CN105144227A

CN105144227A - 社交媒体影响力评估

Info

Publication number: CN105144227A
Application number: CN201380069201.0A
Authority: CN
Inventors: D·B·朗格; H-C·杨; X·张; G·A·维勒; J·J·乔伊斯; D·M·摩尔; B·潘迪特
Original assignee: Microsoft Technology Licensing LLC
Current assignee: Microsoft Technology Licensing LLC
Priority date: 2013-01-02
Filing date: 2013-12-31
Publication date: 2015-12-09
Also published as: US20160188604A1; US9672255B2; US9294576B2; EP2941754A4; WO2014107440A2; US20140189536A1; WO2014107440A3; US10614077B2; EP2941754B1; US20170286429A1; TW201443811A; EP2941754A2

Abstract

一种用于标识社交网络平台中有影响力的用户的系统。该系统可为多个用户中的每一者计算分数。这样的分数可以是基于主题的，从而导致对有影响力的用户的更准确的标识。这样的基于主题的分数可指示用户与主题有关的权威性和/或影响力。影响力可基于权威性并结合诸如用户的能力之类的其他因素来计算。权威性分数可整体地或部分地直接从推特日志中被简单地计算出，而无需例如创建转推图形。结果，这些分数可使用MapReduce原语或允许这些计算跨多个并行处理器分布的其他构造来计算。作为社交趋势分析、市场营销或其他功能的一部分，这样的分数可被用于基于影响力来选择用户。

Description

社交媒体影响力评估

背景

社交媒体允许用户与志趣相投的人连接或与提供该用户感兴趣的信息和观点的人连接。例如，TWITTER是允许用户将短消息(被称为“推特(tweet)”)发送给其他用户的社交媒体平台。用户发送关于许多主题的推特，一些是个人的，一些与例如业务、产品或政治有关。以电子方式分发来自任何发送者的推特以基于其他用户的偏好来选择其他用户，这些其他用户可被称为“跟随”该发送者。

有时，用户的跟随者将来自那个用户的信息传递给其他用户。可将该信息作为来自那个用户的信息的重传来传递。重传有时被称为“转推(retweet)”。但是，该信息可在新消息中传递，该新消息可与原始消息相关，因为它可提到发起该消息的用户。

已认识到，社交媒体的一些用户更能引起其他人的兴趣，并且可比其他人具有更多的跟随者。因此，用户的“跟随者计数(followercount)”表示那个用户所具有的跟随者的数目，其是有时被跟踪的度量。跟随者计数也已被称为用户的“影响力”。为了支持标识出具有大“跟随者计数”的用户，社交网络平台可维护用户所发送的消息的日志。这些日志有时被称为“推特日志”，其可变得可用于供其他人分析并可能标识出具有大跟随者计数的用户。但是，由于推特数很大，并因此要分析的数据集的数量很大，因此分析该信息已成问题。

此跟随者计数对于寻求通过社交媒体来分发消息(其可以是商业广告消息)的那些人而言很重要。因此，广告商可将其消息聚焦于社交媒体中具有大跟随者计数的用户，希望该用户将发起最终将到达大量该用户的跟随者的有利消息。

使用该信息，从社交媒体推特中导出了趋势。例如，通过标识出具有高跟随者计数的用户，并确定其推特的主题，标识出了关于该社交媒体平台的用户感兴趣的主题的信息。

为社交媒体的用户计算指示该用户的“权威性”的度量也是已知的。已基于与通过社交媒体平台发送的消息有关的通信量统计来计算用户的权威性。

概述

发明人已认识到并领会了社交媒体的用户的基于主题的影响力分数的价值。发明人还认识到并领会了用于生成这样的影响力分数的技术。这样的影响力分数可基于能力度量结合用户的权威性度量来计算。这些度量中的任一个或两者都可以是基于主题的，使得用户对不同的主题可具有不同的影响力。通过这种方式计算出的影响力分数可按多种方式中的任一种方式来使用，诸如选择对某主题具有高影响力的用户，将针对那个主题向该用户发送广告或特别优惠或以其他方式与该用户联系。在其他场景中，可联系那些具有高影响力分数的人以获得其观点(诸如关于市场研究的观点)。在其他场景中，在发生了与某主题有关的事件后，可监视对该主题具有高影响力的用户。那个用户所发送的消息可用作社交网络中的其他人或其他更大的群体将如何对事件作出响应的预测指标。但是，该信息可按任何合适的方式来使用，包括通过图形用户界面呈现各度量以使得它们可被分析员或其他感兴趣的人获得。

因此，在一些实施例中，本发明涉及一种用于确定社交媒体的用户的影响力的方法。该方法包括用至少一个处理器处理消息日志以为多个用户中的每一者计算该用户与主题有关的影响力分数。

在另一方面，本发明涉及一种操作至少一个计算设备以将图形用户界面渲染在显示设备上的方法。该方法包括访问由多个用户使用至少一个社交媒体平台发送的消息日志。基于消息日志中的消息中的至少一部分来为多个用户中的每一者计算关于主题的知识分数及能力分数。随后，可渲染为此多个用户中的一部分用户中的每一者描绘该用户与该主题有关的知识分数和能力分数的图表。

在又一方面，本发明涉及至少一个编码有计算机可执行指令的有形计算机可读介质，这些计算机可执行指令在被至少一个处理器执行时执行一种方法。该方法可需要访问由社交媒体平台的用户发送的多个消息的记录。可处理此多个消息中的至少一部分以为多个用户中的每一者计算该用户与主题有关的影响力分数。

以上是对由所附权利要求定义的本发明的非限定性的概述。

附图简述

附图不旨在按比例绘制。在附图中，各个附图中示出的每一完全相同或近乎完全相同的组件由同样的附图标记来表示。出于简明的目的，不是每一个组件在每张附图中均被标号。在附图中：

图1A是社交媒体平台在第一场景中操作时的概念草图；

图1B是社交媒体平台在第二场景中操作时的概念草图；

图2是计算社交媒体平台的一个或多个用户的影响力分数的方法的示例性实施例的功能框图；

图3是根据一些说明性实施例的推特日志的概念草图；

图4是计算社交媒体平台的一个或多个用户的权威性分数的示例性方法的流程图；

图5A是可通过其来显示社交媒体平台的多个用户中的每一者的影响力分数的示例性图形用户界面；

图5B是可通过其来显示社交媒体平台的用户的随时间变化的影响力分数的示例性图形用户界面；以及

图6是可用于执行本文中描述的计算中的一些或全部的示例性计算机系统的框图。

详细描述

发明人已认识到并领会现有的用于标识社交媒体平台中的有影响力的用户的方法的缺点，并且已开发出可更准确地标识有影响力的用户的替换度量。例如，已使用基于对推特的后续引用数的跟随者计数和“页面排名”计算来评估影响力。虽然这些方法在一些场景中有用，但发明人已认识到这些方法在其他场景中容易产生误导性结果。例如，在评价具有许多跟随者的名人用户时，跟随者计数可产生曲解的结果。类似地，在关于当前事件的推特正在被发送的场景中，基于页排名的度量可产生不准确的结果，因为没有足够的时间来使得存在有意义的对关于该事件的消息的后续引用数。

此外，发明人已认识到并领会影响力可反映出一个或多个因素，包括作出推特的用户的权威性和那个用户的推特的能力。能力可涉及用户的跟随者的数目和/或来自该用户的消息被转推到的其他用户的数目。对用户的权威性和/或能力的指示在基于特定主题的情况下可能更准确。

此外，发明人已认识到并领会用于允许仅计算影响力度量而同时得到准确的结果的技术。这样的技术可能服从使用MapReduce(映射化简)技术的计算，使得在大数据集合(诸如推特日志)上的计算可被简单地分解以供在许多不同的计算设备上进行处理。因此，这些计算可基于计数事件或可通过以下方式来执行的其他简单功能：为多个用户中的每一者就可能已收集了哪些数据分开地处理推特日志中的条目。通过这种方式，可快速地在多个不同的计算设备上并行处理推特日志的各部分，并且随后可将那个处理的结果一起引入以计算总度量。此外，替换地或另选地，可容易地将每个用户的处理分派给不同的计算设备以实现并行计算。

如本文中描述的分析技术可适用于任何合适类型的社交媒体。如本文中所描述的用于分析社交媒体数据的示例性系统使用适用于TWITTER(一种被广泛使用的社交媒体平台)的术语。由于TWITTER平台是公知的，因此这样的术语可被本领域的技术人员容易地识别出。然而，应领会，用于分析社交媒体数据的系统、方法和装置可适用于其他社交媒体平台，并且对暗示TWITTER平台的术语的使用并不将本文明的适用性限制于TWITTER平台。

例如，如本文中所使用的，“推特”可包含通过社交媒体平台分发的任何消息。在其他社交媒体平台中，短消息可被称为帖子，或者可被描述为“墙上的文字”或被给予某个其他名称。但是，所有这些形式的通信都可被看作“推特”。同样，“推特日志”可包含与消息有关的任何信息集合，而不管其是使用TWITTER平台还是其他社交媒体平台来发送的。此外，不管用来呈现原始消息的格式为何，社交网络中的其他人再次确认或解除确认该消息的任何行动都可被看作“转推”。在诸如FACEBOOK(脸谱网)之类的平台中，例如被称为“喜欢”或“不喜欢”的动作都可对应于转推。在其他平台中，相应的转推功能可被称为“转发”或“推荐”。

