CN105740421A - 一种针对微博用户的查找最大影响力的实现方法 - Google Patents

Abstract

本发明提供一种针对微博用户的查找最大影响力的实现方法，包括以下步骤：步骤S1，获取微博用户的每一个主体的粉丝数、信息转发数和信息评论数，进而建立粉丝模型；步骤S2，通过微博用户的每一个主体的粉丝数、信息转发数和信息评论数来量化各个微博用户的自身影响力并赋以初值，计算节点自身影响力；步骤S3，遍历并求算微博用户中各个主体的节点自身影响力，进而得到并返回影响力最大的微博用户。本发明以粉丝数、信息转发数和信息评论数为参数，以三者影响程度为系数，统计分析微博网络中每个主体的节点自身影响力，进而能够评估微博用户的影响力，并在微博网络中查找某个影响力最大的微博用户。

Description

一种针对微博用户的查找最大影响力的实现方法

技术领域

本发明涉及一种查找微博影响力的方法，尤其涉及一种针对微博用户的查找最大影响力的实现方法。

背景技术

微博作为一种新型的社交平台，以其短小和简练，快捷，实时的内容，迅速的融入到人们的日常生活。在这种信息传播的过程中，会出现一种凝聚，使得信息的传播中的个体的话语权发生改变，有的人会在微博网络中成为领袖和话题的主导者。微博中的意见领袖拥有大量的粉丝，当这些领袖产生或者转发或者评论了一条信息，大量的粉丝进行评论或者转发，造成信息的溢出效应，使得某条信息很快扩散到更大的网络和人群。然而在事实真相尚未清楚的情况下对某些谣言的关注、转发和评论，会使不良不实的信息迅速传遍网络，甚至会引起社会动荡。

因此，发现和预测有较大影响力用户，有助于对舆情的监管与引导，以及当不良不实消息产生时的迅速反应。微博用户的影响力是微博数据利用的重要指标，同时也对定向的广告投放等商业活动有较高的利用价值。

发明内容

本发明所要解决的技术问题是需要提供一种能够评估微博用户的影响力，并在微博网络中查找某个影响力最大的微博用户的实现方法。

对此，本发明提供一种针对微博用户的查找最大影响力的实现方法，包括以下步骤：

步骤S1，获取微博用户的每一个主体的粉丝数、信息转发数和信息评论数，进而建立粉丝模型；

步骤S2，通过微博用户的每一个主体的粉丝数、信息转发数和信息评论数来量化各个微博用户的自身影响力并赋以初值，计算节点自身影响力；

步骤S3，遍历并求算微博用户中各个主体的节点自身影响力，进而得到并返回影响力最大的微博用户。

所述各个主体的节点自身影响力，即主体的节点影响力；本发明以粉丝数、信息转发数和信息评论数为参数，以三者影响程度为系数，统计分析微博网络中每个主体的节点自身影响力，进而能够评估微博用户的影响力，并在微博网络中查找某个影响力最大的微博用户。

本发明的进一步改进在于，所述步骤S1包括以下子步骤：

步骤S11，通过集合函数计算出微博用户的每两个主体之间的粉丝关系；

步骤S12，通过集合函数分析粉丝模型的基本性质；

步骤S13，通过集合函数分析微博用户的每两个主体之间的逻辑关系。

本发明的进一步改进在于，所述步骤S11中，通过集合函数f_out(A)＝{B|(A,B)∈E}计算出主体A的关注人集合，代表的是主体A关注主体B，其中，A和B分别为微博用户的两个主体，E为两个主体的节点之间的有向连接关系，(A,B)∈E表示的是主体A关注主体B；通过集合函数f_in(B)＝{A|(A,B)∈E}计算出主体B的粉丝集合，代表的是主体A为主体B的粉丝；通过集合函数f_in(A)＝{B|(B,A)∈E}计算出主体A的粉丝集合，代表的是主体B为主体A的粉丝，(B,A)∈E表示的是主体B关注主体A；通过集合函数f_r(A)＝f_out(A)∩f_in(A)计算出主体A的互粉集合，代表的是主体A的关注人集合与关注主体A的粉丝集合之交集。

