CN108280121A - 一种基于k-核分解获取社交网络意见领袖的方法 - Google Patents

Abstract

本发明涉及一种基于K‑核分解获取社交网络意见领袖的方法，其特征在于，包括以下步骤：1)构建以用户为节点、用户间关系为边的社交网络有向图；2)采用K‑核分解获得社交网络有向图中每个用户的K核数，根据所有用户的K核数构建意见领袖候选用户集，并构建意见领袖候选图；3)获取意见领袖候选用户集中用户的知名度和热度；4)根据知名度和热度计算用户重要度，并比较意见领袖候选用户集中所有用户的用户重要度，并根据用户重要度选择意见领袖。与现有方法相比，本发明具有评估准确、联系现实、计算复杂度低等优点。

Description

一种基于K-核分解获取社交网络意见领袖的方法

方法领域

本发明涉及社交网络方法领域，尤其是涉及一种基于K-核分解获取社交网络意见领袖的方法。

背景方法

社交网络中的意见领袖可以在信息传递过程中有效地影响大多数用户。因此，意见领袖在信息传播预测，舆论引导和监督以及促进商业发展等方面发挥着越来越重要的作用。无疑，在社交网络用户分析领域，对意见领袖的研究也越来越重要。

Kitsak等人认为K-核分解可以识别社交网络中影响力最大的节点。通过K-核分解，社交网络中每个用户可以获得相对应的K核数，具有最大K核数的用户往往都被认为是具有最大影响力的用户。Wei B等人考虑到边两边节点的度，构造加权网络，提出加权K-shell分解方法；Yang F等人计算节点及其两跳距离内邻居节点的K-shell值总和作为节点的局部K-shell值；Zeng A等人提出混合度分解方法，同时考虑K-核分解过程中被剩余的节点和被删除的节点。Bae J等人用节点的邻居节点K核数之和来评估具有相同K核数的节点的重要度。但上述基于K-核分解改进的算法，都是根据社交网络的网络拓扑进行分析，没有考虑到真实用户的历史行为，挖掘到的意见领袖可能偏离实际情况。Aghdam等人使用评论信息评估用户之间的信息关系，通过计算用户的总信任值挖掘意见领袖；Xia D等人捕获用户发布，转发，以及提及他人的帖子情况，在此基础上提出影响力测量方法；上述算法虽然考虑到真实用户的历史行为，但因考虑社交网络中每个用户的多个特征，计算过程复杂度高。

发明内容

本发明的目的就是为了克服上述现有方法存在的缺陷而提供一种基于K-核分解获取社交网络意见领袖的方法。

本发明的目的可以通过以下方法方案来实现：

一种基于K-核分解获取社交网络意见领袖的方法，包括以下步骤：

1)构建以用户为节点、用户间关系为边的社交网络有向图；

2)采用K-核分解获得社交网络有向图中每个用户的K核数，根据所有用户的K核数构建意见领袖候选用户集，并构建意见领袖候选图；

3)获取意见领袖候选用户集中用户的知名度和热度；

4)根据知名度和热度计算用户重要度，并将意见领袖候选用户集中所有用户的用户重要度由大到小进行排序，并选择意见领袖。

所述的步骤3)中，用户的知名度Nt(u)的计算式为：

其中，N^out(u)是意见领袖候选图中用户u关注的用户集合，|N^out(u)|为意见领袖候选图中用户u关注的用户个数，dⁱⁿ(v)和dⁱⁿ(u)分别是意见领袖候选图中用户v和u的追随者总数。

所述的步骤3)中，用户的热度Ht(u)的计算式为：

α₁+α₂+α₃＝1

其中，Inf(u)为意见领袖候选用户集中用户发布信息的集合，|Inf(u)|为意见领袖候选用户集中用户发布信息的总数，rep(i)、com(i)、ati(i)分别为信息i的转发数、评论数和点赞数，α₁,α₂,α₃为信息的转发数、评论数和点赞数所占的权重，其通过AHP层次分析法计算得到。

所述的用户重要度UI(u)的计算公式为：

其中，Nt(u)为用户u的知名度，Ht(v)为用户v的热度，L是意见领袖候选用户集，follower(u)是用户u的追随者集合。

所述的步骤2)中，选择K核数最大的用户并将其加入意见领袖候选用户集。

所述的步骤2)中，以意见领袖候选用户集中用户为节点，以意见领袖候选用户集中用户间关系为边，构建意见领袖候选图模型。

与现有方法相比，本发明具有以下优点：

一、评估准确：本发明采用K-核分解获得意见领袖候选集，先通过K-核分解可粗粒度地识别社交网络中的意见领袖，再对意见领袖候选集中用户的重要度进行详细计算，可以准确评估意见领袖。

