也提出了新挑戰(zhàn)。③研究表明，隱式交互圖比可見(jiàn)交互圖傳播信息的速度更快，揭示的關(guān)系更重要[4]，因此，兩種圖中的影響力是什么關(guān)系，如何量化它們之間的聯(lián)系有待研究。④話(huà)題傳播模型多種多樣，但用戶(hù)影響力相對(duì)穩(wěn)定，它們之間如何影響，程度如何還有待探索。⑤對(duì)于影響力最大化問(wèn)題，除了競(jìng)爭(zhēng)性影響力最大化問(wèn)題外，最低成本影響力最大化、自適應(yīng)影響力最大化和多重影響力最大化也是目前有待研究的問(wèn)題。

（3）特征提取與選擇

針對(duì)傳統(tǒng)數(shù)據(jù)的特征提取與選擇方法已有很多，但是不利于處理低頻詞和發(fā)現(xiàn)新特征，而這種情況在微博數(shù)據(jù)中大量存在。與詞頻模型相比，序列模式挖掘保持了詞的順序并可以捕捉潛在的語(yǔ)義，更能解釋話(huà)題。但是采用模式挖掘的兩大挑戰(zhàn)是：大量冗余模式的產(chǎn)生和長(zhǎng)模式的低支持度問(wèn)題。冗余模式是任何模式挖掘中不可避免的問(wèn)題，但是博文中的噪音加劇了這種問(wèn)題。對(duì)于新特征發(fā)現(xiàn)問(wèn)題，尤其針對(duì)博文，區(qū)分信息新穎性和發(fā)現(xiàn)新特征很重要。在信息新穎性區(qū)分方面，詞性標(biāo)注、詞重疊度和博文語(yǔ)句相似度等方法都發(fā)揮著很大作用。此外，目前社交網(wǎng)絡(luò)中特征提取與選擇是針對(duì)文本數(shù)據(jù)而言的，但是社交網(wǎng)絡(luò)中還包含大量的圖像聲音等多媒體信息，這些信息又將如何處理也是目前需要考慮的問(wèn)題，有待進(jìn)一步研究。

（4）微博新聞挖掘

目前社交網(wǎng)絡(luò)中新聞檢測(cè)研究成果很多，但是微博新聞檢測(cè)僅限于特定的域或事件，仍然缺少針對(duì)微博的跨領(lǐng)域新聞話(huà)題檢測(cè)技術(shù)和適合微博屬性的單獨(dú)計(jì)算模式；另一方面，新聞的第一要義是新，那么如何在線(xiàn)實(shí)時(shí)處理這種社會(huì)化的短文本流？微博新聞信息彌散分布在海量博文中，每個(gè)博文僅是大話(huà)題的一個(gè)小碎片，如何識(shí)別新聞話(huà)題？如何實(shí)時(shí)檢測(cè)新聞事件？新聞話(huà)題存在動(dòng)態(tài)演化性，那么如何判斷事件的連續(xù)性？如何挖掘這種動(dòng)態(tài)的關(guān)聯(lián)演化性？新聞挖掘的核心是話(huà)題挖掘，那么如何迅速?gòu)暮Ａ坎┪闹刑崛∮幸饬x且更容易被理解的微博話(huà)題？目前微博用戶(hù)中移動(dòng)用戶(hù)占多數(shù)，那么挖掘到的新聞以什么形式呈現(xiàn)？如何設(shè)計(jì)針對(duì)微博的動(dòng)態(tài)新聞集成系統(tǒng)？這些都有待深入研究和探索。另外，傳統(tǒng)新聞檢測(cè)大多針對(duì)文本信息，很少考慮多媒體信息對(duì)新聞檢測(cè)的影響，這也有待進(jìn)一步解決。

（5）社會(huì)媒體大數(shù)據(jù)融合

隨著社會(huì)網(wǎng)絡(luò)服務(wù)的發(fā)展，用戶(hù)在社交互動(dòng)中加入了多種服務(wù)，并收集了大量的信息。因此，如何整合分布式社會(huì)網(wǎng)絡(luò)，進(jìn)而對(duì)各種社會(huì)媒體數(shù)據(jù)源進(jìn)行融合，為知識(shí)的挖掘提供更好的數(shù)據(jù)資源已經(jīng)成為亟待解決的問(wèn)題。在這個(gè)過(guò)程中，由于社會(huì)媒體的自發(fā)性，導(dǎo)致了發(fā)布的信息不能保證其真實(shí)可靠，這一挑戰(zhàn)加大了融合的難度。社會(huì)媒體數(shù)據(jù)的利用價(jià)值之一是事件話(huà)題挖掘，目前也傾向于采用構(gòu)建話(huà)題知識(shí)庫(kù)方法，將其用作參照物。比如構(gòu)建縮寫(xiě)的知識(shí)庫(kù)用于縮寫(xiě)詞的識(shí)別和鏈接；類(lèi)似的還可以構(gòu)建社會(huì)媒體常用語(yǔ)知識(shí)庫(kù)，更復(fù)雜的可以構(gòu)建一個(gè)話(huà)題事件知識(shí)庫(kù)。這也是目前的一個(gè)重點(diǎn)研究方面。

（6）跨語(yǔ)言情感分析

挖掘情感是為了體現(xiàn)商業(yè)價(jià)值，目前大數(shù)據(jù)向跨語(yǔ)言融合邁進(jìn)，相應(yīng)的情感分析也向跨語(yǔ)言情感分析發(fā)展。但是，語(yǔ)言的不同體現(xiàn)在語(yǔ)言特征、要素分布的不同，語(yǔ)言間關(guān)聯(lián)的障礙使得跨語(yǔ)言情感分析成為更大的挑戰(zhàn)，這是目前亟待解決的問(wèn)題。

社會(huì)媒體大數(shù)據(jù)有其獨(dú)特的特性，不僅包含社會(huì)關(guān)系屬性，還包括文本數(shù)據(jù)、多媒體數(shù)據(jù)等挖掘價(jià)值。研究熱點(diǎn)問(wèn)題很多，本文僅從用戶(hù)行為、信息傳播、文本挖掘、多媒體數(shù)據(jù)分析4個(gè)方面對(duì)相關(guān)研究成果做了總結(jié)、分析和展望。

[1]Khan N,Yaqoob I,Hashem I A T,et al.Big data:survey, technologies,opportunities,and challenges[J].The Scientific World Journal,2014:1-18.

