CN104133897A - 一种基于话题影响力的微博话题溯源方法 - Google Patents

Abstract

本发明属于话题溯源范畴语义社会网络中的数据挖掘领域，具体涉及一种基于话题影响力的微博话题溯源方法。本发明包括：根据信息检索领域的隐形语义查询扩展方法，对输入的话题词组tp进行语义扩展，得到与给定话题相关的前k个话题；确定微博网络中的用户关系及信息传播规律，确定话题影响力TIN；根据影响力计算公式，以1h为一个时间步计算话题的影响力，得到话题在传播过程中随着时间变化的影响力趋势，其影响力强度从话题初期的缓慢增长到急剧上升最后达到平稳状态，即话题成长为热点；推导话题溯源递推公式，并确定其溯源递推终止条件，输出引发话题的源头。本发明使话题溯源递推的终止条件更加准确，溯源更加准确有效。

Description

一种基于话题影响力的微博话题溯源方法

技术领域

本发明属于话题溯源范畴语义社会网络中的数据挖掘领域，具体涉及一种基于话题影响力的微博话题溯源方法。

背景技术

本文所提出的话题溯源方法主要依据话题影响力的变化趋势，故量化话题的影响力成为关键。目前，在线社会网络的影响力研究主要分为两大类：一是从结点的属性特征分析影响力；二是基于社会网络的拓扑结构计算影响力。较早的研究常采用用户的粉丝数作为度量影响力的指标，这种方法过于直接简单缺乏理论分析，在多数情况下并不准确。另外，也有其他研究者借鉴WEB数据挖掘中链接分析的方法，如LeaderRank方法，在网络中增加一个与所有节点双向联通的节点来改进PageRank方法在非连通图下排序不唯一的缺点；还有一种类PageRank方法称为TwitterRank。该方法对主题内容敏感，并且认为用户的影响力是其所有粉丝影响力的总和；由于上述方法仅依靠网络结构，使得某些节点能够采用增加虚假粉丝的手段提高影响力。针对以上方法存在的缺陷，本文通过话题的内容与话题中意见领袖的影响力确定话题在网络中的全局影响力，使得话题的影响力度量更为全面准确，并适合于话题溯源研究。

目前在话题研究方面，有学者提出一种K树模型，根据事件发生的时间戳，推测信息传播的路径以此达到溯源的目的；另有学者将互联网上的话题溯源抽象为一个排序问题，并提出基于文档时间、话题相关性和文档之间关系三者结合的TCL话题溯源模型；还有人通过分析博客空间的转发网络，根据时间和链接关系进行回溯抽取出信息传播的骨干关系。当前的话题溯源方法大多基于内容相似度、时间顺序以及链接关系，而如今的微博不同于以往的信息载体，其文本短小且用户经常采用转发机制来推动信息传播，并不适合进行页面相似度分析。由于话题在传播扩散过程中影响力不断变化，因此可以通过分析语义相似的话题间影响力的变化情况，根据传播理论中的动力学分析逐层缩小话题溯源的范围，最终达到溯源的目的。基于以上分析，本发明提出了一种基于话题影响力的微博话题溯源方法。

