CN109726319A - 一种基于交互关系的用户影响力分析方法 - Google Patents

一种基于交互关系的用户影响力分析方法 Download PDF

Info

Publication number
CN109726319A
CN109726319A CN201811516605.0A CN201811516605A CN109726319A CN 109726319 A CN109726319 A CN 109726319A CN 201811516605 A CN201811516605 A CN 201811516605A CN 109726319 A CN109726319 A CN 109726319A
Authority
CN
China
Prior art keywords
user
microblogging
intensity
indicate
comment
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.)
Granted
Application number
CN201811516605.0A
Other languages
English (en)
Other versions
CN109726319B (zh
Inventor
徐光侠
刘榕
马创
桑春艳
程金伟
李林峰
胡梦潇
李伟凤
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201811516605.0A priority Critical patent/CN109726319B/zh
Publication of CN109726319A publication Critical patent/CN109726319A/zh
Application granted granted Critical
Publication of CN109726319B publication Critical patent/CN109726319B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Information Transfer Between Computers (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于数据挖掘与社交网络研究领域，涉及一种基于交互关系的用户影响力分析方法，包括获取用户信息，构建微博交互信息模型来计算用户交互信息和用户属性决定的影响力；设置用户的影响力的初始值；通过微博交互信息模型获取转发强度、评论强度和提及强度，并通过转发强度、评论强度和提及强度计算交互强度因子；交互强度因子改进PageRank算法，并通过改进的PageRank算法测量用户的影响力，得出影响力排名；本发明综合考虑社交网络用户的多种行为、网络结构特点、用户属性等特征能够更加准确的发现和识别微博网络中的影响力个体以及个体在微博网络中的影响力。