本发明的进一步改进在于，所述步骤S12中，通过函数f_in(A)·f_out(A)计算出主体A的关注人的粉丝集合，通过函数计算出主体A的n次粉丝集合，通过函数计算出主体A的n次互粉集合。

本发明的进一步改进在于，所述步骤S13中，通过函数f_out(A)·f_in(A)计算出主体A的关注人的粉丝集合，进而分析得到关注主体A的人同时关注了某一微博用户的逻辑关系；通过函数f_out(A)∩f_out(B)计算出主体A的关注人集合和主体B的关注人集合之交集，进而分析得到主体A和主体B都关注了某一微博用户的逻辑关系，其中，集合函数f_out(B)＝{A|(B,A)∈E}计算出主体B的关注人集合，代表的是主体B关注主体A。

本发明的进一步改进在于，所述步骤S2包括以下子步骤：

步骤S21，统计微博网络中，每一个主体的粉丝数X；

步骤S22，统计微博网络中，每一个主体的信息转发数Y；

步骤S23，统计微博网络中，每一个主体的信息评论数Z；

步骤S24，通过公式 $\left\{\begin{array}{c}W=\mathrm{\&alpha;}X+\mathrm{\&beta;}Y+\mathrm{\&gamma;}Z\\ 1=\mathrm{\&alpha;}+\mathrm{\&beta;}+\mathrm{\&gamma;},(0<\mathrm{\&gamma;}<\mathrm{\&beta;}<\mathrm{\&alpha;})\end{array}\right.$ 计算出每一个主体的节点自身影响力W；其中，α表示其微博中粉丝数在其影响力中的权重；β表示其微博中信息转发数在其影响力中的权重；γ表示微博中信息评论数在其影响力中的权重。

本发明的进一步改进在于，所述步骤S3包括以下子步骤：

步骤S31，搜索微博网络中的每一个主体，以步骤S24中计算得到的节点自身影响力W作为初值给对应主体赋值；

步骤S32，搜索微博网络中的每一个主体，实时计算节点自身影响力的变化，并累加得到对应主体的节点当前影响力；

步骤S33，搜索微博网络中的每一个主体，统计分析得到最大影响力的节点。

本发明的进一步改进在于，所述步骤S31中，通过公式给对应主体赋值，其中，card(B_ξ)是B_ξ微博网络中节点的个数，i为大于1的自然数，W[i]为i时刻下的节点自身影响力。

本发明的进一步改进在于，所述步骤S32中，通过公式累加得到对应主体的节点当前影响力，其中，pr(A)表示主体A在微博网络中的节点当前影响力；主体P是主体A的粉丝；f_out(P)是主体P的关注人集合；card(f_out(P))表示主体P的关注人集合的元素个数。

本发明的进一步改进在于，所述步骤S1通过编写网络爬虫从微博网络中间接摘取，或从微博运营商开放的接口直接获得微博用户的每一个主体的粉丝数、信息转发数和信息评论数数据。

与现有技术相比，本发明的有益效果在于：通过编写网络爬虫从微博网络中间接摘取，或者从微博运营商开放的接口直接获得微博用户的每一个主体的粉丝数、信息转发数和信息评论数数据；建立依附于有向图描述的粉丝模型，也就是常说的在线复杂网络，以粉丝数、信息转发数和信息评论数为参数，以三者影响程度为系数，利用微博中单一用户影响力计算式计算粉丝模型中每个节点自身的影响力；最后以节点自身影响力为初值，利用一个基于PageRank的算法遍历并求算粉丝模型中影响力最大的微博用户，进而能够评估微博用户的影响力，并在微博网络中查找某个影响力最大的微博用户。