二、联系现实：使用用户的历史行为数据计算用户重要度，使得挖掘的意见领袖更贴近真实网络中的意见领袖。

三、计算复杂度低：意见领袖候选用户集过滤了大部分具有较小概率成为意见领袖的用户，只需要比较意见领袖候选用户集中用户的重要度，大大降低了全局计算的复杂度。

附图说明

图1是本发明的方法流程图。

图2是本发明一个社交网络节点实例图。

图3是K-核分解的流程图，其中，图(3a)为G₁的网络图，图(3b)为删除图(3a)中度为1的节点后的统计图，图(3c)为删除图(3b)中度为1的节点后的统计图，图(3d)为删除图(3c)中度为1的节点后的统计图，图(3e)为删除图(3d)中度为2的节点后的统计图。

图4为意见领袖候选图.

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

本发明首先对社交网络进行建模和相关定义：

社交网络模型：社交网络G＝(V,E)是一个有向图，其中V是社交网络中用户集合，E是用户间关系的集合，对于v,u∈V，(u,v)∈E，且(u,v)≠(v,u)。

网络拓扑：网络拓扑是社交网络的有向图模型中，表示用户的节点之间关系的映射。

K核:K核是社交网络模型G的子图。在G中，如果有一个子图对于每一个v∈V_k，节点的度均大于或等于K，则称该子图为G的K核。如果节点v∈V_k且则可以得到节点的K核数coreness(v)＝k。

用户重要度：意见领袖是在社交网络中的信息传播过程中发挥重要作用的人，用户重要度是对这个能力的量化，主要由用户知名度和用户热度两个因素决定。

关注者和追随者：关注者和追随者是成对出现的。在社交网络G中，如在u和v之间存在从v到u的有向边，即则用户v是用户u的追随者，用户u是用户v的粉丝。

意见领袖：意见领袖是社交网络中用户重要度最大的用户，用O表示，同时社交网络中的普通用户是除了意见领袖之外的的用户，用C表示。

意见领袖候选用户集：意见领袖候选用户集L是在计算用户的用户重要度之前被认为是最有可能成为意见领袖的用户集合。

意见领袖候选图：意见领袖候选图是以意见领袖候选用户集L中的用户为节点，L中用户间关系为边构成的有向图。

下面，给出本发明基于K-核分解挖掘意见领袖的方法，具体步骤为：

A.定义社交网络与意见领袖挖掘相关的概念及建模。

B.(1)根据构建的社交网络模型统计图中每个用户的度；

(2)使用K-核分解计算图中每个用户的K核数；

(3)选择K核数最大的一批用户加入到意见领袖候选用户集L中；

(4)构建意见领袖候选图G_L；

C.(1)分别统计G_L中用户的追随者总数，以及用户的每一个关注者的追随者总数，计算获取用户的知名度；

(2)统计L中用户发布的每一条信息的转发数，评论数，点赞数，计算获取用户的热度；

D.(1)综合用户的知名度和热度，来计算得到用户重要度；

(2)将计算出的用户重要度按降序排序，取用户重要度最大的用户为意见领袖。

(1)K-核分解

Kistak等人认为K-核分解能够识别网络中较为重要的节点。K-核分解的具体流程为：

a.迭代删除G中所有度为1的节点及其相关的边，直到图中所有节点的度均大于等于2，得到G的子图G₂。并将所有被删除的节点加入到空集Kc₁中。

b.迭代删除G₂中所有度为2的节点及其相关的边，直到图中所有节点的度均大于等于3，得到G₂的子图G₃。并将所有被删除的节点加入到空集Kc₂中。

c.重复操作，直到得到Kc_k，使Kc₁∪Kc₂∪Kc₃∪...∪Kc_k＝V。则Kc_k集合中用户的K核数coreness(v)＝k。

d.得到意见领袖候选用户集L＝{Kc_k|k＝max(coreness)}。

e.构建意见领袖候选图

(2)用户重要度指标获取

本发明中，用户重要度主要包括两个指标：知名度和热度。

a.知名度

在社交网络中，用户倾向于关注比自己更知名的用户。因此，追随者的数目可以在一定程度上显示出该用户是否有一定出名度。特别是在意见领袖候选图G_L中，假设G_L中有一个意见领袖，那么他的追随者的知名度均小于该意见领袖，基于此，本发明提出知名度，计算公式如下：