发明内容

本发明的目的在于提出一种溯源准确度更高的基于话题影响力的微博话题溯源方法。

本发明的目的是这样实现的：

(1)根据信息检索领域的隐形语义查询扩展方法，对输入的话题词组tp进行语义扩展，得到与给定话题相关的前k个话题：

(1.1)对数据集中的所有微博进行去停用词、词干化预处理，构建基于向量空间模型的文本数据库；

(1.2)对用户提交的查询话题进行去停用词、词干化预处理，形成查询的向量形式TP；

(1.3)根据隐形语义索引LSI方法获得与给定话题语义相关的前k个话题；

(2)确定微博网络中的用户关系及信息传播规律，确定话题影响力TIN：

(2.1)在微博中搜索话题tp_k包含的所有微博wb_j,j＝1……n；

(2.2)计算每条微博wb_j的影响力wbin_j；

wbin_j＝log fw_j×log cm_j×cp_j，

其中，fw_j代表微博的被转发数，cm_j代表微博的回复数，cp_j代表微博的有效回复率即回复的微博中有效回复数占回复数之比；

(2.3)通过标签字段判断话题tp_k所属的类别，确定话题类别在话题影响力计算公式中的权重tc；

$\mathrm{tc}=\log \frac{{\mathrm{wb}}_a}{\mathrm{wb}}\×{\mathrm{tc}}_0$

tc₀代表话题类别的初始权重，wb代表某一时间段内要溯源的话题tp_k的微博数量,wb_a表示这一时间段内网络中的所有微博数；

(2.4)计算话题tp_k的内容影响力CIN；

$\mathrm{CIN}=\frac{1}{\mathrm{wb}}\×\underset{j=1}{\overset{\mathrm{wb}}{\mathrm{\Σ}}}\left({\mathrm{wbin}}_j\right)\×\mathrm{tc}$

(2.5)计算话题的意见领袖的影响力LIN，其中影响因素包括用户对话题的敏感度贡献度UC和权威度UA，用户的影响力排名中前5位用户为话题的意见领袖，他们的影响力之和为话题的意见领袖影响力；

t表示实验持续时间，B_u ^tp(i)表示距实验起始时间第i个时间步用户u所发布的与话题tp有关的微博数，包括转发、回复、原创微博，代表B_u ^tp(i)的均值；B_i ^tp表示距实验起始时间第i个时间步与话题tp有关的微博数，代表B_i ^tp的均值，以1h为一个时间步，

$\mathrm{UC}=\log \frac{u_2}{u_1}+\log \frac{b_2}{b_1}$

u₁代表该用户之前他的关注者中参与话题的人数，u₂代表该用户之后他的粉丝中参与话题的人数，b₁代表用户参与话题前他的关注者发表的与话题相关的微博数，b₂代表用户参与话题后他的粉丝发表的与话题相关的微博数，在影响力计算中的权重分配为：机构和媒体，UA＝1.0；明星达人，UA＝0.8；草根用户，UA＝0.4；

(2.6)计算话题的影响力强度TIN；

TIN＝CIN+LIN；

(2.7)重复上述(2.1)到(2.6)步，计算出与话题tp相关的k个话题的影响力；

(3)根据影响力计算公式，以1h为一个时间步计算话题的影响力，得到话题在传播过程中随着时间变化的的影响力趋势，其影响力强度从话题初期的缓慢增长到急剧上升最后达到平稳状态，即话题成长为热点；

(4)推导话题溯源递推公式，并确定其溯源递推终止条件，输出引发话题的源头wb_p：

(4.1)根据话题的影响力变化趋势逆向推导，得到溯源递推公式：

TIN(tp)＝min TIN(tp_k)；

(4.2)对话题的溯源模型进行动力学分析，仿真话题传播的演化过程，当演化曲线趋于平稳时即停止话题的溯源递推，

$\frac{\mathrm{da}\left(t\right)}{\mathrm{dt}}=-\mathrm{\λn}\left(t\right)a\left(t\right)$

$\frac{\mathrm{dn}\left(t\right)}{\mathrm{dt}}=\mathrm{\λn}\left(t\right)a\left(t\right)-\mathrm{\μa}\left(t\right)$

$\frac{\mathrm{dr}\left(t\right)}{\mathrm{dt}}=\mathrm{\μa}\left(t\right)+\mathrm{\θn}\left(t\right)$

话题溯源模型包括三个状态，以N表示未接触话题状态即未激活状态，A表示接触话题并传播状态即激活状态，R表示接触话题而不愿传播状态即免疫状态；未激活态到激活态的概率为λ，激活态到免疫态的概率为μ，未激活态到免疫态的概率为θ；a(t)，n(t)，r(t)分别为A，N，R状态的密度；

