陳 燁，王 樂，陳天雨，郭 勇

（1.華中師范大學信息管理學院，武漢430079；2.吉林大學管理學院，長春130022）

1 引言

社會化問答平臺是指將傳統(tǒng)搜索式問答功能與社交媒體功能相結合的知識共享虛擬社區(qū)[1]。在社會化問答平臺中，用戶可以關注某些主題或用戶，搜索、瀏覽和提出自己感興趣的問題，或以擅長領域的知識技能參與回答和評論，達到直接或間接獲取所需信息或知識的目的[2]。因此，用戶互動是社會化問答平臺信息或知識交流的基礎，穩(wěn)定的用戶互動是社會化問答平臺正常運轉和持續(xù)發(fā)展的保障。通過了解用戶互動行為特征（即用戶社交行為特征），平臺管理人員可掌握用戶的行為特點和規(guī)律，進而制定用戶分類管理和個性化推薦策略，以改善用戶交流的質量和效率，最終實現(xiàn)提升用戶體驗的目的。

用戶畫像（user profile）是基于特定使用情境下的真實用戶數(shù)據(jù)所形成的描述用戶屬性及其特征的標簽集合[3-5]。用戶畫像在預測用戶行為[6]、發(fā)現(xiàn)用戶潛在需求[7]等方面均發(fā)揮了重要作用，成為管理決策的有效依據(jù)。目前，社會化問答平臺用戶畫像研究的側重點在于用戶畫像生成研究，用戶畫像生成過程可以歸納為三個主要環(huán)節(jié)：用戶數(shù)據(jù)獲取、用戶特征挖掘和用戶特征表示。充足有效的用戶數(shù)據(jù)是生成用戶畫像的前提，由于各研究的目的存在差異，故研究選取的用戶數(shù)據(jù)范圍不盡相同。有的研究主要收集目標用戶的個體用戶數(shù)據(jù)（如用戶基本信息、用戶問答數(shù)量、用戶參與行為等），分析用戶行為動機、用戶參與度和用戶發(fā)展趨勢等個體用戶特征[8-9]；有的研究則收集目標用戶群體的相關用戶數(shù)據(jù)（用戶關注內容、用戶瀏覽行為、用戶評論等），分析用戶信息需求、用戶角色等群體用戶特征[3]。獲取用戶數(shù)據(jù)之后，根據(jù)用戶數(shù)據(jù)內容和類型的特點，采用統(tǒng)計分析、聚類、機器學習等方法挖掘用戶特征[9-12]。隨后，將用戶特征抽象成標簽（詞匯、短語或概念等），并以詞云、表格和圖像等形式進行可視化展示[3,13-16]。目前，許多關于社會化問答平臺用戶畫像的研究將用戶從使用情景中抽離出來，作為獨立個體進行數(shù)據(jù)收集和特征挖掘，而忽略了用戶所在的社交群體及用戶相互之間的聯(lián)系。如何結合用戶所處的社交環(huán)境，生成揭示用戶社交行為特征的用戶畫像有待進一步研究。

在社會化問答平臺用戶社交行為研究中，社會網絡分析方法（social network analysis）被用于探究用戶網絡的拓撲結構特征，以及其對知識共享和信息傳播效果的影響，或是挖掘社會化問答平臺專家領袖，助力在線共享社區(qū)的內容質量維護，提高平臺信息的可信度[17-19]。實踐表明，社會網絡分析方法能夠刻畫社會化問答平臺形成的社交網絡的整體特征，也能揭示網絡中個體之間的關系，但如何以管理問題為導向組織和利用社會網絡分析的結論仍需進一步探究。

因此，本文借鑒其他類型用戶畫像的構建流程與方法，結合社會化問答平臺用戶社交行為的特點，開展基于社會網絡分析的社會化問答平臺用戶畫像研究。研究選取在用戶數(shù)量、活躍程度和內容質量等方面具有典型性的社會化問答平臺Quora為實驗對象，獲取高血壓主題下的用戶社交行為數(shù)據(jù)，運用社會網絡分析方法分析用戶社交網絡結構特征、用戶社交類型和特征，最后生成面向高血壓主題的用戶畫像。