[2]Brewin M W.Media,society,world:social theory and digital media practice[J].New Media&Society,2013,15 (7):1195-1197.

[3]216 social media and Internet statistics[EB/OL].[2015-12-16].http://thesocialskinny.com/216-social-media-andinternet-statistics-september-2012/.

[4]Saini S,Jin H,Jespersen D,et al.An early performance evaluation of many integrated core architecture based SGI rackable computing system[C]//Proceedings of the 2013 International Conference on High Performance Computing, Networking,Storage and Analysis,Denver,USA,Nov 17-21,2013.New York:ACM,2013:94.

[5]Chang H C.A new perspective on twitter hashtag use:diffusion of innovation theory[J].Proceedings of the American Society for Information Science and Technology,2010, 47(1):1-4.

[6]Bruns A,Burgess J E,Crawford K,et al.#qldfloods and @QPSMedia:crisis communication on Twitter in the 2011 south east Queensland floods[M].Brisbane:ARC Centre of Excellence for Creative Industries and Innovation,2012:19-23.

[7]Yang Zi,Guo Jingyi,Cai Keke,et al.Understanding retweeting behaviors in social networks[C]//Proceedings of the 19th ACM International Conference on Information and Knowledge Management,Toronto,Canada,Oct 26-30,2010. New York:ACM,2010:1633-1636.

[8]Wang Meng,Wang Chaokun,Yu J X,et al.Community detection in social networks:an in-depth benchmarking study with a procedure-oriented framework[J].Proceedings of the VLDB Endowment,2015,8(10):998-1009.

[9]Li Dong,Xu Zhiming,Li Sheng,et al.A survey on information diffusion in online social networks[J].Chinese Journal of Computers,2014,37(1):189-206.

[10]Merton R K.Social theory and social structure[M].New York:Simon and Schuster,1968.

[11]Wu Xindong,Li Yi,Li Lei.Influence analysis of online social networks[J].Chinese Journal of Computers,2014,37 (4):735-752.

[12]Sankaranarayanan J,Samet H,Teitler B E,et al.Twitter-Stand:news in Tweets[C]//Proceedings of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems,Seattle,USA,Nov 4-6, 2009.New York:ACM,2009:42-51.

[13]Weng Jianshu,Lim E P,Jiang Jing,et al.TwitterRank: finding topic-sensitive influential Twitterers[C]//Proceedings of the 3rd ACM International Conference on Web Search and Data Mining,New York,Feb 4-6,2010.New York:ACM,2010:261-270.

[14]Welch M J,Schonfeld U,He D,et al.Topical semantics of twitter link[C]//Proceedings of the 4th International Conference on Web Search and Web Data Mining,Hong Kong, China,Feb 9-12,2011.NewYork:ACM,2011:327-336.

[15]Budak C,Agrawal D,El Abbadi A.Limiting the spread of misinformation in social networks[C]//Proceedings of the 20th International Conference on World Wide Web,Hyderabad,India,Mar 28-Apr 1,2011.New York:ACM,2011: 665-674.

[16]Tsai J,Nguyen T H,Tambe M.Security games for controlling contagion[C]//Proceedings of the 26th AAAI Conference on Artificial Intelligence,Toronto,Canada,Jul 22-26, 2012.Menlo Park,USA:AAAI Press,2012:1464-1470.

[17]Tumasjan A,Sprenger T O,Sandner P G,et al.Election forecasts with twitter:how 140 characters reflect the political landscape[J].Social Science Computer Review,2011, 29(4):402-418.

[18]Shamma D A,Kennedy L,Churchill E F.Tweet the debates: understanding community annotation of uncollected sources [C]//Proceedings of the 1st SIGMM Workshop on Social Media,Beijing,Oct 23,2009.New York:ACM,2009:3-10. [19]Bollen J,Mao Huina,Zeng Xiaojun.Twitter mood predicts the stock market[J].Journal of Computational Science,2011,2(1):1-8.

[20]Kwak H,Lee C,Park H,et al.What is Twitter,a social network or a news media?[C]//Proceedings of the 19th International Conference on World Wide Web,Raleigh, USA,Apr 26-30,2010.New York:ACM,2010:591-600.

[21]Liao Yang,Moshtaghi M,Han Bo,et al.Mining micro-blogs: opportunities and challenges[M]//Computational Social Networks.London:Springer,2011:129-159.

[22]Teevan J,Ramage D,Morris M R.TwitterSearch:a comparison of microblog search and Web search[C]//Proceedings of the 4th ACM International Conference on Web Search and Data Mining,Hong Kong,China,Feb 9-12,2011. New York:ACM,2011:35-44.

[23]Kong Xiangnan,Zhang Jiawei,Yu P S.Inferring anchor links across multiple heterogeneous social networks[C]// Proceedings of the 22nd ACM International Conference on Information&Knowledge Management,San Francisco, USA,Oct 27-Nov 1,2013.NewYork:ACM,2013:179-188.

[24]Jin Songchang,Zhang Jiawei,Yu P S,et al.Synergistic partitioning in multiple large scale social networks[C]//Proceedings of the 2014 IEEE International Conference on Big Data,Washington,Oct 27-30,2014.Piscataway,USA: IEEE,2014:281-290.

[25]Zhang Yutao,Tang Jie,Yang Zhilin,et al.COSNET:connecting heterogeneous social networks with local and global consistency[C]//Proceedings of the 21st ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Sydney,Australia,Aug 10-13,2015.New York: ACM,2015:1485-1494.