(4.3)输出曲线中处于话题从出现到发展成为热门话题的临界区间的微博wb_p，p＝1……n。

本发明的有益效果是：

1、改进微博网络中的影响力计算方法，从宏观层面考虑话题的影响力，使话题的影响力的度量方法更加全面并适合于话题溯源模型。

2、对话题溯源递推公式加入了动力学分析，改进了传统SIR传染病模型中不同类型节点的状态转移关系，使得话题溯源递推的终止条件更加准确。

3、由话题的影响力变化规律来构建话题的溯源递推公式，将话题的相似性与社会影响力相结合进行溯源的方法在以短文本信息为主的微博网络中更加准确有效。

附图说明

图1为基于话题影响力的话题溯源的系统流程图；

图2为话题溯源递推算法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

本发明的功能实现包括下述模块：

(1)查询话题扩展模块

根据信息检索领域的隐形语义查询扩展方法，对输入的话题词组进行语义扩展，得到与给定话题相关的其他话题；

(2)微博话题的影响力计算模块

对微博网络中的用户关系及信息传播规律进行探究，确定话题影响力由话题内容和意见领袖的影响力共同决定，并分别给出话题内容影响力计算公式和意见领袖的影响力计算公式；

(3)话题影响力变化趋势分析模块

根据话题影响力计算公式绘制话题在传播过程中的影响力变化趋势曲线，并分析其传播规律；

(4)话题溯源递推模块

推导话题溯源递推公式，并确定其溯源递推终止条件，最终输出引发话题的源头。

查询话题扩展模块的步骤为：1)对数据集中的所有微博进行预处理，构建基于向量空间的文本数据库；2)对用户提交的查询话题进行预处理，形成查询的向量形式；3)根据隐形语义查询扩展方法获得与给定话题语义相关的其他话题。

微博话题影响力计算模块的步骤为：1)根据公式计算话题内每条微博的内容影响力；2)所有微博内容影响力的平均值作为话题的内容影响力；3)根据公式计算参与话题的每位用户的影响力；4)用户影响力排名中前5位用户为该话题的意见领袖，其影响力之和作为话题的意见领袖的影响力；5)将话题的内容影响力和意见领袖影响力相加得到话题的影响力强度。

话题影响力变化趋势分析模块通过话题影响力计算公式可以得到话题在传播过程中的影响力变化趋势，并构建基于影响力的话题传播、演化路径。

话题溯源递推模块的步骤为：1)根据话题传播的影响力变化趋势，建立话题溯源递推公式；2)对话题的传播过程进行动力学分析确定溯源递推的终止条件；3)输出引发话题的初始微博集合。

参照图1，本发明提出了一种基于话题影响力的微博话题溯源方法，该方法包括下述几个步骤：

(1)根据已有的信息检索领域的隐形语义查询扩展方法，对输入的话题词组tp进行语义扩展，得到与给定话题相关的前k个话题，其具体如下：

(1-1)对数据集中的所有微博进行去停用词、词干化等预处理，构建基于向量空间模型的文本数据库。

(1-2)对用户提交的查询话题进行去停用词、词干化等预处理，形成查询的向量形式TP。

(1-3)根据隐形语义索引LSI方法获得与给定话题语义相关的前k个话题。

(2)对微博网络中的用户关系及信息传播规律进行探究，确定话题影响力TIN。

(2-1)在微博中搜索话题tp_k包含的所有微博wb_j,j＝1……n。

(2-2)计算每条微博wb_j的影响力wbin_j。

wbin_j＝log fw_j×log cm_j×cp_j

其中，fw_j代表微博的被转发数，cm_j代表微博的回复数，cp_j代表微博的有效回复率(回复的微博中有效回复数占回复数之比)，判断某条回复微博是否为有效回复将采用话题检测与跟踪技术中的TF-IDF距离计算，将余弦函数作为相似性函数。

(2-3)通过标签字段判断话题tp_k所属的类别，确定话题类别在话题影响力计算公式中的权重tc。

$\mathrm{tc}=\log \frac{{\mathrm{wb}}_a}{\mathrm{wb}}\×{\mathrm{tc}}_0$

tc₀代表话题类别的初始权重，根据各个类别话题在网络中被关注度的不同分成不同等级。wb代表某一时间段内要溯源的话题tp_k的微博数量,wb_a表示这一时间段内网络中的所有微博数。