Description

一种基于交互关系的用户影响力分析方法
技术领域
本发明属于数据挖掘与社交网络研究领域，涉及一种基于交互关系的用户影响力分析方法。
背景技术
随着各类在线社交服务的迅速发展，社交网络已经成为主体渗透到生活的方方面面，社交网络几乎是互联网用户互动流量最大的领域。基于互联网的社交网络在推动信息传播中起到了重要的引导作用，用户个体同时扮演着信息的生产者与消费者的双重角色，传统的以内容和话题为基础的信息传播方式也逐渐地转换为以人际关系为主，而社交网络则演变为时刻运行的计算平台和信息传播平台。在微博的信息传播过程中，高影响力的人起着非常关键的作用，他们能够将信息快速广泛的传播出去。如何准确发现某一话题中具有权威性的人物，这已经成为了网络新媒体和舆情监管部门亟待解决的问题。
目前国内外针对微博用户影响力研究主要有以下几个方向：基于用户属性的影响力研究、基于网络拓扑结构的用户影响力分析、结合用户属性和网络关系的影响力研究。我们认为用户的影响力是有多种因素共同决定的，其中用户属性、网络结构和信息传播都能不同程度的预测用户的影响力。所以综合考虑这三种因素对用户影响力的影响，建立了一种基于交互关系的用户影响力度量方法，通过该方法可以更加准确的衡量用户的影响力，进而可以发现在话题传播过程中起关键作用的用户，微博网络中的舆情监控与追踪起到保障和监督作用。
发明内容
针对上述问题，本发明提出一种基于交互关系的用户影响力分析方法，具体包括以下步骤：
S1、基于微博公开的数据资源或者爬虫技术采集特定微博话题中的用户信息；
S2、根据用户信息构建微博交互信息模型并设置用户的影响力的初始值；优选的初始值均设置为1/n，n为样本总用户数；
S3、通过微博交互信息模型获取转发强度、评论强度和提及强度，并通过转发强度、评论强度和提及强度计算交互强度因子；
S4、利用交互强度因子改进PageRank算法，并通过改进的PageRank算法测量用户的影响力，得出影响力排名。
进一步的，用户信息包括微博文本信息、微博被转发次数、微博被评论次数、微博被提及次数以及用户在微博所进行的互动信息和用户的基本信息，其中互动信息包括评论、转发、提及关系，用户基本信息包括粉丝数、关注数和关注关系。
进一步的，所述微博交互信息模型包括表示为：
H＝(M,U,SR,FR,CR,WM)；
其中，M为用户发布微博的集合，U为发布、提及、转发微博及评论微博的用户的集合；SR为微博传播关系的集合；FR为微博转发关系的集合；CR为微博评论关系的集合；WM为用户发布的微博内容影响力权重的集合。
进一步的，当用户vj为用户vi的粉丝时，则用户vj和用户vi之间具有传播关系，在带权有向图中表示为sr＝(mi,<vi,vj>)，即用户vi指向用户vj；当微博mj是对微博mi进行转发的微博时，则微博mj和微博mi之间具有转发关系，在带权有向图中表示为fr＝<mi,mj>，即微博mi指向微博mj；当用户vj对微博mi进行了评论时，则用户vj和微博mi之间具有评论关系，在带权有向图中表示为cr＝<vj,mi>，即用户vj指向微博mi；其中，mi表示用户vi发布的微博，mj表示用户vj发布的微博。
进一步的，转发强度表示为：
其中，Tweets(vi)表示用户vi的所发微博数量，Retweeted(vj)表示用户vj转发微博的数量，Retweeted(vj,m)表示用户vj转发其他人微博的数量，Retweeted(vj,vi)表示用户vj转发用户vi微博的数量。
进一步的，评论强度表示为：
其中，Tweets(vi)表示用户vi的所发微博数量，Retweeted(vj)表示用户vj转发微博的数量，Commented(vj)表示用户vj被评论的微博数量，Comment(vj,vi)表示用户vj评论用户vi微博的数量，Comment(vj,m)表示用户vj评论其他人微博的数量。
进一步的，提及强度表示为：
其中，Tweets(vi)表示用户vi的所发微博数量，Retweeted(vj)表示用户vj转发微博的数量，Mentioned(vj)表示用户vi所提及的微博数量，Mention(vj,vi)表示用户vj提及用户vi微博的数量，Mention(vj,m)表示用户vj提及其他人微博的数量。
进一步的，交互强度因子表示为：
其中，RT(vi,vj)表示微博用户vi转发微博用户vj的微博的转发强度，RT(vi,vj)表示微博用户vi评论微博用户vj的微博的评论强度，MN(vi,vj)表示微博用户vi提及微博用户vj的微博的提及强度。
