CN103024017A - 一种社交网络重要目标及社区群体识别方法 - Google Patents

一种社交网络重要目标及社区群体识别方法 Download PDF

Info

Publication number
CN103024017A
CN103024017A CN2012105144217A CN201210514421A CN103024017A CN 103024017 A CN103024017 A CN 103024017A CN 2012105144217 A CN2012105144217 A CN 2012105144217A CN 201210514421 A CN201210514421 A CN 201210514421A CN 103024017 A CN103024017 A CN 103024017A
Authority
CN
China
Prior art keywords
user
social networks
network
user object
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012105144217A
Other languages
English (en)
Other versions
CN103024017B (zh
Inventor
彭敏
武斌
汪清
黄佳佳
代心媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201210514421.7A priority Critical patent/CN103024017B/zh
Publication of CN103024017A publication Critical patent/CN103024017A/zh
Application granted granted Critical
Publication of CN103024017B publication Critical patent/CN103024017B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种社交网络重要目标及社区群体识别方法，首先将用户的静态好友网络和活动网络结合起来构建动态社交网络拓扑；其次提出InfluenceRank算法，对动态社交网络中的用户影响力进行综合打分，降低和核心用户交互频率低的用户的权值；同时，引入用户的先验专家知识，删除核心噪声点，从而对结果进行修正。本发明从准确度、覆盖度、效率三个方面对现有社群发现技术进行了非常有效的改进，在社会计算、舆情监控、企业营销推广等方面有着广泛的应用前景。

