CN107463551A - 社交网络人际关系的分析方法及装置 - Google Patents

社交网络人际关系的分析方法及装置 Download PDF

Info

Publication number
CN107463551A
CN107463551A CN201710581106.9A CN201710581106A CN107463551A CN 107463551 A CN107463551 A CN 107463551A CN 201710581106 A CN201710581106 A CN 201710581106A CN 107463551 A CN107463551 A CN 107463551A
Authority
CN
China
Prior art keywords
microblog users
connected graph
content
social networks
interpersonal relationships
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.)
Pending
Application number
CN201710581106.9A
Other languages
English (en)
Inventor
晋彤
李永康
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.)
Guangzhou Special Road Mdt Infotech Ltd
Original Assignee
Guangzhou Special Road Mdt Infotech Ltd
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 Guangzhou Special Road Mdt Infotech Ltd filed Critical Guangzhou Special Road Mdt Infotech Ltd
Priority to CN201710581106.9A priority Critical patent/CN107463551A/zh
Publication of CN107463551A publication Critical patent/CN107463551A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了社交网络人际关系的分析方法通过先采集微博用户的数据，再根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络，基于所述初级关系网络生成有向连通图，然后分析所述交互内容获得互动频率和互动亲密度，根据所述互动频率和互动亲密度获得所述有向连通图中的加权权重，从而生成有向加权连通图，接着将所述发表内容进行情感感知识别获得情感值，根据所述有向加权连通图和情感值，通过概率转移模型获得所述微博用户的关系层次，解决了现有技术获得的关系层次低的问题，能获得更丰富的人际关系。