附图说明

图1是本发明一种实施例的工作流程示意图；

图2是研究每条微博平均转发次数-粉丝数的柱状图；

图3是研究每条微博转发率-微博用户发微博总数的柱状图。

具体实施方式

下面结合附图，对本发明的较优的实施例作进一步的详细说明：

如图1所示，本例提供一种针对微博用户的查找最大影响力的实现方法，包括以下步骤：

步骤S1，获取微博用户的每一个主体的粉丝数、信息转发数和信息评论数，进而建立粉丝模型；

步骤S2，通过微博用户的每一个主体的粉丝数、信息转发数和信息评论数来量化各个微博用户的自身影响力并赋以初值，计算节点自身影响力；

步骤S3，遍历并求算微博用户中各个主体的节点自身影响力，进而得到并返回影响力最大的微博用户。

本例旨在提供一种能够评估微博用户影响力，并在微博网络中查找某个影响力最大的微博用户的实现方法，进而能够克服现有影响力算法单一考虑转发数、评论数的不足，本例把微博网络中不同微博用户之间的关系有向图作为基础，同单一微博用户的若干行为变量一起作为影响因素，进而提出评估每个微博用户并查找某个影响力最大的微博用户的技术方案。

本例所述步骤S1包括以下子步骤：

步骤S11，通过集合函数计算出微博用户的每两个主体之间的粉丝关系；

步骤S12，通过集合函数分析粉丝模型的基本性质；

步骤S13，通过集合函数分析微博用户的每两个主体之间的逻辑关系。

本例所述步骤S11中，通过集合函数f_out(A)＝{B|(A,B)∈E}计算出主体A的关注人集合，代表的是主体A关注主体B，其中，A和B分别为微博用户的两个主体，E为两个主体的节点之间的有向连接关系，(A,B)∈E表示的是主体A关注主体B；通过集合函数f_in(B)＝{A|(A,B)∈E}计算出主体B的粉丝集合，代表的是主体A为主体B的粉丝；通过集合函数f_in(A)＝{B|(B,A)∈E}计算出主体A的粉丝集合，代表的是主体B为主体A的粉丝，(B,A)∈E表示的是主体B关注主体A；通过集合函数f_r(A)＝f_out(A)∩f_in(A)计算出主体A的互粉集合，代表的是主体A的关注人集合与关注主体A的粉丝集合之交集。

主体A和主体B中，如果称主体A是主体B的粉丝，那么，就称主体B是主体A的关注人；如果主体A是主体B的粉丝，主体B亦是主体A的粉丝，称主体A和主体B为互粉关系。微博用户的在线社交网络可以用有向图来描述：G＝(V，E)，节点V表示主体，节点间的有向连接为E：VxV表示主体之间的关系。(A,B)∈E表示的是主体A关注主体B，即主体A是主体B的粉丝，主体B是主体A的关注人。

每两个主体之间的粉丝关系的通过函数来描述是这样的：通过集合函数f_out(A)＝{B|(A,B)∈E}计算出主体A的关注人集合，代表的是主体A关注主体B；通过集合函数f_in(B)＝{A|(A,B)∈E}计算出主体B的粉丝集合，代表的是主体A为主体B的粉丝；通过集合函数f_r(A)＝f_out(A)∩f_in(A)计算出主体A的互粉集合，代表的是主体A的关注人集合与关注主体A的粉丝集合之交集。

本例所述步骤S12中，通过函数f_in(A)·f_out(A)计算出主体A的关注人的粉丝集合，通过函数计算出主体A的n次粉丝集合，通过函数计算出主体A的n次互粉集合。n≥1，n为自然数。

步骤S11中所述的粉丝模型依附于图论描述的社交网络，也就是常说的在线复杂网络，其具备以下特点：反对称与对称性以及可扩展性。

其中，反对称与对称性从函数的对称意义来看，可以定义其反函数。若f∈{f_in、f_out、f_r}，有其反函数f′定义为： $f^{\&prime;}=\{\begin{array}{cc}{f}_{in},& f=f_{out}\\ f_{out},& f=f_{in}\\ f_r,& f=f_r\end{array}.$

