李超男

摘要：近來社交網(wǎng)絡的研究主要在社會網(wǎng)絡分析方面，包括公共關系、大眾傳播等領域，借鑒并融合了心理學、傳播學、社會學、信息論等多學科，逐步演變成為完整化、系統(tǒng)化的理論研究策略。這對在線社交網(wǎng)絡的數(shù)據(jù)分析與數(shù)據(jù)挖掘產(chǎn)生了非常大的挑戰(zhàn)。那么，對于不同的數(shù)據(jù)源，如何用適合的挖掘算法進行挖掘分析是數(shù)據(jù)挖掘研究工作者需考慮的重要問題。

關鍵詞：網(wǎng)絡模式；社交平臺；網(wǎng)絡用戶；數(shù)據(jù)挖掘算法

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2017）29-0003-03

1 概述

互聯(lián)網(wǎng)高速發(fā)展時期，不同類型的網(wǎng)絡社交媒體不斷涌現(xiàn)，除微信、微博、博客等熱門社交媒體外，其他應用型軟件也相繼出現(xiàn)網(wǎng)絡社交媒體的屬性，如百度網(wǎng)盤、淘寶、京東等。因此如今網(wǎng)絡模式下，用戶的社交屬性無處不在的，這也相繼產(chǎn)生了許多社交數(shù)據(jù)，如何充分的、有效的挖掘利用此類社交數(shù)據(jù)以及熱門話題，這成為了很多學者和公司市場部門研究的熱點方向。

研究此類數(shù)據(jù)的原因是顯而易見的，利用對社交媒體數(shù)據(jù)的挖掘和分析，可以增加對新話題的理解能力，達到商業(yè)中的人工智能，這也能對網(wǎng)絡用戶進行更好的服務，同時發(fā)現(xiàn)新的商機。如：對社會性網(wǎng)絡中的數(shù)據(jù)進行分析，辨別篩選出在特定的社會網(wǎng)絡用戶群體中具有意見領袖特征的人；發(fā)現(xiàn)網(wǎng)絡中一部分隱性興趣群體，歸類不一樣的興趣群組；找到特定用戶，根據(jù)用戶的某段時間內(nèi)的主觀情感進行主動規(guī)劃和推薦信息等。網(wǎng)絡模式下的社交網(wǎng)絡數(shù)據(jù)研究，是一個有活力的研究方向，可以為不同交叉學科領域帶來很大貢獻。

2 網(wǎng)絡模式用戶數(shù)據(jù)

2.1 社交網(wǎng)絡的分類

網(wǎng)絡模式下社交媒體多種多樣，在概述部分已經(jīng)進行了一些舉例，下文進行詳細的分類，如表1。

2.2 網(wǎng)絡模式數(shù)據(jù)的特征

傳統(tǒng)的數(shù)據(jù)，在分析之前，我們可以預見到它的趨勢并制定相應的算法進行分析，而網(wǎng)絡社交數(shù)據(jù)卻存在著很大的差異性，網(wǎng)絡社交數(shù)據(jù)的差異性體現(xiàn)在數(shù)據(jù)量龐大、非結(jié)構(gòu)化、動態(tài)且分散[1]，因此，這種數(shù)據(jù)類型的數(shù)據(jù)分析，對高效的數(shù)據(jù)算法的需求很高。

2.3 網(wǎng)絡模式數(shù)據(jù)的價值

網(wǎng)絡數(shù)據(jù)從一些層面上看，體現(xiàn)出了用戶在某個時段的特定需求，通過網(wǎng)絡社交平臺，直接或間接表達出了自身的需求，這就會給我們?nèi)祟愋袨閷W的問題的研究帶來很多便利，同時對商業(yè)平臺的運營也會帶來很大的幫助，比如：通過對社交平臺的數(shù)據(jù)分析挖掘出潛在的客戶并加以推銷，對高效、新型的數(shù)據(jù)算法的需求也越來越強烈。