Description

一种社交网络重要目标及社区群体识别方法
技术领域
本发明涉及社会计算技术领域，尤其是涉及一种社交网络重要目标及社区群体识别方法。
背景技术
随着Web2.0的普及，社交网络逐渐成为了人们工作生活中必不可少的部分。中国的互联网普及率逐渐攀升至36.2%。社交网络中的Facebook在2011年底，用户数量超过9亿，这个数字比全球大多数国家的人口总数都要高。越来越多的人在社交网络上通过不同的方式展现自己的工作、学习、生活。同时，伴随着云平台等相关技术的发展，人们可以在任意时间、任意地点、使用任意终端访问到其使用的社交网络平台，在某种程度上获得无差别的用户体验。然而，与世界其他地区的社交网络平台发展相比，中国地区的相关增长尤为显著。Twitter从上线到达到2亿用户花费了5年时间，而新浪微博仅仅通过两年时间就达到了同样的规模。根据《2011年中国互联网舆情分析报告》的有关数据显示，截至2011年6月，中国网民规模已达4.85亿，中国互联网普及率攀升至36.2%，平均每人每天花费在网络上的时间为2.7小时，并且基于互联网的社交网络传媒已经成为覆盖率仅次于传统电视的大众传媒方式。
目前社交网络有多种划分方式：1）从好友的关系上划分，可以分为无向好友关系，和有向好友关系。例如：人人网等社交网络平台，其好友关系指互相关注的好友关系。建立好友关系的方式为，一方提出申请后，倘若另一方接受申请，则双方成为好友。而Google Plus、Twitter、新浪微博等社交网络平台则是用户单方面关注其他用户即可。2）从内容上进行划分，主要分为短文本模式和富文本模式。例如：Facebook、人人网、Google Plus等社交网络平台中的内容就是富文本格式。用户可以在社交网络平台上创作或者分享文字、图片、音频、视频等各种各样的信息。而以Twitter和新浪微博等社交网络平台为例，则主要是由短文本的信息组成。但是随着时间的推移，这些划分的界限在不断变得模糊起来。
本发明主要研究社交网络平台下的基于核心用户的社群发现。社交网络是基于用户关系实现信息的分享、获取以及传播的互联网平台。用户利用社交网络构建和维持着自身的人际网络关系，并在相关平台上发布消息。社交网络的定位在于为用户提供一个展示自己、宣传自己的平台。每个用户都是一个独立的信息发布中心。但是用户之间可以通过转载、评论、互相等方式进行互动。
社交网络平台有着以下特点：1）社交网络的好友关系为：可单向的关注关系。这一特点导致名人、明星等公众人士被大量用户关注,从而使得这些公众用户的信息传播到许多潜在的社群中。2）普通用户可以通过私信、评论、转发、转评等各种方式直接和影响力较大的用户进行互动。3）随着移动互联网的快速发展，越来越多的人使用移动终端访问。社交网络的数据拥有了地理位置属性，便于对数据进行分析。
随着社交网络在人们日常生活中的影响力越来越大，有很多社群逐渐在社交网络平台产生。这些社群产生的方式主要有以下几种类型：1）现实生活中的朋友在社交网络平台上自然的形成社群。2）基于某些兴趣、爱好在网络中形成社群。例如明星的粉丝、球迷等会形成不同的社群。3）基于某些话题形成的社群。这些话题可能是某些政治话题或是突然爆发的事件，使一些人暂时的聚集到一起。在社群中，通常都有部分核心用户。这些核心用户有的作为意见领袖发布原创信息，有的作为推手，将信息传播出去或者拉拢新人进入社群。整个社群围绕核心用户进行不断发展、演变。本专利的主要目标是：在社交网络平台下，基于已知的一个或多个核心用户，快速识别社交网络社群。
社群发现有许多应用领域，如：在商业上，可以发现潜在的用户社群或者竞争对手的用户社群，从而对双方的口碑进行比对。在政治上，社群发现可以用来寻找反动势力在社交网络平台上的圈子，监控其对舆论的引导，或者准备展开的行动。
1、在线社交网络及社交网络分析
在线社交网络是网络与社会关系的结合。其中社会关系是社会个体成员之间以互动联系而形成的相对稳定的关系体系。在线社交网络可以看成线下社交网络向线上的迁移，我们可以借用一些社交网络的分析方法和理论来对其进行研究。社交网络分析法主要是研究一组行为者（actor）之间关系的方法。它主要分为两种流派：网络结构分析和个体行为分析。社交网络分析法得出的最重要的两个理论是“六度分割理论”和“150法则”。
2、复杂网络
复杂网络的系统研究源于20世纪60年代匈牙利数学家
Figure BDA00002518297400021
和Rényi建立的随机图理论。随着小世界和无尺度网络模型在20世纪末被提出，人们对来自不同领域的大量实际网络进行了广泛的实证性研究，复杂网络也逐渐成为各个学科和领域研究的热点。目前对于复杂网络没有一个精确严格的定义，钱学森曾经给出复杂网络一个较为严格的定义：具有自组织、自相似、吸引子、小世界、无标度中部分或者全部特性的网络称为复杂网络。
3、在线社交网络
随着互联网的发展，人们的交流方式逐渐由线下向线上转移，形成了在线的社交网络。历史研究已经证明，在线社交网络是复杂网络的一种具体表现形式。所以，在线社交网络和复杂网络有很多共同的地方。二者都是通过网络的概念来描述被研究的对象和对象之间的关系，所以可以基于复杂网络理论对在线社交网络的结构特性进行分析。
根据复杂网络的小世界特性所描述，复杂网络是由许多子网络构成的，这些子网络内部个体间的关系比较紧密，而子网络与子网络之间的关系则相对分离。这一现象在在线社交网络中尤其常见。在线社交网络中的每个个体都可以看成是一个网络节点，而个体之间的联系是网络的边。根据六度分割理论，每个个体的社交圈都被不断放大，最后形成了一个大型的在线社交网络。复杂网络的无标度特征主要是考察网络节点度的分布情况，而对于在线社交网络来讲，节点的度即反映了网络成员个体的交际能力，一般而言，节点的度越大，说明该个体连接的其他网络成员越多，反映其交际能力越强。
但是相对于复杂网络研究往往从数学理论层面解释和处理问题，在线社交网络更侧重于研究用户和用户之间的行为关系。随着计算机技术的飞速发展，人们开始利用计算机来分析大规模的社交网络。同时引入了图论的相关概念，使用社会关系图来反映社会结构的关系属性。
发明内容
本发明主要目标在于解决针对微博等社交网络新型平台的重要目标识别与分析。使得相关部门和机构能够在社交网络平台上实现对重要目标及其群体的识别与监控。
本发明的技术方案为一种社交网络重要目标及社区群体识别方法，包括以下步骤，
步骤1，根据种子用户进行社交网络数据采集；
步骤2，基于采集到的社交网络中用户对象之间的关注关系，构建用户对象静态的关系网络；
步骤3，根据用户对象之间的动态消息传递互动构建消息网络，将关系网络和消息网络进行合并形成混合社交网络拓扑；混合社交网络拓扑中的节点是社交网络的用户对象，节点之间的有向边表示两个节点之间既有关注关系又有消息互动关系；
步骤4，计算每个用户对象在混合社交网络拓扑中的影响力；
步骤5，根据用户对象的影响力得到重要目标及社区群体识别结果。
而且，步骤1中根据种子用户进行社交网络数据采集时，数据来源包括对原始数据源的导出、基于社交网络API的数据爬取和基于网页的数据爬取。
而且，步骤2的实现方式为，1)将种子用户作为核心用户依次加入静态的关系网络；2）通过广度优先的方式，依次逐层将核心用户的关注用户作为新的核心用户加入静态的关系网络，直至静态的关系网络中的核心用户达到上限，或者扩展层次达到阈值。
而且，混合社交网络拓扑中每个节点的属性包括粉丝数目、用户活跃度以及用户互动程度；
以混合社交网络拓扑中某节点m为当前用户，用户互动程度的初始计算如公式1所示：