考虑到进一步的操作性，这些函数间的扩展可表达更多的用户关系，实现不同查询计算。例如，通过函数f_in(A)·f_out(A)计算出主体A的关注人的粉丝集合，而就是A的粉丝的粉丝集合，即两次粉丝的集合。这里如果f₁和f₂相同，则存在f·f＝f²和进一步的f·f^n-1＝fⁿ。例如，就是A的粉丝的粉丝的集合，通过函数就能够计算出主体A的n次粉丝集合；而通过函数计算出主体A的n次互粉集合，即主体A的互粉的互粉的……互粉的集合(共n次互粉)。

本例所述步骤S13中，通过函数f_out(A)·f_in(A)计算出主体A的关注人的粉丝集合，进而分析得到关注主体A的人同时关注了某一微博用户的逻辑关系；通过函数f_out(A)∩f_out(B)计算出主体A的关注人集合和主体B的关注人集合之交集，进而分析得到主体A和主体B都关注了某一微博用户的逻辑关系，其中，集合函数f_out(B)＝{A|(B,A)∈E}计算出主体B的关注人集合，代表的是主体B关注主体A。

本例所述步骤S2包括以下子步骤：

步骤S21，统计微博网络中，每一个主体的粉丝数X；

步骤S22，统计微博网络中，每一个主体的信息转发数Y；

步骤S23，统计微博网络中，每一个主体的信息评论数Z；

步骤S24，通过公式 $\left\{\begin{array}{c}W=\mathrm{\&alpha;}X+\mathrm{\&beta;}Y+\mathrm{\&gamma;}Z\\ 1=\mathrm{\&alpha;}+\mathrm{\&beta;}+\mathrm{\&gamma;},(0<\mathrm{\&gamma;}<\mathrm{\&beta;}<\mathrm{\&alpha;})\end{array}\right.$ 计算出每一个主体的节点自身影响力W；其中，α表示其微博中粉丝数在其影响力中的权重；β表示其微博中信息转发数在其影响力中的权重；γ表示微博中信息评论数在其影响力中的权重。

所述步骤S21中，在微博网络中每个主体就是一个节点，而每个主体都会有很多粉丝，这样主体与其粉丝之间就会有一条边相连；根据度的定义，即根据粉丝数的定义，则这些所有边的总数就是该主体的粉丝数，也就是该主体的度；在微博网络中，就可以用一个主体的card(f_in)的元素个数来表征这个节点，本例用X表示。

所述步骤S22中，信息转发数在微博网络中表示信息在其粉丝节点网络中的影响；微博用户发表的微博，当有粉丝进行转发时则此条微博的影响力就会扩散到节点的子网络，则转发的数目代表这条微博的域间影响力，也是节点影响力的因素之一，这个信息转发数本例用Y来表示。

所述步骤S23中，在微博网络中当一个主体节点发表一条微博后，其粉丝看到此条微博后会对这条微博进行评论，则评论的多少代表这条微博的热度，评论的多少也是表征此节点影响力的因素之一，本例所述信息评论数用Z来表示。

本例所述步骤S3包括以下子步骤：

步骤S31，搜索微博网络中的每一个主体，以步骤S24中计算得到的节点自身影响力W作为初值给对应主体赋值；

步骤S32，搜索微博网络中的每一个主体，实时计算节点自身影响力的变化，并累加得到对应主体的节点当前影响力；

步骤S33，搜索微博网络中的每一个主体，统计分析得到最大影响力的节点。

本例所述步骤S31中，通过公式给对应主体赋值，其中，card(B_ξ)是B_ξ微博网络中节点的个数，i为大于1的自然数，W[i]为i时刻下的节点自身影响力。

本例所述步骤S32中，通过公式累加得到对应主体的节点当前影响力，其中，pr(A)表示主体A在微博网络中的节点当前影响力，即在当前时刻下的节点自身影响力；主体P是主体A的粉丝；f_out(P)是主体P的关注人集合；card(f_out(P))表示主体P的关注人集合的元素个数。

