錢萌　王子鳴　程樹林

關(guān)鍵詞：社交網(wǎng)絡(luò); 用戶影響力; 結(jié)構(gòu)特性; 用戶行為; 情感傾向

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2023）02-0072-03

1 概述

隨著互聯(lián)網(wǎng)技術(shù)的深入發(fā)展與應(yīng)用，社交網(wǎng)絡(luò)已經(jīng)成了人們?nèi)粘Ｉ畹闹匾M成部分，并以各種形式為人們提供溝通、交互等服務(wù)。用戶可以通過社交網(wǎng)絡(luò)主動(dòng)創(chuàng)建和共享信息，而不是像傳統(tǒng)媒體那樣被動(dòng)地消費(fèi)內(nèi)容，使得人們的社交生活更為豐富。著名的社交網(wǎng)絡(luò)平臺(tái)包括Twitter、Facebook、微博等，深受年輕人的喜愛，在人們生活中發(fā)揮著不可或缺的作用。平臺(tái)允許用戶發(fā)布原創(chuàng)內(nèi)容，分享自己的心情或表達(dá)對(duì)事物的觀點(diǎn)和態(tài)度。用戶也可以選擇關(guān)注其他用戶，轉(zhuǎn)發(fā)、評(píng)論或點(diǎn)贊自己感興趣的內(nèi)容，用戶間的不同行為構(gòu)成了社交關(guān)系網(wǎng)。

網(wǎng)絡(luò)中用戶的影響力可以看作是影響他人并使他人行為改變的能力[1]。網(wǎng)絡(luò)中大量的信息通過用戶間的行為不斷傳播，用戶在接收與傳播信息的同時(shí)，也處在影響與被影響的過程中，不同影響力的用戶對(duì)信息傳播的速度和范圍影響不同[2]。網(wǎng)絡(luò)中的高影響力用戶對(duì)于輿情監(jiān)控、廣告投放等領(lǐng)域有著不可忽視的作用，能最大限度地?cái)U(kuò)大信息傳播的范圍。例如2020年疫情期間，通過社交網(wǎng)絡(luò)實(shí)時(shí)發(fā)布全球疫情信息，實(shí)現(xiàn)了準(zhǔn)確的疫情動(dòng)態(tài)跟蹤，因此評(píng)估社交網(wǎng)絡(luò)中的節(jié)點(diǎn)影響力具有現(xiàn)實(shí)意義，同時(shí)，社交網(wǎng)絡(luò)中節(jié)點(diǎn)影響力的評(píng)估可以幫助分析和預(yù)測網(wǎng)絡(luò)中用戶影響力的大小及演變規(guī)律，從而更好地了解信息在網(wǎng)絡(luò)中的傳播路徑和理解社交網(wǎng)絡(luò)的形成與演化[3]。如圖1中的中心節(jié)點(diǎn)則表示網(wǎng)絡(luò)中的高影響力用戶。國內(nèi)外專家學(xué)者從不同角度對(duì)用戶影響力的評(píng)估開展了廣泛研究，大致上可以分為基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、基于用戶行為和基于用戶情感傾向等類型。

2 基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的評(píng)估

從網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)出發(fā)，其評(píng)估方式可以分為基于隨機(jī)游走、基于最短路徑和基于節(jié)點(diǎn)度的評(píng)估等類型[4]。

2.1 基于隨機(jī)游走的評(píng)估

基于隨機(jī)游走的評(píng)估方法是利用鄰居節(jié)點(diǎn)來刻畫節(jié)點(diǎn)的影響力，主要包括特征向量中心性評(píng)估[5]、PageRank評(píng)估[6]等。

（1）基于特征向量中心性的評(píng)估基于特征向量中心性的評(píng)估是從節(jié)點(diǎn)的中心性出發(fā)，通過計(jì)算它們的權(quán)重，將當(dāng)前節(jié)點(diǎn)的鄰居節(jié)點(diǎn)的權(quán)重線性和視為該節(jié)點(diǎn)的中心度數(shù)值[4]。其基本思想是當(dāng)前節(jié)點(diǎn)的影響力取決于鄰居節(jié)點(diǎn)的影響力，即鄰居節(jié)點(diǎn)的節(jié)點(diǎn)影響力越大，則該節(jié)點(diǎn)在網(wǎng)絡(luò)中的影響力會(huì)隨之增大。節(jié)點(diǎn)i 在網(wǎng)絡(luò)中的影響力可用公式（1）表示。