Weight(Nm)*=α×Cm+β×RTnormalNm+γ×RTkeyNm    1≤m≤M    （公式1）
其中，M为混合社交网络拓扑中节点总数，m的取值为1,2,…M；α为单次原创的权重，β为当前用户与非种子用户进行交互的权重，γ为当前用户与种子用户进行交互的权重，Ci为当前用户原创数量，RTnormalNi为当前用户与非种子用户之间的转发或评论量，RTkeyNi为当前用户与种子用户之间的转发或评论量；
对用户互动程度的初始计算结果进行归一化处理，归一化计算公式如公式2：
Weight(Nm)=log(Weight(Nm)*+MInPeR)/log(MinPr+MaxPr)    （公式2）
其中，MaxPr=Max(Weitght(Nm)*)是混合社交网络拓扑中各节点用户互动程度中的最大值,MinPr=Min(Weight(Nm)*)是混合社交网络拓扑中各节点用户互动程度中的最小值，MInPeR为预设的平滑参数。
而且，步骤4的实现方式包括以下子步骤，
步骤4.1，设v表示混合社交网络拓扑中的任一节点处用户对象，用户对象v在混合社交网络拓扑的好友集合f(v)中任一网络好友记为用户对象u，D(NV)表示依据用户对象v与用户对象u的关注关系得到的最终中心度，B(Nv)是用户对象v的活跃度，Weight(NV)是用户对象v与用户对象u的互动程度；
步骤4.2，设用户对象u在混合社交网络拓扑的好友集合f(u)中任一网络好友记为用户对象i，用户对象u的好友集合f(u)中所有网络好友数目记为n，混合社交网络拓扑中用户对象v的好友集合f(v)中的任一网络好友u分配给v的IR值R(u,v)表示为公式3，
Figure BDA00002518297400041
（公式3）
其中δ、
Figure BDA00002518297400042
ω是三类因素在混合社交网络拓扑中的权重，，D(Ni)表示依据用户对象i与用户对象u的关注关系得到的最终中心度，B(Ni)是用户对象i的活跃度，Weight(Ni)是用户对象i与网络好友u的互动程度；
步骤4.3，计算混合社交网络拓扑中的任一用户对象v的影响力如下，
IR(v)=d+(1-d)∑u∈f(v)R(u,v)×IR(u)    （公式4）
其中，d为阻尼系数；
步骤4.4，每经过时间段T返回执行步骤4.3，当混合社交网络拓扑中的每个用户节点的影响力相比上一次执行步骤4.3所得影响力的变化量小于预先设定的阈值时，将当前这一时段内求得的影响力作为结果，进入步骤5。
而且，步骤5的实现方式为，将每个用户对象在在混合社交网络拓扑中的影响力映射到[0,10]的区间上，并从大到小进行排序，形成结果网络，结果网络中排序靠前的用户对象为重要目标，结果网络提供基于种子用户所形成的社区群体。
而且，当用户设定结果网络中某个或某几个用户对象为噪声节点后，重新执行步骤2构建初始静态社交网络，删除噪声节点以及其他用户对象与噪声节点之间连接的边；然后重新执行步骤3、4、5和6进行二次分析，得到去噪后的结果网络。
本发明从准确度、覆盖度、效率三个方面对现有社群发现技术进行了非常有效的改进，在社会计算、舆情监控、企业营销推广等方面有着广泛的应用前景。包括有以下优点：
（1）核心社群识别准确率提高。通过实验分析，本发明相较于原有算法，社群识别准确率约为原有算法的2-3倍。
（2）核心社群识别覆盖率提高。通过实验分析，本发明相较于原有算法，社群识别准确率约为原有算法的1.5-2倍。
（3）信息收集能力强。本发明信息收集能力强，1小时可以收集400-500用户的全部数据，3-5万条有效微博。
（4）分布式存储系统。本发明为了应对社交网络的大规模数据，采用Redis数据库作为信息存储平台，支持分布式数据读写。
附图说明
图1是本发明实施例的混合模型示意图。
图2是本发明实施例的流程示意图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
本发明的技术方案为：1）根据种子用户进行海量社交网络数据采集；2）根据采集到的用户关注关系构建静态用户网络；3）根据用户间的动态消息传递活动构建消息网络，并与静态网络组合形成混合社交网络拓扑结构；4）设计基于InfluenceRank算法的用户影响力计算方法，在混合网络中基于用户好友关系、用户活跃程度以及用户之间的互动程度，评估用户的影响力大小并排序，从而识别核心社交群体。根据用户自定义或者机器学习得到的名单，还可以对计算结果进行二次聚焦和过滤，并对分析结果进行可视化。在此，种子用户是指分析人员根据分析需求情况自定义的某个社交网络中的用户。例如，在政府安全部门，种子用户可以设定为安全部门锁定的某个有较多反动行为（或言论）的网络用户。具体实施时，本领域技术人员可以自行预先设定种子用户。
本发明技术方案可采用计算机软件技术实现自动运行。如图2所示，实施例包括以下步骤：
步骤1，根据种子用户进行社交网络数据采集。
实施例根据种子用户进行社交网络数据采集的数据来源主要有以下三个渠道：（1）原始数据源导出；（2）基于社交网络API的数据爬取；（3）基于网页的数据爬取。实施例将基于API的数据获取模式和基于网页的信息获取模式相结合，通过API数据获取模式进行数据获取，并通过网页解析的方式获取限制通过API获取的信息。同时通过多账号轮转的方式规避API请求和网页请求次数的限制。结构化数据库不适合保存社交网络文本和人物关系这种非结构化的数据，Redis这种非结构化数据库则能很好地解决这一问题。但是Redis数据库对于服务器性能要求较高，倘若所有的数据都采用Redis数据库进行存储会导致系统成本过高。实施例采用Redis数据库来存储那些需要实时分析，或是不易进行结构化存储的数据，采用结构化数据库保存需要固化的数据。
步骤2，基于采集到的社交网络中用户对象之间的关注关系，构建用户对象静态的关系网络。
静态网络的建立步骤如下：1)将种子用户作为核心用户依次加入静态的关系网络；2）通过广度优先的方式，依次逐层将核心用户的关注用户作为新的核心用户加入静态的关系网络，直至静态的关系网络中的核心用户达到上限，或者扩展层次达到阈值。
实施例的具体实现方式如下：
首先，本说明将基于用户之间的关注关系，构建用户的静态网络关系。对于静态网络关系，从理论上分析，无论是通过用户的关注关系还是通过用户的被关注关系，在数据完备的情况下，最终网络形态会一致。但是由于数据很难完备，所以需要考虑通过关注关系还是被关注关系建立初始静态网络。由于社交网络的平台特点，很多明星、名人等公众人士的账号有大量的粉丝用户。那么倘若根据被关注关系进行扩展，倘若名人用户被扩展后，其大量的粉丝用户将充斥整个静态网络，就会导致大量的噪声数据。反之，倘若通过关注关系进行静态网络的创建，则可以避免这个问题。
同时，根据相关研究表明，一个社群的规模存在上限，通常不超过150人。同时用户和核心用户之间的距离会导致用户与社群的关系不断衰减。虽然网络社群规模通常不超过150人，但考虑到系统无法保证静态网络中的前150个用户都是最后结果网络中的用户，所以，通常会将静态网络中的节点数量设成一个较大的数值。而扩展层次的阈值主要是限定扩展出的节点和核心社群的距离。本发明认为，当一个节点和核心用户的距离越远，其处于核心社群的概率越低。例如在新浪平台上，由于公众人士的关注和被关注者数量过于庞大，使得这些节点一旦被扩展到，便会带来大量的噪声数据。所以控制扩展节点与核心用户的距离，可以提前预防过多的噪声数据干扰试验。具体实施时，可以设置扩展关系网络的结束条件为，满足静态的关系网络中的核心用户达到上限或者扩展层次达到阈值任一。