进一步的，IRPRank算法模型表示为：
其中，d为阻尼系数，Followers(vi)表示用户vi的追随者集合，Is(vi,vj)表示交互强度因子，PR(vj)表示用户vj的影响力的初始值。
本发明提出了一种基于交互关系的用户影响力分析方法，可以有效度量微博网络中用户影响力。现有的用户影响力研究大多只考虑社交网络中用户的一种行为，或将不同行为割裂开，通过简单加权来度量用户影响力，没有考虑不同类型的行为关联以及行为和内容之间的关联。为了更准确的评估用户的影响力，本文综合考虑社交网络用户的多种行为、网络结构特点、用户属性等特征，借鉴PageRank算法思想，提出了基于交互关系的用户影响力算法模型(Interaction Relationship PageRank，IRRank)，从而能够更加准确的发现和识别微博网络中的影响力个体以及个体在微博网络中的影响力。
附图说明
图1是本发明的框架结构图；
图2是本发明的微博信息传播过程图。
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做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。
本发明提出一种基于交互关系的用户影响力分析方法，如图1所示，包括以下步骤：
S1、基于微博公开的数据资源或者爬虫技术采集特定微博话题中的用户信息；
S2、根据用户信息构建微博交互信息模型并设置用户的影响力的初始值；优选的，用户的影响力初始值均设置为1/n，n为样本总用户数；
S3、通过微博交互信息模型获取转发强度、评论强度和提及强度，并通过转发强度、评论强度和提及强度计算交互强度因子；
S4、利用交互强度因子改进PageRank算法，并通过改进的PageRank算法测量用户的影响力，得出影响力排名。
大多数发明仅仅针对单关系网络或者确定的关系网络，却忽略了多关系网络，从而很难刻画用户在整个网络中的相对影响力。本发明融合用户交互行为、网络结构特点、用户属性，并且利用交互强度因子改进PageRank算法，通过改进的PageRank算法测量用户的影响力，得出影响力排名。
进行特定微博话题中用户信息采集，基于微博公开的一些数据资源或者爬虫技术获取需要分析的信息，包括微博文本信息、微博被转发次数、微博被评论次数、微博被提及次数以及用户在微博所进行的互动信息和用户的基本信息，其中互动信息包括评论、转发、提及关系，用户基本信息包括粉丝数、关注数和关注关系。
编写获取微博用户信息及用户所发布微博的程序，通过微博平台提供的API接口获取真实的微博用户信息，从所述真实的微博用户信息中提取用户在微博网络中的关注关系及粉丝关系，并提取用户所发微博被转发、评论及转发的交互行为关系；
微博网络中用户是通过关注其他用户来获取信息的，关注的用户就是被关注用户的粉丝，这种关注和被关注关系就形成了微博网络中的关注关系网络和粉丝关系网络。
不同的行为从不同的角度体现微博用户的影响力，本发明将用户与用户之间的转发、评论、提及这三种交互行为用作衡量影响力的指标。转发行为可以体现用户在微博中的活跃性，用户转发的推文数量越多表示其越活跃，一条推文被转发的次数越多，其传播就越广泛，影响范围就越大。评论行为体现了用户之间互动的能力，用户评论的内容越有吸引力，越能引起别人的转发与关注，从而使得用户影响力提升。同样，如果一个用户被其他用户提及的次数越多，则说明该用户在信息传播过程中产生了较大的影响力。
在微博系统中将用户看作节点，用户之间的关注关系看作边，边的方向从用户到被关注对象，边不但有方向，也有权重，定义微博系统的用户关系网络为一带权有向图：UR＝(V,E,P,W)，有向图的节点代表微博系统中的用户，有向边代表微博系统中用户之间的关系，所述该式中的V表示节点的集合，E表示有向边的集合，P表示节点权重的集合，W表示边权重集合；
该式表示在节点集合V中任取两个节点vi和vj，若该式表示在有向边集合E中存在一条连接节点vi和节点vj的有向边eij，边的方向为vi指向vj，即在微博系统中用户vi和用户vj之间存在关系，用户vi关注用户vj，即用户vi是用户vj的粉丝，pi∈P表示节点vi的权重为pi，wij∈W表示有向边eij的权重为wij。