其中，a_ij表示網(wǎng)絡(luò)轉(zhuǎn)化成鄰接矩陣M中的值，λ 是鄰接矩陣的最大特征值。

（2）基于PageRank算法的評(píng)估

PageRank評(píng)估方法是利用網(wǎng)頁間鏈接結(jié)構(gòu)來計(jì)算網(wǎng)頁重要度的一種算法，用有向圖表示網(wǎng)頁間的關(guān)系。圖中的每個(gè)節(jié)點(diǎn)表示一個(gè)網(wǎng)頁，每一條邊代表網(wǎng)頁間的鏈接，如公式（2）所示。

3 基于用戶行為的評(píng)估

從用戶行為出發(fā)，在社交網(wǎng)絡(luò)中，用戶可以利用社交網(wǎng)絡(luò)平臺(tái)發(fā)布原創(chuàng)內(nèi)容，分享自己的心情或表達(dá)對(duì)事物的觀點(diǎn)和態(tài)度。除此之外，用戶還可以轉(zhuǎn)發(fā)、評(píng)論或點(diǎn)贊其他用戶發(fā)布的內(nèi)容。用戶間的不同行為使信息在網(wǎng)絡(luò)中傳播開來，形成了信息傳播網(wǎng)絡(luò)，因此評(píng)估用戶影響力時(shí)不可忽略網(wǎng)絡(luò)中的用戶行為。

國內(nèi)外專家學(xué)者從不同角度對(duì)用戶影響力的度量進(jìn)行了廣泛研究，并且取得了一定的研究成果。齊超等人[11]綜合分析用戶轉(zhuǎn)發(fā)、評(píng)論等行為，度量了每種行為對(duì)影響力的貢獻(xiàn)度，提出根據(jù)用戶行為的差異性分配權(quán)重的方法來改進(jìn)PageRank算法。王新勝等人[12]融合了用戶的自身因素和用戶間的互動(dòng)行為，綜合考慮用戶的直接影響力和間接影響力兩方面，在用戶排名準(zhǔn)確性上有了很大的提高。文獻(xiàn)[13]在PageR?ank算法的基礎(chǔ)上，綜合分析用戶的實(shí)際行為，引入了微博用戶自身權(quán)重，提出了MR-UIRank算法，但是在考慮轉(zhuǎn)發(fā)、評(píng)論等行為時(shí)，均忽略了其行為的有效性。毛佳昕等人[14]通過分析用戶的行為因素與社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)信息，將用戶的閱讀行為因素引入模型，更好地對(duì)用戶的影響力進(jìn)行了估計(jì)。在文獻(xiàn)[15]中，Wu L等人基于內(nèi)容的用戶關(guān)系和用戶行為的顯性用戶關(guān)系提出了MPPR算法，將兩種關(guān)系集成在一起評(píng)估用戶影響力，在實(shí)驗(yàn)部分與傳統(tǒng)的PageRank算法進(jìn)行了對(duì)比。

上述研究關(guān)注于用戶的行為特征及行為習(xí)慣，但存在對(duì)用戶行為分析不全面的問題，且忽略了用戶隱式興趣偏好這一重要因素。Cheng等人[16]考慮用戶多維社交行為活動(dòng)與用戶興趣的融合，并量化了用戶行為的有效性，將其作為用戶自身權(quán)重，最后合理地融入PageRank算法。文獻(xiàn)[17-18]均考慮到了用戶興趣對(duì)于用戶行為的影響，提高了用戶影響力評(píng)估的準(zhǔn)確性和科學(xué)性，但用戶的興趣偏好會(huì)隨著時(shí)間發(fā)生動(dòng)態(tài)變化，且不同用戶對(duì)于興趣變化的敏感程度不同[19]，因此在構(gòu)建用于興趣主題模型時(shí)，也應(yīng)該考慮到用戶興趣的漂移。同時(shí)，網(wǎng)絡(luò)中用戶行為模式具有多樣性，單一維度的指標(biāo)很難準(zhǔn)確地代表用戶興趣，上述研究大多僅關(guān)注用戶發(fā)布的博文內(nèi)容，而用戶標(biāo)簽、關(guān)注關(guān)系等也可以作為用戶興趣的信息源，因此，在構(gòu)建用戶興趣模型時(shí)應(yīng)充分考慮這些重要因素。