2 用戶社交行為數(shù)據(jù)獲取

用戶的問答（問題和回答）是社會化問答平臺中最主要、最有價值的內容。用戶常常圍繞特定主題展開討論，并且社會化問答平臺通常以主題頁面的形式組織用戶的問答。特定主題頁面下的用戶群體擁有相同的興趣主題，其最主要的社交行為包括提問-回答、關注-被關注[20]。其中，提問-回答反映了用戶之間的信息和知識交流；而關注-被關注反映了用戶之間社交關系的建立，相較于點贊、評論，關注-被關注的社交程度更深、社交關系更穩(wěn)固。因此，本文著重分析用戶問答和關注行為特征，進而生成揭示社交行為特征的用戶畫像。

Quora中特定主題下的用戶社交行為數(shù)據(jù)主要涉及問題信息、回答信息和關注信息，如表1所示。根據(jù)問題信息表和回答信息表可以建立用戶之間的提問-回答關系，根據(jù)關注信息表可以建立用戶之間的關注-被關注關系，而用戶（用戶編號）可以建立不同數(shù)據(jù)表之間的關聯(lián)。

表1 用戶社交行為數(shù)據(jù)類別

本研究利用網絡爬蟲采集Quora中高血壓主題下的用戶社交行為數(shù)據(jù)，并對獲取的用戶社交行為數(shù)據(jù)進行清洗，包括重復項合并、關鍵內容提取和數(shù)據(jù)規(guī)范化。重復項合并指的是合并各個字段中的重復項，如重復的問題、回答等；關鍵內容抽取指的是只保留各個字段中有意義的內容，如從“post‐ed at DATE”中抽取DATE；數(shù)據(jù)規(guī)范化指的是將各個字段的數(shù)據(jù)表示為統(tǒng)一格式，如將時間統(tǒng)一表示為“MM-DD-YYYY”的格式。

在采集用戶社交行為數(shù)據(jù)過程中，Quora出于隱私保護的考慮，沒有直接提供表1問題信息表中的提問者信息，本研究采取了兩種策略獲取提問者信息：一是利用邀請回答機制，二是通過反向追蹤機制。邀請回答機制指的是Quora平臺會根據(jù)問題所屬主題，將問題推薦可能具備相關知識的用戶，問題的提問者或瀏覽者可以通過“邀請”功能向系統(tǒng)推薦的用戶發(fā)送“邀請回答”的郵件或通知，用戶接收到邀請后可以選擇接受邀請回答問題或拒絕回答問題。凡是通過邀請回答機制產生的回答的末尾都會出現(xiàn)“answer requested by USERNAME”的標記，可以根據(jù)提問時間進一步判斷USERNAME是否為問題的提問者。反向追蹤機制指的是從用戶主頁中獲取用戶提出的問題列表，將問題列表與高血壓主題問題列表進行全文匹配或關鍵詞匹配，提取與高血壓相關的問題，從而確定問題的提問者信息。

因此，本研究首先獲取了高血壓主題下的問題列表和回答列表（含問題2288個及其回答6298個）；其次，遍歷已獲取的問題列表和回答列表，抽取所有包含“answer requested by USERNAME”標識的問題及邀請者，得到邀請者列表；再次，遍歷邀請者主頁中的問題列表，通過全文匹配和關鍵詞匹配，定位與高血壓相關的問題；最后，得到問題的提問者。利用邀請回答機制共獲取包含邀請標簽的問題490個，通過反向追蹤機制定位了高血壓相關的問題265個及其回答1027條。匯總上述問題及其回答對應的所有提問者和回答者，最終定位了689位用戶，可作為實證研究的目標用戶。

3 用戶社交網絡結構特征

3.1 社交網絡構建

獲取用戶社交行為數(shù)據(jù)后，從689位目標用戶的社交行為數(shù)據(jù)中，得到問答關系850對和關注關系277對。將問答關系數(shù)據(jù)和關注關系數(shù)據(jù)分別導入Gephi，構建高血壓主題下的用戶問答網絡和用戶關注網絡，如圖1和圖2所示。