根据用户关系网络为一带权有向图UR＝(V,E,P,W)，则用户发布微博的传播关系定义为sr＝(mi,<vi,vj>)，其中vi和vj均表示代表微博用户的节点，mi表示用户vi发布的微博，<vi,vj>表示节点vi指向节点vj，即用户vi发布的微博mi从节点vi传给了节点vj，则表示用户vj是用户vi的粉丝，或者是表示用户vi直接将微博mi推送给了用户vj，即用户vi发布的微博mi的内容中包含“@vj”的内容；
根据用户关系网络为一带权有向图UR＝(V,E,P,W)，将微博系统中的微博转发关系定义为fr＝<mi,mj>，mi表示用户vi发布的微博，mj表示用户vi发布的微博，该式表示微博mj是对微博mi进行转发的微博，微博转发关系的方向为mi指向mj；对微博m进行转发的用户集合FU(m)表示为：
根据用户关系网络为一带权有向图UR＝(V,E,P,W)，将微博系统中的微博评论关系定义为cr＝<vj,mi>，该式表示用户vj对微博mi进行了评论，微博评论关系的方向为vj指向mi；对微博m进行评论的用户集合CU(m)表示为：
根据用户关系网络为一带权有向图UR＝(V,E,P,W)，将微博系统中的微博评论关系定义为mr＝<vi,vj>，该式表示用户vi对用户vj进行了提及，微博提及关系的方向为vi指向vj；对微博m进行提及的用户集MU(m)合表示为：
微博信息交互网络模型为H＝(M,U,SR,FR,CR,WM)，其中M为用户发布微博的集合，U为发布、提及、转发微博及评论微博的用户的集合，且SR为微博传播关系的集合，FR为微博转发关系的集合，CR为微博评论关系的集合，MR为微博提及关系的集合，WM为用户发布的微博内容影响力权重的集合，对于微博集合M中的微博m，Author(m)表示微博m的作者，即微博m的发布者，wm(m)表示微博m的内容影响力权重。
由于用户转发行为是微博信息传播的主要方式，体现的是用户对于微博内容的传播意向，通常是用户对于微博所表述的内容最强烈的观点、行为的体现，是对微博传播影响力最高的用户行为；因此，我们通过分析每个追随者的转发微博行为，以此来量化用户获得的转发强度，表示为：
其中，表示用户vj的推文的转发概率为pRT，如果vj是一个有影响力的用户，它将具有较高的pRT值，这样，它将给用户vi带来更多的权重，以增加底层用户的影响力；Tweets(vi)表示用户vi的所发微博数量，Retweeted(vj)表示用户vj转发微博的数量，Retweeted(vj,m)表示用户vj转发其他人微博的数量，Retweeted(vj,vi)表示用户vj转发用户vi微博的数量。
由于用户评论行为是用户表达观点的重要表述方式，体现了用户对推文内容的观点和立场。因此通过步骤1获取的用户评论行为信息计算评论强度表示为：
其中，为用户j的原博和被转发推文的评论概率pCT；如果用户vj是有影响力的用户，它将具有高pCT值；这样，它将给用户vi带来更多的权重，以增加底层用户的影响力；Tweets(vi)表示用户vi的所发微博数量，Retweeted(vj)表示用户vj转发微博的数量，Commented(vj)表示用户vj被评论的微博数量，Comment(vj,vi)表示用户vj评论用户vi微博的数量，Comment(vj,m)表示用户vj评论其他人微博的数量。
计算提及强度的值来量化被关注者获得的强度表示为：
其中，为原博、转发的微博和评论中用户vj的被提及概率pMN；如果用户vj是一个有影响力的用户，它将具有较高的pMN值；这样，为了增加底层节点的影响力，它将给予用户vi更多的权重；Tweets(vi)表示用户vi的所发微博数量，Retweeted(vj)表示用户vj转发微博的数量，Mentioned(vj)表示用户vi所提及的微博数量，Mention(vj,vi)表示用户vj提及用户vi微博的数量，Mention(vj,m)表示用户vj提及其他人微博的数量。
根据微博中用户信息之间的转发关系、回复关系和用户之间的关注关系，构建相应的转发网络、评论网络、提及网络和关注网络，并将转发网络、评论网络、提及网络映射到关注网络从而构建微博信息交互网络模型。
在微博信息交互网络模型中计算用户之间的交互强度因子值IS(vi,vj)，表示为：
其中RT(vi,vj)为用户获得的转发强度，通过分析每个追随者的转发微博行为，以此来量化用户获得的转发强度；CT(vi,vj)为用户获得的评论强度，我们通过分析每个追随者的评论微博行为，此来量化用户获得的评论强度；MN(vi,vj)为用户获得的提及强度，通过分析每个追随者的被提及行为，此来量化用户获得的被提及强度。