Description

社交网络人际关系的分析方法及装置
技术领域
本发明涉及计算机网络领域，尤其涉及一种社交网络人际关系的分析方法及装置。
背景技术
社交网络(Soc i a l Network Servi ces)即社会性网络服务，专指旨在帮助人们(一群拥有相同兴趣与活动的人)建立社会性网络的互联网应用服务。这类服务往往是基于互联网，为用户提供各种互相联系、交流的方式，比如电子邮件、即时消息服务QQ、微博、微信等等。在国内，代表性的社交网络之一是微博，其已经成为目前国内最具影响力的社交平台之一，微博的用户之间的网络关系主要包括微博用户的粉丝信息和/或目标微博用户的关注用户信息，其中粉丝是在微博里对某一微博用户保持持续关注的用户群体。
目前，现有的获取微博网络关系的方法，缺少更丰富维度的分析，因此获得的关系仅限于低层次的认识与否。
发明内容
本发明实施例的目的是提供一种社交网络人际关系的分析方法及装置，能有效解决现有技术获得的关系层次低的问题，能获得更丰富的人际关系。
为实现上述目的，本发明实施例提供了一种社交网络人际关系的分析方法，包括步骤：
采集微博用户的数据；其中，所述微博用户的数据包括所述微博用户的基本信息、交互内容和发表内容；
根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络，基于所述初级关系网络生成有向连通图；
分析所述交互内容获得互动频率和互动亲密度，根据所述互动频率和互动亲密度获得所述有向连通图中的加权权重，从而生成有向加权连通图；
将所述发表内容进行情感感知识别获得情感值，根据所述有向加权连通图和情感值，通过概率转移模型获得所述微博用户的关系层次。
与现有技术相比，本发明公开的社交网络人际关系的分析方法通过先采集微博用户的数据，再根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络，基于所述初级关系网络生成有向连通图，然后分析所述交互内容获得互动频率和互动亲密度，根据所述互动频率和互动亲密度获得所述有向连通图中的加权权重，从而生成有向加权连通图，接着将所述发表内容进行情感感知识别获得情感值，根据所述有向加权连通图和情感值，通过概率转移模型获得所述微博用户的关系层次，解决了现有技术获得的关系层次低的问题，能获得更丰富的人际关系。
作为上述方案的改进，，将所述发表内容进行情感感知识别获得情感值具体为：
分析所述微博用户的发表内容，抽取参与的主要话题，并获取正负面词集；
分析所述微博用户对每一主要话题的主观情感集；
根据所述正负面词集和主观情感集获得情感值。
作为上述方案的改进，还包括步骤：
通过线下关系挖掘修正所述微博用户的关系层次。
作为上述方案的改进，采集微博用户的数据具体为：利用大规模并行技术采集所述微博用户的数据。
作为上述方案的改进，根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络具体为：
根据所述微博用户的资料属性、关注信息、粉丝信息、提及信息、转发信息和评论信息获取所述微博用户的初级关系网络。
作为上述方案的改进，根据所述交互内容获得互动频率和互动亲密度具体为：
根据所述交互内容中的交互次数获得所述互动频率，根据所述交互内容涉及的字数获得所述互动亲密度。
作为上述方案的改进，所述微博用户的关系层次包括交流密度，线下是否密友、关系级别。
本发明实施例还提供了一种社交网络人际关系的分析装置，包括：
采集模块，用于采集微博用户的数据；其中，所述微博用户的数据包括所述微博用户的基本信息、交互内容和发表内容；
初级关系网络获取模块，用于根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络，基于所述初级关系网络生成有向连通图；
加权权重获取模块，用于分析所述交互内容获得互动频率和互动亲密度，基于所述互动频率和互动亲密度获得所述有向连通图中的加权权重，从而生成有向加权连通图；
关系层次获取模块，用于将所述发表内容进行情感感知识别获得情感值，根据所述有向加权连通图和情感值，通过概率转移模型获得所述微博用户的关系层次。
与现有技术相比，本发明公开的社交网络人际关系的分析装置通过采集模块先采集微博用户的数据，再通过初级关系网络获取模块根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络，基于所述初级关系网络生成有向连通图，然后通过加权权重获取模块分析所述交互内容获得互动频率和互动亲密度，根据所述互动频率和互动亲密度获得所述有向连通图中的加权权重，从而生成有向加权连通图，接着通过关系层次获取模块将所述发表内容进行情感感知识别获得情感值，根据所述有向加权连通图和情感值，通过概率转移模型获得所述微博用户的关系层次，解决了现有技术获得的关系层次低的问题，能获得更丰富的人际关系。
作为上述方案的改进，所述微博用户的关系层次包括交流密度，线下是否密友、关系级别。
作为上述方案的改进，所述采集模块利用大规模并行技术采集所述微博用户的数据。
附图说明
图1是本发明实施例1中一种社交网络人际关系的分析方法的流程示意图。
图2是本发明实施例1中步骤S4的具体流程示意图。
图3是本发明实施例2中一种社交网络人际关系的分析方法的流程示意图。
图4是本发明实施例3中一种社交网络人际关系的分析装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明实施例1提供的一种社交网络人际关系的分析方法的流程示意图，包括步骤：
S1、采集微博用户的数据；其中，所述微博用户的数据包括所述微博用户的基本信息、交互内容和发表内容；
其中，可利用大规模并行技术采集所述微博用户的数据，包括微博用户的资料、关注粉丝、评论转发内容，数据量每日可超过千万级。
S2、根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络，基于所述初级关系网络生成有向连通图；
在该步骤中，可根据所述微博用户的资料属性、关注信息、粉丝信息、提及信息、转发信息和评论信息获取所述微博用户的初级关系网络。
S3、分析所述交互内容获得互动频率和互动亲密度，根据所述互动频率和互动亲密度获得所述有向连通图中的加权权重，从而生成有向加权连通图；
S4、将所述发表内容进行情感感知识别获得情感值，根据所述有向加权连通图和情感值，通过概率转移模型获得所述微博用户的关系层次。
具体实施时，通过先采集微博用户的数据，再根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络，基于所述初级关系网络生成有向连通图，然后分析所述交互内容获得互动频率和互动亲密度，根据所述互动频率和互动亲密度获得所述有向连通图中的加权权重，从而生成有向加权连通图，接着将所述发表内容进行情感感知识别获得情感值，根据所述有向加权连通图和情感值，通过概率转移模型获得所述微博用户的关系层次，解决了现有技术获得的关系层次低的问题，能获得更丰富的人际关系。