3 網(wǎng)絡模式下的數(shù)據(jù)研究思路

3.1 社會性網(wǎng)絡團體檢測

網(wǎng)絡社交團體與實際生活中社團屬性相似[2] ，同樣是由個體組成的，并且網(wǎng)絡社交團體中個體與個體之間的交流活動，會比個體與外界的交流活動要多。在真正意義上網(wǎng)絡社交團體中，又分為顯性的社交網(wǎng)絡團體和隱性的社交網(wǎng)絡群體。其中，顯性的社交網(wǎng)絡團體，就是一些具有相同愛好興趣的用戶主動聚集起來的團體，而隱性社交網(wǎng)絡團體，則是由一些興趣關注相同個體組成，個體之間的交流不多，但會在自然的網(wǎng)絡環(huán)境的交流中逐漸發(fā)展為顯性群體。

由于顯性的社交網(wǎng)絡團體，特征明顯，數(shù)據(jù)直觀，研究的難度并不大，因此，我們所說的對于社交網(wǎng)絡的社團的檢測，一般我們是針對隱性群體[3]。這些網(wǎng)絡社團的檢測充滿了挑戰(zhàn)，因為這些團體的評估具有多樣化的特征，通常沒有決定性的正確。比如，在一個社交平臺中，兩個同時喜歡品茶的人，對茶的了解都非常深入，當我們把它們檢測為隱性群體時，實際上兩個人確實喜歡的完全不同的茶，一個喜歡喝綠茶，對紅茶很反感，而另外一個人正好相反。

通常在網(wǎng)絡社團的檢測中，我們使用以下幾種方法：

（1） 使用以層級關系建立的社團檢測法。其目標是創(chuàng)建出來一個社團的層級構(gòu)架?？梢圆捎貌幌嗤牟呗詠矸治?，比較常用的有合并時聚類和分裂式聚類。

（2） 使用以節(jié)點為中心的社團檢測。判斷節(jié)點是否符合一些特征，例如相互完整性、內(nèi)外聯(lián)系頻繁性等，數(shù)據(jù)的分析者常用的策略有k-clubs、cliques等。

（3） 使用以網(wǎng)絡為中心的社團檢測。這一類的檢測中，數(shù)據(jù)分析者一般將網(wǎng)絡中一些不相交的子集，組織起來進行區(qū)分歸類而實現(xiàn)，經(jīng)典的有譜聚類和模塊最大化等策略。

本文以微博的社交數(shù)據(jù)的處理方法為研究對象，選取了基于模塊化的最大值算法。例如：假設一個社會性網(wǎng)絡被劃分為N個社團Kn，定義模塊化值為M（Kn） 用做分別社交網(wǎng)絡中社團質(zhì)量的度量，表示公式為：

在這里，W=（）n×n為權重值矩陣，A（V′，V″）= ，V為用戶節(jié)點集合為全部與社團c中的節(jié)點有聯(lián)系的邊的權重和，為在社團c中全部邊的權重和，表示整個社交圖中邊的權重和。

在社會網(wǎng)絡團體中，N個社團的構(gòu)造特征越顯著，M（Kn）的值就越大。

3.2 影響力建模

對于社交網(wǎng)絡的潛在性分析，有兩個驅(qū)動性的要求需要特別注意，即這種潛在性的社交網(wǎng)絡是由同質(zhì)性驅(qū)動還是影響力驅(qū)動的。比如，在商業(yè)領域，若判定出該網(wǎng)絡社交團體是同質(zhì)性驅(qū)動，也就是相似性驅(qū)動的話，就可以直接向一些被作為目標的用戶發(fā)送推薦的商品信息；如果判定出該社交網(wǎng)絡是有影響力驅(qū)動的話，那么其中具有影響力的用戶一般被稱做“意見領袖”，辨別出來意見領袖，就能有償?shù)淖屇切┮庖婎I袖向網(wǎng)絡社交用戶推薦商品和服務[4]。如今網(wǎng)絡社交團體比較多且復雜，大多團體兼顧影響力驅(qū)動和同質(zhì)性驅(qū)動，因此如何準確的分析社團中哪種驅(qū)動性為核心主導力是重中之重的工作。如何檢測出社交團體中具有影響力的核心節(jié)點，顯得尤為重要，接下來介紹幾種對影響力建模的有效實現(xiàn)途徑。

（1） 社會網(wǎng)絡平臺中的用戶在網(wǎng)絡中的度數(shù)越大，則他的影響力就越大，具體表示為：

其中，a為某一個用戶的節(jié)點，A為整個社交網(wǎng)絡。endprint

（2） 顧及到微博等社交網(wǎng)絡平臺的交互活動，依據(jù)用戶的消息記錄來計算出每個社交消息的平均轉(zhuǎn)發(fā)率，把每條消息引發(fā)的轉(zhuǎn)發(fā)行為視作用戶影響力的衡量指標：