[26]Zhang Jiawei,Yu P S.Multiple anonymized social networks alignment[C]//Proceedings of the 2015 IEEE International Conference on Data Mining,Atlantic,USA,Nov 14-17,2015.Piscataway,USA:IEEE,2015:599-608.

[27]Bhattacharya P,Ghosh S,Kulshrestha J,et al.Deep twitter diving:exploring topical groups in microblogs at scale[C]// Proceedings of the 17th ACM Conference on Computer Supported Cooperative Work&Social Computing,Baltimore,USA,Feb 15-19,2014.NewYork:ACM,2014:197-210.

[28]Kernighan B W,Lin S.An efficient heuristic procedure for partitioning graphs[J].Bell System Technical Journal,1970, 49(2):291-307.

[29]Pothen A,Simon H D,Liou K P.Partitioning sparse matrices with eigenvectors of graphs[J].SIAM Journal on Matrix Analysis andApplications,1990,11(3):430-452.

[30]Girvan M,Newman M E J.Community structure in social and biological networks[J].Proceedings of the National Academy of Sciences,2002,99(12):7821-7826.

[31]Newman M E J.Fast algorithm for detecting community structure in networks[J].Physical Review E,2004,69(6): 66-133.

[32]Jiang Yawen.Community detection in complex networks [D].Beijing:Beijing Jiaotong University,2014.

[33]Tantipathananandh C,Berger-Wolf T,Kempe D.A framework for community identification in dynamic social networks[C]//Proceedings of the 13thACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Jose,USA,Aug 12-15,2007.New York:ACM,2007: 717-726.

[34]Borgatti S P,Everett M G.A graph-theoretic perspective on centrality[J].Social Networks,2006,28(4):466-484.

[35]Ghosh R,Lerman K.Predicting influential users in online social networks[J].arXiv:1005.4882,2010.

[36]Freeman L C.Centrality in social networks conceptual clarification[J].Social Networks,1978,1(3):215-239.

[37]Sabidussi G.The centrality index of a graph[J].Psychometrics,1966,31(4):581-603.

[38]Java A,Kolari P,Finin T,et al.Modeling the spread ofinfluence on the blogosphere[C]//Proceedings of the 15th International World Wide Web Conference,Edinburgh, UK,May 23-26,2006.New York:ACM,2006:22-26.

[39]Awekar A C,Mitra P,Kang J.Selective hypertext induced topic search[C]//Proceedings of the 15th International World Wide Web Conference,Edinburgh,UK,May 23-26,2006.New York:ACM,2006:1023-1024.

[40]Holland P W,Leinhardt S.Transitivity in structural models of small groups[J].Comparative Group Studies,1971, 2(2):107-124.

[41]Kwak H,Lee C,Park H,et al.What is Twitter,a social network or a news media?[C]//Proceedings of the 19th International Conference on World Wide Web,Raleigh, USA,Apr 26-30,2010.New York:ACM,2010:591-600.

[42]Yang J,Leskovec J.Modeling information diffusion in implicit networks[C]//Proceedings of the 2010 IEEE International Conference on Data Mining,Sydney,Australia,Dec 14-17,2010.Piscataway,USA:IEEE,2010:599-608.

[43]Cha M,Haddadi H,Benevenuto F,et al.Measuring user influence in Twitter:the million follower fallacy[C]//Proceedings of the 4th International Conference on Weblogs and Social Media,Washington,May 23-26,2010:30.

[44]Goyal A,Bonchi F,Lakshmanan L V S.Learning influence probabilities in social networks[C]//Proceedings of the 3rd ACM International Conference on Web Search and Data Mining,New York,Feb 4-6,2010.New York:ACM,2010: 241-250.

[45]Tan Chenhao,Tang Jie,Sun Jimeng,et al.Social action tracking via noise tolerant time-varying factor graphs[C]// Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Washington,Jul 25-28,2010.NewYork:ACM,2010:1049-1058.

[46]Liu Lu,Tang Jie,Han Jiawei,et al.Mining topic-level influence in heterogeneous networks[C]//Proceedings of the 19th ACM Conference on Information and Knowledge Management,Toronto,Canada,Oct 26-30,2010.New York: ACM,2010:199-208.

[47]Ver Steeg G,Galstyan A.Information transfer in social media[C]//Proceedings of the 21st International Conference on World Wide Web,Lyon,France,Apr 16-20,2012.New York:ACM,2012:509-518.

[48]Ver Steeg G,Galstyan A.Information-theoretic measures of influence based on content dynamics[C]//Proceedings of the 6th ACM International Conference on Web Search and Data Mining,Rome,Italy,Feb 4-8,2013.New York: ACM,2013:3-12.

[49]Lumezanu F,Klein H.Measuring the tweeting behavior of propagandists[C]//Proceedings of the 6th International AAAI Conference on Weblogs and Social Media,Dublin, Ireland,Jun 4-7,2012.Menlo Park,USA:AAAI,2012: 864-864.

[50]Lerman K,Ghosh R.Information contagion:an empirical study of the spread of news on Digg and Twitter social networks[C]//Proceedings of the 4th International Conference on Weblogs and Social Media,Washington,May 23-26,2010.Menlo Park,USA:AAAI,2010:90-97.

[51]Lehmann J,Gon?alves B,Ramasco J J,et al.Dynamical classes of collective attention in Twitter[C]//Proceedings of the 21st International Conference on World Wide Web, Lyon,France,Apr 16-20,2012.New York:ACM,2012: 251-260.

[52]Granovetter M S.The strength of weak ties[J].American Journal of Sociology,1972,36(3):361-366.

[53]Crandall D,Cosley D,Huttenlocher D,et al.Feedback effects between similarity and social influence in online communities[C]//Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Las Vegas,USA,Aug 24-27,2008.New York:ACM,2008:160-168.