因此，本文中描述的概念可适用于任何社交媒体平台，而不管其如何命名。用于描述用来传达或重传消息的机制的特定术语不作为对本发明的限制。例如，如本文中所描述的社交媒体平台有时被称为“微博”，这些系统的用户有时被称为“产消者”，以反映社交媒体平台的其中内容的消费者也可产生内容的常见使用。如本文中描述的技术适用于支持这样的微博的任何平台。

图1A提供了一示例及社交媒体平台100。在该示例中，示出了用户110A、110B、110C和110D。分别作为计算设备112A、112B、112C或112D的用户中的每一者连接到网络120。这些计算设备可具有任意合适的形式。例如，用户可通过台式机、平板、智能电话或其他便携式计算设备来访问社交媒体平台。不管计算设备的类型为何，这些计算设备中的每一者都可能已在其上安装了用于访问社交媒体平台的应用或以其他方式被配置用于访问社交媒体平台。然而，用户用来访问社交媒体平台的特定机制对本发明并不重要，且对社交媒体平台的访问可使用如本领域公知的技术来执行。

网络120可以是任何合适的网络。在本文中提供的示例中，社交媒体平台的用户通过广域公共网(诸如因特网)连接。

社交媒体平台可包含服务器，或者其他设备也连接到网络124，以在社交媒体平台100的用户之间路由消息。在该示例中，服务器150被示为出于该目的而连接到网络120。服务器150或社交媒体平台中的其他合适的组件可针对用户所发送的每一消息来确定哪些其他用户将接收该消息。服务器150可随后合适地路由该消息。

例如，用户110A可发出消息170。消息170的内容可由用户110A来选择，并且消息170可指示它是由用户110A发起的。

社交媒体平台100可被配置成将消息170路由到社交媒体平台的用户的子集。消息170被路由到的用户可依赖于用户之间先前由这些用户定义(作为与社交媒体平台进行交互的一部分)的关系。各种方法可被社交媒体平台用来确定哪些用户接收了哪些消息。例如，在一些社交媒体平台中，该平台支持用户之间允许这些用户形成网络的交互。在这样的场景中，消息(在由一个用户发送时)可变得对同一网络中的其他用户可用。

在一些社交媒体平台中，网络可以是相互的，使得用户所发送的任何消息都被路由到同一社交网络中的所有其他用户。在其他社交媒体平台中，消息收发不必是相互的。在TWITTER中，例如用户可具有“跟随者”。当用户发送消息时，该消息可被选择性地变得对该发送用户的跟随者可用。那些跟随者可被称为该发送用户的“朋友”，或者可被称为“跟随”该发送用户。虽然是可能的，但不要求发送用户也跟随所有其跟随者。

在图1A的示例中，用户110A被用户110D和110C跟随。因此，用户110C和110D中的每一者接收消息170。在该示例中，用户110B并不跟随用户110A，并且用户110B并没有被示为直接接收消息170。然而，在图1B所示的场景中，用户110B跟随用户110D，并且用户110D将消息170作为172来重传或“转推”。由于用户110B跟随用户110D，用户110B将消息170作为转推消息172来接收。

在一些实施例中，转推消息区别于基于其他消息的其他类型的消息。例如，用户110C可创作消息174。消息174可提及用户110A，并可能指代消息170或用户110A所发送的其他消息中的内容，或受该内容的影响。然而，由于消息174不是重传，而是新创作的消息，因此在一些实施例中，消息174将被归类为对用户110A的“提及”。在那些实施例中，消息174可能不被归类为转推，因为它不是消息170的直接副本。

虽然图1和2中没有明确示出，但其他类型的消息可替换地或另选地存在于社交媒体平台中。例如，可存在“会话推特”。在会话推特中，用户可回复推特。这样的回复可能是出于礼貌或作为条件反射而发送的，并可指示对原始消息的内容的与转推或提及不同的感兴趣级别。因此，在分析用户的权威性或影响力时可不同地对待会话推特和其他类型的推特。

服务器150或社交媒体平台中的其他计算设备可跟踪社交媒体平台中用户已同意这样使用其推特的消息。在图1A和1B所示的实施例中，服务器150维护数据库152，在该数据库152中，可维护消息记录。该记录或这样的记录的经处理版本可被称为“推特日志”。可出于用户已对此表示同意的一个或多个目的来分析推特日志。

该分析可以是自动的，并可由服务器150或其他合适的计算设备来执行。但是，应当领会，对推特日志的分析不需要在管理消息在社交媒体平台100中的重传的计算设备上执行。在一些实施例中，推特日志可变得对除社交媒体平台100的运营商以外的实体可用以供进行分析。

该分析可按任何适合的方式执行。在一些实施例中，该分析可基于各用户关于一个或多个主题的权威性和/或影响力来对这些用户进行归类。这样的归类可基于根据以下算法计算出的一个或多个分数：这些算法设计为得到反映用户展现期望用户特性的程度的值。用户展现特性(诸如权威性或影响力)的程度可从社交网络的用户的行为中推断出，并且这些算法可基于指示各用户在社交网络内的动作的度量。

该分析的结果可以是按任何合适方式来使用的信息。在一些实施例中，该分析可被用于预计关于主题的将来态度。例如，通过标识有影响力的用户，并观察其关于某主题的消息的看法、语气或内容的变化，预测更大量用户的将来观点是可能的。如果该消息的主题是产品，则这种预测将来观点的能力可能对市场营销有用。如果该消息的主题是政治主体，则这种能力可能对推进政治竞选有用。但是，应当领会市场营销和政治只是示例，而可作出对该分析的任何合适的使用。

作为另一示例，该分析的结果可导致选择要被联系的用户。例如，可联系并邀请对某主题有权威的用户来写关于该主题的博客贴子。替换地或另选地，可联系对某主题有影响力的用户并向其提供作为产品的代言人的职位，或请求其对与该主题有关的产品作出认可。这样的请求可被直接作出，诸如通过向所选的用户提供作为该产品的代言人的工作，或者可被间接作出，诸如通过向有影响力的用户提供对该产品的免费或经打折的访问。

不管该分析是如何执行的并且那个分析的结果是如何被使用的，该分析都可替换地或另选地被手动地执行。因此，图1A和1B示出了分析员156经由计算设备154访问数据库152。

取代计算用户特性(诸如权威性和影响力)的分数或作为其补充，计算设备154可提供用户界面可被呈现在其上的显示器。

该用户界面可提供关于一个或多个用户的信息。以下在以下讨论的图5A和5B中示出了可被显示的用户界面的示例。

应当领会，出于说明的目的，在图1A和1B中大大简化了社交媒体平台100。本文中描述的技术可适用于复杂的多的社交媒体平台。例如，虽然仅示出了四个用户，但社交媒体平台可支持数千、数万、数百万或更多个用户。因此，本文中描述的系统可被缩放到任何数目的用户。作为特定示例，虽然对推特日志的分析被示出为是在单个计算设备(在本示例中为服务器150)上执行的，但如本文中所描述的分析算法可跨多个计算设备分布。同样，虽然数据库152被示出为在单个位置中，但应当领会，可使用具有处于多个位置的多个节点的分布式数据库。

在这样的大型数据集上的计算可按任何合适的方式来执行。然而，由于一些社交媒体平台的大用户群体，一些实施例可采用被称为“映射-化简(map-reduce)”的软件框架。一般来说，对映射-化简框架的使用涉及：将输入数据集划分成多个碎片，使用分开的“映射”过程来将用户定义的算法应用于每一碎片，以及随后使用一个或多个“化简”过程来合并由全部映射过程跨数据集的全部碎片生成的结果。一般来说，映射-化简框架使得一过程的特定步骤(例如，通过映射过程执行的那些步骤)能够被并行地执行，由此允许该过程在与被不同地部署的计算机能够处理的那些数据集相比明显更大的数据集上执行，并增加了从执行期间的部分故障中恢复的可能性。在一些实施例中，反映社交媒体平台的用户之间的关系的数据集可被划分成离散碎片，一个或多个幂迭代算法可通过映射过程被应用于每一碎片，并且一个或多个化简过程可合并生成的结果以确定整个用户社区内有影响力的(诸)用户。

不管所采用的特定教育技术为何，指示一个或多个用户的影响力的值都可被计算。图2示出了可被执行来确定社交媒体平台的一个或多个用户的影响力和其他分数的分析的示例。

影响力合成

图2示出了用于确定指示社交媒体平台的一个或多个用户的影响力的分数的方法。图2是用于在诸如可从数据库152(图1B)获得的消息日志上实现分析技术的处理的功能框图。

图2中描绘的处理可在任何合适的一个或多个计算设备中执行。在一些实施例中，用于执行图2的分析的处理可在多个计算设备中执行。这些设备可被编程为使用映射化简原语，使得该分析的各部分在多个计算设备中并行地执行。

在图2的示例中，处理在日志210上开始。日志210可以是与在社交媒体平台中传达的消息有关的信息的计算机化存储。作为示例，这些消息可以是通过TWITTER社交媒体平台传达的推特。然而，这些消息可以是FACEBOOK社交媒体平台中的帖子，或任何其他合适的消息类型或各消息类型的组合。

在该示例中，日志210可以被处理以生成一个或多个经处理的日志以供进一步分析。在该示例中，最初在特征提取过程212中处理日志210。在特征提取过程212中，访问日志文件，该日志文件包含在相关时间区间上发送的消息。相关时间区间可取决于要被执行的分析的性质和/或日志文件中的数据量。例如，在一些实施例中，日志文件可被生成以包括周期区间，诸如几小时或几天。为了在这些时段上进行分析，可处理整个日志文件。