圖1 高血壓主題用戶問答網絡

圖2 高血壓主題用戶關注網絡

在用戶問答網絡中（圖1），節(jié)點顏色用于區(qū)分節(jié)點出度的差異，區(qū)域E中的灰色節(jié)點表示出度相對較大的用戶，且顏色越深出度越大；黑色節(jié)點表示出度相對較小的用戶，且顏色越深，出度越小。節(jié)點大小用于區(qū)分節(jié)點入度的差異，節(jié)點越大，入度越大；反之，則入度越小?？梢园l(fā)現(xiàn)，直徑較大的節(jié)點大多為黑色，說明回答較多問題的用戶大多較少提出問題；而深灰色的節(jié)點大多直徑較小，說明提出較多問題的用戶大多較少回答問題。這一現(xiàn)象與常識相符：在高血壓主題下，提出問題的用戶往往是缺乏相關知識的患者或患者家屬，這類用戶往往難以回答其他用戶關于高血壓的問題；而能夠回答一定數(shù)量問題的用戶大多具備該領域較為充足的知識，極有可能為相關行業(yè)從業(yè)人員或是“久病成醫(yī)”的患者或患者家屬，這類用戶由于有一定的知識儲備，關于高血壓的疑問自然相對較少。

在用戶關注網絡中（圖2），同樣是通過節(jié)點顏色區(qū)分節(jié)點出度的差異，區(qū)域C中的深灰色節(jié)點表示出度相對較大的用戶，且顏色越深，出度越大；淺灰色節(jié)點表示出度相對較小的用戶，且顏色越深，出度越小。通過節(jié)點大小區(qū)分節(jié)點入度的差異，節(jié)點越大，入度越大；反之，則入度越小。有別于用戶問答網絡，用戶關注網絡中直徑大的節(jié)點大多為深灰色，僅有少數(shù)為淺灰色，這就說明較多關注其他用戶的用戶相應地獲得較多其他用戶的關注，形成了用戶聚集效應，即“馬太效應”。

3.2 結構特征分析

兩個用戶社交網絡的拓撲結構如表2所示。首先，用戶問答網絡包含689個節(jié)點和850對問答關系，而這些用戶中只產生了277對關注關系，問答關系是關注關系的3倍多。其次，用戶問答網絡和用戶關注網絡的網絡直徑分別為3和10，平均距離分別為1.298和4.469。這說明任意兩個用戶如果想進行知識交流，平均需要1.3個用戶，最多只需經過2個用戶就可以完成知識傳遞；而想搭建直接的關注關系，則平均需要4.5個用戶，最多需要經過9個用戶才能完成關注關系構建。最后，用戶問答網絡中包含了54個連通片和22個孤立點，而用戶關注網絡中包含了547個連通片和544個孤立點，這說明用戶問答網絡的連通性遠高于用戶關注網絡。由此可以看出，在高血壓主題下，相較于通過關注的方式，用戶更傾向于通過問答的方式建立關聯(lián)，即在社會化問答平臺中，知識交流是其主要功能。

表2 用戶社交網絡的拓撲結構

進一步對兩個用戶社交網絡的子群結構進行分析，如表3所示。從表3中可以發(fā)現(xiàn)，相較于用戶關注網絡，用戶問答網絡包含的連通片數(shù)量更多、類型更豐富并且連通片規(guī)模更大，而用戶關注網絡中孤立點所占的比例遠遠大于用戶問答網絡。顯然，用戶之間問答互動的頻率和方式高（多）于關注互動，且問答互動的覆蓋率和延展性優(yōu)于關注互動。當聚焦兩個網絡中唯一的大型連通片，用戶問答網絡最大子群的稀疏性低于用戶關注網絡、聚集性高于用戶關注網絡。再次印證，相較于通過關注的方式進行單向或雙向聯(lián)系，高血壓主題下的用戶更加傾向通過知識交流方式構建聯(lián)系。

表3 用戶社交網絡的子群結構

4 用戶社交類型及特征

構建用戶問答網絡和用戶關注網絡后，本文從連通性、稀疏性和凝聚性等方面刻畫了網絡的拓撲結構特征和子群結構特征。接下來，本文將從表征用戶在網絡結構中的連接作用的節(jié)點權力的角度分析用戶的社交類型。節(jié)點權力可以由節(jié)點中心性反映，本文從節(jié)點連接程度和節(jié)點中介作用兩個角度進行分析，根據(jù)點度中心性和中介中心性的數(shù)值分布特征，將用戶劃分為不同的社交類型，并作為凝練用戶畫像標簽的依據(jù)。

4.1 基于點度中心性的社交類型分析

點度中心性是指節(jié)點的出度、入度，體現(xiàn)了節(jié)點之間連接的程度，可以根據(jù)出度、入度的相對大小將用戶劃分為不同社交類型。但點度中心性的相對大小的判斷標準是模糊的，因而，基于點度中心性的社交類型劃分的關鍵在于分界線的選擇。