[54]Saito K,Nakano R,Kimura M.Prediction of information diffusion probabilities for independent cascade model[C]// LNCS 5179:Proceedings of the 2008 International Conference on Knowledge-Based and Intelligent Information and Engineering Systems,Zagreb,Croatia,Sep 3-5,2008. Berlin,Heidelberg:Springer,2008:67-75.

[55]Xiang R,Neville J,Rogati M.Modeling relationship strength in online social networks[C]//Proceedings of the 19th International Conference on World Wide Web,Raleigh,USA,Apr 26-30,2010.New York:ACM,2010: 981-990.

[56]Cui Peng,Wang Fei,Liu Shaowei,et al.Who should share what?:item-level social influence prediction for users and posts ranking[C]//Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval,Beijing,Jul 25-29,2011.New York:ACM,2011:185-194.

[57]Easley D,Kleinberg J.Networks,crowds,and markets: reasoning about a highly connected world[M].Oxford: Cambridge University Press,2010.

[58]Kempe D,Kleinberg J,Tardos é.Maximizing the spread of influence through a social network[J].Theory of Computing,2015,11(4):105-147.

[59]Chen Wei,Yuan Yifei,Zhang Li.Scalable influence maximization in social networks under the linear threshold model[C]//Proceedings of the 2010 IEEE International Conference on Data Mining,Sydney,Australia,Dec 14-17,2010.Piscataway,USA:IEEE,2010:88-97.

[60]May R M,Lloyd A L.Infection dynamics on scale-free networks[J].Physical Review E,2001,64(6):66-112.

[61]Blume L E.The statistical mechanics of strategic interaction [J].Games and Economic Behavior,1993,5(3):387-424.

[62]Young H P.The dynamics of social innovation[J].Proceedings of the National Academy of Sciences,2011,108(S4): 21285-21291.

[63]Kempe D,Kleinberg J,Tardos é.Influential nodes in a diffusion model for social networks[C]//LNCS 3580:Proceedings of the 32nd International Colloquium on Automata,Languages,and Programming,Lisbon,Portugal,Jul 11-15,2005.Berlin,Heidelberg:Springer,2005:1127-1138.

[64]Yang J,Counts S.Predicting the speed,scale,and range of information diffusion in Twitter[C]//Proceedings of the 4th International Conference on Weblogs and Social Media, Washington,May 23-26,2010.Menlo Park,USA:AAAI, 2010:355-358.

[65]Song X,Chi Y,Hino K,et al.Information flow modeling based on diffusion rate for prediction and ranking[C]//Proceedings of the 16th International Conference on World Wide Web,Banff,Canada,May 8-12,2007.New York: ACM,2007:191-200.

[66]Richardson M,Domingos P.Mining knowledge-sharing sites for viral marketing[C]//Proceedings of the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Edmonton,Canada,Jul 23-26,2002. New York:ACM,2002:61-70.

[67]Leskovec J,Krause A,Guestrin C,et al.Cost-effective outbreak detection in networks[C]//Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,San Jose,USA,Aug 12-15, 2007.New York:ACM,2007:420-429.

[68]Chen Wei,Wang Yajun,Yang Siyu.Efficient influence maximization in social networks[C]//Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Paris,France,Jun 28-Jul 1,2009.New York:ACM,2009:199-208.

[69]Chen Wei,Wang Chi,Wang Yajun.Scalable influence maximization for prevalent viral marketing in large-scale social networks[C]//Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Washington,Jul 25-28,2010.New York:ACM,2010: 1029-1038.

[70]Goyal A,Bonchi F,Lakshmanan L V S.A data-based approach to social influence maximization[J].Proceedings of the VLDB Endowment,2011,5(1):73-84.

[71]Goyal A,Lu W,Lakshmanan L V S.Simpath:an efficient algorithm for influence maximization under the linear threshold model[C]//Proceedings of the 2011 IEEE 11th International Conference on Data Mining,Vancouver,Canada, Dec 11-14,2011.Piscataway,USA:IEEE,2011:211-220.

[72]Kim J,Kim S K,Yu H.Scalable and parallelizable processing of influence maximization for large-scale social networks? [C]//Proceedings of the 2013 IEEE 29th International Conference on Data Engineering,Brisbane,Australia,Apr 8-12, 2013.Piscataway,USA:IEEE,2013:266-277.

[73]Li Hui,Bhowmick S S,Sun A.Cinema:conformity-aware greedy algorithm for influence maximization in online social networks[C]//Proceedings of the 16th International Conference on Extending Database Technologys,Genoa, Italy,Mar 18-22,2013.New York:ACM,2013:323-334.

[74]Carnes T,Nagarajan C,Wild S M,et al.Maximizing influence in a competitive social network:a follower's perspective[C]//Proceedings of the 9th International Conference on Electronic Commerce,Minneapolis,USA,Aug 19-22, 2007.New York:ACM,2007:351-360.

[75]Bharathi S,Kempe D,Salek M.Competitive influence maximization in social networks[C]//LNCS 4858:Proceedings of the 3rd International Workshop on Web and Internet Economics,San Diego,USA,Dec 12-14,2007.Berlin,Heidelberg:Springer,2007:306-311.

[76]Borodin A,Filmus Y,Oren J.Threshold models for competitive influence in social networks[C]//LNCS 6484:Proceedings of the 6th International Workshop on Internet and Network Economics,Stanford,USA,Dec 13-17,2010.Berlin,Heidelberg:Springer,2010:539-550.

[77]Li Hui,Bhowmick S S,Cui Jiangtao,et al.Getreal:towards realistic selection of influence maximization strategies in competitive networks[C]//Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data,Melbourne,Australia,May 31-Jun 4,2015.New York:ACM,2015:1525-1537.

[78]Zhang H,Nguyen D T,Zhang H,et al.Least cost influence maximization across multiple social networks[J].IEEE/ ACM Transactions on Networking,2016,24(2):929-939.