在其他实施例中，可执行分析以支持趋势标识。在那些实施例中，可对与日志文件中包含的较短区间有关的消息数据重复执行分析。例如，日志文件可包含在一整天期间发送的消息的记录，但可将该数据作为24个分开的块来进行分析，每一块表示在一小时期间发送的消息。很快，日志210中被分析的数据的量对本发明并不重要。

任何合适的处理都可作为过程212的一部分被执行。在一些实施例中，可执行特征提取以抑制消息中的重复记录。其他处理可从消息中提取信息。在一些实施例中，可维护所提取的信息，而非消息的原始内容。

所提取的信息可例如指示消息的主题。主题可按任何合适的方式来提取，诸如通过在消息中标识与感兴趣的主题有关的一个或多个单词或其他符号来提取。在一些实施例中，感兴趣的主题可通过分析系统的用户执行图2的处理来预定义。在这样的场景中，与感兴趣的主题相关联的符号也可被预定义。然而，在其他场景中，可使用聚类分析或其他方法来标识反映在日志210中的各消息中的主题。

在一些实施例中，作为特征提取过程212的一部分，可丢弃不具有标识出的主题的消息。替换地或另选地，可使用其他准则来排除各消息以免进行进一步的处理。

对于没有被排除的消息，可提取每一消息的看法的指示。看法可通过以下方式来确定：将每一消息的内容解析成各个体术语或其他符号，并对反映正面看法或负面看法的符号数进行计数。在一些实施例中，表达看法的术语可普遍适用并被提前知道。诸如“喜欢”和“想要”或“不喜欢”和“很糟”之类的术语可已知分别指示正面或负面看法，并且可被编程到实现图2的处理的系统中。

不管所考虑的反映看法的特定符号为何，在一些实施例中，可从表示正面看法的符号数中减去反映负面看法的符号数。得到的数字可被表达为频率，并可被用作对消息的看法的指示符。

这样的数目可指示关于消息的主题的正面、负面或中性看法。

在本文中使用的示例中，这些消息相对较短。可通过假定每一消息涉及单个主题来简化处理。因此，可将标识出的指示看法的术语全部都假定为涉及该主题。但是，应当领会，在一些实施例中，诸如在处理较长的消息时，可执行附加的处理来标识指示与该主题有关的看法的符号。

图3示出了经处理的推特日志300，该经处理的推特日志300可使用特征提取导出。应当领会，图3是在特定提取过程212后可保留的信息的概念草图。但是，可提取并保留任何合适的信息以供进一步处理。同样，可按任何合适的方式将所保留的信息存储在计算机可读存储介质中。

在图3的示例中，所保留的供进一步处理的每一条唯一的消息被反映为推特日志300中的数据库中的行。在该示例中，示出了行310A、310B、310C和310D。然而，应当领会，出于简要的目的仅示出了四个行，但在真正的系统中，在特征提取过程212后可保留远多于四条消息。

在该示例中，保留了关于每一消息的五个所提取信息的类型。每一信息类型都被存储在推特日志300中的分开的字段中。如所示出的，取行310A、310B、310C和310D...中的行310A，示出了字段322、324、326、328、330。

在该示例中，字段322包含发送关于哪些数据被保留在该行中的消息的用户的标识符。字段324包含对该消息的类型的指示。例如，使用因TWITTER社交媒体平台而普及的术语将消息分类为例如原始推特、转推、提及或会话推特。

字段326可包含针对消息检测到的主题的标识。主题可使用关键词或如上所述的其他合适的技术来标识。字段328可包含对该消息的看法的指示。看法也可如上所述的那样或使用任何其他合适的技术来导出。在该示例中，看法可以是表示正面、负面或中性看法的正数、负数或零。

在如本文中所描述的分析中使用的其他信息可替换地或另选地被存储在日志300中。在该示例中，字段330存储关于消息中提及的其他用户的信息。但是，应当领会，这样的信息可按任何合适的方式来获得。

在图2所示的实施例中，日志300可被输出作为事务数据222。这样的数据可在权威性标识过程224中被使用。其他数据可替换地或另选地通过特征提取过程212来生成。

在图2的示例中，幂迭代处理222使用转推图形数据220。

转推图形数据220可指示消息通过社交媒体平台的用户的网络的传播。在图1A和1B的示例中，例如，消息170是从用户110A被发送至110C处的用户110D的。消息170被作为发送给用户110B的消息172来转推。该转推可被反映在转推图形数据220中，从而将由用户110A发送的消息170与由用户110B接收到的转推172链接起来。如果经转推的消息172被进一步转推，则那个附加的转推也可能被链接回原始消息170和原始发送者用户110A。

由其他用户发送和转发的其他消息同样可被反映在转推图形数据220中。转推图形数据2220可由特征提取处理212或按任何其他合适的方式生成。这些消息可通过以下方式来标识出：从最旧到最新的次序处理日志210中的消息，从而在原始消息和转推之间进行区别但是，转推图形数据220可按任何合适的方式生成，包括例如使用如本领域公知的处理来生成。

在一些实施例中，作为特征提取处理212的结果，反映在转推图形数据220中的消息可限于为一个或多个感兴趣的主题。但是，在其他实施例中，转推图形可基于在某时间段上发送的消息或基于任何其他合适的准则来选择。

不管通过特征提取处理212生成的数据的量和性质如何，这些数据均可用于计算一个或多个分数，此一个或多个分数可单独地或组合地指示一个或多个用户的影响力。在图2所示的示例中，来自日志210的信息用于为社交媒体平台的一些用户或全部用户计算两个分数。在该示例中，权威性分数是通过权威性标识处理224来计算的。能力分数是通过幂迭代处理222来计算的。

这两个分数可随后被用作影响力合成处理230的一部分来生成总影响力分数240。权威性分数和能力分数中的任一者或两者都可以是基于主题的，这意味着可基于同一用户关于不同主题的能力或权威性而为其提供不同的分数。结果，影响力分数240也可以是基于主题的。发明人已认识到并领会，基于主题的影响力分数可更准确地反映社交媒体平台的用户的影响力，并可因此提供用于出于市场研究、市场营销或其他目的来选择社交媒体平台的有影响力的用户的更准确的机制。

在该示例中，用户的能力分数是对于该用户所发送的消息在历史上到达的其他用户的数目的指示。用户所发送的消息被转推的次数越多，该用户的能力分数就可更大。用户的权威性分数可反映用户被看作权威的程度。

用户的权威性可从社交媒体平台的其他用户的一个或多个动作(包括用户的消息被转推的次数或该用户在那些其他用户的消息中被提及的次数)中推断出。任何合适的方法可用于计算这些分数，其示例在以下给出。

权威性分数

在计算权威性分数时，多个度量可被计算出。这些度量可包括主题信号、转推影响力、提及影响力和网络分数度量。在一些实施例中，这些度量中的每一个可以以未经处理的形式或以经处理的形式(诸如由事务数据222所表示的)从推特日志(诸如日志210)(图2)中计算出。在所示的实施例中，这些度量中的每一者可从日志中的项计数中计算出。

这些计数可包括例如以下中的一个或多个：该用户的与该主题有关的推特数；该用户的与该主题有关的转推数；该用户的推特和转推的总数；在其他用户与该主题有关的转推中提及该用户的数目；在与该主题有关的转推中提及该用户的其他用户的数目；该用户在与该主题有关的推特中提及其他用户的数目；被该用户在与该主题有关的推特中提及的其他用户的数目；在其他用户的与该主题有关的推特中提及该用户的数目；在与该主题有关的推特中提及该用户的其他用户的数目；这些用户的跟随者的数目；和/或跟随该用户的其他用户的数目。这样的计数可被简单地计算出。此外，这样的计数可彼此独立地被计算，使得每一计数可在分开的过程中被计算出。结果，用于确定这些计数的处理可在两个或更多个并行处理器中执行，其中每一处理器计算这些计数中的一个或多个。

这些计数可随后被用于计算度量，这些度量可进而被用于计算权威性分数。以下提供了用于计算这些度量中的每一个的处理的示例。

针对感兴趣的特定主题的“主题信号”可被定义为：

TS＝OT1/(NT–RT1),其中：

OT1:作者发送的与该主题有关的推特数

RT1:作者转推的与该主题有关的转推数

NT:作者发送的推特和转推的总数，在作者发送的所有推特都与该主题有关的情况下，其为OT1+RT1，否则NT＝max(OT1+RT1,MISC-MXSC+1)，其中MISC和MXSC分别为指该用户针对所有主题发送的总推特数的最小状态计数和最大状态计数。

应当注意，“主题信号”针对不同的主题可具有不同的值，使得本文中描述的分析可针对感兴趣的每一主题都被执行一次。还应当注意，“主题信号”针对分析的不同阶段可具有不同的定义。例如，如下所述，在计算能力分数时，主题信号可被定义为TS＝(OT1+CTl+RT1)/NT，其中CT1是会话推特数。不受任何特定理论的约束，CT1在计算权威性分数的实施例中并没有被使用，因为发明人推测那个会话与权威性分数计算具有可忽略的联系，但用于滤除非权威性用户。此外，用于计算权威性分数的主题信号的定义更强调原始推特。容易明白，如果OT1＝0则TS＝0，而不管用户发送了多少转推。其他度量可替换地或另选地针对该计算的不同阶段具有不同的定义。所定义的网络分数(NS)也可以不同。如针对计算权威性分数所定义的，NS可从推特日志中直接计算出，而不依赖于跟随者图形或任何其他数据源。