其中，N^out(u)是G_L中u关注的用户集合，dⁱⁿ(v)和dⁱⁿ(u)分别是G_L中用户v和u的追随者总数。Nt(u)越大，说明u的知名度大于u的关注者的平均知名度。

b.热度

在社交网络中，意见领袖发布的信息通常会得到普通用户的大量转发，评论或点赞。本发明计算用户发表信息的转发数，评论数和点赞数来评估用户热度。计算公式如下：

α₁+α₂+α₃＝1

其中，Ht(u)是用户热度，Inf(u)是用户发布信息的集合，|Inf(u)|是用户发布信息的总数。rep(i),com(i),ati(i)分别是信息i的转发数，评论数和点赞数。权重α₁,α₂,α₃通过AHP层次分析法计算得到。

(3)意见领袖选择

用户的重要度不仅取决于自身的知名度，同时和用户追随者的热度相关。当用户的追随者具有较大的热度时，有助于用户所传播信息的迅速扩散。因此综合考虑用户自身知名度和用户追随者的热度，得到用户重要度的计算公式为：

其中，UI(u)是用户重要度,Nt(u)是u的用户知名度，Ht(v)是v的用户热度，L是意见领袖候选用户集，follower(u)是用户u的追随者集合。

最后，对于u∈L，将用户按照用户重要度UI(u)的大小降序排序，如果需要挖掘M个意见领袖，则取排名top-M的用户为意见领袖。

实施例：

(1)K-核分解

如图1所示社交网络节点实例图，图3是K-核分解的流程图。

首先，3a中网络图为G₁。统计G₁中度为1的节点有：9，11，12，13，14，15，16，17，18，19，20，21，24，25。删除G₁中度等于1的节点得到图3b，将被删除的节点加入到空集Kc₁中，得到Kc₁＝{9，11，12，13，14，15，16，17，18，19，20，21，24，25}。统计图3b中度为1的节点：8,10，删除图3b中度为1的节点得到图3c，并将删除的节点加入到Kc₁中，得Kc₁＝{9，11，12，13，14，15，16，17，18，19，20，21，24，25，8,10}。统计图3c中度为1的节点：7，删除图3c中度为1的节点得到图3d，并将删除的节点加入到Kc₁中，得到Kc₁＝{9，11，12，13，14，15，16，17，18，19，20，21，24，25，8,10，7}。统计图3d中度为1的节点，有0个，则此时图3d为2核图G₂。Kc₁中每个节点具有coreness(v)＝1。

统计G₂中度等于2的节点：5,6,22,23。删除G₂中度为2的节点，得到图3e，被删除的节点加入到空集Kc₂中，得到Kc₂＝{5,6,22,23}。统计图3e中度为2的节点，有0个，则此时图3e为3核图G₃。Kc₂中每个节点具有coreness(v)＝2。

统计G₃中度为3的节点：1,2,3,4。删除G₃中度为3的节点，得到空图，被删除的节点加入到空集Kc₃中，得到Kc₃＝{1,2,3,4}。且Kc₃中每个节点具有coreness(v)＝3。

此时Kc₁∪Kc₂∪Kc₃＝V，且V中节点最大的coreness值为3，取L＝Kc₃＝{1,2,3,4}为意见领袖候选用户集。

构建意见领袖候选图G_L如图4所示。

(2)用户重要度指标获取

a.知名度

在意见领袖候选图G_L中，各用户的追随者总数分别为dⁱⁿ(1)＝3，dⁱⁿ(2)＝0，dⁱⁿ(3)＝1，dⁱⁿ(4)＝2。

用户1的关注者集合为知名度可以计算为

用户2的关注者集合为N^out(2)＝{1,3,4}，知名度可以计算为：

用户3的关注者集合为N^out(3)＝{1,4}，知名度可以计算为：

用户4的关注者集合为N^out(4)＝{1}，知名度可以计算为：

b.热度

在计算热度之前，使用AHP层次分析法确定转发，评论和点赞行为在用户热度评估中所占的权重，构建判断矩阵为

计算得到权重值α₁＝0.62669647，α₂＝0.27968751，α₃＝0.09361602。

根据表1意见领袖候选集中用户发布信息的相关统计信息进行以下计算。

表1用户发布信息的相关统计信息表

对于用户1，发布了3条信息：

信息1的转发数rep(1)＝20，评论数com(1)＝15，点赞数ati(1)＝35。

信息2的转发数rep(2)＝30，评论数com(2)＝10，点赞数ati(2)＝15。

信息3的转发数rep(3)＝6，评论数com(3)＝10，点赞数ati(3)＝5。

用户1的热度计算为

对于用户2，发布了2条信息：

信息1的转发数rep(1)＝2，评论数com(1)＝10，点赞数ati(1)＝16。

信息2的转发数rep(2)＝10，评论数com(2)＝5，点赞数ati(2)＝4。

用户2的热度计算为：

对于用户3，发布了1条信息：

信息1的转发数rep(1)＝5，评论数com(1)＝0，点赞数ati(1)＝6。

用户3的热度计算为：

Ht(3)＝α₁rep(1)+α₂com(1)+α₃ati(1)

