陳淑娟，徐雅斌

1.網(wǎng)絡(luò)文化與數(shù)字傳播北京市重點(diǎn)實(shí)驗(yàn)室，北京100101

2.北京信息科技大學(xué) 計(jì)算機(jī)學(xué)院，北京100101

近年來，F(xiàn)acebook、Twitter、微博等社交網(wǎng)絡(luò)已經(jīng)成為人們溝通交流的重要渠道。每個(gè)社交網(wǎng)絡(luò)都存在著意見領(lǐng)袖，意見領(lǐng)袖在敏感信息、輿情、熱點(diǎn)話題的傳播過程中扮演著關(guān)鍵作用，具有較大的社會(huì)影響力。

分析發(fā)現(xiàn)，在每個(gè)社交網(wǎng)絡(luò)中，圍繞著意見領(lǐng)袖自然形成若干個(gè)不同的社團(tuán)，而每個(gè)社團(tuán)往往具有一個(gè)或多個(gè)交流和討論的主題。因此，意見領(lǐng)袖的挖掘與主題社團(tuán)是密切相關(guān)的。研究如何面向主題社團(tuán)挖掘意見領(lǐng)袖對(duì)熱點(diǎn)事件傳播，輿情管控具有重要的意義和研究?jī)r(jià)值。

針對(duì)上述分析，本文提出了一種基于主題相似度的多標(biāo)簽均衡社團(tuán)劃分算法和快速意見領(lǐng)袖挖掘算法QMOLA。首先采用I-LDA 計(jì)算主題分布，并籍此計(jì)算出主題相似度。并利用主題相似度排序，確定節(jié)點(diǎn)標(biāo)簽傳播更新的順序，再結(jié)合鄰居節(jié)點(diǎn)間的相似度和社團(tuán)標(biāo)簽信息更新自身的社團(tuán)標(biāo)簽信息，由此劃分出高穩(wěn)定性的主題社團(tuán)；然后針對(duì)某一主題社團(tuán)，根據(jù)結(jié)構(gòu)特征排除粉絲數(shù)、關(guān)注數(shù)和VIP 等級(jí)較低的用戶，確定候選人集合；最后，根據(jù)候選人的傳播特征和情感特征計(jì)算用戶影響力，挖掘TOP- K 個(gè)意見領(lǐng)袖。整體算法的框架流程圖如圖1所示。

（1）提出了一個(gè)I-LDA 模型，將粉絲類別屬性作用于LDA 模型，由此可抽取出主題表達(dá)能力更強(qiáng)的主題詞，使得主題識(shí)別效果更好。

（2）針對(duì)同一社團(tuán)的用戶經(jīng)常發(fā)布相同或相似主題文本內(nèi)容的特點(diǎn)，采用基于主題相似度的多標(biāo)簽均衡社團(tuán)劃分算法劃分主題社團(tuán)，相對(duì)已有的社團(tuán)劃分方法，有效提高了社團(tuán)劃分的準(zhǔn)確性。

（3）提出了意見領(lǐng)袖快速挖掘算法QMOLA，不僅可以減少計(jì)算全部用戶影響力的時(shí)間，提高效率，而且還可提高社團(tuán)中意見領(lǐng)袖挖掘的準(zhǔn)確性。

1 相關(guān)工作

對(duì)于社團(tuán)劃分的研究，姜昊等[1]提出了Fast-Newman算法，不同于傳統(tǒng)的分裂式社團(tuán)劃分算法GN[2]，該算法先將每個(gè)用戶初始化一個(gè)單獨(dú)的社團(tuán)，再采用貪婪算法合并社團(tuán)，實(shí)現(xiàn)復(fù)雜網(wǎng)絡(luò)的快速社團(tuán)劃分。Liu等[3]提出了一種基于局部最優(yōu)擴(kuò)展內(nèi)聚思想的社區(qū)發(fā)現(xiàn)算法，先使用最重要的節(jié)點(diǎn)及其鄰接節(jié)點(diǎn)初始化核心社團(tuán)，再通過節(jié)點(diǎn)隸屬度對(duì)核心社團(tuán)進(jìn)行擴(kuò)展。文獻(xiàn)[4-6]提出基于節(jié)點(diǎn)重要性的多標(biāo)簽傳播重疊社團(tuán)發(fā)現(xiàn)算法，先采用LeaderRank 或PageRank 計(jì)算出節(jié)點(diǎn)的影響力，再使用多標(biāo)簽傳播算法劃分社團(tuán)。趙雨露等[7]在采用標(biāo)簽傳播算法劃分社團(tuán)的基礎(chǔ)上，采用最大社區(qū)節(jié)點(diǎn)數(shù)控制社團(tuán)規(guī)模。歐陽(yáng)驥等[8]提出采用主題劃分與鏈接劃分的社團(tuán)發(fā)現(xiàn)算法，先采用隱含狄利克雷分布（Latent Dirichlet Allocation，LDA）模型對(duì)社團(tuán)進(jìn)行主題劃分，再應(yīng)用模塊度社團(tuán)發(fā)現(xiàn)算法對(duì)社團(tuán)進(jìn)行鏈接劃分。翟菊葉等[9]提出一種主題社團(tuán)混合模型（On-line Topic and User Combine Model，OTUCM）模型的網(wǎng)絡(luò)社團(tuán)演化識(shí)別方法，把社團(tuán)識(shí)別轉(zhuǎn)換成主題識(shí)別，并引入時(shí)間因素，實(shí)現(xiàn)動(dòng)態(tài)社團(tuán)劃分。