但是，应当领会，针对权威性分数的一些定义或全部定义可替换地或另选地被应用于该计算的其他阶段。例如，如以上提出的RT1和RT3的定义可结合以下计算能力分数来应用。这样的方法例如可导致使用更可实现的概念对转推影响力的更具体的计算，而无需依赖于转推顺序或时戳来进行计数。

然而，该特定定义对本发明并不重要。

转推影响力可根据以下公式来计算：

R1＝RT2·log(RT3)，其中

RT2:其他人与主题有关的转推中提及作者的数目

RT3:在与主题有关的转推中提及作者的其他用户的数目

提及影响力可根据以下公式来计算：

M1＝M3·log(M4)-M1·log(M2)其中

M1:作者在主题方面提及其他人的数目

M2:被作者在主题方面提及的其他人的数目

M3:其他人在主题方面提及作者的数目

M4:在主题方面提及作者的其他人的数目

网络分数可根据以下公式来计算：

NS＝log(G1+1)-log(G2+1)，其中

G1:在某主题方面在作者之后转推的主题活跃转推用户的数目。

G2:在某主题方面在作者之前转推的主题活跃转推用户的数目。

这些度量在为用户计算时可被看作用户的“特征”。在一些实施例中，可基于该用户与群体(诸如社交网络内的用户群体或社交媒体平台的一般用户群体)内的其他用户的特征比较来为该用户计算权威性分数。在一些实施例中，该比较可基于那个用户在所考虑的用户群体内的排名。

为了简化计算，该排名可基于该群组中的用户的累积分布函数的模型来逼近。与用户的各特征的值相对应的累积分布函数的值可指示用户的排名。在其中多个特征用于表征每一用户的实施例中，该累积分布函数可以是多个特征的累积函数。但是，进一步简化可将多变量累积分布函数表示成单变量函数的组合，每一单变量函数对应于一个特征。例如，多变量累积分布函数可被建模成多个单变量函数的积。

作为特定示例，对于具有与主题有关的以上特征的用户，主题权威性分数可基于那个用户的特征在相关群体内的特征值分布中的排名来计算。

例如，主题权威性分数可以是以下正态或高斯累积分布函数(CDF)的值。

其中：

N(x；μ_f，σ_f)：基于群体的针对相关特征值的统计来计算的正态或高斯概率密度函数。

TS、R1、M1和NS分别是以上定义的主题信号、转推影响力、提及影响力和网络分数。

μ_f：所有用户与该主题有关的特征f的均值

σ_f：所有用户与该主题有关的特征f的标准差(SD)值

w_f：向特征f分配的权重，其对所有主题和所有用户而言是常数

在一些实施例中，主题权威性分数可在多个处理器上计算，并且这样的计算可使用MapReduce(M-R)算法在各处理器间分派。

在一些实施例中，M-R算法可包含两个M-R过程。但是，值得一提的是，在这些过程之前可存在前端预处理，其将每一Twitter原始日志记录转换成Tweet完整数据对象，并移除冗余的日志记录。通过这么做，由每一中间件组件(诸如个体算法)摄取的输入数据集可以是金色的，而没有重复。以下子章节提出用于描述特征提取和权威性计算映射化简原语的伪代码。有两个运算符在该代码中使用

←：分配运算符-将右手值(RH)分配给左手值(LH)变量

←+：添加运算符-将对象添加到映射容器中)，如以下所描述的。

以下分开地描述了诸如用户值合并、用户值到权威性度量变换、均值和标准差计算和积累函数实现之类的附加计算步骤，以保持内容简明且被聚焦。

特征提取伪代码

1:classTopicUserkey(类主题用户键)

2:membertopic(成员主题)

3:memberuid(成员uid)–用户id

1:classTopicUserValue(类主题用户值)

2:memberOT1(成员OT1)–原始推特计数

3:memberRT1(成员RT1)–转推计数

4:membermisc(成员misc)–最小状态计数

5:membermxsc(成员mxsc)–最大状态计数

6:membermu1(成员mu1)–该用户所提及的各用户的映射

7:membermu2(成员mu2)–该用户所跟随的用户转推的映射

8:membermu3(成员mu3)–该用户所提及的用户转推的映射

9:membermu4(成员mu4)–提及该用户的各用户的映射

10:membermu5(成员mu5)–跟随该用户的用户转推的映射

11:membermu6(成员mu6)–提及该用户的用户转推的映射

Input：setofpairs(tweetkey,tweedfulldata)(输入：对集(推特键，推特完整数据))

Output：setofpairs(topicuserkey,topicuser)(输出：对集(主题用户键，主题用户)

1classFeatureExtractionMapper(类特征提取映射器)

2createuserkeyobjectk(创建用户键对象k)

3createausermapobjectu(withentry<userid,uservalue>)(创建用户映射对象u(具有条目<用户id,用户值>))

4methodmap(tweetfulldatax)(方法映射(推特完整数据x))

5createtopicuservalueobjectv(创建主题用户值对象v)

6u←+(x.userld，v)

7ifxisretweet(如果x是转推)

8v.RT1←1

9foreachuidinthelistofusersretweetedfollowed(对于所跟随的转推用户列表中的每一uid)

10v.mu2←+(uid，1)

11createatopicuservaluet(创建主题用户值t)

12t.uid←uid

13:t.mu5←+(x.userId，1)

14:u←+(uid，t)

15:foreachuidinthelistofusersretweetedmentioned(对于所提及的转推用户列表中的每一uid)

16:v.mu3←+(uid，1)

17:createatopicuservaluet(创建主题用户值t)

18:t.uid←uid

19:t.mu6←+(x.userId，1)

20:u＝+(uid，t)

21:else(否则)

22:v.OT1←1

23:foreachuidinthelistofusersmentioned(对于所提及的用户列表中的每一uid)

24:v.mul←+(uid，1)

25:createatopicuservaluet(创建主题用户值t)

26:t.uid←uid

27:t.mu4←+(x.userId，1)

28:u←+(uid，t)

29:foreachtopicinthelistoftopicsw.r.tthistweet(对于与该推特有关的主题列表中的每一主题)

30:k.topic←topic

31:foreachentryeinthemapu(对于映射u中的每一条目e)

32:k.uid←e.key

33:emit(k,e.value)(发出(k,e.value))

34:clearu(清除u)

1:classAuthorityMetrics(类权威性度量)

2:membercount(成员计数)-用于与该主题有关的用户计数

3:memberts(成员ts)-主题信号

4:memberri(成员ri)-转推影响力

5:membermi(成员mi)-提及影响力

6:memberns(成员ns)-网络分数

7:memberts2(成员ts2)-与TS特征有关的标准差值

8:memberri2(成员ri2)-与R1特征有关的标准差值

9:membermi2(成员mi2)-与M1特征有关的标准差值

10:memberns2(成员ns2)-与NS特征有关的标准差值

Input:setofpairs(topicuserkey,listoftopicuservalues)(输入：对集(主题用户键，主题用户值列表))

Output:setofpairs(topicuserkey,authoritymetrics)(输出：对集(主题用户键，权威性度量))

1:classFeatureExtractionReducer(类特征提取化简器)

2:createauthoritymetricszaccumulatingmetricswithrespecttoatopic(创建积累与主题有关的度量的权威性度量z)

3:createauthoritymetricsmastheemitvalue(创建作为发出值的权威性度量m)

4:createuservalueyformergeinstanceswithrespecttoauser(为与用户有关的合并实例创建用户值y)

5:createtopicuserkeykzforz(创建z的主题用户键kz)

6:methodreduce(topicuserkeyk,listofuservaluesxs)(方法化简(主题用户键k，用户值列表xs))

7:ifkz.topic＝null(如果kz.topic＝null(空))

8：kz.topic←k.topic

9:kz.uid←emptystring(kz.uid←空白字符串)

10:elseifkz.topic≠k.topic(否则如果kz.topic≠k.topic)

11:computetopicmeanandSDusingz,andstoreresulttoz(使用z来计算主题均值和SD，并将结果存储到z)

12:emit(kz,z)(发出(kz，z))

13:kz.topic←k.topic

14:clearz(清除z)

15:z.count←z.count+1

16:foreachxinxs(对于xs中的每一个x)

17:mergeuservalueywithxandstoreresulttoy(将用户值y与x合并，并将结果存储到y)

18:computemetricsusingyandstoretheresulttom(使用y来计算度量并将结果存储到m)

19:accumulatemwithzandstoretheresulttoz(将m与z积累在一起并将结果存储到z)

20:emit(k,m)(发出(k，m))

21:cleary(清除y)

22:methodcleaup()(方法清除())

23:average(z)(求平均(z))

24:emit(kz,z)(发出(kz，z))

权威性计算伪代码

在该阶段，我们不需要实现映射器，但需使用默认的映射器类，该映射器类将摄取每一键－值对(即，在我们的情况中为主题用户－键权威性度量)并将其发给化简器。然而，对于主题用户键，我们确实需要特定群组键划分器和特定群组键比较器，以使得与一个特定主题有关的所有用户将作为不可分割的群组被发送给同一化简器实例，并依据第二个键(即用户ID)来排序。由此，确保每一化简器实例将能够逐个地处理主题用户集，并且每一主题的第一个键实际上是均值和标准差值对象，因为我们在先前的M-R过程中有意将辅助键值(主题键值的uid)设为空。每一MapReduce框架的标准功能可适用于这些运算。但是，这些运算可以按任何合适的方式来执行。