步骤3，根据用户对象之间的动态消息传递活动构建消息网络，将关系网络和消息网络进行合并形成混合社交网络拓扑；混合社交网络拓扑中的节点是社交网络的用户对象，节点之间的有向边则表示了两个节点之间既有关注关系又有消息互动关系。
当前的社交关系分析技术普遍认为，基于社交关系形成的社交网络平台相较于基于消息流转链而形成的社交网络平台而言更加稳定，结果更为准确，所以在分析的过程中，更偏向于使用社交关系，即通过人与人之间的关系进行分析。但是消息流转链是社交网络的一个重要特征，每天大量的原创微博通过转发、评论、转评互相等方式进行扩散。所以本发明的研究将对社交关系的研究和对消息流转的研究结合起来，构建混合网络模型来分析社交群体，如图1所示。
混合网络模型对传统的用户影响力分析技术的改进在于，将用户自身的活跃程度以及用户之间的消息交互频率纳入考虑。因此，在混合网络中，网络节点是社交网络用户对象，有向边则表示了两个对象节点之间既有关注关系又有消息互动关系。对于每个网络节点，其粉丝数目、发布信息、转发和评论等网络行为的相关信息将作为节点的属性被加入，以便作为影响力评估计算的衡量标准。
在构建社交网络用户关系与消息互动的混合网络拓扑结构基础上，计算每个用户对象在网络中的影响力（IR）。将用户之间因关注关系、活跃程度和消息互动产生的连接关系视为对影响力值的投票。一个用户被很多人关注或者他发布的消息得到很多用户的转发，那么该用户的影响力也较高，并且关注者或者转发者的影响力越大，那么贡献的影响力值的投票越大，随之该用户的影响力值也就越大。
用户的互动程度取决于当前用户与其他用户的交互频率，实施例主要从以下两个方面进行衡量：1）用户当前用户与其他普通用户交互越频繁，则用户在社群中的重要程度可能越大；2）用户与核心种子用户之间进行交互的越频繁，该用户在社群中的重要程度越高。
活动圈中的量化细节如下：1）当一个用户原创一条消息的时候，该用户将获得一个权值；2）当一个用户对一条微博进行转发、评论时，该用户将获得一个权值；3）若用户的转发、评论是与核心种子用户的互动，则享有更高权重。用户互动程度的计算如公式1所示：
Weight(Nm)*=α×Cm+β×RTnormalNm+γ×RTkeyNm    1≤m≤M    （公式1）
其中，M为混合社交网络拓扑中节点总数，m的取值为1,2,…M；α为单次原创的权重，β为当前用户与非种子用户进行交互的权重，γ为当前用户与种子用户进行交互的权重，Ci为当前用户原创数量（例如原创微博），RTnormalNi为当前用户与非种子用户之间的转发或评论量，RTkeyNi为当前用户与种子用户之间的转发或评论量。
由于用户之间的活跃程度差异较大，有些用户有数千条甚至更多次活动。但有些用户可能只有数十次活动。倘若直接以加权求和后的数据作为评判标准，将导致用户初始权重分布较为散乱、方差过大。故系统将对用户初始权重进行归一化处理。归一化计算公式如公式2：
Weight(Nm)=log(Weight(Nm)*+MInPeR)/log(MinPr+MaxPr)    （公式2）
其中，MaxPr=Max(Weitght(Nm)*)是混合社交网络拓扑中各节点用户互动程度中的最大值,MinPr=Min(Weight(Nm)*)是混合社交网络拓扑中各节点用户互动程度中的最小值，MInPeR为预设的平滑参数，可由本领域技术人员根据具体情况（如MaxPr和MinPr的差异）取值。
步骤4，计算每个用户对象在混合社交网络拓扑中的影响力。
实施例计算每个用户对象在网络中的影响力：基于用户静态网络和活动网络，通过InfluenceRank算法进行计算分析，得到的影响力值记为IR值。
本发明在构建社交网络用户关系与消息互动的混合网络拓扑结构基础上，进一步提出一种新的影响力分析和排序方法，并命名为InfluenceRank，来计算每个用户对象在网络中的影响力（IR）。InfluenceRank将用户之间因关注关系、活跃程度和互动程度产生的连接关系视为对影响力值的投票。一个用户被很多人关注或者他发布的消息得到很多用户的转发，那么该用户的影响力也较高，并且关注者或者转发者的影响力越大，那么贡献的影响力值的投票越大，随之该用户的影响力值也就越大。
实施例计算影响力包括以下主要步骤：
步骤4.1，量化IR值的三个衡量因素
用户影响力IR的值由三个衡量因素来决定，分别是：用户的网络中心度、用户活跃度以及用户互动程度。以v表示混合网络中的任一用户节点，设v表示混合社交网络拓扑中的任一节点处用户对象，混合社交网络拓扑中和v有边相连的所有节点即构成用户对象v在混合社交网络拓扑的好友集合f(v)。用户对象v在混合社交网络拓扑的好友集合f(v)中任一网络好友记为用户对象u。D(NV)表示依据用户对象v与用户对象u的关注关系得到的最终中心度，具体求取方式可采用现有技术。B(Nv)是用户对象v的活跃度，Weight(NV)是用户对象v与用户对象u的互动程度。D(NV)可通过v与好友集合f(v)中每个网络好友u的关注关系而决定，B(Nv)可根据v参与转发、评论和原创等网络行为的数量来确定的活跃度，Weight(NV)可参见步骤3，是v与u的互动程度。
步骤4.2，设用户对象u在混合社交网络拓扑的好友集合f(u)中任一网络好友记为用户对象i，用户对象u的好友集合f(u)中所有网络好友数目记为n。
基于以上三个计算因素，混合社交网络拓扑中用户对象v的好友集合f(v)中的任一网络好友u分配给v的IR值R(u,v)表示为公式3
Figure BDA00002518297400091
（公式3）
其中δ、
Figure BDA00002518297400092
ω是三类因素在混合社交网络拓扑中的权重，根据应用的需要人工或者机器学习来确定，并且
Figure BDA00002518297400093
D(Ni)表示依据用户对象i与用户对象u的关注关系得到的最终中心度，B(Ni)是用户对象i的活跃度，Weight(Ni)是用户对象i与网络好友u的互动程度。
当社交网络为微博时，公式3中，第一项代表依据用户v中心度大小所决定的其获得IR分配比重，计算用户对象v的粉丝规模D(NV)占网络好友u的所有好友的粉丝规模D(Ni)之和的比例；第二项代表依据用户对象v发表言论的活跃程度所决定的其获得的IR值比例，计算某时间段T内用户对象v的微博总数B(NV)占网络好友u的所有好友的微博总数B(Ni)之和的比例；第三项代表依据用户对象v交互行为频率大小而决定比重，计算某时间段T内用户对象v转发网络好友u的微博数目Weight(NV)占到网络好友u的所有好友转发数目Weight(Ni)之和的比例。
步骤4.3，计算混合社交网络拓扑中的任一用户对象v的影响力如下，
IR(v)=d+(1-d)∑u∈f(v)R(u,v)×IR(u)    （公式4）
公式中d为阻尼系数，类似PageRank中的计算经验，将其设为0.85。f(v)表示v的全部好友集合。
步骤4.4，每经过时间段T返回执行步骤4.3，当混合社交网络拓扑中的每个用户节点的影响力相比上一次执行步骤4.3所得影响力的变化量小于预先设定的阈值时，将当前这一时段内求得的影响力作为结果，不再返回步骤4.3迭代执行，而是进入步骤5。具体实施时，时间段T可由用户指定时间长度，执行步骤4.3后判断是否满足迭代结束条件，是则进入步骤5，否则开启计时器，进行当计时器达到时间段T长度时，返回执行步骤4.3。
步骤5，根据用户对象的影响力得到重要目标及社区群体识别结果。