(2-4)计算话题tp_k的内容影响力CIN。

$\mathrm{CIN}=\frac{1}{\mathrm{wb}}\×\underset{j=1}{\overset{\mathrm{wb}}{\mathrm{\Σ}}}\left({\mathrm{wbin}}_j\right)\×\mathrm{tc}$

(2-5)计算话题的意见领袖的影响力LIN，其中影响因素包括用户对话题的敏感度贡献度UC和权威度UA。用户的影响力排名中前5位用户为话题的意见领袖，他们的影响力之和为话题的意见领袖影响力。

t表示实验持续时间，B_u ^tp(i)表示距实验起始时间第i个时间步用户u所发布的与话题tp有关的微博数(包括转发、回复、原创微博)，代表B_u ^tp(i)的均值；B_i ^tp表示距实验起始时间第i个时间步与话题tp有关的微博数，代表B_i ^tp的均值，以1h为一个时间步。

$\mathrm{UC}=\log \frac{u_2}{u_1}+\log \frac{b_2}{b_1}$

u₁代表该用户之前他的关注者中参与话题的人数，u₂代表该用户之后他的粉丝中参与话题的人数，b₁代表用户参与话题前他的关注者发表的与话题相关的微博数，b₂代表用户参与话题后他的粉丝发表的与话题相关的微博数。

根据对新浪微博的用户分析，大致分为机构和媒体、明星达人、草根用户这三个类别。不同类别的权威度也不同。所以，在在影响力计算中的权重分配为：机构和媒体，UA＝1.0；明星达人，UA＝0.8；草根用户，UA＝0.4。

(2-6)计算话题的影响力强度TIN。

TIN＝CIN+LIN

(2-7)重复上述1到6步，计算出与话题tp相关的k个话题的影响力。

(3)根据影响力计算公式，以1h为一个时间步计算话题的影响力，得到话题在传播过程中随着时间变化的的影响力趋势，其影响力强度从话题初期的缓慢增长到急剧上升最后达到平稳状态，即话题成长为热点。

(4)推导话题溯源递推公式，并确定其溯源递推终止条件，最终输出引发话题的源头wb_p。

(4-1)根据话题的影响力变化趋势逆向推导，得到溯源递推公式。

TIN(tp)＝min TIN(tp_k)

(4-2)对话题的溯源模型进行动力学分析，仿真话题传播的演化过程。当演化曲线趋于平稳时即停止话题的溯源递推。

$\frac{\mathrm{da}\left(t\right)}{\mathrm{dt}}=-\mathrm{\λn}\left(t\right)a\left(t\right)$

$\frac{\mathrm{dn}\left(t\right)}{\mathrm{dt}}=\mathrm{\λn}\left(t\right)a\left(t\right)-\mathrm{\μa}\left(t\right)$

$\frac{\mathrm{dr}\left(t\right)}{\mathrm{dt}}=\mathrm{\μa}\left(t\right)+\mathrm{\θn}\left(t\right)$

话题溯源模型包括三个状态，以N表示未接触话题状态(未激活状态)，A表示接触话题并传播状态(激活状态)，R表示接触话题而不愿传播状态(即免疫状态)；未激活态到激活态的概率为λ，激活态到免疫态的概率为μ，未激活态到免疫态的概率为θ；a(t)，n(t)，r(t)分别为A，N，R状态的密度。

(4-3)输出曲线中处于话题从出现到发展成为热门话题的临界区间的微博wb_p，p＝1……n；。

Claims (1)