将所有用户的影响力IRRank的初始值设置为将所有用户的IRRank影响力的初始值均设置为1/n，n为样本总用户数，用户vi的影响力IRPR(vj)表示为：
根据上述公式计算每个用户的影响力，d为阻尼系数，大小为0～1；优选的，本发明中的阻尼系数取0.15；PR(vj)为用户vj的影响力，初始值设定为1/n，其中n为总用户数，Followers(vi)表示用户vi的追随者集合。
PageRank是用来衡量网页重要性的经典算法，利用网页之间的链接结构来确定网页的重要性，即如果点击网页p上的一个链接网址或接口可以进入到网页q，那么就说明p给q投了一票，排名系统会比对各个网页收到的投票数目来评估该网页的重要性。对于某个网页q的PR值，即Page Rank(q)，其计算公式如下所示：
其中，A表示具有链入网页q的其它所有网页的集合，|p|表示网页p的所有链出网页的个数；d(0<d<1)是阻尼系数，通常取值为0.85，其代表的意义是，用户在查看某个网页的时候，选择网页中包含的其它链接地址点击查看的概率是0.85，而用户停止继续点击随机跳转到新网页进行浏览的概率是1-d＝0.15。
大多数发明仅仅针对单关系网络或者确定的关系网络，却忽略了多关系网络，从而很难刻画用户在整个网络中的相对影响力。本发明融合用户交互行为、网络结构特点、用户属性，并且利用S3计算得到的交互强度因子在PageRank算法基础上提出了一种新的用户影响力度量方法。
图2是本发明的微博信息传播过程图，从图中可以看出不同的行为从不同的角度体现微博用户的影响力，转发行为可以体现用户在微博中的活跃性，用户转发的微博数越多表示其越活跃，一条微博被转发的次数越多，其传播就越广泛，影响范围就越大，同时可以促进被转发人的影响能力。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于交互关系的用户影响力分析方法，其特征在于，包括以下步骤：
S1、基于微博公开的数据资源，采用爬虫技术采集特定微博话题中的用户信息；
S2、根据用户信息构建微博交互信息模型并设置用户的影响力的初始值；
S3、通过微博交互信息模型获取转发强度、评论强度和提及强度，并通过转发强度、评论强度和提及强度计算交互强度因子；
S4、利用交互强度因子改进PageRank算法，并通过改进的PageRank算法测量用户的影响力，得出影响力排名。
2.根据权利要求1所述的一种基于交互关系的用户影响力分析方法，其特征在于，用户信息包括微博文本信息、微博被转发次数、微博被评论次数、微博被提及次数以及用户在微博所进行的互动信息和用户的基本信息，其中互动信息包括评论、转发、提及关系，用户基本信息包括粉丝数、关注数和关注关系。
3.根据权利要求1所述的一种基于交互关系的用户影响力分析方法，其特征在于，构建微博交互信息模型包括：将微博系统的用户关系网络定义为一带权有向图，有向图的节点代表微博系统中的用户，有向图的边代表微博系统中用户之间的关系；微博系统中用户之间的关系构建微博交互信息模型，其中微博系统中用户之间的关系包括传播关系、转发关系以及评论关系。
4.根据权利要求3所述的一种基于交互关系的用户影响力分析方法，其特征在于，当用户vj为用户vi的粉丝时，则用户vj和用户vi之间具有传播关系，在带权有向图中表示为sr＝(mi,<vi,vj>)，即用户vi指向用户vj；当微博mj是对微博mi进行转发的微博时，则微博mj和微博mi之间具有转发关系，在带权有向图中表示为fr＝<mi,mj>，即微博mi指向微博mj；当用户vj对微博mi进行了评论时，则用户vj和微博mi之间具有评论关系，在带权有向图中表示为cr＝<vj,mi>，即用户vj指向微博mi；其中，mi表示用户vi发布的微博，mj表示用户vj发布的微博。
5.根据权利要求3所述的一种基于交互关系的用户影响力分析方法，其特征在于，所述将微博系统的用户关系网络定义为一带权有向图包括：
UR＝(V,E,P,W)；
其中，V表示节点的集合，节点包括微博用户和微博用户发表的微博；E表示有向边的集合，有向边包括微博用户指向微博用户的有向边、微博指向微博的有向边以及微博用户指向微博的有向边；P表示节点权重的集合，W表示边权重集合。
6.根据权利要求1所述的一种基于交互关系的用户影响力分析方法，其特征在于，通过微博交互信息模型获取转发强度表示为：