[79]Vaswani S,Lakshmanan L V S.Adaptive influence maximization in social networks:why commit when you can adapt?[J].arXiv:1604.08171,2016.

[80]Hu Xia,Liu Huan.Text analytics in social media[M]//Mining Text Data.New York:Springer US,2012:385-414.

[81]Forman G,Kirshenbaum E.Extremely fast text feature extraction for classification and indexing[C]//Proceedings of the 17th ACM Conference on Information and Knowledge Management,Napa Valley,USA,Oct 26-30,2008.New York:ACM,2008:1221-1230.

[82]Dai Yue,Kakkonen T,Sutinen E.MinEDec:a decisionsupport model that combines text-mining technologies with two competitive intelligence analysis methods[J].International Journal of Computer Information Systems and Industrial ManagementApplications,2011,3:165-173.

[83]Negi P S,Rauthan M M S,Dhami H S.Language model for information retrieval[J].International Journal of ComputerApplications,2010,12(7):13-17.

[84]ChandraShekar B H,Shoba G.Classification of documents using Kohonen's self-organizing map[J].International Journal of Computer Theory and Engineering,2009,1(5): 610-613.

[85]Yuan Lichi.Improvement for the automatic part-of-speech tagging based on hidden Markov model[C]//Proceedings of the 2010 2nd International Conference on Signal Processing Systems,Dalian,China,Jul 5-7,2010.Piscataway, USA:IEEE,2010,1:744-747.

[86]Ling H S,Bali R,Salam RA.Emotion detection using keywords spotting and semantic network IEEE ICOCI 2006 [C]//Proceedings of the 2006 International Conference on Computing&Informatics,Kuala Lumpur,Malaysia,Jun 6-8,2006.Piscataway,USA:IEEE,2006:1-5.

[87]Li J,Khan S U.MobiSN:semantics-based mobile ad hoc social network framework[C]//Proceedings of the Global Communications Conference,Honolulu,USA,Nov 30-Dec 4,2009.Piscataway,USA:IEEE,2009:1-6.

[88]Hua J,Tembe W D,Dougherty E R.Performance of featureselection methods in the classification of high-dimension data[J].Pattern Recognition,2009,42(3):409-424.

[89]Efron M,Organisciak P,Fenlon K.Improving retrieval of short texts through document expansion[C]//Proceedings of the 35th International ACM SIGIR Conference on Research and Development in Information Retrieval,Portland, USA,Aug 12-16,2012.New York:ACM,2012:911-920.

[90]Lee C H,Wu C H,Chien T F.BursT:a dynamic term weighting scheme for mining microblogging messages [C]//LNCS 6677:Proceedings of the 8th International Symposium on Neural Networks,Guilin,China,May 29-Jun 1,2011.Berlin,Heidelberg:Springer,2011:548-557.

[91]Yoshida K,Tsuruoka Y,Miyao Y,et al.Ambiguous part-ofspeech tagging for improving accuracy and domain portability of syntactic parsers[C]//Proceedings of the 20th International Joint Conference on Artificial Intelligence,Hyderabad,India,Jan 6-12,2007.San Francisco,USA:Morgan Kaufmann,2007:1783-1788.

[92]Fiscus J G,Doddington G R.Topic detection and tracking evaluation overview[M]//Topic Detection and Tracking. New York:Springer US,2002:17-31.

[93]Allan J,Papka R,Lavrenko V.On-line new event detection and tracking[C]//Proceedings of the 21st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval,Melbourne,Australia,Aug 24-28,1998,New York:ACM,1998:37-45.

[94]Allan J,Harding S,Fisher D,et al.Taking topic detection from evaluation to practice[C]//Proceedings of the 38th Annual Hawaii International Conference on System Sciences,Big Island,USA,Jan 3-6,2005.Piscataway,USA: IEEE,2005:101a.

[95]Sekiguchi Y,Kawashima H,Okuda H,et al.Topic detection from blog documents using users'interests[C]//Proceedings of the 7th International Conference on Mobile Data Management,Nara,Japan,May 9-13,2006.Piscataway,USA:IEEE,2006:108.

[96]Blei D,Ng A,Jordan M.Latent Dirichlet allocation[J]. The Journal of Machine Learning Research,2003,3(1): 993-1022.

[97]Ramage D,Dumais S T,Liebling D J.Characterizing microblogs with topic models[C]//Proceedings of the 4th International Conference on Weblogs and Social Media,Washington,May 23-26,2010.Menlo Park,USA:AAAI,2010: 130-137.

[98]Zhao W Xin,Jiang Jing,Weng Jianshu,et al.Comparing Twitter and traditional media using topic models[C]// LNCS 6611:Proceedings of the 33rd European Conference on Information Retrieval,Dublin,Ireland,Apr 18-21, 2011.Berlin,Heidelberg:Springer,2011:338-349.

[99]Hong L,Davison B D.Empirical study of topic modeling in Twitter[C]//Proceedings of the 1st Workshop on Social Media Analytics,Washington,Jul 25,2010.New York: ACM,2010:80-88.

[100]Steyvers M,Smyth P,Rosen-Zvi M,et al.Probabilistic authortopic models for information discovery[C]//Proceedings of the 10th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Seattle,USA, Aug 22-25,2004.New York:ACM,2004:306-315.

[101]Zhao Xujian,Yang Chunming,Li Bo,et al.A topic evolution mining algorithm of news text based on feature evolving [J].Chinese Journal of Computers,2014,37(4):819-832.

[102]Wang X,McCallum A.Topics over time:a non-Markov continuous-time model of topical trends[C]//Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Philadelphia, USA,Aug 20-23,2006.New York:ACM,2006:424-433.

[103]Xu Ge,Wang Houfeng.The development of the topic models in natural language processing[J].Chinese Journal of Computers,2011,34(8):1423-1436.