對(duì)于意見領(lǐng)袖挖掘的研究，文獻(xiàn)[10-12]主要根據(jù)核數(shù)、粉絲數(shù)、接近中心性、轉(zhuǎn)發(fā)數(shù)等節(jié)點(diǎn)的結(jié)構(gòu)特征挖掘意見領(lǐng)袖。郭博等[13]采用層次分析法確定用戶的粉絲數(shù)、關(guān)注數(shù)、活躍度和可信度各個(gè)指標(biāo)的權(quán)重，并基于PageRank算法挖掘意見領(lǐng)袖。Qiu等[14]根據(jù)用戶評(píng)論進(jìn)行文本挖掘，并通過引入時(shí)間特征改進(jìn)PageRank 算法來挖掘意見領(lǐng)袖。陳振春等[15]通過研究用戶的粉絲數(shù)、跨社團(tuán)數(shù)等結(jié)構(gòu)特征和用戶行為特征計(jì)算節(jié)點(diǎn)影響力，并挖掘意見領(lǐng)袖。肖宇等[16]通過分析用戶回帖的情感傾向，采用LeaderRank算法計(jì)算意見領(lǐng)袖排名。徐郡明等[17]根據(jù)用戶的情感傾向和活躍程度改進(jìn)LeaderRank 算法挖掘意見領(lǐng)袖。Duan等[18]先采用聚類算法將用戶聚類，再對(duì)用戶進(jìn)行情感分析，由此挖掘意見領(lǐng)袖。

綜上可以發(fā)現(xiàn)，現(xiàn)有的方法采用LDA 主題模型對(duì)文本提取主題并計(jì)算主題相似度，但是提取出的主題詞傾向于選擇高頻詞，而主題表達(dá)能力強(qiáng)的低頻詞被分配到各主題的概率比較低。現(xiàn)有的方法劃分社團(tuán)常采用分裂或聚合的方式將關(guān)系密切的用戶劃分在一個(gè)社團(tuán)內(nèi)，將關(guān)系不密切的用戶分離，但是忽略了用戶間的主題相似影響，不能準(zhǔn)確地劃分主題社團(tuán)?，F(xiàn)有的意見領(lǐng)袖挖掘方法計(jì)算結(jié)構(gòu)特征、行為特征或情感特征對(duì)PageRank算法進(jìn)行改進(jìn)計(jì)算影響力，但是并未考慮到用戶在每個(gè)主題社團(tuán)下的影響力是不同的。并且計(jì)算全部用戶的影響力值，并對(duì)其進(jìn)行排序，導(dǎo)致耗時(shí)較長(zhǎng)，計(jì)算效率需進(jìn)一步提高。

2 主題社團(tuán)劃分

2.1 主題提取

圖1 整體算法的框架流程圖

LDA 主題模型的基本思想是將多個(gè)不同的主題按照一定的概率分布生成文檔，其中多個(gè)不同的詞按照一定的概率分布生成主題，從而挖掘文檔中隱藏的主題信息。標(biāo)準(zhǔn)的LDA 模型是一種基于文檔-主題-詞語的三層貝葉斯模型，可以得到“文檔-主題”和“主題-詞項(xiàng)”兩個(gè)概率分布。

LDA 模型以離散的詞頻作為輸入，并且語料庫(kù)中單詞的重要程度只有詞頻相關(guān)。由于文檔中公用詞和停用詞幾乎出現(xiàn)在所有主題下，而LDA 模型會(huì)賦予在部分文檔中出現(xiàn)頻率低而在語料庫(kù)的其他文檔中出現(xiàn)頻率高的單詞一個(gè)較高的值，而賦予在整個(gè)語料庫(kù)所有文檔中出現(xiàn)頻率很低的單詞一個(gè)較低的值。因此，當(dāng)使用LDA 模型提取文本中的主題詞時(shí)，容易出現(xiàn)向高頻詞傾斜的現(xiàn)象，因而主題表達(dá)能力強(qiáng)的低頻詞分配到各主題中的概率就會(huì)比較低，主題表達(dá)能力弱的高頻詞分配到各主題中的概率往往會(huì)比較高，由此降低了模型的主題識(shí)別效果。為了能抽取到主題表達(dá)能力強(qiáng)的主題詞，使主題識(shí)別效果更好，本文提出了一個(gè)I-LDA模型，如圖2所示。