Input：setofpair(topicaluserkey,authoritymetrics)(输入：对集(主题用户键，权威性度量))

Output：setofpair(topic,(userid,authorityscore))(输出：对集(主题，(用户id，权威性分数)))

1:classAuthorityComputationReducer(类权威性计算化简器)

2:loadweightvectorwfromconfigurationproperties(从配置属性中加载权重矢量w)

3:methodreduce(topicuserkeyk,listofauthoritymetricsms)(方法化简(主题用户键k，权威性度量列表ms))

4:

5:

6:foreachminms(对于ms中的每一个m)

7:if(如果)

8:μ←themeanvectopstoredinm(μ←存储在m中的均值矢量)

9:σ←theestandarddeviationnvectorrstoredinm(σ←存储在m中的标准差矢量)

10:else(否则)

11:pvale←GaussianCDF(m；μ；σ，w)(pvale←高斯CDF(m；μ；σ，w))

12:emit(k.topic,(k.uid,pvalue))(发出(k.topic,(k.uid,pvalue)))

高斯CDF是标准数学函数，并且可使用从任何合适的源(包括微软的Infer.NET库)获得的程序来计算。

转至图4，示出了实现用于为多个用户中的每一者计算权威性分数的处理的方法400。过程400被示为包含多个子过程，这些子过程中的每一个可在单独的处理器上执行，从而允许并行地计算出各权威性分数。但是，应当领会，在一些实施例中，方法400中示出的子过程中的每一个不需要在单独的计算设备上执行。在一些实施例中，单个计算设备或单个处理器可执行针对方法400来示出的各子过程中的多个子过程。替换地或另选地，在一些实施例中，一子过程可在多个计算设备或处理器上执行。

在该示例中，处理始于多个子过程410₁…401_N。这些子过程410₁…401_N中的每一个可针对社交媒体平台的不同用户执行。应当领会，处理可针对社交媒体平台的用户的子集来执行，使得子过程无需针对全部用户执行。但是，一旦标识出相关的用户子集，处理可需要针对该子集中的每一个用户的子过程。

在所示出的实施例中，类似的处理在子过程410₁…401_N中的每一个中执行的。因此，子过程410₁中的处理可表示其他子过程中的处理，并且为了简明，仅描述了子过程410₁。

在子过程410₁中，在循环开始412处发起消息日志上的循环。在该示例中，该循环是针对日志中与用户有关的每一条目来执行的。在该子过程中，进行计数(其可以是如上所述的计数)。因此，与用户有关的日志条目可需要描述由那个用户发送的或由该用户接收到的消息的条目。替换地或另选地，这些计数可涉及转推，以使得与该用户有关的日志条目可包括用户的消息或提到该用户的消息的转特。

对于来自要被处理的日志中的每一消息，执行对该循环的迭代。在每一次迭代中，处理均行进至框414，在框414中，基于正在该循环迭代中处理的消息来更新计数。被更新的特定计数可取决于正在执行的特定算法。然而，作为在框414处的处理的结果，可更新如上所述的计数或任何其他合适的计数。

在基于消息更新了这些计数后，处理可行进至判定框416，在判定框416，该子过程可分支。如果有更多的日志条目留待处理，则处理可循环回到循环开始412处。通过这种方式，处理可继续，直到与用户有关的所有条目均被处理。当没有其他日志条目留待处理时，处理可行进至子过程420。

当完成了子过程410₁…401_N中的全部子过程时，可执行子过程420。在子过程420，在子过程410₁…401_N中的每一子过程中计算出的计数可被组合以生成跨用户子集可适用的计数。替换地或另选地，可为该群组计算统计。这些统计可直接基于这些计数。但是，在一些实施例中，这些统计可基于从这些计数中计算出的度量。

该处理可如以上描述的那样，或可按任何其他合适的方式来执行。

使用在子过程420中计算出的群组统计，方法400可继续至子过程410₁…401_M。在子过程410₁…401_M中的每一子过程中，可为第二子集中的每一用户计算权威性分数。在一些实施例中，为其计算权威性分数的第二用户子集可与为其计算计数的用户子集相同。然而，在一些实施例中，权威性分数可以为与为其计算计数的不同的用户子集计算。

在子过程410₁…401_M中计算出的权威性分数可按任何合适的方式来计算，包括使用如上所述的技术来计算。

主题能力分数

用户的能力分数可按任何合适的方式来获得。用于标识有影响力的用户的技术可涉及执行被称为“幂迭代”的过程。计算机编程领域中的技术人员可认识到幂迭代是用于标识群体中展现出特定特性的成员的已知方法。例如，幂迭代技术被在线搜索引擎用于确定依据搜索查询返回的页面将被呈现给用户的次序。这样的幂迭代技术可被应用来标识一个或多个社交网络中在用户社区内有影响力的用户。

在一些实施例中，可确定一个或多个其他用户对每一用户的能力分数贡献。这可按多种方式中的任一种来执行。在采用映射化简框架的各实施例中，一个或多个映射过程可计算在该群体的离散碎片内的一个或多个其他用户对特定用户的贡献。

在其他实施例中，用户接收来自社区中已转推了该用户的消息中的任一条消息的其他成员的能力分数贡献。可通过转推图确定哪些用户已转推了其他用户的消息。

因此，幂迭代可在转推图上执行，其被公式化为：

R (t_{i}) = \frac{d}{N} + (1 - d) \underset{t_{i} &equiv; Re t w e e t (t_{i})}{Σ} \frac{R (t_{i}) w (t_{j}, t_{i})}{| Re t w e e t e d (t_{i}) |}

其中：

t_i-要被评估的用户。

R(t_i)-用户的转推排名。

N-势(唯一推特用户的数目)。

d-阻尼因子，其可以是任何合适的值，并且在一些实施例中被设为等于0.15。

Retweet(t_i)-在用户t_i之后转推的用户

Retweeted(t_j)-用户t_j在其后转推的用户。

w(t_j，t_i)-转推图形中的边t_j→t_i的权重。

主题知识分数(knowledgescore)被定义为用于结合权威性分数计算来实现如上所述的排名算法的加权的高斯CDF之积。

k n o w l e d g e s c o r e (K S) = \underset{f = T S, R I, M I, N S}{Π} [{&Integral;}_{- \infty}^{x_{f}} N (x; μ_{f}, σ_{f}) d x]^{w_{f}}

其中

N(x；μ_f，σ_f)-特征f的正态分布密度函数

-与特征f有关的所有主题作者的均值

σ_f-与特征f有关的所有主题作者的标准差

TS-主题信号＝OT1+CT1+RT1/\#tweets(推特数)\

OT1:作者发送的与主题有关的原始推特数CT1:作者发送的与主题有关的会话推特数

RT1:作者发送的与主题有关的转推数

\#tweets\:在所考虑的时段期间作者发送的所有主题的推特的总数

RI-转推影响力＝RT2·log(RT3)

RT2：在主题方面提及作者的转推提及数

RT3：在主题方面提及作者的用户转推数

MI-提及影响力＝M3·log(M4)-M1·log(M2)

M1:作者在主题方面提及其他人的数目

M2:被作者在该主题方面提及的其他人的数目

M3:其他人在该主题方面提及作者的数目

M4:在该主题方面提及作者的其他人的数目

NS-网络分数＝log(Gl+1)-log(G2+1)

G1：用户的跟随者计数

G2：用户的朋友计数

为不具有与主题有关的推特、转推或会话推特的每一用户定义基本知识分数(即，平滑因子)a>0如下：

α = \underset{U_{t}}{m i n} (\underset{f = T S, R I, M I, N S}{Π} [{&Integral;}_{- \infty}^{x_{f}} N (x; μ_{f}, σ_{f}) d x]^{w_{f}})

其中，U_t是与主题t有关的用户的集合。

主题看法计数可以是由与该主题相关的用户发送的正面推特的数目、由与该主题有关的用户发送的中性推特的数目、以及由与该主题有关的用户发送的负面推特的数目。这些分数中的任一分数或全部分数都可被给予一符号(正的或负的)以在需要的情况下指示净正看法或净负看法，或者这些计数可按任何其他合适的方式被用来提供关于用户的与主题有关的权威性的附加信息。这些计数可例如结合这些分数用于标识在支持、反对或提供关于主题的没有偏见的评论时有影响力的用户。

主题用户影响力分数

在一些实施例中，主题用户影响力分数可从能力分数和权威性分数中计算出。在一些实施例中，主题用户影响力分数可与这些分数的积成正比，并可根据以下公式来计算：给定用户t_i的与主题有关的TUIS＝R(t_i)×AS(t_i)，其中R(t_i)为用户t_i的主题能力分数，并且As(t_i)是用户t_i的主题权威性分数。如果用户的看法计数之和为正数，则给定用户的主题影响力是正面的，否则如果该和为负数，则给定用户的主题影响力将是负面的，或者如果该和为零，则给定用户的主题影响力是中性的。

但是，在一些实施例中，主题用户影响力分数可用平滑因子来计算，以使得在权威性分数和能力分数之一为零值而权威性分数和能力分数中的另一个为非零的情况下不会导致零影响力分数。在一些实施例中，平滑因子使得影响力分数可以为非零，即使权威性分数为零值。作为具体示例，经平滑的影响力分数可根据以下公式来计算：