本例所述步骤S33搜索微博网络中的每一个节点，即搜索微博网络中的每一个主体，找出最大影响力的节点，用MaxInfluence()来计算，并且用M来记录最大影响力的节点，进而找出的最大影响力的节点S。

本例经过不断的重复计算，网络内的微博用户的pr值会趋于稳定状态，即节点自身影响力会趋于稳定状态；本例通过编写网络爬虫从微博网络中间接摘取，或者从微博运营商开放的接口直接获得微博用户的每一个主体的粉丝数、信息转发数和信息评论数数据；建立依附于有向图描述的粉丝模型，也就是常说的在线复杂网络，以粉丝数、信息转发数和信息评论数为参数，以三者影响程度为系数，利用微博中单一用户影响力计算式计算粉丝模型中每个节点自身的影响力；最后以节点自身影响力为初值，利用一个基于PageRank的算法遍历并求算粉丝模型中影响力最大的微博用户，进而能够评估微博用户的影响力，并在微博网络中查找某个影响力最大的微博用户。

图2中，横坐标是微博用户的粉丝数，纵坐标是每条微博的平均转发次数，图2是研究统计出来的每条微博平均转发次数与粉丝数之间的关系；从图2可以看出，每条微博平均转发次数与粉丝数之间几乎就是个线性关系，一个有5000粉丝的人和一个有1000粉丝的人，微博平均被转发次数差不多也是五倍关系；这说明平均而言，粉丝多的人发的微博质量并不比粉丝少的人更高，他们仅仅因为粉丝多而获得更多转发。这个统计还表明平均每一千粉丝带来的转发数是每条微博1.5次，从这项研究可以看出转发几率跟微博用户发微博数量是根本没关系的。

图3中，横坐标是微博用户的发微博总数，纵坐标是转发率，图3是每条微博转发率和微博用户发微博总数之间的关系，如图3所示，不管你已经发过500条还是5000条，微博用户下一条微博平均被转发大约1次；而发微博频率高的人累积的条数也多，这说明发微博频率完全不影响被转发几率，因此也就不影响通过被转发而涨粉丝。

这样，就使得本例所选取的每一个主体的粉丝数、信息转发数和信息评论数更具有分析和参考意义。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种针对微博用户的查找最大影响力的实现方法，其特征在于，包括以下步骤：

步骤S1，获取微博用户的每一个主体的粉丝数、信息转发数和信息评论数，进而建立粉丝模型；

步骤S2，通过微博用户的每一个主体的粉丝数、信息转发数和信息评论数来量化各个微博用户的自身影响力并赋以初值，计算节点自身影响力；

步骤S3，遍历并求算微博用户中各个主体的节点自身影响力，进而得到并返回影响力最大的微博用户。

2.根据权利要求1所述的针对微博用户的查找最大影响力的实现方法，其特征在于，所述步骤S1包括以下子步骤：

步骤S11，通过集合函数计算出微博用户的每两个主体之间的粉丝关系；

步骤S12，通过集合函数分析粉丝模型的基本性质；

步骤S13，通过集合函数分析微博用户的每两个主体之间的逻辑关系。

3.根据权利要求2所述的针对微博用户的查找最大影响力的实现方法，其特征在于，所述步骤S11中，通过集合函数f_out(A)＝{B|(A,B)∈E}计算出主体A的关注人集合，代表的是主体A关注主体B，其中，A和B分别为微博用户的两个主体，E为两个主体的节点之间的有向连接关系，(A,B)∈E表示的是主体A关注主体B；通过集合函数f_in(B)＝{A|(A,B)∈E}计算出主体B的粉丝集合，代表的是主体A为主体B的粉丝；通过集合函数f_in(A)＝{B|(B,A)∈E}计算出主体A的粉丝集合，代表的是主体B为主体A的粉丝，(B,A)∈E表示的是主体B关注主体A；通过集合函数f_r(A)＝f_out(A)∩f_in(A)计算出主体A的互粉集合，代表的是主体A的关注人集合与关注主体A的粉丝集合之交集。