实施例在完成InfluenceRank值的计算之后，将将每个用户对象在在混合社交网络拓扑中的影响力映射到[0,10]的区间上，并从大到小进行排序，形成结果网络，结果网络中排序靠前的用户对象为重要目标，结果网络提供基于种子用户所形成的社区群体，即本发明寻找的核心社群。排名越靠前的人，在社交网络中越靠近中心位置，或者说影响力越大。
为了提高技术效果，本发明进一步提出：基于用户提供的白名单，可以设计流程自动忽略噪声节点，并删除其他用户与噪声用户之间连接的边。最后再将数据进行二次分析，从而得到最终结果。
实施例根据步骤1~5得到结果网络中可能会包含一些明显的噪声节点。这些噪声节点往往会形成噪声群，同时噪声群会有这明显的核心节点。形成这一现象的原因是，在社交网络平台上有着大量的公众用户。这些公众用户往往有着大量的粉丝用户。虽然公众用户和每个粉丝交互的数量很少，但是公众用户与粉丝的交互总量很多。在投票的过程当中，虽然向其进行投票的用户本身权重并不高，但是向其进行投票的数量过于庞大。导致某些公众用户极容易获得较大的权重，并出现在初始的结果网络中。一旦公众用户出现在结果网络之中，就很容易取代原始的核心用户，将结果网络变成以该公众用户为核心的社交网络。所以，可以通过用户的相关专家知识，人工去掉这些噪声群的核心节点，并再次分析。
实施例中，当用户设定结果网络中某个或某几个用户对象为噪声节点后，重新执行步骤2构建初始静态社交网络，删除噪声节点以及其他用户对象与噪声节点之间连接的边；然后重新执行步骤3、4、5和6进行二次分析，得到去噪后的结果网络。
可以将最后结果可视化，可视化过程中，将每个节点视为一个分子，不同的分子之间有着引力和斥力。通过不断调整每个节点的位置，使得整个网络中的合力趋近于零。其计算步骤为：1）将结果网络中的节点随机显示到屏幕上；2）计算当前每个节点的受力情况，得到其合力的方向和大小；3）对于每个节点按照其合力进行调整位置；4）重复2）、3）两个步骤直到整个网络变化低于阈值。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种社交网络重要目标及社区群体识别方法，其特征在于：包括以下步骤，
步骤1，根据种子用户进行社交网络数据采集；
步骤2，基于采集到的社交网络中用户对象之间的关注关系，构建用户对象静态的关系网络；
步骤3，根据用户对象之间的动态消息传递互动构建消息网络，将关系网络和消息网络进行合并形成混合社交网络拓扑；混合社交网络拓扑中的节点是社交网络的用户对象，节点之间的有向边表示两个节点之间既有关注关系又有消息互动关系；
步骤4，计算每个用户对象在混合社交网络拓扑中的影响力；
步骤5，根据用户对象的影响力得到重要目标及社区群体识别结果。
2.根据权利要求1所述社交网络重要目标及社区群体识别方法，其特征在于：步骤1中根据种子用户进行社交网络数据采集时，数据来源包括对原始数据源的导出、基于社交网络API的数据爬取和基于网页的数据爬取。
3.根据权利要求1所述社交网络重要目标及社区群体识别方法，其特征在于：步骤2的实现方式为，1)将种子用户作为核心用户依次加入静态的关系网络；2）通过广度优先的方式，依次逐层将核心用户的关注用户作为新的核心用户加入静态的关系网络，直至静态的关系网络中的核心用户达到上限，或者扩展层次达到阈值。
4.根据权利要求1所述社交网络重要目标及社区群体识别方法，其特征在于：混合社交网络拓扑中每个节点的属性包括粉丝数目、用户活跃度以及用户互动程度；
以混合社交网络拓扑中某节点m为当前用户，用户互动程度的初始计算如公式1所示：
Weight(Nm)*=α×Cm+β×RTnormalNm+γ×RTkeyNm    1≤m≤M    （公式1）
其中，M为混合社交网络拓扑中节点总数，m的取值为1,2,…M；α为单次原创的权重，β为当前用户与非种子用户进行交互的权重，γ为当前用户与种子用户进行交互的权重，Ci为当前用户原创数量，RTnormalNi为当前用户与非种子用户之间的转发或评论量，RTkeyNi为当前用户与种子用户之间的转发或评论量；
对用户互动程度的初始计算结果进行归一化处理，归一化计算公式如公式2：
Weight(Nm)=log(Weight(Nm)*+MInPeR)/log(MinPr+MaxPr)    （公式2）
其中，MaxPr=Max(Weitght(Nm)*)是混合社交网络拓扑中各节点用户互动程度中的最大值,MinPr=Min(Weight(Nm)*)是混合社交网络拓扑中各节点用户互动程度中的最小值，MInPeR为预设的平滑参数。
5.根据权利要求1所述社交网络重要目标及社区群体识别方法，其特征在于：步骤4的实现方式包括以下子步骤，
步骤4.1，设v表示混合社交网络拓扑中的任一节点处用户对象，用户对象v在混合社交网络拓扑的好友集合f(v)中任一网络好友记为用户对象u，D(NV)表示依据用户对象v与用户对象u的关注关系得到的最终中心度，B(Nv)是用户对象v的活跃度，Weight(NV)是用户对象v与用户对象u的互动程度；
步骤4.2，设用户对象u在混合社交网络拓扑的好友集合f(u)中任一网络好友记为用户对象i，用户对象u的好友集合f(u)中所有网络好友数目记为n，混合社交网络拓扑中用户对象v的好友集合f(v)中的任一网络好友u分配给v的IR值R(u,v)表示为公式3，
Figure FDA00002518297300021
（公式3）
其中δ、
Figure FDA00002518297300022
ω是三类因素在混合社交网络拓扑中的权重，
Figure FDA00002518297300023
D(Ni)表示依据用户对象i与用户对象u的关注关系得到的最终中心度，B(Ni)是用户对象i的活跃度，Weight(Ni)是用户对象i与网络好友u的互动程度；
步骤4.3，计算混合社交网络拓扑中的任一用户对象v的影响力如下，
IR(v)=d+(1-d)∑u∈f(v)R(u,v)×IR(u)    （公式4）
其中，d为阻尼系数；
步骤4.4，每经过时间段T返回执行步骤4.3，当混合社交网络拓扑中的每个用户节点的影响力相比上一次执行步骤4.3所得影响力的变化量小于预先设定的阈值时，将当前这一时段内求得的影响力作为结果，进入步骤5。
6.根据权利要求1所述社交网络重要目标及社区群体识别方法，其特征在于：步骤5的实现方式为，将每个用户对象在在混合社交网络拓扑中的影响力映射到[0,10]的区间上，并从大到小进行排序，形成结果网络，结果网络中排序靠前的用户对象为重要目标，结果网络提供基于种子用户所形成的社区群体。
7.根据权利要求1或2或3或4或5或6所述社交网络重要目标及社区群体识别方法，其特征在于：当用户设定结果网络中某个或某几个用户对象为噪声节点后，重新执行步骤2构建初始静态社交网络，删除噪声节点以及其他用户对象与噪声节点之间连接的边；然后重新执行步骤3、4、5和6进行二次分析，得到去噪后的结果网络。
CN201210514421.7A 2012-12-04 2012-12-04 一种社交网络重要目标及社区群体识别方法 Expired - Fee Related CN103024017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210514421.7A CN103024017B (zh) 2012-12-04 2012-12-04 一种社交网络重要目标及社区群体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210514421.7A CN103024017B (zh) 2012-12-04 2012-12-04 一种社交网络重要目标及社区群体识别方法