[104]Popescu A M,Pennacchiotti M,Paranjpe D.Extracting events and event descriptions from twitter[C]//Proceedings of the 20th International Conference Companion on World Wide Web,Hyderabad,India,Mar 28-Apr 1,2011. New York:ACM,2011:105-106.

[105]Chakrabarti D,Punera K.Event Summarization using Tweets[C]//Proceedings of the 5th International Conference on Weblogs and Social Media,Barcelona,Spain,Jul 17-21,2011.Menlo Park,USA:AAAI,2011:66-73.

[106]Ritter A,Etzioni O,Clark S.Open domain event extraction from Twitter[C]//Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Beijing,Aug 12-16,2012.New York:ACM, 2012:1104-1112.

[107]Sharifi B,Hutton M A,Kalita J.Summarizing microblogs automatically[C]//Proceedings of Human Language Technologies:Conference of the North American Chapter of the Association of Computational Linguistics,Los Angeles, USA,Jun 2-4,2010.Stroudsburg,USA:ACL,2010:685-688.

[108]Yang Y,Pierce T,Carbonell J.A study of retrospective and on-line event detection[C]//Proceedings of the 21st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval,Melbourne,Australia, Aug 24-28,1998,New York:ACM,1998:28-36.

[109]Petrovi? S,Osborne M,Lavrenko V.Streaming first story detection with application to Twitter[C]//Proceedings of Human Language Technologies:Conference of the North American Chapter of the Association of Computational Linguistics,Los Angeles,USA,Jun 2-4,2010,Stroudsburg,USA:ACL,2010:181-189.

[110]Becker H,Naaman M,Gravano L.Beyond trending topics: real-world event identification on Twitter[J]//Proceedings of the 5th International Conference on Weblogs and Social Media,Barcelona,Spain,Jul 17-21,2011.Menlo Park, USA:AAAI,2011:438-441.

[111]Long Rui,Wang Haofen,Chen Yuqiang,et al.Towards effective event detection,tracking and summarization on microblog data[C]//LNCS 6897:Proceedings of the 12th International Conference on Web-Age Information Management, Wuhan,China,Sep 14-16,2011.Berlin,Heidelberg:Springer, 2011:652-663.

[112]Weng J,Lee B S.Event detection in Twitter[C]//Proceedings of the 5th International Conference on Weblogs and Social Media,Barcelona,Spain,Jul 17-21,2011.Menlo Park,USA:AAAI,2011:401-408.

[113]Cordeiro M.Twitter event detection:combining wavelet analysis and topic inference summarization[C]//Proceedings of the 7th Doctoral Symposium in Informatics Engineering,Porto,Portugal,Jan 26-27,2012.Porto:Faculdade de Engenharia da Universidade do Porto,2012:123-138.

[114]Li C,SunA,DattaA.Twevent:segment-based event detection from Tweets[C]//Proceedings of the 21st ACM International Conference on Information and Knowledge Management,Maui,USA,Oct 29-Nov 2,2012.New York: ACM,2012:155-164.

[115]Robinson B,Power R,Cameron M.A sensitive Twitterearthquake detector[C]//Proceedings of the 22nd International Conference on World Wide Web,Rio de Janeiro, Brazil,May 13-17,2013.NewYork:ACM,2013:999-1002.

[116]Sakaki T,Okazaki M,Matsuo Y.Earthquake shakes Twitter users:real-time event detection by social sensors[C]//Proceedings of the 19th International Conference on World Wide Web,Raleigh,USA,Apr 26-30,2010.New York: ACM,2010:851-860.

[117]Li R,Lei K H,Khadiwala R,et al.Tedas:a Twitter-based event detection and analysis system[C]//Proceedings of the 2012 IEEE 28th International Conference on Data Engineering,Washington,Apr 1-5,2012.Piscataway,USA: IEEE,2012:1273-1276.

[118]Popescu A M,Pennacchiotti M.Detecting controversial events from twitter[C]//Proceedings of the 19th ACM International Conference on Information and Knowledge Management,Toronto,Canada,Oct 26-30,2010.New York: ACM,2010:1873-1876.

[119]Benson E,Haghighi A,Barzilay R.Event discovery in social media feeds[C]//Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics:Human Language Technologies-Volume 1,Portland,USA,Jun 19-24,2011.Stroudsburg，USA:ACL,2011:389-398.

[120]Becker H,Chen F,Iter D,et al.Automatic identification and presentation of Twitter content for planned events[C]// Proceedings of the 5th International Conference on Weblogs and Social Media,Barcelona,Spain,Jul 17-21,2011. Menlo Park,USA:AAAI,2011:1-2.

[121]Becker H,Iter D,Naaman M,et al.Identifying content for planned events across social media sites[C]//Proceedings of the 5th ACM International Conference on Web Search and Data Mining,Seattle,USA,Feb 8-12,2012.New York: ACM,2012:533-542.

[122]Massoudi K,Tsagkias M,De Rijke M,et al.Incorporating query expansion and quality indicators in searching microblog posts[C]//LNCS 6611:Advances in Information Retrieval,Proceedings of the 33rd European Conference on IR Research,Dublin,Ireland,Apr 18-21,2011.Berlin,Heidelberg:Springer,2011:362-367.

[123]Metzler D,Cai C,Hovy E.Structured event retrieval over microblog archives[C]//Proceedings of the 2012 Conference of the 9th American Chapter of the Association for Computational Linguistics:Human Language Technologies, Montréal,Canada,Jun 3-8,2012.Stroudsburg,USA:ACL, 2012:646-655.

[124]Gu Hansu,Xie Xing,Lv Qin,et al.Etree:effective and efficient event modeling for real-time online social media networks[C]//Proceedings of the 2011 IEEE/WIC/ACM International Conference on Web Intelligence,Lyon,France, Aug 22-27,2011.Piscataway,USA:IEEE,2011:300-307.

[125]Chen L,Roy A.Event detection from Flickr data through wavelet-based spatial analysis[C]//Proceedings of the 18th ACM Conference on Information and Knowledge Management,Hong Kong,China,Nov 2-6,2009.New York: ACM,2009:523-532.