圖2 I-LDA模型

基于I-LDA 模型的主題挖掘方法的過程：（1）根據(jù)用戶的粉絲博主分布比例作為用戶的興趣屬性矩陣，將其作為I-LDA 模型的輸入文檔之一；（2）對(duì)微博文本進(jìn)行預(yù)處理，包括去短文，分詞，以及去停用詞，形成規(guī)范的文本語料庫(kù)，得到詞匯表和文檔-詞匯矩陣，作為ILDA 模型的輸入文檔之一；（3）采用I-LDA 模型對(duì)文本語料進(jìn)行文本表示，在利用Gibbs抽樣過程中，使用興趣屬性矩陣對(duì)文章-主題矩陣以及主題-詞矩陣進(jìn)行加權(quán)迭代，由此得到文章-主題分布矩陣和主題-詞分布矩陣。

在主題數(shù)為K 的情況下，語料庫(kù)中包含M 篇文檔，每篇文檔中包含詞匯Wm,n，每個(gè)用戶包含C 個(gè)興趣屬性。首先，對(duì)于任意一篇文檔m，使用Dirichlet 分布作為主題分布θm的先驗(yàn)分布，其中α 是分布的超參數(shù)，θm表示文檔m 屬于K 個(gè)主題的概率。對(duì)于任意一個(gè)主題k，使用Dirichlet分布作為詞分布φk的先驗(yàn)分布，其中β 是分布的超參數(shù)，φk表示主題k 對(duì)于N 的詞的概率。

然后，對(duì)于文檔m 中的每個(gè)詞w 進(jìn)行如下操作：根據(jù)每一篇文檔中主題的多項(xiàng)式分布和興趣參數(shù)對(duì)主題詞的加權(quán)處理，不斷調(diào)整主題分布，最終得到這篇文章的主題分布Zm,n。根據(jù)每一個(gè)主題中詞的多項(xiàng)式分布和興趣參數(shù)對(duì)詞項(xiàng)的加權(quán)處理，不斷調(diào)整詞分布，最終得到K 個(gè)主題下的詞分布Wm,n。重復(fù)此過程，遍歷文檔中所有的詞匯，直到生成所有文檔的主題。最后采用快速Gibbs 抽樣對(duì)超參數(shù)α 和β 進(jìn)行迭代估計(jì)，得到ILDA的聯(lián)合概率分布如式（1）所示：

迭代循環(huán)最終得到文檔m 的主題分布和主題k 的詞分布的期望公式：

一般可以根據(jù)用戶的標(biāo)簽信息判斷用戶的興趣。但是用戶往往并不及時(shí)更新自己的信息資料，所以以標(biāo)簽信息表示用戶的興趣缺乏時(shí)效性。以微博為例，大V用戶經(jīng)過微博認(rèn)證分類，并且關(guān)注自己感興趣的用戶，所以可根據(jù)粉絲的認(rèn)證博主分類推測(cè)用戶的興趣。博主分類為44種類型，如表1所示。

表1 粉絲博主分類類型

由此，用戶u 的興趣屬性可由interest(u)=[c1(u),c2(u),…,c44(u)]表示。ci(u)表示用戶u 的第i 類粉絲博主的比例，計(jì)算公式如式（5）所示：

其中，fanNum(ui)表示用戶u 的第i 類粉絲博主數(shù)量。

2.2 主題相似度計(jì)算

通過I-LDA模型進(jìn)行主題識(shí)別后，得到所有用戶及其主題構(gòu)成的用戶-主題矩陣（User-Topic Matrix，UTM）如式（6）所示：

其中，a 表示用戶的個(gè)數(shù)，b 表示主題的個(gè)數(shù)。用戶(u,v)的主題分布可使用VSM表示：topic_rate(u)={t1(u),t2(u),…,tb(u)}，topic_rate(v)={t1(v),t2(v),…,tb(v)}。兩用戶(u,v)的主題相似度可采用公式（7）所示：

2.3 基于主題相似度的多標(biāo)簽均衡社團(tuán)劃分算法

多標(biāo)簽均衡傳播算法是一種快速劃分社團(tuán)的半監(jiān)督學(xué)習(xí)算法。標(biāo)簽的格式為(c,r)，其中c 表示節(jié)點(diǎn)屬于c 社團(tuán)，r 表示節(jié)點(diǎn)屬于c 社團(tuán)的從屬系數(shù)，每個(gè)節(jié)點(diǎn)可以擁有多個(gè)標(biāo)簽，并且多個(gè)標(biāo)簽的從屬系數(shù)之和為1。均衡傳播指在網(wǎng)絡(luò)中，若存在一些已標(biāo)記節(jié)點(diǎn)和未標(biāo)記節(jié)點(diǎn)，將已標(biāo)記節(jié)點(diǎn)的標(biāo)簽信息傳遞給相鄰的未標(biāo)記節(jié)點(diǎn)，引入閾值p 判斷未標(biāo)記節(jié)點(diǎn)是否保留傳遞得到的標(biāo)簽，以此更新自身標(biāo)簽信息并轉(zhuǎn)換成已標(biāo)記節(jié)點(diǎn)。但是也存在一些問題：