经平滑的主题影响力分数＝Log(R(t_i)*AS(t_i))。在其他实施例中，经平滑的影响力分数可根据以下公式来计算：经平滑的主题影响力分数＝R(t_i)*Log(AS(t_i))。

对主题影响力分数的使用

不管用于计算主题影响力分数和/或权威性分数的具体公式如何，计算出的分数都可用于基于用户的影响力来选择这些用户中的一个或多个。这样的选择可例如被作出以与同主题相关的、具有高影响力或具有显著权威性的用户联系。可出于本领域公知的理由(包括为了从权威用户获得信息或获得认可或将市场营销定向到这样的用户)而执行这样的联系。选择用户可通过自动化过程来作出。联系用户也可被自动化。

然而，在一些实施例中，分析员(诸如分析员156(图2A))可能有理由手动地分析用户的影响力。因此，计算设备(诸如计算设备154)或任何其他合适的设备可呈现图形用户界面，通过该图形用户界面，分析员可与计算出的主题分数交互，如本文中所描述的。

图5A示出了用于描绘主题分数的示例性图形用户界面510。图形用户界面510可使用如本领域公知的计算机编程技术来渲染。渲染图形用户界面可包括渲染控件，通过这些控件，分析员可输入数据或选择渲染图形用户界面510的计算设备的操作参数。

在该示例中，图形用户界面510包括输入字段512，通过该输入字段512，分析员可指定关于其将执行用户分析的主题。在该示例中，输入字段512已被分析员填写了短语“微软”，以指示该分析员想要基于社交媒体平台中的用户发送的与微软有关的消息的影响力来标识这些用户。这样的方法可例如有用于标识用于测出新产品的主题。但是，应当领会，用于执行分析的特定理由并不构成对本发明的限制。

图形用户界面510可包括用于输入区域其他控件，通过这些其他控件，分析员可定义要通过分析标识出的用户的参数。在该示例中，图形用户界面510还包括过滤区域514。通过过滤区域514，分析员可标识出关于分析的参数。例如，分析员可指定开始日期和结束日期。这些参数是值可确定来自推特日志的哪些消息用于计算指示影响力的分数。作为另一示例，分析员可指示要将哪些看法包括在分析中。在该示例中，过滤区域514包括复选框控件，通过该复选框控件，用户可指示是否要将正面、中性和/或负面看法包括在分析中。基于通过这些复选框作出的选择，可对被分析的消息进行过滤以仅包括与指定主题有关的、具有指定看法的消息。

不管分析员输入的特定过滤准则如何，满足指定准则的任何消息都可被处理以生成如图形用户界面510中所述的影响力图。

可将为其计算影响力分数的每一用户表示为影响力图中的一个点。在该示例中，影响力图具有针对知识分数的轴516和针对能力分数的轴518。每一用户都可被表示在影响力图上、依据知识分数确定的沿着轴516的某位置处，该知识分数在本示例中可与权威性分数相同或从权威性分数中导出，如以上所描述的。每一用户可被表示在影响力图上、依据能力分数确定的沿着轴518的某位置处，如以上所描述的。

在该示例中，点520所表示的用户具有略高于80的知识分数和大约90的能力分数。具有不同的知识和能力分数的其他用户由该图上的其他点表示。

基于针对可选的主题而形成的影响力图来描绘用户允许分析员标识出具有期望特性的用户。在一些场景中，可偏好具有较大能力的用户。在其他场景中，可偏好具有较大知识的用户。在又一些场景中，可偏好具有非常大知识和能力两者的用户。将用户呈现在如所示出的影响力图上允许分析员选择具有期望影响力特性的用户。

在所示出的实施例中，在影响力图上表示用户的点还可用作控件。当分析员选择影响力图上的某点时，渲染图形用户界面510的计算设备可提供关于与那个点相关联的用户的信息。

在一些实施例中，提供关于所选用户的附加信息可能需要呈现替换图形用户界面。例如，可呈现如图5B所示出的图形用户界面550。图形用户界面550呈现关于单个用户的信息。但是，图形用户界面550包括通过其分析员可选择不同的用户的控件区域556。在图5B所示出的场景中，已选择了由图标558所表示的用户。针对其他用户的图标也被示出在控件区域556中，从而允许分析员选择其他用户。当另一用户被选择时，图形用户界面550中显示的信息可发生改变，使得代替关于图标558所表示的用户来显示关于所选用户的信息。

可描绘关于所选用户的任何合适的信息。在该示例中，关于用户与主题有关的影响力的信息被图形地呈现。在该情况下，用户的影响力被描绘成时间的函数。在图5B的该特定示例中，影响力是用具有指示时间区间的轴562的图形来示出的。任何合适的时间增量(诸如分钟、小时或天)都可被反映在轴562上。

轴560反映影响力分数的幅度。在图5B所示的场景中，该图包括表示知识分数的数据集的曲线564。该图还包括能力分数的曲线566。在该示例中，知识分数和能力分数是针对同一主题来计算的，并且是针对同一时间增量来计算的。

图形用户界面550和图形用户界面510中的轴的缩放可按任何合适的方式来执行。在一些实施例中，例如当为多个用户中的每一个用户计算出知识分数和能力分数时，可标识出最大分数并将其任意缩放为等于轴560上的1000。可成比例地缩放这些分数的其他值。但是，应当领会，用于描绘值的特定缩放对本发明而言并不重要。

代替随时间变化的图形或作为其补充，可呈现关于所选用户的信息。在图5B的示例中，图形用户界面550包括显示区域570，该显示区域570以文本格式提供关于所选用户的附加信息。在该示例中，显示区域570包括诸如该用户的名称和位置之类的信息。此外，可提供关于对社交媒体平台的使用的统计。在该示例中，图形用户界面550向用户指示关于正在呈现哪些信息，如4523个跟随者和286个朋友。此外，还示出了关于用户所发送的消息数的信息。在该示例中，那些数字包括在计算用户的分数时所使用的总消息数、以正用于显示数据的当前时间区间发送的消息数和每时间区间的平均消息数。

关于该情况下提供的数字的消息可以是与所选的主题有关的消息。这些数字还可用于计算某区间上的能力分数和/或知识分数，该区间在本示例中可以是轴562上描绘的整个区间。在该示例中，图形用户界面550将为85的能力分数和为45的知识分数描绘在显示区域570中。结合这些分数，还可提供对看法的指示。在该示例中，看法是使用指示关于主题的正面看法的赞成图标或指示负面看法的反对图标来提供的。

作为可包括在提供关于所选用户的信息的图形用户界面中的消息类型的进一步示例，可提供控件区域572。通过图形用户界面550与计算机系统交互的分析员可使用控件区域来选择不同的主题。在选择了不同的主题后，渲染图形用户界面550的计算系统可基于适合于新选择的主题的基于主题的分数而包含针对该用户的不同信息。其他数据可类似地被选择以供基于所选的主题进行显示。该信息可按任何合适的方式(包括重新计算该信息或访问先前计算出的信息的存储)获得。

通过与用户界面(诸如图形用户界面510和515)进行交互，分析员可获得与关于主题的用户的影响力相关的信息。该信息可按任何合适的方式使用，包括用于市场研究和/或基于分数来联系所选的用户(这样的联系可能需要发送商业广告消息)。但是，应当认识到，类似的分析可以是部分或完全自动化的。

不管将使用关于社交媒体平台的用户的影响力的信息的方式如何，本文中描述的技术允许该信息被按准确的方式计算出，并且可能通过使用多个并行的过程被简单而快速地计算出。

计算权威性分数的示例

该章节给出在用于计算权威性度量和权威性分数的MapReduce算法中使用的自定义函数实现的附加细节。这些函数被描述为如以下列出的伪代码：

积累两个权威性度量对象

1:methodaccumulate(authoritymetricsa,authoritymetricsb)(方法积累(权威性度量a，权威性度量b))

2:a.ts←a.ts+b.ts

3:a.ri←a.ri+b.ri

4:a.mi←a.mi+b.mi

5:a.ns←a.ns+b.ns

6:a.ts2←b.ts*b.ts

7:a.ri2←b.ri*b.ri

8:a.mi2←b.mi*b.mi

9:a.ns2←b.ns*b.ns

计算均值和标准差矢量的求平均函数

1:methodaverage(authoritymetricsa)(方法求平均(权威性度量a))

2:a.ts＝a.ts/a.count

3:a.ri＝a.ri/a.count

4:a.mi＝a.mi/a.count

5:a.ns＝a.ns/a.count

6:ifa.count>1(如果a.count>1)

7:

a . t s 2 = \sqrt{(a . t s 2 - a . c o u n t * a . t s * a . t s) / (a . c o u n t - 1)}

8:

a . r i 2 = \sqrt{(a . r i 2 - a . c o u n t * a . r i * a . r i) / (a . c o u n t - 1)}

9:

a . m i 2 = \sqrt{(a . m i 2 - a . c o u n t * a . m i * a . m i) / (a . c o u n t - 1)}

10:

a . n s 2 = \sqrt{(a . n s 2 - a . c o u n t * a . n s * a . n s) / (a . c o u n t - 1)}

11:else(否则)