1.一种基于话题影响力的微博话题溯源方法，其特征在于：

(1)根据信息检索领域的隐形语义查询扩展方法，对输入的话题词组tp进行语义扩展，得到与给定话题相关的前k个话题：

(1.1)对数据集中的所有微博进行去停用词、词干化预处理，构建基于向量空间模型的文本数据库；

(1.2)对用户提交的查询话题进行去停用词、词干化预处理，形成查询的向量形式TP；

(1.3)根据隐形语义索引LSI方法获得与给定话题语义相关的前k个话题；

(2)确定微博网络中的用户关系及信息传播规律，确定话题影响力TIN：

(2.1)在微博中搜索话题tp_k包含的所有微博wb_j,j＝1……n；

(2.2)计算每条微博wb_j的影响力wbin_j；

wbin_j＝log fw_j×log cm_j×cp_j，

其中，fw_j代表微博的被转发数，cm_j代表微博的回复数，cp_j代表微博的有效回复率即回复的微博中有效回复数占回复数之比；

(2.3)通过标签字段判断话题tp_k所属的类别，确定话题类别在话题影响力计算公式中的权重tc；

$\mathrm{tc}=\log \frac{{\mathrm{wb}}_a}{\mathrm{wb}}\×{\mathrm{tc}}_0$

tc₀代表话题类别的初始权重，wb代表某一时间段内要溯源的话题tp_k的微博数量,wb_a表示这一时间段内网络中的所有微博数；

(2.4)计算话题tp_k的内容影响力CIN；

$\mathrm{CIN}=\frac{1}{\mathrm{wb}}\×\underset{j=1}{\overset{\mathrm{wb}}{\mathrm{\Σ}}}\left({\mathrm{wbin}}_j\right)\×\mathrm{tc}$

(2.5)计算话题的意见领袖的影响力LIN，其中影响因素包括用户对话题的敏感度贡献度UC和权威度UA，用户的影响力排名中前5位用户为话题的意见领袖，他们的影响力之和为话题的意见领袖影响力；

t表示实验持续时间，B_u ^tp(i)表示距实验起始时间第i个时间步用户u所发布的与话题tp有关的微博数，包括转发、回复、原创微博，代表B_u ^tp(i)的均值；B_i ^tp表示距实验起始时间第i个时间步与话题tp有关的微博数，代表B_i ^tp的均值，以1h为一个时间步，

$\mathrm{UC}=\log \frac{u_2}{u_1}+\log \frac{b_2}{b_1}$

u₁代表该用户之前他的关注者中参与话题的人数，u₂代表该用户之后他的粉丝中参与话题的人数，b₁代表用户参与话题前他的关注者发表的与话题相关的微博数，b₂代表用户参与话题后他的粉丝发表的与话题相关的微博数，在影响力计算中的权重分配为：机构和媒体，UA＝1.0；明星达人，UA＝0.8；草根用户，UA＝0.4；

(2.6)计算话题的影响力强度TIN；

TIN＝CIN+LIN；

(2.7)重复上述(2.1)到(2.6)步，计算出与话题tp相关的k个话题的影响力；

(3)根据影响力计算公式，以1h为一个时间步计算话题的影响力，得到话题在传播过程中随着时间变化的的影响力趋势，其影响力强度从话题初期的缓慢增长到急剧上升最后达到平稳状态，即话题成长为热点；

(4)推导话题溯源递推公式，并确定其溯源递推终止条件，输出引发话题的源头wb_p：

(4.1)根据话题的影响力变化趋势逆向推导，得到溯源递推公式：

TIN(tp)＝min TIN(tp_k)；

(4.2)对话题的溯源模型进行动力学分析，仿真话题传播的演化过程，当演化曲线趋于平稳时即停止话题的溯源递推，

$\frac{\mathrm{da}\left(t\right)}{\mathrm{dt}}=-\mathrm{\λn}\left(t\right)a\left(t\right)$

$\frac{\mathrm{dn}\left(t\right)}{\mathrm{dt}}=\mathrm{\λn}\left(t\right)a\left(t\right)-\mathrm{\μa}\left(t\right)$

$\frac{\mathrm{dr}\left(t\right)}{\mathrm{dt}}=\mathrm{\μa}\left(t\right)+\mathrm{\θn}\left(t\right)$

话题溯源模型包括三个状态，以N表示未接触话题状态即未激活状态，A表示接触话题并传播状态即激活状态，R表示接触话题而不愿传播状态即免疫状态；未激活态到激活态的概率为λ，激活态到免疫态的概率为μ，未激活态到免疫态的概率为θ；a(t)，n(t)，r(t)分别为A，N，R状态的密度；

(4.3)输出曲线中处于话题从出现到发展成为热门话题的临界区间的微博wb_p，p＝1……n。