點度中心性是離散型隨機變量，分布類型包括二項分布、泊松分布等。由于離散型變量和連續(xù)型變量可以在一定基礎上進行轉化，因此，離散型變量也可能符合連續(xù)型變量的分布特征，包括正態(tài)分布、指數(shù)分布和冪律分布等。以電影演員合作網絡、萬維網、電力網和科學引文網等為代表的許多大型真實網絡的出度和入度均服從冪律分布[21-22]。本文僅選取高血壓主題下的用戶作為網絡構建的對象，與這些大型網絡在數(shù)量級上存在較大差距，用戶網絡的特征值分布符合何種分布需在實驗基礎上作進一步判斷，然后根據(jù)分布的特點尋找分界線。

特征值與目標分布的擬合程度，可以通過觀察法和定量分析法進行判定。觀察法通過觀察特征值分布曲線與目標分布曲線的重疊程度判斷其分布類型；定量分析法通過Kolmogorov-Smirnov擬合優(yōu)度檢驗（K-S檢驗），判定特征值分布與目標分布之間是否有顯著差異，即假設特征值分布符合目標分布（H0），如果設定顯著性水平為0.1，那么當p＞0.1（單側檢驗）或p＞0.05（雙側檢驗）時，無法拒絕原假設，特征值分布符合目標分布。

在對特征值進行冪律分布檢驗之前，需要進行如下模型估計過程[23]。

（1）模型假設：將特征值設為離散/連續(xù)變量x，假設x的頻率符合冪律分布，則有

其中，α＞1；C為歸一化常數(shù)。由于x→0時，p(x)發(fā)散，故存在xmin＞0，使X＞xmin時，x才能符合冪律分布。

因此，式(1)等價于

其中，?(α,xmin)為赫爾維茨Zeta函數(shù)。一般情況下，當x為離散變量時，xmin=1即符合冪律分布假設。

（2）模型參數(shù)估計：使用最大似然法估計模型中的參數(shù)α。盡管特征值可能為離散變量，而離散變量分布對應的參數(shù)無法直接使用最大似然法進行估計。但對于符合冪律分布的整數(shù)序列，其頻率值可以近似地等同于連續(xù)變量取整時對應的頻率值。因此，離散變量分布對應的參數(shù)α的估計方式為

由于特征值的真實概率分布未知，根據(jù)統(tǒng)計學原理，以特征值的頻率表示真實概率，即f(x=xi)=n/N。其中，n表示特征值為xi的節(jié)點數(shù)量；N表示特征值為非零的節(jié)點總數(shù)。

對特征值分布類型進行檢驗后，如果特征值分布呈（近似）冪律分布，獲取特征值分布的累計概率函數(shù)，基于“二八法則”尋找特征值分布的分界線：當F(x≤x0)＜0.8時，選取x0作為分界線。如果特征值分布呈（近似）正態(tài)分布，參考（近似）正態(tài)分布曲線的3σ原則，尋找數(shù)值分布的分界線。3σ原 則 為：橫 軸 區(qū) 間(μ-σ,μ+σ)內 的 面 積 為68.26%；橫 軸 區(qū) 間(μ-2σ,μ+2σ)內 的 面 積 為95.44%；橫 軸 區(qū) 間(μ-3σ,μ+3σ)內 的 面 積 為99.74%。選取x1=μ±σ或x2=μ±2σ作為分界線。

對兩個用戶社交網絡的節(jié)點點度中心性進行分布擬合和檢驗，結果如圖3和圖4所示。從圖中可以看出，用戶問答網絡和用戶關注網絡的節(jié)點點度中心性分布曲線均呈現(xiàn)“長尾”特征，與冪律分布曲線能夠較好地擬合。

通過K-S擬合優(yōu)度檢驗方法，做進一步檢驗（雙側檢驗），提出以下假設：

H1：用戶問答網絡的出度分布符合冪律分布；

H2：用戶問答網絡的入度分布符合冪律分布；

H3：用戶關注網絡的出度分布符合冪律分布；

H4：用戶關注網絡的入度分布符合冪律分布。

設定顯著性水平為0.1，K-S檢驗結果顯示：p1=0.76＞0.05，p2=0.41＞0.05，p3=0.14＞0.05，p4=0.07＞0.05。無法拒絕原假設H1至假設H4，說明用戶問答網絡和用戶關注網絡的節(jié)點點度中心性分布均符合冪律分布。