12：

a . t s 2 = \sqrt{a . t s 2 - a . t s * a . t s}

13:

a . r i 2 = \sqrt{a . r i 2 - a . r i * a . r i}

14:

a . m i 2 = \sqrt{a . m i 2 - a . m i * a . m i}

15:

a . n s 2 = \sqrt{a . n s 2 - a . n s * a . n s}

使用给定主题用户值对象来计算权威性度量

1:methodcomputeMetrics(topicuservaluev，authorithmetricsm)(方法计算度量(主题用户数据v，权威性度量m))

2:size←max(v.OT1+v.RT1，v.maxc-v.mise+1)

(大小←最大(v.OT1+v.RT1，v.maxc-v.misc+1))

3:m.ts←(v.OT1+v.RT1)/size

(m.ts←(v.OT1+v.RT1)/大小)

4:m.ri←sumFrequency(mu6)*log(mu6.size())

(m.ri←频率和(mu6)*log(mu6.size()))

5:m.ri←m.rs-sumFrequency(mu3)*log(mu3.size())

(m.ri←m.rs-频率和(mu3)*log(mu3.size()))

6.m.mi←sumFrequency(mu4)*log(mu4.size)

(m.mi←频度和(mu4)*log(mu4.size))

7：m.mi←m.mi-sumFrequency(mu1)*log(mu1.size())

(m.mi←m.mi-频率和(mu1)*log(mu1.size()))

8：m.ns←sumFrequency(m4)*log(m4.size())

(m.ns←频率和(m4)*log(m4.size()))

9.m.ns←m.ns-sumFrequencey(mu2)*log(mu2.size())

(m.ns←m.ns-频率和(mu2)*log(mu2.size()))

合并两个主题用户值对象

1:methodadd(topicuservaluet，topicuservalueo)(方法添加(主题用户值t，主题用户值o))

2：t.OT1←t.OT1+o.OT1

3:t.RT1←t.RT1+o.RT1

4:ift.misc＞o.misc(如果t.misc＞o.misc)

5:t.misc←o.misc

6:ift.mxsc＜o.mxsc(如果t.mxsc＜o.mxsc)

7:t.mxsc←o.mxsc

8:merge(t.mu1，o.mu1)(合并(t.mu1，o.mu1))

9:merge(t.mu2，o.mu2)(合并(t.mu2，o.mu2))

10:merge(t.mu3，o.mu3)(合并(t.mu3，o.mu3))

11：merge(t.mu4，o.mu4)(合并(t.mu4，o.mu4))

12:merge(t.mu5，o.mu5)(合并(t.mu5，o.mu5))

13:merge(t.mu6，o.mu6)(合并(t.mu6，o.mu6))

合并两个用户id-频率映射

1:methodadd((topicuseriduid，topicuservaluev)，mapu)(方法添加((主题用户iduid，主题用户值v)，映射u))

2:ifucontainskeyuid(如果u包含键uid)

3：merge(topicuservalueu.get(uid)，v)(合并(主题用户值u.get(uid)，v))

4:else(否则)

5:put(uid，v)tou(将(uid，v)放入u)

为用户对象值添加(键，值)到映射容器，即运算符“←+”.

1:methodadd((topicuseriduid，integerv)，mapm)(方法添加((主题用户iduid，整数v)，映射m))

2:ifucontainskeyuid(如果u包含键uid)

3:merge(topicuservalueu.get(uid)，v)(合并(主题用户值u.get(uid)，v))

4:else(否则)

5:put(uid，v)tou(将(uid，v)放入u)

为整数值添加(键，值)到映射容器，即运算符“←+”.1:methodadd((topicuseriduid，integerv)，mapm)(方法添加((主题用户iduid)，整数v)，映射m)

2:ifucontainskeyuid(如果u包含键uid)

3:put(uid，v+m.get(uid))tom(将(uid，v+m.get(uid)放入m)

4:else(否则)

5:put(uid，v)tom(将(uid，v)放入m)

前述竞争和其他功能可在任何合适的一个或多个计算设备中实现。图6示出了其上可实现本文中描述的计算和/或用户交互中的一些或全部的合适的计算系统环境600的示例。计算系统环境600只是合适的计算环境的一个示例，而非意在暗示对本发明的使用或功能性范围有任何限制。也不应该将计算环境600解释为对示例性操作环境600中示出的任一组件或其组合有任何依赖性或要求。

本发明可用众多其他通用或专用计算系统环境或配置来操作。适合在本发明中使用的公知的计算系统、环境和/或配置的示例包括，但不限于，个人计算机、服务器计算机、手持式或膝上型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、网络PC、小型计算机、大型计算机、包含上述系统或设备中的任一个的分布式计算机环境等。

该计算环境可以执行计算机可执行指令，如程序模块。一般而言，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。本发明也可被实践在分布式计算环境中，分布式计算环境中任务是由通过通信网络链接的远程处理设备执行的。在分布式计算环境中，程序模块可以位于包括存储器存储设备的本地和远程计算机存储介质中。

参考图6，用于实现本发明的示例性系统包括计算机610形式的通用计算设备。计算机610的组件可包括但不限于：处理单元620、系统存储器630、以及将包括系统存储器在内的各种系统组件耦合到处理单元620的系统总线621。系统总线621可以是若干类型的总线结构中的任一种，包括存储器总线或存储器控制器、外围总线和使用各种总线体系结构中的任一种的局部总线。作为示例而非限制，这样的体系结构包括工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、增强型ISA(EISA)总线、视频电子技术标准协会(VESA)局部总线和外围部件互连(PCI)总线(也称为夹层(Mezzanine)总线)。

计算机610通常包括各种计算机可读介质。计算机可读介质可以是能由计算机610访问的任何可用介质，而且包含易失性和非易失性介质、可移动和不可移动介质。作为示例而非限制，计算机可读介质可包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括，但不限于，RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁性存储设备、或能用于存储所需信息且可以由计算机610访问的任何其它介质。通信介质通常以诸如载波或其他传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其他数据，并包括任意信息传送介质。术语“已调制数据信号”指其一个或多个特征以这样的方式设置或改变以便在信号中对信息进行编码的信号。作为示例而非限制，通信介质包括诸如有线网络或直接线连接之类的有线介质，以及诸如声学、RF、红外及其他无线介质之类的无线介质。上述中任一组合也应包括在计算机可读介质的范围之内。

系统存储器630包括易失性和/或非易失性存储器形式的计算机存储介质，如只读存储器(ROM)631和随机存取存储器(RAM)632。包含诸如在启动期间帮助在计算机610内的元件之间传输信息的基本例程的基本输入/输出系统633(BIOS)通常存储在ROM631中。RAM632通常包含处理单元620可立即访问和/或当前正在操作的数据和/或程序模块。作为示例而非限制，图6示出了操作系统634、应用程序635、其他程序模块636和程序数据637。

计算机610也可以包括其他可移动/不可移动、易失性/非易失性计算机存储介质。仅作为示例，图6示出了从不可移动、非易失性磁介质中读取或向其写入的硬盘驱动器641，从可移动、非易失性磁盘652中读取或向其写入的磁盘驱动器651，以及从诸如CDROM或其他光学介质等可移动、非易失性光盘656中读取或向其写入的光盘驱动器655。可在示例性操作环境中使用的其它可移动/不可移动、易失性/非易失性计算机存储介质包括但不限于，磁带盒、闪存卡、数字多功能盘、数字录像带、固态RAM、固态ROM等。硬盘驱动器641通常由例如接口640之类的不可移除存储器接口连接至系统总线621，而磁盘驱动器651和光盘驱动器655通常由例如接口650之类的可移除存储器接口连接至系统总线621。

以上讨论并在图6中示出的驱动器及其相关联的计算机存储介质为计算机610提供了对计算机可读指令、数据结构、程序模块和其他数据的存储。在图6中，例如，硬盘驱动器641被示为存储操作系统644、应用程序645、其他程序模块646和程序数据647。注意，这些组件可与操作系统634、应用程序635、其它程序模块636和程序数据637相同，也可与它们不同。在此操作系统644、应用程序645、其它程序模块646以及程序数据647被给予了不同的编号，以至少说明它们是不同的副本。用户可以通过输入设备，例如键盘662和定点设备661(通常称为鼠标、跟踪球或触摸垫)向计算机610输入命令和信息。其它输入设备(未示出)可包括话筒、操纵杆、游戏手柄、圆盘式卫星天线、扫描仪等。这些以及其它输入设备通常通过耦合到系统总线的用户输入接口660连接到处理单元620，但也可通过诸如并行端口、游戏端口或通用串行总线(USB)之类的其它接口和总线结构来连接。监视器691或其他类型的显示设备也经由诸如视频接口690之类的接口连接至系统总线621。除监视器之外，计算机还可以包括可以通过输出外围接口695连接的诸如扬声器697和打印机696之类的其他外围输出设备。

计算机610可使用到一个或多个远程计算机(诸如，远程计算机680)的逻辑连接而在联网环境中操作。远程计算机680可以是个人计算机、服务器、路由器、网络PC、对等设备或其他常见网络节点，并且通常包括许多或所有以上相对计算机610所描述的元件，但在图6中仅示出了存储器存储设备681。图6中所描绘的逻辑连接包括局域网(LAN)671和广域网(WAN)673，但还可包括其他网络。此类联网环境在办公室、企业范围的计算机网络、内联网和因特网中是常见的。