优选地，所述微博用户的关系层次包括交流密度，线下是否密友、关系级别。
其中，如图2所示，步骤S4中将所述发表内容进行情感感知识别获得情感值具体为：
S41、分析所述微博用户的发表内容，抽取参与的主要话题，并获取正负面词集；
S42、分析所述微博用户对每一主要话题的主观情感集；
S43、根据所述正负面词集和主观情感集获得情感值。
通过上述的步骤，可将微博用户的情感量化，从而可结合加权连通图进行整合生成所述微博用户的关系层次。
在另一实施例中，如图3所示，在实施例1的基础上，还包括步骤：
S5、通过线下关系挖掘修正所述微博用户的关系层次。
通过该方案可获得更真实准确的人际关系，避免了现有技术只根据线上关系来分析而忽略线下关系的情况，具体为避免了关系网中漏掉线下关系亲密而线上不互动的情况。
参见图4，本发明实施例还对应提供了一种社交网络人际关系的分析装置，包括：
采集模块101，用于采集微博用户的数据；其中，所述微博用户的数据包括所述微博用户的基本信息、交互内容和发表内容；
初级关系网络获取模块102，用于根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络，基于所述初级关系网络生成有向连通图；
加权权重获取模块103，用于分析所述交互内容获得互动频率和互动亲密度，基于所述互动频率和互动亲密度获得所述有向连通图中的加权权重，从而生成有向加权连通图；
关系层次获取模块104，用于将所述发表内容进行情感感知识别获得情感值，根据所述有向加权连通图和情感值，通过概率转移模型获得所述微博用户的关系层次。
其中，所述微博用户的关系层次包括交流密度，线下是否密友、关系级别。
具体实施时，通过采集模块101先采集微博用户的数据，再通过初级关系网络获取模块102根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络，基于所述初级关系网络生成有向连通图，然后通过加权权重获取模块103分析所述交互内容获得互动频率和互动亲密度，根据所述互动频率和互动亲密度获得所述有向连通图中的加权权重，从而生成有向加权连通图，接着通过关系层次获取模块104将所述发表内容进行情感感知识别获得情感值，根据所述有向加权连通图和情感值，通过概率转移模型获得所述微博用户的关系层次，解决了现有技术获得的关系层次低的问题，能获得更丰富的人际关系。
所述采集模块利用大规模并行技术采集所述微博用户的数据，大规模并行技术能提高计算机的处理速度，利于处理微博用户的大数据。
综上，本发明公开了社交网络人际关系的分析方法通过先采集微博用户的数据，再根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络，基于所述初级关系网络生成有向连通图，然后分析所述交互内容获得互动频率和互动亲密度，根据所述互动频率和互动亲密度获得所述有向连通图中的加权权重，从而生成有向加权连通图，接着将所述发表内容进行情感感知识别获得情感值，根据所述有向加权连通图和情感值，通过概率转移模型获得所述微博用户的关系层次，解决了现有技术获得的关系层次低的问题，能获得更丰富的人际关系。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种社交网络人际关系的分析方法，其特征在于，包括步骤：
采集微博用户的数据；其中，所述微博用户的数据包括所述微博用户的基本信息、交互内容和发表内容；
根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络，基于所述初级关系网络生成有向连通图；
分析所述交互内容获得互动频率和互动亲密度，根据所述互动频率和互动亲密度获得所述有向连通图中的加权权重，从而生成有向加权连通图；
将所述发表内容进行情感感知识别获得情感值，根据所述有向加权连通图和情感值，通过概率转移模型获得所述微博用户的关系层次。
2.如权利要求1所述的社交网络人际关系的分析方法，其特征在于，将所述发表内容进行情感感知识别获得情感值具体为：
分析所述微博用户的发表内容，抽取参与的主要话题，并获取正负面词集；
分析所述微博用户对每一主要话题的主观情感集；
根据所述正负面词集和主观情感集获得情感值。
3.如权利要求1所述的社交网络人际关系的分析方法，其特征在于，还包括步骤：
通过线下关系挖掘修正所述微博用户的关系层次。
4.如权利要求1所述的社交网络人际关系的分析方法，其特征在于，采集微博用户的数据具体为：利用大规模并行技术采集所述微博用户的数据。
5.如权利要求1所述的社交网络人际关系的分析方法，其特征在于，根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络具体为：
根据所述微博用户的资料属性、关注信息、粉丝信息、提及信息、转发信息和评论信息获取所述微博用户的初级关系网络。
6.如权利要求1所述的社交网络人际关系的分析方法，其特征在于，根据所述交互内容获得互动频率和互动亲密度具体为：
根据所述交互内容中的交互次数获得所述互动频率，根据所述交互内容涉及的字数获得所述互动亲密度。
7.如权利要求1所述的社交网络人际关系的分析方法，其特征在于，所述微博用户的关系层次包括交流密度，线下是否密友、关系级别。
8.一种社交网络人际关系的分析装置，其特征在于，包括：
采集模块，用于采集微博用户的数据；其中，所述微博用户的数据包括所述微博用户的基本信息、交互内容和发表内容；
初级关系网络获取模块，用于根据所述微博用户的基本信息和交互内容获取所述微博用户的初级关系网络，基于所述初级关系网络生成有向连通图；
加权权重获取模块，用于分析所述交互内容获得互动频率和互动亲密度，基于所述互动频率和互动亲密度获得所述有向连通图中的加权权重，从而生成有向加权连通图；
关系层次获取模块，用于将所述发表内容进行情感感知识别获得情感值，根据所述有向加权连通图和情感值，通过概率转移模型获得所述微博用户的关系层次。
9.如权利要求8所述的社交网络人际关系的分析装置，其特征在于，所述微博用户的关系层次包括交流密度，线下是否密友、关系级别。
10.如权利要求8所述的社交网络人际关系的分析装置，其特征在于，所述采集模块利用大规模并行技术采集所述微博用户的数据。
CN201710581106.9A 2017-07-17 2017-07-17 社交网络人际关系的分析方法及装置 Pending CN107463551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710581106.9A CN107463551A (zh) 2017-07-17 2017-07-17 社交网络人际关系的分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710581106.9A CN107463551A (zh) 2017-07-17 2017-07-17 社交网络人际关系的分析方法及装置