Publications (2)

Publication Number Publication Date
CN103024017A true CN103024017A (zh) 2013-04-03
CN103024017B CN103024017B (zh) 2015-09-30

Family

ID=47972141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210514421.7A Expired - Fee Related CN103024017B (zh) 2012-12-04 2012-12-04 一种社交网络重要目标及社区群体识别方法

Country Status (1)

Country Link
CN (1) CN103024017B (zh)

Cited By (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103309957A (zh) * 2013-05-28 2013-09-18 华东师范大学 一种引入列维飞行的社交网络专家定位方法
CN104035987A (zh) * 2014-05-30 2014-09-10 南京邮电大学 一种微博网络用户影响力排名方法
CN104199884A (zh) * 2014-08-19 2014-12-10 东北大学 一种基于r覆盖率优先的社交网络观察点选取方法
CN104317789A (zh) * 2014-04-24 2015-01-28 科技谷（厦门）信息技术有限公司 构建乘客社交网络的方法
CN104484359A (zh) * 2014-12-02 2015-04-01 北京锐安科技有限公司 一种基于社交图谱的舆情分析方法及装置
CN104572757A (zh) * 2013-10-24 2015-04-29 中兴通讯股份有限公司 微博群体处理方法及装置
CN105117422A (zh) * 2015-07-30 2015-12-02 中国传媒大学 智能社交网络推荐系统
CN105205723A (zh) * 2015-09-18 2015-12-30 腾讯科技（深圳）有限公司 一种基于社交应用的建模方法及装置
CN105391594A (zh) * 2014-09-03 2016-03-09 阿里巴巴集团控股有限公司 识别特征账号的方法及装置
CN105468786A (zh) * 2015-12-28 2016-04-06 湖南蚁坊软件有限公司 一种微博用户活跃度的分析方法
CN105554140A (zh) * 2015-12-24 2016-05-04 腾讯科技（深圳）有限公司 一种用户群体定位方法及服务器
CN105848178A (zh) * 2015-01-16 2016-08-10 中国移动通信集团四川有限公司 一种非授权资源的探测和获取方法及装置
CN105959132A (zh) * 2016-04-21 2016-09-21 重庆邮电大学 一种面向大规模网络的社区布局可视化方法
CN103778192B (zh) * 2014-01-06 2017-01-25 华中师范大学 一种复杂网络局部社区发现方法
WO2017024920A1 (zh) * 2015-08-12 2017-02-16 大连民族学院 一种获取社交关系链的方法、终端及计算机可读介质
CN106713034A (zh) * 2016-12-23 2017-05-24 广州帷策智能科技有限公司 微信公众号制定用户群活跃度监测方法及装置
CN107194322A (zh) * 2017-04-28 2017-09-22 南京邮电大学 一种视频监控场景中的行为分析方法
CN107369099A (zh) * 2017-06-28 2017-11-21 深圳源广安智能科技有限公司 一种面向社交网络的用户行为分析系统
CN107633260A (zh) * 2017-08-23 2018-01-26 上海师范大学 一种基于聚类的社交网络意见领袖挖掘方法
CN107749033A (zh) * 2017-11-09 2018-03-02 厦门市美亚柏科信息股份有限公司 一种网络社区活跃用户簇的发现方法、终端设备及存储介质
CN107766515A (zh) * 2017-10-23 2018-03-06 中国联合网络通信集团有限公司 社交圈关键用户提取方法及装置
CN108122168A (zh) * 2016-11-28 2018-06-05 中国科学技术大学先进技术研究院 社交活动网络中种子节点筛选方法和装置
CN108182265A (zh) * 2018-01-09 2018-06-19 清华大学 针对关系网络的多层迭代筛选方法及装置
CN108628936A (zh) * 2018-03-20 2018-10-09 重庆邮电大学 一种结合用户重叠行为的微博重叠社团划分方法
CN108664483A (zh) * 2017-03-28 2018-10-16 北大方正集团有限公司 特定用户群体的管理方法及管理系统
CN108737491A (zh) * 2018-03-23 2018-11-02 腾讯科技（深圳）有限公司 信息推送方法和装置以及存储介质、电子装置
CN108766528A (zh) * 2018-05-08 2018-11-06 天津大学 一种饮食管理系统及其构建方法、一种食材管理方法
CN108846767A (zh) * 2017-04-27 2018-11-20 清华大学 社交群组的特征获取方法及装置
CN109086375A (zh) * 2018-07-24 2018-12-25 武汉大学 一种基于词向量增强的短文本主题抽取方法
CN109146638A (zh) * 2018-08-29 2019-01-04 阿里巴巴集团控股有限公司 异常金融交易群体的识别方法及装置
CN109508300A (zh) * 2018-11-22 2019-03-22 努比亚技术有限公司 一种磁盘碎片整理方法、设备及计算机可读存储介质
US10282381B2 (en) 2013-12-31 2019-05-07 Huawei Technologies Co., Ltd. Method and apparatus for discovering closely related user
CN109741199A (zh) * 2018-12-29 2019-05-10 中国移动通信集团江苏有限公司 社交影响力确定方法、装置、设备及计算机存储介质
CN109977979A (zh) * 2017-12-28 2019-07-05 中国移动通信集团广东有限公司 定位种子用户的方法、装置、电子设备和存储介质
CN110020375A (zh) * 2017-12-28 2019-07-16 沈阳新松机器人自动化股份有限公司 一种社交网络用户影响力的评估方法
CN110363636A (zh) * 2019-06-27 2019-10-22 上海淇馥信息技术有限公司 基于关系网络的欺诈风险识别方法及装置
CN110555149A (zh) * 2019-09-05 2019-12-10 深圳前海微众银行股份有限公司 言论数据处理方法、装置、设备及可读存储介质
CN110704612A (zh) * 2019-08-09 2020-01-17 国家计算机网络与信息安全管理中心 一种社交群体发现方法、装置和存储介质
CN112085530A (zh) * 2020-09-10 2020-12-15 上海风秩科技有限公司 一种动态调价方法、系统及电子设备
CN112101390A (zh) * 2019-05-29 2020-12-18 腾讯科技（深圳）有限公司 属性信息确定方法、属性信息确定装置及电子设备
CN113032685A (zh) * 2019-12-06 2021-06-25 北京达佳互联信息技术有限公司 基于社交关系的对象推送方法、装置、设备及存储介质
CN113111114A (zh) * 2021-04-21 2021-07-13 北京易数科技有限公司 基于社交网络的数据处理方法、装置、介质、电子设备
CN113259170A (zh) * 2021-06-01 2021-08-13 宁波大学 计算机网络中子网络及其关键目标的识别方法及其应用
US11468521B2 (en) 2016-10-31 2022-10-11 Tencent Technology (Shenzhen) Company Limited Social media account filtering method and apparatus
CN118229353A (zh) * 2024-02-19 2024-06-21 淮安金宁广告传媒有限公司 一种互联网广告服务方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109408733A (zh) * 2018-09-26 2019-03-01 西安理工大学 一种基于vr环境的多样化兴趣社区建立方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110188405A1 (en) * 2010-01-30 2011-08-04 International Business Machines Corporation Systems and methods for finding star structures as communities in networks