（3） 基于谷歌的PageRank算法思想，在某一社交網(wǎng)絡中，如果發(fā)現(xiàn)某一個用戶的影響力越大，則說明他被較多的優(yōu)質(zhì)用戶所關注，由此為依據(jù)獲得的社交網(wǎng)絡中的關注排名影響力算法如下：

在此算法中，K（n）為社交網(wǎng)絡中用戶n的影響力，B（n）為所有關注n的社交網(wǎng)絡用戶的總和，A（m）是用戶m關注的用戶的總和。

3.3 情感分析與意見挖掘

情感分析與意見挖掘的主要目的是從用戶發(fā)布的信息中自動抽取出觀點。由于人們的語言具有多義性，這使得情感分析存在一定的難度。

情感分析的主要步驟為：

（1） 檢索出相應的文檔

（2） 從文檔中找到相關的部分

（3） 從相關的部分找到所有的感情

（4） 進行量化分析每個感情

（5） 聚集全部感情，并形成一個概述判斷

意見挖掘的主要組成部分為：

（1） 哪個用戶是意見表達的對象

（2） 對這個對象表達了什么意見

（3） 意見是誰表達的

4 網(wǎng)絡數(shù)據(jù)的數(shù)據(jù)挖掘算法分析

上文提到幾種對于社交網(wǎng)絡數(shù)據(jù)分析的重點部分，此章節(jié)主要對數(shù)據(jù)挖掘及處理部分進行對比分析，以求最優(yōu)的方案對數(shù)據(jù)進行有效的分析。

常用的數(shù)據(jù)挖掘算法有數(shù)據(jù)庫知識發(fā)現(xiàn)（Knowledge Discovery in Databass，KDD）、聚類分析、K-Means聚類算法等，此章節(jié)將對這幾個算法進行一一的分析。

4.1 數(shù)據(jù)庫知識發(fā)現(xiàn)（數(shù)據(jù)挖掘的常規(guī)步驟）

數(shù)據(jù)庫知識發(fā)現(xiàn)，一般包括七個階段，分別是數(shù)據(jù)集成、數(shù)據(jù)清理、數(shù)據(jù)選擇、模式發(fā)現(xiàn)、數(shù)據(jù)變換、知識表示和模式評估[5]。其中，數(shù)據(jù)的預處理階段包括數(shù)據(jù)集成、數(shù)據(jù)清理、數(shù)據(jù)選擇和數(shù)據(jù)變換，這個階段是決定數(shù)據(jù)挖掘質(zhì)量優(yōu)劣的重要步驟。接著，利用數(shù)據(jù)挖掘的算法在數(shù)據(jù)中提取出有用模式的過程就是模式發(fā)現(xiàn)。模式評估與知識表示是接下來的處理步驟，通過采取一定的量規(guī)標準，辨別出真正有效的知識，通過可視化等技術呈現(xiàn)給用戶。

數(shù)據(jù)庫知識發(fā)現(xiàn)的流程如圖1所示。

4.2 聚類分析

聚類分析是最經(jīng)常使用的數(shù)據(jù)挖掘的算法之一，并和機器學習的無監(jiān)督學習具有一定的關聯(lián)。另外聚類還在圖像識別、Web檢索、人工智能等領域具有廣泛的應用，也成為另外一些數(shù)據(jù)挖掘算法的預處理步驟。通常而言，聚類就是將數(shù)據(jù)劃分成為不同簇的過程，在不同簇的對象互相不同，而簇中的對象則彼此相似。大部分情況下，同一簇內(nèi)的對象可以被當做一個整體來看待。

（1） 聚類的劃分標準

依據(jù)聚類分類的不同標準，聚類算法通?？煞譃閯澐址椒?、層次方法、基于網(wǎng)格的方法和基于密度的方法。

劃分方法：把n個原始的數(shù)據(jù)對象劃分成i個簇（i≤n），每個簇至少包含一個對象。接下來假設Dm（1≤m≤k）是聚類劃分后的一個簇，N表示原始數(shù)據(jù)集合，便有：