（1）節(jié)點(diǎn)更新標(biāo)簽的順序是隨機(jī)的，可能會(huì)出現(xiàn)未標(biāo)記節(jié)點(diǎn)預(yù)測(cè)已標(biāo)記節(jié)點(diǎn)的標(biāo)簽信息的現(xiàn)象。

（2）更新節(jié)點(diǎn)標(biāo)簽時(shí)，認(rèn)為節(jié)點(diǎn)接收每個(gè)鄰居節(jié)點(diǎn)標(biāo)簽的概率是相同的，忽略了節(jié)點(diǎn)與不同鄰居節(jié)點(diǎn)之間的相似度對(duì)標(biāo)簽傳播的影響。

（3）當(dāng)鄰居節(jié)點(diǎn)擁有多個(gè)從屬系數(shù)最大的標(biāo)簽時(shí)，算法采用隨機(jī)的方式保留標(biāo)簽，使得社團(tuán)劃分存在一定的隨機(jī)性，導(dǎo)致劃分的社團(tuán)結(jié)構(gòu)不穩(wěn)定。

為了解決上述三個(gè)問題，提高社團(tuán)劃分的準(zhǔn)確性和保證社團(tuán)結(jié)構(gòu)的穩(wěn)定性，本文對(duì)已有的多標(biāo)簽傳播算法進(jìn)行改進(jìn)，提出了一種基于主題相似度的多標(biāo)簽均衡社團(tuán)劃分算法如算法1所示。

算法1 基于主題相似度的多標(biāo)簽均衡社團(tuán)劃分

輸入：用戶節(jié)點(diǎn)集合U ，用戶的主題相似度。

輸出：主題社團(tuán)集合S。

（1）每個(gè)節(jié)點(diǎn)ui設(shè)置一個(gè)各不相同的標(biāo)簽(c,r)。

（2）將主題相似度從大到小排序，確定標(biāo)簽更新的順序，并設(shè)定閾值參數(shù)p。

（3）更新節(jié)點(diǎn)ui的標(biāo)簽時(shí)，接收鄰居節(jié)點(diǎn)傳遞的標(biāo)簽。計(jì)算每種標(biāo)簽的社團(tuán)從屬系數(shù)與相似度乘積之和，確定最大值bmax。

（4）節(jié)點(diǎn)ui計(jì)算每種標(biāo)簽的乘積之和與bmax的比值，將比值與閾值p 進(jìn)行比較，保留大于p 的標(biāo)簽。

（5）節(jié)點(diǎn)ui對(duì)標(biāo)簽的社團(tuán)從屬系數(shù)進(jìn)行標(biāo)準(zhǔn)化，使得所有標(biāo)簽從屬系數(shù)之和為1。

（6）如果社團(tuán)中的最少節(jié)點(diǎn)數(shù)不再變化，則算法停止，否則繼續(xù)重復(fù)步驟（3）～（5），對(duì)其余節(jié)點(diǎn)進(jìn)行標(biāo)簽更新操作。

（7）將擁有相同標(biāo)簽的節(jié)點(diǎn)劃分到一個(gè)社團(tuán)中，從而實(shí)現(xiàn)主題社團(tuán)劃分。

通過上述算法即可得到主題社團(tuán)集合S。在算法中，步驟（1）、（2）為準(zhǔn)備階段，完成節(jié)點(diǎn)的標(biāo)簽初始化、確定節(jié)點(diǎn)的標(biāo)簽更新順序和設(shè)置閾值p 三部分。步驟（3）～（6）為標(biāo)簽更新階段，每個(gè)節(jié)點(diǎn)按照更新的規(guī)則迭代更新自己的標(biāo)簽。步驟（7）為收尾階段，統(tǒng)計(jì)和整理節(jié)點(diǎn)的標(biāo)簽，劃分主題社團(tuán)。

3 快速意見領(lǐng)袖挖掘

主題社團(tuán)形成之后，挖掘主題社團(tuán)中的意見領(lǐng)袖的關(guān)鍵在于綜合分析各個(gè)維度的特征對(duì)用戶影響力的作用結(jié)果?；趯?duì)意見領(lǐng)袖的特征進(jìn)行深層次分析，本文從結(jié)構(gòu)特征、傳播特征和情感特征三個(gè)角度挖掘意見領(lǐng)袖。

3.1 結(jié)構(gòu)特征分析

結(jié)構(gòu)特征不僅指用戶個(gè)人因素，還指其所處的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)因素，在微博中可由粉絲數(shù)、關(guān)注數(shù)、VIP 等級(jí)，接近中心性等屬性表示。但是，由于采集的數(shù)據(jù)集不能準(zhǔn)確再現(xiàn)用戶在微博中的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，對(duì)接近中心性的計(jì)算存在差異。為此，本文主要從粉絲數(shù)、關(guān)注數(shù)和VIP等級(jí)三個(gè)因素計(jì)算用戶的結(jié)構(gòu)特征值INF_S。