4.根据权利要求3所述的针对微博用户的查找最大影响力的实现方法，其特征在于，所述步骤S12中，通过函数f_in(A)·f_out(A)计算出主体A的关注人的粉丝集合，通过函数计算出主体A的n次粉丝集合，通过函数计算出主体A的n次互粉集合。

5.根据权利要求4所述的针对微博用户的查找最大影响力的实现方法，其特征在于，所述步骤S13中，通过函数f_out(A)·f_in(A)计算出主体A的关注人的粉丝集合，进而分析得到关注主体A的人同时关注了某一微博用户的逻辑关系；通过函数f_out(A)∩f_out(B)计算出主体A的关注人集合和主体B的关注人集合之交集，进而分析得到主体A和主体B都关注了某一微博用户的逻辑关系，其中，集合函数f_out(B)＝{A|(B,A)∈E}计算出主体B的关注人集合，代表的是主体B关注主体A。

6.根据权利要求1至5任意一项所述的针对微博用户的查找最大影响力的实现方法，其特征在于，所述步骤S2包括以下子步骤：

步骤S21，统计微博网络中，每一个主体的粉丝数X；

步骤S22，统计微博网络中，每一个主体的信息转发数Y；

步骤S23，统计微博网络中，每一个主体的信息评论数Z；

步骤S24，通过公式 $\left\{\begin{array}{c}W=\mathrm{\&alpha;}X+\mathrm{\&beta;}Y+\mathrm{\&gamma;}Z\\ 1+\mathrm{\&alpha;}+\mathrm{\&beta;}+\mathrm{\&gamma;},(0<\mathrm{\&gamma;}<\mathrm{\&beta;}<\mathrm{\&alpha;})\end{array}\right.$ 计算出每一个主体的节点自身影响力W；其中，α表示其微博中粉丝数在其影响力中的权重；β表示其微博中信息转发数在其影响力中的权重；γ表示微博中信息评论数在其影响力中的权重。

7.根据权利要求6所述的针对微博用户的查找最大影响力的实现方法，其特征在于，所述步骤S3包括以下子步骤：

步骤S31，搜索微博网络中的每一个主体，以步骤S24中计算得到的节点自身影响力W作为初值给对应主体赋值；

步骤S32，搜索微博网络中的每一个主体，实时计算节点自身影响力的变化，并累加得到对应主体的节点当前影响力；

步骤S33，搜索微博网络中的每一个主体，统计分析得到最大影响力的节点。

8.根据权利要求7所述的针对微博用户的查找最大影响力的实现方法，其特征在于，所述步骤S31中，通过公式给对应主体赋值，其中，card(B_ξ)是B_ξ微博网络中节点的个数，i为大于1的自然数，W[i]为i时刻下的节点自身影响力。

9.根据权利要求7所述的针对微博用户的查找最大影响力的实现方法，其特征在于，所述步骤S32中，通过公式累加得到对应主体的节点当前影响力，其中，pr(A)表示主体A在微博网络中的节点当前影响力；主体P是主体A的粉丝；f_out(P)是主体P的关注人集合；card(f_out(P))表示主体P的关注人集合的元素个数。

10.根据权利要求1至5任意一项所述的针对微博用户的查找最大影响力的实现方法，其特征在于，所述步骤S1通过编写网络爬虫从微博网络中间接摘取，或从微博运营商开放的接口直接获得微博用户的每一个主体的粉丝数、信息转发数和信息评论数数据。