＝0.62669647×5+0.27968751×0+0.09361602×6

＝3.695178

对于用户4，发布了4条信息：

信息1的转发数rep(1)＝0，评论数com(1)＝2，点赞数ati(1)＝1。

信息2的转发数rep(2)＝0，评论数com(2)＝6，点赞数ati(2)＝3。

信息3的转发数rep(3)＝2，评论数com(3)＝3，点赞数ati(3)＝2。

信息4的转发数rep(4)＝1，评论数com(4)＝1，点赞数ati(4)＝2。

用户4的热度计算为：

(3)意见领袖选择

对于用户1，追随者集合为follower(1)＝{2,3,4}，用户重要度可以计算为

UI(1)＝Nt(1)×(1+Ht(2)+Ht(3)+Ht(4))

＝4×(1+6.793995+3.695178+1.496317)

＝51.94196

对于用户2，追随者集合为用户重要度可以计算为

UI(2)＝Nt(2)×1＝0.33333

对于用户3，追随者集合为follower(3)＝{2}，用户重要度可以计算为

对于用户4，追随者集合为follower(4)＝{2，3}

比较L中用户的用户重要度，得到

UI(1)＞UI(4)＞UI(3)＞UI(2)

因此，如果只需要1个意见领袖，即为用户1；如果需要2个意见领袖，即为用户1和用户4，以此类推。

综上所述，本发明提出一种基于K-核分解的社交网络意见领袖挖掘方法。利用K-核分解有效地挖掘出有较大可能性成为意见领袖的用户构成意见领袖候选用户集，并对意见领袖候选用户组成的网络进行建模，得到意见领袖候选图。再从意见领袖候选图的网络拓扑和意见领袖候选用户的用户行为两方面进行分析，评估出意见领袖。

Claims (6)

1.一种基于K-核分解获取社交网络意见领袖的方法，其特征在于，包括以下步骤：

1)构建以用户为节点、用户间关系为边的社交网络有向图；

2)采用K-核分解获得社交网络有向图中每个用户的K核数，根据所有用户的K核数构建意见领袖候选用户集，并构建意见领袖候选图；

3)获取意见领袖候选用户集中用户的知名度和热度；

4)根据知名度和热度计算用户重要度，并比较意见领袖候选用户集中所有用户的用户重要度，并根据用户重要度选择意见领袖。

2.根据权利要求1所述的一种基于K-核分解获取社交网络意见领袖的方法，其特征在于，所述的步骤3)中，用户的知名度Nt(u)的计算式为：

其中，N^out(u)是意见领袖候选图中用户u关注的用户集合，|N^out(u)|为意见领袖候选图中用户u关注的用户个数，dⁱⁿ(v)和dⁱⁿ(u)分别是意见领袖候选图中用户v和u的追随者总数。

3.根据权利要求2所述的一种基于K-核分解获取社交网络意见领袖的方法，其特征在于，所述的步骤3)中，用户的热度Ht(u)的计算式为：

α₁+α₂+α₃＝1

其中，Inf(u)为意见领袖候选用户集中用户发布信息的集合，|Inf(u)|为意见领袖候选用户集中用户发布信息的总数，rep(i)、com(i)、ati(i)分别为信息i的转发数、评论数和点赞数，α₁,α₂,α₃为信息的转发数、评论数和点赞数所占的权重。

4.根据权利要求3所述的一种基于K-核分解获取社交网络意见领袖的方法，其特征在于，所述的用户重要度UI(u)的计算公式为：

其中，Nt(u)为用户u的知名度，Ht(v)为用户v的热度，L是意见领袖候选用户集，follower(u)是用户u的追随者集合。

5.根据权利要求1所述的一种基于K-核分解获取社交网络意见领袖的方法，其特征在于，所述的步骤2)中，选择K核数最大的用户并将其加入意见领袖候选用户集。

6.根据权利要求1所述的一种基于K-核分解获取社交网络意见领袖的方法，其特征在于，所述的步骤2)中，以意见领袖候选用户集中用户为节点，以意见领袖候选用户集中用户间关系为边，构建意见领袖候选图模型。