其中，followedNum(u) 表示用戶u 的粉絲數(shù)，followerNum(u)表示用戶u 的關(guān)注數(shù)，vipLevel(u)表示用戶u 的VIP等級(jí)，α1～α3表示對(duì)應(yīng)屬性的權(quán)重。

每種屬性數(shù)據(jù)具有不同的量綱，數(shù)據(jù)間差異較大，不能直接參與計(jì)算，因此需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使得數(shù)據(jù)指標(biāo)之間具有可比性。本文采用min-max 標(biāo)準(zhǔn)化對(duì)數(shù)據(jù)進(jìn)行線性轉(zhuǎn)換，將結(jié)果映射到[0-1]之間，轉(zhuǎn)換函數(shù)如下所示：

通過AHP層次分析法確定每個(gè)屬性的權(quán)重參數(shù)值。

首先，通過對(duì)1 043個(gè)用戶進(jìn)行結(jié)構(gòu)特征分析，可以發(fā)現(xiàn)，用戶可以選擇不關(guān)注其他用戶，但不能阻止其他用戶關(guān)注自己，因此粉絲數(shù)相對(duì)于關(guān)注數(shù)稍微重要，另外，VIP 等級(jí)越高，影響力越強(qiáng)，因此VIP 等級(jí)相對(duì)于粉絲數(shù)和關(guān)注數(shù)較強(qiáng)重要。然后，根據(jù)兩兩屬性之間的重要程度，得出層次判別矩陣如表2 所示。最后，通過一次性檢驗(yàn)得到各個(gè)屬性權(quán)重如表3 所示。從表中可以看出，VIP 等級(jí)、粉絲數(shù)和關(guān)注數(shù)的比例約為6∶2∶1，符合用戶的結(jié)構(gòu)特征分布。

表2 結(jié)構(gòu)屬性權(quán)重的層次判別矩陣

表3 結(jié)構(gòu)屬性權(quán)重設(shè)置

3.2 傳播特征分析

傳播特征指用戶在一段時(shí)間內(nèi)發(fā)布的微博數(shù)和微博被點(diǎn)贊、被轉(zhuǎn)發(fā)和被評(píng)論的數(shù)量。為了表示時(shí)間對(duì)傳播特征的影響，本文選取用戶在24小時(shí)內(nèi)的發(fā)博數(shù)、被點(diǎn)贊數(shù)、被轉(zhuǎn)發(fā)數(shù)和被評(píng)論數(shù)計(jì)算用戶的傳播特征值INF_P。

其中，weiboNum(u)表示用戶u 發(fā)布的微博數(shù)，likeNum(u)表示用戶u 的被點(diǎn)贊數(shù)，repostNum(u)表示用戶u 的被轉(zhuǎn)發(fā)數(shù)，replyNum(u)表示用戶u 的被評(píng)論數(shù)，α1～α4分別表示對(duì)應(yīng)屬性的權(quán)重。

首先，通過式（9）的轉(zhuǎn)換函數(shù)對(duì)數(shù)據(jù)進(jìn)行min-max標(biāo)準(zhǔn)化轉(zhuǎn)換；然后，對(duì)用戶進(jìn)行傳播特征分析，發(fā)布微博越多，其微博有更大概率被轉(zhuǎn)發(fā)，因此微博數(shù)相對(duì)于其他三者較強(qiáng)重要，轉(zhuǎn)發(fā)數(shù)越高，則微博更能廣泛傳播，因此轉(zhuǎn)發(fā)數(shù)相對(duì)于點(diǎn)贊數(shù)稍微重要，對(duì)微博進(jìn)行評(píng)論，更能體現(xiàn)對(duì)該條微博的認(rèn)同，因此評(píng)論數(shù)相對(duì)于點(diǎn)贊數(shù)較強(qiáng)重要，相對(duì)于轉(zhuǎn)發(fā)數(shù)稍微重要。其次，通過層次分析法確定每個(gè)屬性的權(quán)重參數(shù)值，得到層次判別矩陣如表4 所示；最后，通過一致性檢驗(yàn)得到各個(gè)屬性的權(quán)重如表5所示。從表中可以看出，微博數(shù)、評(píng)論數(shù)、轉(zhuǎn)發(fā)數(shù)和點(diǎn)贊數(shù)的比例約為7∶4∶2∶1，符合用戶的傳播特征分布。

3.3 情感特征分析

用戶發(fā)布的微博往往受到粉絲或者路人的評(píng)論，對(duì)用戶發(fā)布微博的正向評(píng)論越多，越能體現(xiàn)其受尊重和受歡迎的程度，越能增加作為意見領(lǐng)袖的概率。反之，反向評(píng)論越多，則說明其不受尊重和不受歡迎的程度，越能降低作為意見領(lǐng)袖的概率。為此，本文以微博評(píng)論的情感極性作為用戶的情感特征，極性判別步驟如下：