[126]Lee R,Wakamiya S,Sumiya K.Discovery of unusual regional social activities using geo-tagged microblogs[J].World Wide Web,2011,14(4):321-349.

[127]Hayes A S,Singer J B,Ceppos J.Shifting roles,enduring values:the credible journalist in a digital age[J].Journal of Mass Media Ethics,2007,22(4):262-279.

[128]Lu Rong,Xu Zhiheng,Zhang Yang,et al.Life activity modeling of news event on Twitter using energy function [C]//Proceedings of the 16th Pacific-Asia Conference on Advances in Knowledge Discovery and Data Mining,Kuala Lumpur,Malaysia,May 29-Jun 1,2012.Berlin,Heidelberg:Springer,2012:73-84.

[129]Kleinberg J.Bursty and hierarchical structure in streams[J]. Data Mining and Knowledge Discovery,2003,7(4):373-397.

[130]Kontostathis A,Galitsky L M,Pottenger W M,et al.A survey of emerging trend detection in textual data mining [M]//Survey of Text Mining.New York:Springer,2004: 185-224.

[131]Lau C H.Detecting news topics from microblogs using sequential pattern mining[D].Brisbane:Queensland University of Technology,2014.

[132]Bernstein M S,Suh B,Hong L,et al.Eddi:interactive topicbased browsing of social status streams[C]//Proceedings of the 23rd Annual ACM Symposium on User Interface Software and Technology,New York,Oct 3-6,2010.New York:ACM,2010:303-312.

[133]Marcus A,Bernstein M S,Badar O,et al.Twitinfo:aggregating and visualizing microblogs for event exploration [C]//Proceedings of the 2011 SIGCHI Conference on Hu-man Factors in Computing Systems,Vancouver,Canada, May 7-12,2011.New York:ACM,2011:227-236.

[134]Zhang Chao,Zhang Keyang,Yuan Quan,et al.GMove: group-level mobility modeling using geo-tagged social media[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco,USA,Aug 13-17,2016.New York:ACM, 2016:1305-1314.

[135]Wang Weiqing,Yin Hongzhi,Chen Ling,et al.Geo-SAGE: a geographical sparse additive generative model for spatial item recommendation[C]//Proceedings of the 21st ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Sydney,Australia,Aug 10-13,2015.New York:ACM,2015:1255-1264.

[136]Zhang Chao,Zheng Yu,Ma Xiuli,et al.Assembler:efficient discovery of spatial co-evolving patterns in massive geo-sensory data[C]//Proceedings of the 21st ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Sydney,Australia,Aug 10-13,2015.New York: ACM,2015:1415-1424.

[137]Min Li.EKNOT:event knowledge from news and opinions on Twitter[C]//Proceedings of the 30th AAAI Conference on Artificial Intelligence,Phoenix,USA,Feb 12-17, 2016.Menlo Park,USA:AAAI,2016:4367-4368.

[138]Zhang Chao,Zhou Guangyu,Yuan Quan,et al.GeoBurst: real-time local event detection in geo-tagged Tweet streams [C]//Proceedings of the 39th International ACM SIGIR Conference on Research and Development in Information Retrieval,Pisa,Italy,Jul 17-21,2016.New York:ACM, 2016:513-522.

[139]Wang Jingjing,Tong Wenzhu,Yu Hongkun,et al.Mining multi-aspect reflection of news events in Twitter:discovery,linking and presentation[C]//Proceedings of the 2015 IEEE International Conference on Data Mining,Atlantic City,USA,Nov 14-17,2015.Piscataway,USA:IEEE,2015: 429-438.

[140]Peng Min,Zhu Jiahui,Li Xuhui,et al.Central topic model for event-oriented topics mining in microblog stream[C]// Proceedings of the 24th ACM International Conference on Information and Knowledge Management,Melbourne,Australia,Oct 19-23,2015.New York:ACM,2015:1611-1620. [141]Lu Haokai,Caverlee J,Niu Wei.BiasWatch:a lightweight system for discovering and tracking topic-sensitive opinion bias in social media[C]//Proceedings of the 24th ACM International Conference on Information and Knowledge Management,Melbourne,Australia,Oct 19-23,2015.New York:ACM,2015:213-222.

[142]Prasojo R E,Kacimi M,Nutt W.Entity and aspect extraction for organizing news comments[C]//Proceedings of the 24th ACM International Conference on Information and Knowledge Management,Melbourne,Australia,Oct 19-23,2015.New York:ACM,2015:233-242.

[143]Ding Wanying,Shang Yue,Guo Lifan,et al.Video popularity prediction by sentiment propagation via implicit network[C]//Proceedings of the 24th ACM International Conference on Information and Knowledge Management,Melbourne,Australia,Oct 19-23,2015.New York:ACM,2015: 1621-1630.

[144]Tandon N,de Melo G,De A,et al.Knowlywood:mining activity knowledge from Hollywood narratives[C]//Proceedings of the 24th ACM International Conference on Information and Knowledge Management,Melbourne,Australia,Oct 19-23,2015.New York:ACM,2015:223-232.

[145]Wu Fangzhao,Shu Jinyun,Huang Yongfeng,et al.Social spammer and spam message co-detection in microblogging with social context regularization[C]//Proceedings of the 24th ACM International Conference on Information and Knowledge Management,Melbourne,Australia,Oct 19-23,2015.New York:ACM,2015:1601-1610.

[146]Qian S,Cao J,Mou?l F L,et al.SCRAM:a sharing considered route assignment mechanism for fair taxi route recommendations[C]//Proceedings of the 21st ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Sydney,Australia,Aug 10-13,2015.New York: ACM,2015:955-964.

[147]Vallet D,Berkovsky S,Ardon S,et al.Characterizing and predicting viral-and-popular video content[C]//Proceedings of the 24th ACM International Conference on Information and Knowledge Management,Melbourne,Australia,Oct 19-23,2015.New York:ACM,2015:1591-1600.