基于上述結論，獲取用戶網絡節(jié)點點度中心性分布的累計概率函數(shù)，基于“二八法則”尋找數(shù)值分布的分界線，分界線以左為長尾的“頭部”，分界線以右為長尾的“尾部”，結果如圖5和圖6所示。

圖3 用戶問答網絡節(jié)點點度中心性分布曲線

圖4 用戶關注網絡節(jié)點點度中心性分布曲線

圖5 用戶問答網絡節(jié)點點度中心性累積分布曲線

根據(jù)節(jié)點點度中心性分布特征，本文將用戶劃分為不同社交類型，每種類型對應的用戶數(shù)量如表4所示。在用戶問答網絡中，當節(jié)點的出度和入度相對較大時，說明該用戶既保持較高的提問量也保持較高的回答量，屬于學習成長型用戶；當節(jié)點的出度相對較大、入度相對較小時，說明該用戶對該主題抱有極大的興趣，屬于善于思考型用戶；當節(jié)點的出度相對較小、入度相對較大時，說明該用戶對該主題的知識具有一定的儲備，屬于樂于助人型用戶；當節(jié)點的出度和入度相對較小時，說明該用戶該主題下參與的問答活動較少，屬于默默學習型用戶。

圖6 用戶關注網絡節(jié)點點度中心性累積分布曲線

在用戶關注網絡中，當節(jié)點的出度和入度相對較大時，說明該用戶既保持較高的關注量也保持較高的被關注量，屬于社交達人型用戶；當節(jié)點的出度相對較大、入度相對較小時，說明該用戶傾向于主動尋找該主題的相關用戶，屬于社交主動型用戶；當節(jié)點的出度相對較小、入度相對較大時，說明該用戶在該主題中獲得了較高的關注度但較少關注他人，屬于社交被動型用戶；當節(jié)點的出度和入度相對較小時，說明該用戶該主題下參與的問答活動較少，屬于社交懶惰型用戶。

由表4可知，用戶問答網絡中占比最大的為偏好不定型用戶（88.83%），其余由高到低依次為：默默學習型、善于思考型、樂于助人型和學習成長型；而用戶關注網絡中占比最大的同樣為偏好不定型用戶（94.48%），其余由高到低依次為：社交懶惰型、社交被動型、社交達人型和社交主動型。

4.2 基于中介中心性的社交類型分析

中介中心性表示節(jié)點處于其他節(jié)點對的最短路徑上的程度，中介節(jié)點是子群中連接各級子模塊的關鍵節(jié)點，可以根據(jù)節(jié)點中介中心性的相對大小，將用戶劃分為不同社交類型。同樣地，中介中心性的相對大小的判斷標準也是模糊的，因此，基于中介中心性的社交類型劃分的關鍵也在于分界線的選擇。

對用戶社交網絡的節(jié)點中介中心性數(shù)值分布與目標分布進行擬合與檢驗，其過程不作展開論述。結果表明，用戶問答網絡的節(jié)點中介中心性分布符合冪律分布（p5=0.99＞0.05）；而用戶關注網絡的節(jié)點中介中心性分布不符合冪律分布（p6=0.03＜0.05），也不符合正態(tài)分布（p7=0.00＜0.05）和泊松分布（p8=0.00＜0.05）。于是，獲取用戶問答網絡節(jié)點中介中心性分布的累計概率函數(shù)，基于“二八法則”尋找數(shù)值分布的分界線，計算結果如圖7所示。用戶關注網絡節(jié)點中介中心性的分布無明顯特征，針對這種情況的分界線設定方法需要作進一步的研究，本文暫且使用累積分布所得的分界線劃分用戶。

表4 用戶網絡用戶類型分布（度分布）

圖7 用戶問答網絡和用戶關注網絡節(jié)點中介中心性累積分布曲線

根據(jù)節(jié)點中介中心性分布特征，將用戶劃分為不同社交類型，每種類型對應的用戶數(shù)量如表5所示。用戶問答網絡中的關鍵用戶僅1位，重要用戶4位，在整個用戶網絡中所占的比例較小，合計僅0.73%，其余用戶均為普通用戶；用戶關注網絡中的關鍵用戶6位，重要用戶16位，在整個用戶網絡中的占比為3.19%，其用戶余均為普通用戶。