表4 傳播屬性權(quán)重的層次判別矩陣

表5 傳播屬性權(quán)重設(shè)置

（1）用SVM模型訓(xùn)練已標(biāo)注好的語料，對(duì)參數(shù)進(jìn)行調(diào)優(yōu)。

（2）預(yù)處理，剔除微博評(píng)論中的特殊字段。例如，“http：//www.qzjcj.com”“#話題#”“回復(fù)@用戶名：”“//@用戶名：”“@用戶名”等。

（3）采用jieba 分詞器對(duì)預(yù)處理過的評(píng)論進(jìn)行分詞和加載停用詞表，去除評(píng)論中的停用詞。

（4）用word2vec 模型訓(xùn)練每條評(píng)論，得到每個(gè)詞的高維向量，然后根據(jù)情感詞典選取每條評(píng)論中的特征詞，將特征詞的向量相加后求平均，得到每條評(píng)論的句子向量。

（5）使用訓(xùn)練好的SVM 模型對(duì)句子向量進(jìn)行極性分類。

情感極性分析結(jié)束后，統(tǒng)計(jì)每個(gè)用戶正、負(fù)向評(píng)論的條數(shù)，采用公式（11）計(jì)算用戶的情感特征值INF_E。參數(shù)分別取1、-2，能夠明顯區(qū)分用戶正向評(píng)論數(shù)與負(fù)向評(píng)論數(shù)。

3.4 快速意見領(lǐng)袖挖掘算法

通過研究發(fā)現(xiàn)，意見領(lǐng)袖一般具有明顯的結(jié)構(gòu)特征，然而具有明顯結(jié)構(gòu)特征的用戶不一定是意見領(lǐng)袖。此外，意見領(lǐng)袖的影響力不僅表現(xiàn)在微博被轉(zhuǎn)發(fā)或評(píng)論的次數(shù)，還表現(xiàn)在粉絲對(duì)其微博的支持態(tài)度。為了快速和準(zhǔn)確地挖掘主題社團(tuán)中的意見領(lǐng)袖，本文提出了快速意見領(lǐng)袖挖掘算法QMOLA，先根據(jù)結(jié)構(gòu)特征篩選出候選人，后根據(jù)傳播特征和情感特征計(jì)算影響力，從候選人中選取意見領(lǐng)袖。

本文在網(wǎng)頁(yè)排名算法PageRank 的基礎(chǔ)上，添加用戶的傳播特征和情感特征，提出了如式（12）所示的用戶影響力（User Influence，UI）計(jì)算公式。

其中，d 為阻尼系數(shù)，取值為0.85；N 表示全部節(jié)點(diǎn)的數(shù)量，表示用戶i 被選為候選人的粉絲集合；L(j)表示用戶j 關(guān)注的且被選為候選人的用戶集合；INF_P(i)表示用戶i 的傳播特征值；INF_E(i)表示用戶i 的情感特征值。

UI 計(jì)算公式的提出借鑒了PageRank 算法的思想，認(rèn)為一個(gè)用戶的影響力不僅與其傳播特征和情感特征有關(guān)，而且還與其粉絲的影響力有關(guān)。由PageRank 算法的質(zhì)量假設(shè)可知，越是質(zhì)量高的頁(yè)面指向頁(yè)面A，頁(yè)面A 越重要。所以，若粉絲的影響力普遍很高，且對(duì)該用戶的意見普遍贊成，則表明對(duì)此用戶的影響力貢獻(xiàn)越大。因此，UI計(jì)算公式不僅分析深層次的影響因素，同時(shí)還保持了PageRank 算法的優(yōu)勢(shì)。算法步驟如算法2所示。

輸入：節(jié)點(diǎn)集合U ，關(guān)系集合E，主題社團(tuán)集合S。

輸出：節(jié)點(diǎn)影響力排名。

（1）根據(jù)用戶的粉絲數(shù)、關(guān)注數(shù)和VIP 等級(jí)計(jì)算結(jié)構(gòu)特征值INF_S。

（2）將社團(tuán)中每個(gè)用戶的INF_S 從大到小排序，選取h 個(gè)用戶組成候選人集合H 。

（3）計(jì)算候選人集合H 中的每個(gè)用戶的傳播特征值INF_P 和情感特征值INF_E。

（4）根據(jù)UI公式計(jì)算出用戶的影響力值UI 。

（5）將候選人的UI 按照從大到小的順序進(jìn)行排序，選擇前K 個(gè)用戶作為意見領(lǐng)袖TOP-K 。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)數(shù)據(jù)與實(shí)驗(yàn)環(huán)境