經(jīng)典的劃分算法主要有：k-中心點（K-Medoids）和k-均值（K-Means）算法，它們都是采用啟發(fā)式方法來逐步逼近最優(yōu)聚類結(jié)果，這一類算法適用于發(fā)現(xiàn)中小規(guī)模數(shù)據(jù)庫中的球狀簇。

層次方法：層次方法分為凝聚的層次聚類和分裂的層次聚類兩種。層次聚類方法可以發(fā)現(xiàn)差異層次上的數(shù)據(jù)聚集模式。BIRCH算法便是一種傳統(tǒng)的層次聚類算法，它通常是用做大規(guī)模數(shù)據(jù)集聚類問題的處理；而Chameleon算法則是現(xiàn)階段應用良好的動態(tài)聚類算法，它能夠發(fā)現(xiàn)任意形狀的聚類簇。

基于密度的方法：這類聚類方法是為了發(fā)現(xiàn)非球狀簇。他的主要思想是：一旦密度超過某一個限定的密度閩值，就能夠繼續(xù)擴大這個簇的范圍。通常來講，基于密度的聚類算法僅考慮互斥的簇，而不考慮模糊集合。DENCLUE和DBSCAN都是基于密度的聚類算法[6]。

基于網(wǎng)格的方法：這種方法首先要形成一個網(wǎng)格的結(jié)構(gòu)，形成網(wǎng)格結(jié)構(gòu)的方法是將數(shù)據(jù)空間分類成特定個數(shù)的數(shù)據(jù)單元，最終在網(wǎng)格結(jié)構(gòu)上進行聚類操作?；诰W(wǎng)格的聚類主要有STING，GRIDCLUS 等。

（2） 相似性的度量

主要的相似性度量方法有以下四種：基于概率的度量方法、基于密度的度量、基于連接的度量方法和基于距離的度量方法。

基于距離的相似性度量方法的優(yōu)點是：計算比較簡單，易于理解。但缺點也相對較明顯，對不相關的數(shù)據(jù)信息比較敏感。主要的距離度量指標有角度的余弦值、曼哈頓距離和歐幾里德距離?；诿芏鹊南嗨菩远攘糠椒ㄓ谢诿芏群瘮?shù)的方法、基于網(wǎng)格的方法和最近鄰方法。DBSCAN，OPTICS和CLIQUE都是基于密度的相似度量方法?；谶B接的相似性度量方法是建立在數(shù)據(jù)連接圖的基礎上，根據(jù)圖的邊測信息來進行數(shù)據(jù)聚類，把滿足一定連接數(shù)閩值的數(shù)據(jù)聚合成簇。這種方法的度量標準是數(shù)據(jù)對象的連接數(shù)量。基于概率的度量方法建立在統(tǒng)計學理論基礎上，主要有COBWEB， AutoClass和混合模型等。

（3） 簇的分離性

通常來說，按照簇的分離性可將聚類結(jié)果分為模糊簇和互斥簇。一般的聚類篩選是一種硬性的篩選，數(shù)據(jù)集中的每個數(shù)據(jù)對象都被硬性地按照某個規(guī)則劃分到某個簇中，這樣劃分會使得簇之間具有明顯的區(qū)別界限。其實模糊聚類簇不是互斥的，多個簇與數(shù)據(jù)對象之間有著不一樣的隸屬關系，它們之間形成了數(shù)據(jù)對象和類別的不確定性描述。所以模糊簇相對于硬性劃分的聚類簇能夠更真實地反應客觀世界。通過計算對應目標函數(shù)的最小值得到最終的軟化分結(jié)果的模糊C均值（FCM）聚類算法就是一種常見的模糊聚類算法。endprint

4.3 K-Means聚類算法

對網(wǎng)絡用戶行為的特征相似程度以及分布情況進行分析時，經(jīng)常會應用K-Means聚類算法。此算法是由J.B.MacQueen最早發(fā)現(xiàn)并提出的，以及在醫(yī)學、生物科學、文本文檔聚類等領域得到了廣泛應用[7]。K-Means聚類算法的目標是發(fā)現(xiàn)對象簇的相似度和分布狀況，從而獲得研究對象的群體特征。

K-Means算法在網(wǎng)絡用戶的興趣特征挖掘分析中的應用，能夠準確快速的發(fā)現(xiàn)用戶的興趣，并且，通過對網(wǎng)絡用戶的數(shù)據(jù)挖掘，進一步對群體用戶的興趣特征進行聚類分析[8]。這樣便于之后對用戶進行內(nèi)容推送以及興趣的預測。