5 用戶畫像表示與生成

在對用戶社交行為特征進行分析的基礎上，進一步將社會化問答平臺的用戶社交概況和社交聯(lián)系表示為標簽和短語的形式，將社交類型表示為標簽和分布圖的形式，如圖8所示。整體而言，高血壓主題下的用戶更加傾向于通過問答方式建立聯(lián)系，但無論是通過問答還是關注方式建立聯(lián)系，形成的社交網絡的聚集性都相對較小。且無論是在用戶問答網絡還是關注網絡中，偏好不定型用戶和普通用戶占比均為最大。

具體來看，在用戶問答網絡中，按用戶占比由高到低依次為：偏好不定型、默默學習型、善于思考型、樂于助人型和學習成長型；在用戶關注網絡中，按用戶占比由高到低依次為：偏好不定型、社交懶惰型、社交被動型、社交達人型和社交主動型。但在關鍵用戶和重要用戶數(shù)量上，用戶關注網絡明顯多于用戶問答網絡。

面向高血壓主題的用戶畫像直觀明了地揭示了高血壓主題下用戶群體的社交網絡結構和社交類型的特征，有助于平臺管理人員掌握該主題下的用戶社交情況和用戶社交類型，為用戶分類管理和個性化服務提供決策依據(jù)。由于高血壓主題下的用戶問答網絡和關注網絡中普通用戶占比最高，關鍵用戶和重要用戶數(shù)量有限，這使得用戶關注網絡、問答網絡過度依賴于某幾個少數(shù)用戶，網絡穩(wěn)定性較低。

因此，平臺管理人員可以采取一定措施改善用戶社交聯(lián)系，提升網絡的連通性和聚集性。對于關鍵用戶和重要用戶，平臺可以采取一定的保護措施，向其推送優(yōu)質的相關問答，形成良性循環(huán)，提高用戶黏性；對于普通用戶，平臺可以施加一定激勵和引導措施，促使普通用戶轉化為關鍵用戶或重要用戶，提高社區(qū)中在信息交流過程中發(fā)揮重要作用的關鍵用戶數(shù)量，豐富平臺高質量的知識資源，進而形成穩(wěn)定化和多樣化的平臺。與此同時，對于有明確問答或關注偏好的用戶，平臺可以提供有針對性的個性化服務。例如，邀請學習成長型和樂于助人型用戶回答問題；向學習成長型和善于思考型用戶推薦可能感興趣的問答，刺激用戶產出更多專業(yè)優(yōu)質的問答內容；將學習成長型和樂于助人型用戶推薦給社交主動型和社交達人型用戶，使學習成長型和樂于助人型用戶獲取更高的關注度，提高用戶社交廣度和深度，提升用戶使用體驗；對于占比較大的偏好不定型用戶，平臺可以推薦高血壓主題的優(yōu)質問答，也可以推薦其他熱門主題的優(yōu)質問答，豐富用戶瀏覽內容，激發(fā)用戶興趣。

表5 用戶網絡用戶類型分布（中心性）

圖8 面向高血壓主題的用戶畫像

6 總結

本文考慮了社會化問答平臺用戶所處的社交群體及用戶之間關聯(lián)，運用網絡爬蟲技術和社會網絡分析方法，遵循用戶社交行為數(shù)據(jù)獲取、用戶社交行為特征分析、用戶畫像表示與生成的研究思路，實現(xiàn)了面向高血壓主題的用戶畫像。

研究結果表明，將社會網絡分析方法運用到用戶畫像的研究中，能夠有效地挖掘、組織和表示用戶社交行為特征。而基于節(jié)點特征值分布的用戶分類方法，可以揭示用戶之間的關聯(lián)，實現(xiàn)用戶細分。在社會網絡分析基礎上生成的用戶畫像，進一步歸納和概括了用戶的社交行為特征，有助于平臺管理人員對用戶社交和分類管理形成更深層次的認知。本文的研究結果為社會化問答平臺用戶畫像實現(xiàn)提供了借鑒和參考，也為社會化問答平臺用戶畫像應用奠定了基礎。

另外，本研究也存在一定局限。首先，研究選取了問答和關注兩類典型的社交行為，未來還可以考慮將更全面和豐富的社交行為囊括在內進行分析，挖掘用戶社交行為特征；其次，本研究分別構建了用戶問答和關注網絡挖掘用戶社交行為特征，尚未考慮不同社交行為之間的關聯(lián)，進而開展用戶畫像融合的研究；最后，本文僅通過實現(xiàn)社會化問答平臺用戶畫像揭示用戶社交行為特征，但是如何揭示用戶其他方面的特征，并對用戶畫像進行綜合應用仍需進一步探索。