本文從新浪微博平臺(tái)上采集實(shí)驗(yàn)數(shù)據(jù)，按照廣度優(yōu)先的策略，從微博昵稱為“人民日?qǐng)?bào)”“央視體育”“新浪財(cái)經(jīng)”“圈內(nèi)星探”“新浪軍事”“央視新聞”“新浪娛樂”七個(gè)用戶開始爬取數(shù)據(jù)，爬取用戶的個(gè)人信息和2019-03-18—2019-03-20三天內(nèi)發(fā)布的微博。針對(duì)每條微博，先爬取評(píng)論內(nèi)容、點(diǎn)贊數(shù)和轉(zhuǎn)發(fā)數(shù)等數(shù)據(jù)，再爬取其粉絲用戶，將這些用戶繼續(xù)添加至待爬取隊(duì)列。對(duì)一個(gè)用戶的數(shù)據(jù)爬取結(jié)束之后，繼續(xù)對(duì)下一個(gè)用戶進(jìn)行同樣的操作，重復(fù)此過程，直至爬取1 043 個(gè)用戶的信息，則爬蟲停止。

葉總接過話茬：“這么看來，我猜的就八九不離十了。老賈成功騙過我們之后，就剩下釣?zāi)憬淌谏瞎戳?。那天我提前離開酒席之后，他怕夜長(zhǎng)夢(mèng)多，便用錢盒子為餌，促成交易。仔細(xì)想想，看來老賈真的是以為這個(gè)盒子不太值錢，所以才把它當(dāng)陪襯送給了陸教授?！?/p>

該數(shù)據(jù)集中包含1 043個(gè)用戶的個(gè)人信息、1 124條用戶關(guān)系、95 447條微博信息以及296 881條評(píng)論信息。另外，進(jìn)行情感分析時(shí)，需要借助情感詞典，本文的情感詞典包含7 339個(gè)正向情感詞和12 956個(gè)負(fù)向情感詞。

本文的實(shí)驗(yàn)環(huán)境如表6所示。

表6 實(shí)驗(yàn)相關(guān)環(huán)境

4.2 主題劃分實(shí)驗(yàn)

4.2.1 評(píng)價(jià)指標(biāo)

困惑度指所訓(xùn)練出的模型將一篇文章歸屬于哪個(gè)主題的不確定性。困惑度越小，說明聚類的效果越好。

4.2.2 對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文提出的I-LDA 模型對(duì)于主題聚類的能力，與I-LDA模型在困惑度上進(jìn)行對(duì)比實(shí)驗(yàn)。在相同的實(shí)驗(yàn)環(huán)境下，對(duì)比結(jié)果如圖3所示。

圖3 困惑度對(duì)比實(shí)驗(yàn)結(jié)果

從圖3中可以看出，本文提出的I-LDA模型困惑度的值明顯低于LDA 模型的困惑度值，進(jìn)一步說明了I-LDA模型的性能優(yōu)于LDA模型，將用戶的興趣屬性融入LDA模型中在一定程度上提升了主題聚類的精確度。

4.3 快速意見領(lǐng)袖挖掘?qū)嶒?yàn)

4.3.1 評(píng)價(jià)指標(biāo)

（1）時(shí)間指挖掘社團(tuán)中意見領(lǐng)袖消耗的時(shí)間，采用計(jì)算用戶結(jié)構(gòu)特征、傳播特征和情感特征的總時(shí)間表示。

（2）覆蓋率指從信息擴(kuò)散角度衡量意見領(lǐng)袖的影響力，采用社團(tuán)內(nèi)轉(zhuǎn)發(fā)意見領(lǐng)袖微博的用戶數(shù)與用戶總數(shù)的比值來表示。

（3）支持率指從情感角度衡量意見領(lǐng)袖的受支持程度，采用社團(tuán)內(nèi)正向評(píng)論的用戶數(shù)與用戶總數(shù)的比值來表示。

4.3.2 對(duì)比實(shí)驗(yàn)

將本文提出的QMOLA與文獻(xiàn)[19]提出的多維特征的意見領(lǐng)袖挖掘方法在挖掘時(shí)間上進(jìn)行比較。在相同的實(shí)驗(yàn)環(huán)境下，兩種方法的對(duì)比結(jié)果如圖4所示。

圖4 挖掘時(shí)間對(duì)比實(shí)驗(yàn)結(jié)果

從圖4中可以看出，兩種方法都計(jì)算全部用戶的結(jié)構(gòu)特征，耗時(shí)相同。之后，本文提出的QMOLA 只需計(jì)算候選人的傳播特征，與文獻(xiàn)[19]計(jì)算全部用戶的傳播特征耗時(shí)相差0.29 s。但是，兩種方法計(jì)算情感特征時(shí)，耗時(shí)相差明顯。并且從時(shí)間復(fù)雜度上分析可知，文獻(xiàn)[19]的時(shí)間復(fù)雜度為O(n3) ，而QMOLA 的時(shí)間復(fù)雜度為O(n+n2)。所以，在保證挖掘意見領(lǐng)袖準(zhǔn)確率的前提下，本文提出QMOLA 比文獻(xiàn)[19]挖掘意見領(lǐng)袖的效率更高。