[148]Brody S,Diakopoulos N.Cooooooooooooooollllllllllllll-!!!!!!!!!!!!!!:using word lengthening to detect sentiment in microblogs[C]//Proceedings of the 2011 Conference on Empirical Methods in Natural Language Processing,Edinburgh,UK,Jul 27-31,2011.Stroudsburg,USA:ACL, 2011:562-570.

[149]Pang B,Lee L.Opinion mining and sentiment analysis[J]. Foundations and Trends in Information Retrieval,2007,2 (1/2):1-135.

[150]Liu Bing.Sentiment analysis and opinion mining[J].Synthesis Lectures on Human Language Technologies,2012,5 (1):1-167.

附中文參考文獻(xiàn)：

[9]李棟,徐志明,李生,等.在線(xiàn)社會(huì)網(wǎng)絡(luò)中信息擴(kuò)散[J].計(jì)算機(jī)學(xué)報(bào),2014,37(1):189-206.

[11]吳信東,李毅,李磊.在線(xiàn)社交網(wǎng)絡(luò)影響力分析[J].計(jì)算機(jī)學(xué)報(bào),2014,37(4):735-752.

[32]姜雅文.復(fù)雜網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)若干問(wèn)題研究[D].北京:北京交通大學(xué),2014.

[101]趙旭劍,楊春明,李波,等.一種基于特征演變的新聞話(huà)題演化挖掘方法[J].計(jì)算機(jī)學(xué)報(bào),2014,37(4):819-832.

[103]徐戈,王厚峰.自然語(yǔ)言處理中主題模型的發(fā)展[J].計(jì)算機(jī)學(xué)報(bào),2011,34(8):1423-1436.

DU Zhijuan was born in 1986.She is a Ph.D.candidate at Renmin University of China,and the member of CCF. Her research interests include Web data management and cloud data management,etc.

杜治娟（1986—），女，中國(guó)人民大學(xué)博士研究生，CCF學(xué)生會(huì)員，主要研究領(lǐng)域?yàn)閃eb數(shù)據(jù)管理，云數(shù)據(jù)管理等。

WANG Shuo was born in 1981.He is a Ph.D.candidate at Renmin University of China,and a lecturer at Hebei University.His research interests include data fusion and knowledge fusion,machine learning and soft computing,etc.

王碩（1981—），男，中國(guó)人民大學(xué)博士研究生，河北大學(xué)數(shù)學(xué)與信息科學(xué)學(xué)院講師，主要研究領(lǐng)域?yàn)閿?shù)據(jù)融合與知識(shí)融合，機(jī)器學(xué)習(xí)，軟計(jì)算等。

WANG Qiuyue was born in 1974.She is an assistant professor at Renmin University of China.Her research interests include database and information systems,information retrieval,large-scale knowledge processing,natural language questions and answers,etc.

王秋月（1974—），女，博士，中國(guó)人民大學(xué)講師，主要研究領(lǐng)域?yàn)閿?shù)據(jù)庫(kù)和信息系統(tǒng)，信息檢索，大規(guī)模知識(shí)處理，自然語(yǔ)言問(wèn)答等。

MENG Xiaofeng was born in 1964.He is a professor and Ph.D.supervisor at Renmin University of China,and the fellow of CCF.His research interests include cloud data management,Web data management,flash-based databases and privacy protection,etc.

孟小峰（1964—），男，中國(guó)人民大學(xué)教授、博士生導(dǎo)師，CCF會(huì)士，主要研究領(lǐng)域?yàn)樵茢?shù)據(jù)管理，Web數(shù)據(jù)管理，閃存數(shù)據(jù)庫(kù)，隱私管理等。

Survey on Social Media Big DataAnalytics*

DU Zhijuan+,WANG Shuo,WANG Qiuyue,MENG Xiaofeng
School of Information,Renmin University of China,Beijing 100872,China
+Corresponding author:E-mail:nmg-duzhijuan@163.com

Social media,which consists of a large number of meaningful information,is an important way for people to propagate information and express themselves.In recent years,it has become one of the most representative sources of big data.Mining and analyzing the information has profound impact on social development.According to the elements of social media,the current researches are divided into three categories,including analysis based on users, analysis based on relationships and analysis based on interactive contents.Firstly,analyzing user-centered data from user identification based multi-source heterogeneous network,community detection and user influence computing. Secondly,analyzing user relationship strength calculation,information diffusion and influence maximization issues based on interactive relationship-center.Thirdly,discussing feature extraction and selection,the topic or event mining, multimedia data analysis and sentiment analysis issues based on user interactive content analyzing interactive content-centric.Finally,this paper elaborates challenges of mining big data of social media and points out the future work from information diffusion,influence computing,feature extraction and selection,news mining based on Microblog,social media big data fusion and cross-lingual sentiment analysis 6 aspects.

A

：TP393

10.3778/j.issn.1673-9418.1601037

*The National Natural Science Foundation of China under Grant Nos.61379050,61532010,91224008,61532016(國(guó)家自然科學(xué)基金);the National Key R&D Program of China under Grant Nos.2016YFB1000602,2016YFB1000603(國(guó)家重點(diǎn)研發(fā)計(jì)劃);the Specialized Research Fund for the Doctoral Program of Higher Education of China under Grant No.20130004130001(高等學(xué)校博士學(xué)科點(diǎn)專(zhuān)項(xiàng)科研基金);the Research Funds of Renmin University under Grant No.11XNL010(中國(guó)人民大學(xué)科學(xué)研究基金).

Received 2016-01,Accepted 2016-09.

CNKI網(wǎng)絡(luò)優(yōu)先出版:2016-09-08,http://www.cnki.net/kcms/detail/11.5602.TP.20160908.1045.002.html

Key words:social media;big data;user behavior;interactive relationship;interactive content