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110188405A1 (en) * 2010-01-30 2011-08-04 International Business Machines Corporation Systems and methods for finding star structures as communities in networks

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
肖宇，许炜，商召玺: "微博用户区域影响力识别算法及分析", 《计算机科学》 *
肖宇等: "社交网络中用户区域影响力评估算法研究", 《微电子学与计算机》 *

Cited By (72)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103309957B (zh) * 2013-05-28 2016-12-28 华东师范大学 一种引入列维飞行的社交网络专家定位方法
CN103309957A (zh) * 2013-05-28 2013-09-18 华东师范大学 一种引入列维飞行的社交网络专家定位方法
CN104572757A (zh) * 2013-10-24 2015-04-29 中兴通讯股份有限公司 微博群体处理方法及装置
CN104572757B (zh) * 2013-10-24 2018-11-23 中兴通讯股份有限公司 微博群体处理方法及装置
US10282381B2 (en) 2013-12-31 2019-05-07 Huawei Technologies Co., Ltd. Method and apparatus for discovering closely related user
CN103778192B (zh) * 2014-01-06 2017-01-25 华中师范大学 一种复杂网络局部社区发现方法
CN104317789A (zh) * 2014-04-24 2015-01-28 科技谷（厦门）信息技术有限公司 构建乘客社交网络的方法
CN104317789B (zh) * 2014-04-24 2018-01-19 科技谷（厦门）信息技术有限公司 构建乘客社交网络的方法
CN104035987B (zh) * 2014-05-30 2017-06-30 南京邮电大学 一种微博网络用户影响力排名方法
CN104035987A (zh) * 2014-05-30 2014-09-10 南京邮电大学 一种微博网络用户影响力排名方法
CN104199884A (zh) * 2014-08-19 2014-12-10 东北大学 一种基于r覆盖率优先的社交网络观察点选取方法
CN104199884B (zh) * 2014-08-19 2017-09-22 东北大学 一种基于r覆盖率优先的社交网络观察点选取方法
CN105391594B (zh) * 2014-09-03 2018-11-02 阿里巴巴集团控股有限公司 识别特征账号的方法及装置
CN105391594A (zh) * 2014-09-03 2016-03-09 阿里巴巴集团控股有限公司 识别特征账号的方法及装置
CN104484359A (zh) * 2014-12-02 2015-04-01 北京锐安科技有限公司 一种基于社交图谱的舆情分析方法及装置
CN105848178B (zh) * 2015-01-16 2019-12-17 中国移动通信集团四川有限公司 一种非授权资源的探测和获取方法及装置
CN105848178A (zh) * 2015-01-16 2016-08-10 中国移动通信集团四川有限公司 一种非授权资源的探测和获取方法及装置
CN105117422A (zh) * 2015-07-30 2015-12-02 中国传媒大学 智能社交网络推荐系统
CN105117422B (zh) * 2015-07-30 2018-08-24 中国传媒大学 智能社交网络推荐系统
CN106453030A (zh) * 2015-08-12 2017-02-22 大连民族学院 一种获取社交关系链的方法及装置
WO2017024920A1 (zh) * 2015-08-12 2017-02-16 大连民族学院 一种获取社交关系链的方法、终端及计算机可读介质
CN106453030B (zh) * 2015-08-12 2019-10-11 大连民族学院 一种获取社交关系链的方法及装置
CN105205723A (zh) * 2015-09-18 2015-12-30 腾讯科技（深圳）有限公司 一种基于社交应用的建模方法及装置
CN105205723B (zh) * 2015-09-18 2018-09-04 腾讯科技（深圳）有限公司 一种基于社交应用的建模方法及装置
CN105554140A (zh) * 2015-12-24 2016-05-04 腾讯科技（深圳）有限公司 一种用户群体定位方法及服务器
CN105554140B (zh) * 2015-12-24 2020-01-10 腾讯科技（深圳）有限公司 一种用户群体定位方法及服务器
CN105468786A (zh) * 2015-12-28 2016-04-06 湖南蚁坊软件有限公司 一种微博用户活跃度的分析方法
CN105959132B (zh) * 2016-04-21 2019-09-10 重庆邮电大学 一种面向大规模网络的社区布局可视化方法
CN105959132A (zh) * 2016-04-21 2016-09-21 重庆邮电大学 一种面向大规模网络的社区布局可视化方法
US11468521B2 (en) 2016-10-31 2022-10-11 Tencent Technology (Shenzhen) Company Limited Social media account filtering method and apparatus
CN108122168A (zh) * 2016-11-28 2018-06-05 中国科学技术大学先进技术研究院 社交活动网络中种子节点筛选方法和装置
CN108122168B (zh) * 2016-11-28 2020-11-13 中国科学技术大学先进技术研究院 社交活动网络中种子节点筛选方法和装置
CN106713034A (zh) * 2016-12-23 2017-05-24 广州帷策智能科技有限公司 微信公众号制定用户群活跃度监测方法及装置
CN108664483A (zh) * 2017-03-28 2018-10-16 北大方正集团有限公司 特定用户群体的管理方法及管理系统
CN108846767A (zh) * 2017-04-27 2018-11-20 清华大学 社交群组的特征获取方法及装置
CN108846767B (zh) * 2017-04-27 2022-03-11 清华大学 社交群组的特征获取方法及装置
CN107194322A (zh) * 2017-04-28 2017-09-22 南京邮电大学 一种视频监控场景中的行为分析方法
CN107194322B (zh) * 2017-04-28 2019-08-06 南京邮电大学 一种视频监控场景中的行为分析方法
CN107369099A (zh) * 2017-06-28 2017-11-21 深圳源广安智能科技有限公司 一种面向社交网络的用户行为分析系统
CN107369099B (zh) * 2017-06-28 2021-01-22 江苏云机汇软件科技有限公司 一种面向社交网络的用户行为分析系统
CN107633260B (zh) * 2017-08-23 2020-10-16 上海师范大学 一种基于聚类的社交网络意见领袖挖掘方法
CN107633260A (zh) * 2017-08-23 2018-01-26 上海师范大学 一种基于聚类的社交网络意见领袖挖掘方法
CN107766515A (zh) * 2017-10-23 2018-03-06 中国联合网络通信集团有限公司 社交圈关键用户提取方法及装置
CN107766515B (zh) * 2017-10-23 2020-04-14 中国联合网络通信集团有限公司 社交圈关键用户提取方法及装置
CN107749033A (zh) * 2017-11-09 2018-03-02 厦门市美亚柏科信息股份有限公司 一种网络社区活跃用户簇的发现方法、终端设备及存储介质
CN110020375A (zh) * 2017-12-28 2019-07-16 沈阳新松机器人自动化股份有限公司 一种社交网络用户影响力的评估方法
CN109977979A (zh) * 2017-12-28 2019-07-05 中国移动通信集团广东有限公司 定位种子用户的方法、装置、电子设备和存储介质
CN109977979B (zh) * 2017-12-28 2021-12-07 中国移动通信集团广东有限公司 定位种子用户的方法、装置、电子设备和存储介质
CN108182265A (zh) * 2018-01-09 2018-06-19 清华大学 针对关系网络的多层迭代筛选方法及装置
CN108182265B (zh) * 2018-01-09 2021-06-29 清华大学 针对关系网络的多层迭代筛选方法及装置
CN108628936B (zh) * 2018-03-20 2021-03-19 重庆邮电大学 一种结合用户重叠行为的微博重叠社团划分方法
CN108628936A (zh) * 2018-03-20 2018-10-09 重庆邮电大学 一种结合用户重叠行为的微博重叠社团划分方法
CN108737491B (zh) * 2018-03-23 2020-09-01 腾讯科技（深圳）有限公司 信息推送方法和装置以及存储介质、电子装置
CN108737491A (zh) * 2018-03-23 2018-11-02 腾讯科技（深圳）有限公司 信息推送方法和装置以及存储介质、电子装置
CN108766528A (zh) * 2018-05-08 2018-11-06 天津大学 一种饮食管理系统及其构建方法、一种食材管理方法
CN109086375A (zh) * 2018-07-24 2018-12-25 武汉大学 一种基于词向量增强的短文本主题抽取方法
CN109086375B (zh) * 2018-07-24 2021-10-22 武汉大学 一种基于词向量增强的短文本主题抽取方法
CN109146638A (zh) * 2018-08-29 2019-01-04 阿里巴巴集团控股有限公司 异常金融交易群体的识别方法及装置
CN109146638B (zh) * 2018-08-29 2021-11-30 创新先进技术有限公司 异常金融交易群体的识别方法及装置
CN109508300A (zh) * 2018-11-22 2019-03-22 努比亚技术有限公司 一种磁盘碎片整理方法、设备及计算机可读存储介质
CN109741199A (zh) * 2018-12-29 2019-05-10 中国移动通信集团江苏有限公司 社交影响力确定方法、装置、设备及计算机存储介质
CN112101390A (zh) * 2019-05-29 2020-12-18 腾讯科技（深圳）有限公司 属性信息确定方法、属性信息确定装置及电子设备
CN112101390B (zh) * 2019-05-29 2024-08-27 腾讯科技（深圳）有限公司 属性信息确定方法、属性信息确定装置及电子设备
CN110363636A (zh) * 2019-06-27 2019-10-22 上海淇馥信息技术有限公司 基于关系网络的欺诈风险识别方法及装置
CN110704612A (zh) * 2019-08-09 2020-01-17 国家计算机网络与信息安全管理中心 一种社交群体发现方法、装置和存储介质
CN110555149A (zh) * 2019-09-05 2019-12-10 深圳前海微众银行股份有限公司 言论数据处理方法、装置、设备及可读存储介质
CN113032685A (zh) * 2019-12-06 2021-06-25 北京达佳互联信息技术有限公司 基于社交关系的对象推送方法、装置、设备及存储介质
CN113032685B (zh) * 2019-12-06 2023-11-28 北京达佳互联信息技术有限公司 基于社交关系的对象推送方法、装置、设备及存储介质
CN112085530A (zh) * 2020-09-10 2020-12-15 上海风秩科技有限公司 一种动态调价方法、系统及电子设备
CN113111114A (zh) * 2021-04-21 2021-07-13 北京易数科技有限公司 基于社交网络的数据处理方法、装置、介质、电子设备
CN113259170A (zh) * 2021-06-01 2021-08-13 宁波大学 计算机网络中子网络及其关键目标的识别方法及其应用
CN118229353A (zh) * 2024-02-19 2024-06-21 淮安金宁广告传媒有限公司 一种互联网广告服务方法