為了驗(yàn)證本文方法的有效性，與PageRank和SRank方法在覆蓋率上進(jìn)行對(duì)比實(shí)驗(yàn)。在相同的實(shí)驗(yàn)環(huán)境下，對(duì)比結(jié)果如圖5所示。

圖5 覆蓋率對(duì)比實(shí)驗(yàn)結(jié)果

從圖5中可以看出，SRank只考慮了情感特征，忽略了好友的影響，導(dǎo)致挖掘出的意見領(lǐng)袖覆蓋率最低。PageRank方法體現(xiàn)了用戶之間的相互影響，比SRank具有稍好的優(yōu)勢(shì)。而本文提出的QMOLA 是在PageRank的基礎(chǔ)上，不僅考慮用戶之間的相互影響，而且還結(jié)合了用戶的傳播特征和情感特征，因此，效果明顯優(yōu)于PageRank和SRank方法。當(dāng)選取的TOP-K 較小時(shí)，采用QMOLA挖掘出的意見領(lǐng)袖具有更高的覆蓋率和影響力。

為了進(jìn)一步驗(yàn)證結(jié)構(gòu)特征、傳播特征和情感特征對(duì)節(jié)點(diǎn)影響力的影響，本文將QMOLA與根據(jù)結(jié)構(gòu)特征和傳播特征計(jì)算影響力的方案1 以及根據(jù)結(jié)構(gòu)特征和情感特征計(jì)算影響力的方案2進(jìn)行對(duì)比，選擇支持率作為評(píng)價(jià)指標(biāo)。在相同的實(shí)驗(yàn)環(huán)境下，對(duì)比結(jié)果如圖6所示。

圖6 支持率對(duì)比實(shí)驗(yàn)結(jié)果

從圖6 中可以看出，當(dāng)選取意見領(lǐng)袖的TOP- K 個(gè)數(shù)較小時(shí)，本文提出的QMOLA 與方案1 和方案2 挖掘的意見領(lǐng)袖的支持率比較接近，但QMOLA 的效果最好。當(dāng)TOP- K 選取個(gè)數(shù)較大時(shí)，QMOLA 綜合分析意見領(lǐng)袖的傳播特征和情感特征，挖掘的TOP- K 個(gè)意見領(lǐng)袖的支持率優(yōu)于方案1 和方案2。因此，本文提出的QMOLA能夠挖掘出高支持率的意見領(lǐng)袖。

4.3.3 主題社團(tuán)的意見領(lǐng)袖挖掘結(jié)果展示

表7 展示的是在“娛樂”主題社團(tuán)中挖掘出的前10個(gè)意見領(lǐng)袖的影響力排名。從表中可以看出，“楊冪”“陳坤”等用戶結(jié)構(gòu)特征值比較大，但是在近一段時(shí)間內(nèi)，其微博被轉(zhuǎn)發(fā)和被評(píng)論的數(shù)量偏少，傳播特征值相對(duì)不高，導(dǎo)致用戶影響力偏低。再如“王思聰”的微博被轉(zhuǎn)發(fā)和被評(píng)論的數(shù)量很多，傳播特征值很高，但由于評(píng)論中出現(xiàn)太多貶義評(píng)論，導(dǎo)致情感特征值出現(xiàn)負(fù)值。綜合傳播特征值和情感特征值來看，其用戶影響力是比較低的。

5 結(jié)束語

為了更加準(zhǔn)確、高效地挖掘不同主題社團(tuán)下的意見領(lǐng)袖，本文針對(duì)現(xiàn)有方法主題抽取準(zhǔn)確率低的問題，提出了一種I-LDA模型，通過添加興趣屬性對(duì)傳統(tǒng)的LDA模型進(jìn)行改進(jìn)，由此能夠抽取主題表達(dá)能力更強(qiáng)的主題詞。在以關(guān)注關(guān)系建立的社交關(guān)系圖中，增加主題相似度權(quán)重，并提出基于主題相似度的多標(biāo)簽均衡社團(tuán)劃分算法進(jìn)行主題社團(tuán)劃分，提高了主題社團(tuán)劃分的準(zhǔn)確性。本文進(jìn)一步提出了一種快速意見領(lǐng)袖挖掘算法（QMOLA），該方法先在主題社團(tuán)中篩選出結(jié)構(gòu)特征值比較大的用戶作為候選人，再采用本文提出的用戶影響力（UI）計(jì)算公式，根據(jù)候選人的傳播特征和情感特征計(jì)算用戶影響力，據(jù)此，進(jìn)行主題社團(tuán)中的意見領(lǐng)袖挖掘。

表7 節(jié)點(diǎn)影響力排名

實(shí)驗(yàn)及分析結(jié)果表明，本文方法不僅能夠準(zhǔn)確劃分出主題社團(tuán)，而且挖掘意見領(lǐng)袖的效率更高，挖掘出的意見領(lǐng)袖具有較高的覆蓋率和支持率。