4 基于用戶情感傾向的評(píng)估

社交網(wǎng)絡(luò)中用戶在表達(dá)對(duì)于事物的觀點(diǎn)時(shí)，其情感傾向往往決定了用戶對(duì)其內(nèi)容持肯定還是否定的態(tài)度[20]。用戶情感的分析與建模能夠幫助正確分析用戶間交互行為[21]，這對(duì)于用戶影響力的評(píng)估中也有著重要的意義。

張繼東[20]等人提出了一種基于用戶交互行為和情感傾向的影響力度量算法，該算法充分融合了用戶間交互信息、情感信息等多維因素構(gòu)建了影響力評(píng)估模型，實(shí)驗(yàn)結(jié)果表明該算法提高了影響力計(jì)算的準(zhǔn)確性。董偉等人[22]充分考慮了交互性及用戶情感傾向，并將其合理地融入傳統(tǒng)的PageRank算法，有效地識(shí)別出網(wǎng)絡(luò)中高影響力用戶。陳志雄等人[23]通過支持向量機(jī)對(duì)微博博文進(jìn)行了情感分析，并對(duì)傳統(tǒng)的PageR?ank算法進(jìn)行了改進(jìn)，在新浪微博數(shù)據(jù)集上驗(yàn)證了所提算法的有效性。Liu等人[24]定義了用戶情緒功率和集群可信度，并提出了一種基于情緒聚合機(jī)制的潛在影響用戶發(fā)現(xiàn)算法來定位種子候選集。Lanlin Gao等人[25]提取了情感元素，利用所提出的情感匹配和情感轉(zhuǎn)換算法來獲取用戶的相對(duì)情感，并根據(jù)用戶的相對(duì)情緒，對(duì)用戶進(jìn)行了分類。

上述研究均充分考慮了用戶的情緒對(duì)于高影響力用戶識(shí)別的影響，且有效提升了影響力計(jì)算的準(zhǔn)確性。但是仍然存在有待改進(jìn)的地方，例如對(duì)于用戶自身信息考慮不充分、忽略了用戶情緒的動(dòng)態(tài)變化等。同時(shí)，用戶的轉(zhuǎn)發(fā)、評(píng)論等行為也可以反映用戶的情緒，因此對(duì)于情緒元素的提取方式也能夠進(jìn)行進(jìn)一步的細(xì)化。

5 總結(jié)與展望

本文從三個(gè)角度對(duì)社交網(wǎng)絡(luò)中用戶影響力的評(píng)估進(jìn)行了分析總結(jié)。基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的評(píng)估考慮了網(wǎng)絡(luò)結(jié)構(gòu)特性，基于用戶行為的評(píng)估，深入分析了用戶的交互行為，基于用戶情感傾向則對(duì)用戶情感進(jìn)行了分類。上述研究雖然取得了一定的成果，但仍然存在問題，需要進(jìn)一步探索。未來可從以下從幾個(gè)方面優(yōu)化社交網(wǎng)絡(luò)中用戶影響力的評(píng)估：如在構(gòu)建用戶興趣模型時(shí)可充分考慮用戶標(biāo)簽、關(guān)注關(guān)系等多維度指標(biāo)、探究用戶興趣及情緒隨時(shí)間的演變規(guī)律等，這些問題的解決將進(jìn)一步提高用戶影響力評(píng)估的準(zhǔn)確性。同時(shí)，影響力的評(píng)估也能為社交網(wǎng)絡(luò)中的社區(qū)發(fā)現(xiàn)提供新的思路和視角，從而應(yīng)用于個(gè)性化推薦領(lǐng)域，有效提升推薦的精準(zhǔn)度。