Also Published As

Publication number Publication date
CN103024017B (zh) 2015-09-30

Similar Documents

Publication Publication Date Title
CN103024017B (zh) 一种社交网络重要目标及社区群体识别方法
Yi et al. Policy networks in complex governance subsystems: Observing and comparing hyperlink, media, and partnership networks
CN102591942B (zh) 一种应用自动推荐的方法及装置
US20090287687A1 (en) System and method for recommending venues and events of interest to a user
CN102999588A (zh) 一种多媒体应用的推荐方法和系统
CN103488788A (zh) 一种应用自动推荐的方法及装置
CN107657034A (zh) 一种社交信息增强的事件社交网络推荐算法
Jun et al. Mining and modelling the dynamic patterns of service providers in cellular data network based on big data analysis
Huang et al. Collaboration in participant-centric federated learning: A game-theoretical perspective
CN104035987A (zh) 一种微博网络用户影响力排名方法
Yu et al. Computational modeling of Weibo user influence based on information interactive network
CN103106615B (zh) 基于电视观看日志挖掘的用户行为分析方法
Wu et al. Research collaboration and topic trends in Computer Science based on top active authors
Cao Study on Strategies of Promoting Urban Brand Image by Public Benefit Using WeMedia
CN107688964A (zh) 一种用于大规模众包任务扩散的激励方法
Lin et al. Friend recommendation algorithm based on location-based social networks
Zhou et al. A calculation method for social network user credibility
CN103399919A (zh) 基于社会关系网的信任增强服务推送方法
Sevin et al. A new China: Media portrayal of Chinese mega-cities
Bhatnagar et al. Real-time analysis on finding significance of data mining on CRM of service sector organisations: an Indian perspective
Jankowski et al. Knowledge acquisition from social platforms based on network distributions fitting
Zhang et al. Mining mobile internet lifestyles in distinct urban areas: tales of two cities
Arranz et al. United in criticism: The discursive politics and coalitions of Australian energy debates on social media
Rabchevsky et al. Comparison of methods for identifying user roles in online social networks
Yuan et al. Research on group POIs recommendation fusion of users' gregariousness and activity in LBSN

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150930

Termination date: 20181204

CF01 Termination of patent right due to non-payment of annual fee