Publications (1)

Publication Number Publication Date
CN107463551A true CN107463551A (zh) 2017-12-12

Family

ID=60546824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710581106.9A Pending CN107463551A (zh) 2017-07-17 2017-07-17 社交网络人际关系的分析方法及装置

Country Status (1)

Country Link
CN (1) CN107463551A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595579A (zh) * 2018-04-17 2018-09-28 平安普惠企业管理有限公司 联系人亲密度估算方法、装置、计算机设备和存储介质
CN108830735A (zh) * 2017-12-27 2018-11-16 广州市云润大数据服务有限公司 一种线上人际关系分析方法与系统
CN111737596A (zh) * 2020-08-21 2020-10-02 腾讯科技（深圳）有限公司 人际关系图谱的处理方法、装置、电子设备及存储介质
WO2021213069A1 (zh) * 2020-04-23 2021-10-28 北京京东振世信息技术有限公司 账号的识别方法、装置、电子设备及计算机可读介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729456A (zh) * 2014-01-07 2014-04-16 合肥工业大学 一种基于微博群环境的微博多模态情感分析方法
CN105183728A (zh) * 2014-05-30 2015-12-23 广州市邦富软件有限公司 一种微博中人物关联关系分析方法
CN105308591A (zh) * 2014-03-03 2016-02-03 微软技术许可有限责任公司 来自社交交互的关系强度的动态性
CN106780059A (zh) * 2016-11-29 2017-05-31 天津大学 基于在线社会媒体信息自动化度量社会关系主观性强度的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729456A (zh) * 2014-01-07 2014-04-16 合肥工业大学 一种基于微博群环境的微博多模态情感分析方法
CN105308591A (zh) * 2014-03-03 2016-02-03 微软技术许可有限责任公司 来自社交交互的关系强度的动态性
CN105183728A (zh) * 2014-05-30 2015-12-23 广州市邦富软件有限公司 一种微博中人物关联关系分析方法
CN106780059A (zh) * 2016-11-29 2017-05-31 天津大学 基于在线社会媒体信息自动化度量社会关系主观性强度的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘晨晨等: "基于主题角色的文本情感分类方法", 《计算机应用与软件》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830735A (zh) * 2017-12-27 2018-11-16 广州市云润大数据服务有限公司 一种线上人际关系分析方法与系统
CN108595579A (zh) * 2018-04-17 2018-09-28 平安普惠企业管理有限公司 联系人亲密度估算方法、装置、计算机设备和存储介质
WO2021213069A1 (zh) * 2020-04-23 2021-10-28 北京京东振世信息技术有限公司 账号的识别方法、装置、电子设备及计算机可读介质
CN111737596A (zh) * 2020-08-21 2020-10-02 腾讯科技（深圳）有限公司 人际关系图谱的处理方法、装置、电子设备及存储介质
CN111737596B (zh) * 2020-08-21 2020-12-11 腾讯科技（深圳）有限公司 人际关系图谱的处理方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN106055627A (zh) 话题领域中社交网络关键节点的识别方法
CN107463551A (zh) 社交网络人际关系的分析方法及装置
Li et al. Link prediction in social networks based on hypergraph
CN106980692A (zh) 一种基于微博特定事件的影响力计算方法
CN102609460B (zh) 微博客数据采集方法及系统
CN103501374B (zh) 电话簿排序方法及装置、终端
CN103838814B (zh) 一种动态展示人脉图谱关系的方法
CN102571484A (zh) 一种检测网络水军以及找到网络水军的方法
CN103530428B (zh) 一种基于开发者实践技能相似性的同行推荐方法
JP2013535747A (ja) データ推薦方法及びデータ推薦装置
WO2011134314A1 (zh) 网络中好友动态信息管理方法、系统及服务器
CN102497333B (zh) 用以输出联系人对象天气信息的方法、客户端及系统
Hansen et al. EventGraphs: Charting collections of conference connections
CN103914491A (zh) 对优质用户生成内容的数据挖掘方法和系统
CN106372207A (zh) 公众号信息的影响力排序方法及排序系统
CN101136869A (zh) 生成基于搜索意图的即时通讯系统的联系人组的方法
Xu et al. On how event size and interactivity affect social networks
CN107481154A (zh) 社交网络人际关系的分析方法及装置
Li et al. Multi-layer network for influence propagation over microblog
Xiao et al. A multi-agent simulation approach to rumor spread in virtual commnunity based on social network
CN102163227A (zh) 一种web社会网络行为轨迹分析与控制子集获取方法
Qasem et al. On the detection of influential actors in social media
CN102521379A (zh) 基于主动推技术的互联网信息采集方法和装置
Guo Research on information spreading model of social network
Cai et al. Extremely low reciprocity and strong Homophily in the World Largest MSM Social Network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171212

RJ01 Rejection of invention patent application after publication