K-Means聚類算法可以簡單描述為首先任意從數(shù)據(jù)集F中采用k個數(shù)據(jù)點當做初始簇的中心點，然后在每個簇的中心以外的數(shù)據(jù)點依次計算到各簇以特定為半徑的區(qū)域距離，將數(shù)據(jù)點分類到最近的簇中心所代表的簇中，再從新計算出每個簇的簇中心。將這個步驟經(jīng)數(shù)次的重復迭代，一直迭代到符合中止的條件為止[9]。

K-Means算法簇中心的計算公式是：

其中，Cj表示第j個簇，j=1，2，….，k；mj用來呈現(xiàn)簇Cj的簇的中心區(qū)域（抽象理解為簇中全部數(shù)據(jù)的平均值向量）；表示簇Cj中包含的數(shù)據(jù)點數(shù)。數(shù)據(jù)點xi到簇中心mj的距離計算公式為：

下面任意一個條件都能夠終止此迭代過程：

（1） 不再有數(shù)據(jù)點被重新分配

（2） 簇中心沒有再發(fā)生變化

（3） 誤差平方和（SSE）局部最小

K-Means算法的特征為首先就要確定預計將要分類的簇個數(shù)k，并且聚類的最終效果在較為偏重于依賴選取初始簇的中心。學者常用的判斷簇個數(shù)k的方法是選取多個k的值，實現(xiàn)盡可能多數(shù)次的聚類，將之前多數(shù)次聚類的值進行分析，再依據(jù)分析結(jié)果來最終判斷簇的個數(shù)。選擇初始簇中心的方法有很多種，目前大眾普遍接受的方法是“密度法”[10]，密度法是按特定的半徑將所有數(shù)據(jù)點進行分類，選取分布在數(shù)據(jù)點為中央的以特定長度為半徑的區(qū)域內(nèi)的數(shù)據(jù)點數(shù)最多的前k個點為初始簇中心。

5 小結(jié)

對于網(wǎng)絡模式下的社交團體的數(shù)據(jù)挖掘分析，由于數(shù)據(jù)量龐大、情感因素較多等等原因近年來一直是此類數(shù)據(jù)挖掘研究的難題。本文就幾種最常用的數(shù)據(jù)挖掘分析算法進行了對比分析，并對網(wǎng)絡模式下社交團體的數(shù)據(jù)挖掘進行詳細的預分析。但網(wǎng)絡社交團體的數(shù)據(jù)挖掘分析，依然存在著很多客觀的難題，這也將是我以后研究工作的重要方向。

參考文獻：

[1] 周小平，梁循，趙吉超，李志宇，馬躍峰. 面向社會網(wǎng)絡融合的關聯(lián)用戶挖掘方法綜述[J]. 軟件學報：1-21.

[2] 劉冰，趙君麗. 基于社會網(wǎng)絡分析的國內(nèi)E-learning數(shù)據(jù)挖掘研究述評[J]. 通化師范學院學報，2015（04）：127-129.

[3] 宋洋. 基于社會網(wǎng)絡分析的Web數(shù)據(jù)挖掘研究[D].山東理工大學，2015.

[4] 肖志軍. 一種面向社會網(wǎng)絡的熱點話題數(shù)據(jù)挖掘算法[J]. 計算機應用與軟件，2014（06）：24-28.

[5] 于樂. 社會網(wǎng)絡中社團發(fā)現(xiàn)及網(wǎng)絡演化分析[D].北京郵電大學，2014.

[6] 劉行軍. 微博用戶及其信息傳播影響因素研究[D].華中師范大學，2013.

[7] 陳康，朱應堅，向勇. 面向社交網(wǎng)絡的用戶數(shù)據(jù)挖掘技術研究[J]. 電信科學，2013（S1）：94-101.

[8] 王千，王成，馮振元，葉金鳳. K-means聚類算法研究綜述[J]. 電子設計工程，2012（07）：21-24.

[9] 周志勇. 聚類分析算法研究[D].河北大學，2007.

[10] 邢留偉. K-Means算法在客戶細分中的應用研究[D].西南財經(jīng)大學，2007.endprint