当在LAN联网环境中使用时，计算机610通过网络接口或适配器670连接到LAN671。当在WAN联网环境中使用时，计算机610通常包括调制解调器672或用于通过诸如因特网等WAN673建立通信的其它手段。调制解调器672可以是内置的或外置的，可经由用户输入接口660或其它适当的机制连接到系统总线621。在联网环境中，相关于计算机610所示的程序模块或其部分可被存储在远程存储器存储设备中。作为示例而非限制，图6示出了远程应用程序685驻留在存储器设备681上。应当理解，所示的网络连接是示例性的，并且可使用在计算机之间建立通信链路的其它手段。

至此描述了本发明的至少一个实施例的若干方面，可以理解，本领域的技术人员可容易地想到各种更改、修改和改进。

例如，给出了分析来自单个社交媒体平台的数据的示例。TWITTER被用作这样的社交媒体平台的示例。但是，如本文中所描述的分析可对由任何社交媒体平台发送的消息执行。此外，在一些实施例中，可从使用多个社交媒体平台传送的消息中收集信息。这些消息可例如通过将其化简成标识消息的发送者、主题和关于该主题的看法的公共格式来融合。但是，可按任何适合的方式来融合该信息。

此外，虽然提供了其中单个社交网络中的通信被分析的示例。然而，本发明并不限于此。在一些社交媒体平台中，例如，在一个社交网络中分发的消息可被传达给其他社交网络。作为特定示例，消息可被接收方重新分发给社交网络的各成员(包括该接收方)，并且替换地或另选地可被定向到该社交网络外部的其他人。在这样的通信被记录的情况下，它们也可用于进行分析。作为特定示例，可使用电子邮件将推特转发给与接收方不在一个社交网络中的用户，但这样的转发可与在接收方的社交网络内的转推一起被考虑用于计算如本文中所描述的各度量。

这样的更改、修改和改进旨在是本发明的一部分，且旨在处于本发明的精神和范围内。此外，尽管指示了本发明的有点，但应当领会，不是本发明的每个实施例均包括每一个所描述的有点。一些实施例可以不实现在本文中和在一些实例中被描述为有优势的任何特征。从而，上述描述和附图仅用作示例。

可以多种方式中的任一种来实现本发明的上述实施例。例如，可使用硬件、软件或其组合来实现各实施例。当使用软件实现时，该软件代码可在无论是在单个计算机中提供的还是在多个计算机之间分布的任何合适的处理器或处理器的集合上执行。此类处理器可以被实现为集成电路，其中一个或多个处理器在集成电路组件中。然而，可使用电路按照任何适合的方式来实现处理器。

此外，应当理解，计算机可以用多种形式中的任一种来具体化，如机架式计算机、台式计算机、膝上型计算机、或平板计算机。此外，计算机可以具体化在通常不被认为是计算机但具有合适的处理能力的设备中，包括个人数字助理(PDA)、智能电话、或任何其他适合的便携式或固定电子设备。

同样，计算机可以具有一个或多个输入和输出设备。这些设备主要可被用来呈现用户界面。可被用来提供用户界面的输出设备的示例包括用于可视地呈现输出的打印机或显示屏和用于可听地呈现输出的扬声器或其他声音生成设备。可用于用户界面的输入设备的示例包括键盘和诸如鼠标、触摸板和数字化输入板等定点设备。作为另一示例，计算机可以通过语音识别或以其他可听格式来接收输入信息。

这些计算机可以通过任何合适形式的一个或多个网络来互连，包括作为局域网或广域网，如企业网络或因特网。这些网络可以基于任何合适的技术并可以根据任何合适的协议来操作，并且可以包括无线网络、有线网络或光纤网络。

而且，此处略述的各种方法或过程可被编码为可在采用各种操作系统或平台中任何一种的一个或多个处理器上执行的软件。此外，这样的软件可使用多种合适的程序设计语言和/或程序设计或脚本工具中的任何一种来编写，而且它们还可被编译为可执行机器语言代码或在框架或虚拟机上执行的中间代码。

就此，本发明可被具体化为用一个或多个程序编码的一个计算机可读存储介质(或多个计算机可读介质)(例如，计算机存储器、一个或多个软盘、紧致盘(CD)、光盘、数字视频盘(DVD)、磁带、闪存、现场可编程门阵列或其他半导体器件中的电路配置、或其他非瞬态的有形计算机存储介质)，当这些程序在一个或多个计算机或其他处理器上执行时，它们执行实现本发明的上述各个实施例的方法。如从以上示例中显而易见的，计算机可读存储介质可包含以非瞬态形式提供计算机可执行指令的充足时间的信息。这一个或多个计算机可读存储介质可以是可移植的，使得其上存储的一个或多个程序可被加载到一个或多个不同的计算机或其他处理器上以便实现本发明上述的各个方面。如此处所使用的，术语“计算机可读存储介质”只涵盖可被认为是产品(即，制品)或机器的计算机可读介质。替换地或附加地，本发明可以被实施为计算机可读存储介质之外的计算机可读介质，诸如传播信号。

此处以一般的意义使用术语“程序”或“软件”来指可被用来对计算机或其他处理器编程以实现本发明上述的各个方面的任何类型的计算机代码或计算机可执行指令集。另外，应当理解，根据本实施例的一个方面，当被执行时实现本发明的方法的一个或多个计算机程序不必驻留在单个计算机或处理器上，而是可以按模块化的方式分布在多个不同的计算机或处理器之间以实现本发明的各方面。

计算机可执行指令可以具有可由一个或多个计算机或其他设备执行的各种形式，诸如程序模块。一般而言，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。通常，程序模块的功能可以按需在各个实施例中进行组合或分布。

而且，数据结构能以任何合适的形式存储在计算机可读介质上。为了说明的简明，数据结构可以被示为具有于数据结构中的位置相关的字段。这些关系同样可以通过对各字段的存储分配传达各字段之间的关系的计算机可读介质中的位置来得到。然而，可以使用任何合适的机制来在数据结构的各字段中的信息之间建立关系，例如通过使用指针、标签、或在数据元素之间建立关系的其他机制。

本发明的各个方面可单独、组合或以未在前述实施例中特别讨论的各种安排来使用，从而并不将其应用限于前述描述中所述或附图形中所示的组件的细节和安排。例如，可使用任何方式将一个实施例中描述的各方面与其他实施例中描述的各方面组合。

同样，本发明可被具体化为方法，其示例已经提供。作为该方法的一部分所执行的动作可以按任何合适的方式来排序。因此，可以构建各个实施例，其中各动作以与所示的次序所不同的次序执行，不同的次序可包括同时执行某些动作，即使这些动作在各说明性实施例中被示为顺序动作。

在权利要求书中使用诸如“第一”、“第二”、“第三”等序数词来修饰权利要求元素本身并不意味着一个权利要求元素较之另一个权利要求元素的优先级、先后次序或顺序、或者方法的各动作执行的时间顺序，而仅用作将具有某一名字的一个权利要求元素与(若不是使用序数词则)具有同一名字的另一元素区分开的标签以区分各权利要求元素。

同样，此处所使用的短语和术语是出于描述的目的而不应被认为是限制。此处对“包括”、“包含”、或“具有”、“含有”、“涉及”及其变型的使用旨在包括其后所列的项目及其等效物以及其他项目。

Claims

1.一种用于确定社交媒体的用户的影响力的方法，所述方法包括：

用至少一个处理器：

处理推特日志以为多个用户中的每一者计算该用户与主题有关的影响力分数。

2.如权利要求1所示的方法，其特征在于，计算所述用户的所述影响力分数包括：为所述用户计算：

能力分数；以及

知识分数，所述知识分数与所述主题相关；以及

所述影响力分数是从所述能力分数和所述知识分数中计算出的。

3.如权利要求1所述的方法，其特征在于，进一步包括：

基于所述多个用户的所述影响力分数来从所述多个用户中选择用户；以及

将信息定向到所选的用户，所述信息与所述主题相关。

4.如权利要求3所述的方法，其特征在于：

所述信息包括针对与所述主题相关联的产品的广告。

5.如权利要求1所述的方法，其特征在于，进一步包括：

基于所述多个用户的所述影响力分数来从所述多个用户中选择至少一个用户；以及

在与所述主题相关的事件后，至少部分地基于由所选的至少一个用户发送的消息来预测包括与所述至少一个用户相比更多的人的群组对所述事件的反应。

6.一种操作至少一个计算设备以将图形用户界面渲染在显示设备上的方法，所述方法包括：

访问由多个用户使用至少一个社交媒体平台发送的消息日志；

基于所述消息日志中的消息的至少一部分，为所述多个用户中的每一者计算与主题相关的知识分数和能力分数；以及

在所述图形用户界面中渲染一图表，所述图表为所述多个用户中的一部分用户中的每一者描绘该用户与所述主题有关的知识分数和能力分数。

7.如权利要求6所述的方法，其特征在于：

图标被渲染在针对所述多个用户中的所述部分用户中的每一者的图表上；

所述方法进一步包括，响应于指示针对相关联的用户的图标的用户输入，呈现提供关于所述相关联的用户的信息的第二图形用户界面。

8.如权利要求7所述的方法，其特征在于：

所述第二图形用户界面相关于时间来描绘所述相关联的用户的知识分数和/或能力分数。

9.如权利要求6所述的方法，其特征在于：

所述图形用户界面包括至少一个过滤控件，以及

所述方法进一步包括基于通过所述至少一个过滤控件接收到的输入来选择所述部分。

10.如权利要求6所述的方法，其特征在于，进一步包括：

在所述图形用户界面中渲染所述多个用户中的一用户的看法比率。