其中，Tweets(vi)表示用户vi的所发微博数量，Retweeted(vj)表示用户vj转发微博的数量，Retweeted(vj,m)表示用户vj转发其他人微博的数量，Retweeted(vj,vi)表示用户vj转发用户vi微博的数量。
7.根据权利要求1所述的一种基于交互关系的用户影响力分析方法，其特征在于，通过微博交互信息模型获取评论强度表示为：
其中，Tweets(vi)表示用户vi的所发微博数量，Retweeted(vj)表示用户vj转发微博的数量，Commented(vj)表示用户vj被评论的微博数量，Comment(vj,vi)表示用户vj评论用户vi微博的数量，Comment(vj,m)表示用户vj评论其他人微博的数量。
8.根据权利要求1所述的一种基于交互关系的用户影响力分析方法，其特征在于，通过微博交互信息模型获取提及强度表示为：
其中，Tweets(vi)表示用户vi的所发微博数量，Retweeted(vj)表示用户vj转发微博的数量，Mentioned(vj)表示用户vi所提及的微博数量，Mention(vj,vi)表示用户vj提及用户vi微博的数量，Mention(vj,m)表示用户vj提及其他人微博的数量。
9.根据权利要求1所述的一种基于交互关系的用户影响力分析方法，其特征在于，交互强度因子IS(vi,vj)表示为：
其中，RT(vi,vj)表示微博用户vi转发微博用户vj的微博的转发强度，RT(vi,vj)表示微博用户vi评论微博用户vj的微博的评论强度，MN(vi,vj)表示微博用户vi提及微博用户vj的微博的提及强度。
10.根据权利要求9所述的一种基于交互关系的用户影响力分析方法，其特征在于，改进的PageRank算法表示为：
其中，d为阻尼系数；Followers(vi)表示用户vi的追随者集合，Is(vi,vj)表示交互强度因子，IRPR(vj)表示用户vi的影响力，PR(vj)为用户vj的影响力。
CN201811516605.0A 2018-12-12 2018-12-12 一种基于交互关系的用户影响力分析方法 Active CN109726319B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811516605.0A CN109726319B (zh) 2018-12-12 2018-12-12 一种基于交互关系的用户影响力分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811516605.0A CN109726319B (zh) 2018-12-12 2018-12-12 一种基于交互关系的用户影响力分析方法

Publications (2)

Publication Number Publication Date
CN109726319A true CN109726319A (zh) 2019-05-07
CN109726319B CN109726319B (zh) 2020-11-10

Family

ID=66295888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811516605.0A Active CN109726319B (zh) 2018-12-12 2018-12-12 一种基于交互关系的用户影响力分析方法

Country Status (1)

Country Link
CN (1) CN109726319B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110830306A (zh) * 2019-11-20 2020-02-21 北京百分点信息科技有限公司 确定网络用户影响力的方法、装置、存储介质及电子设备
CN111858674A (zh) * 2020-07-22 2020-10-30 北京宏博知微科技有限公司 一种用于分析社交网络信息的高质量信息获取方法和系统
CN111858673A (zh) * 2020-07-22 2020-10-30 北京宏博知微科技有限公司 一种基于分布和真值评定指标的高帧信息获取方法和系统
CN113781250A (zh) * 2020-09-14 2021-12-10 北京沃东天骏信息技术有限公司 社交媒体信息传播评估方法和装置
CN113792784A (zh) * 2021-09-14 2021-12-14 上海任意门科技有限公司 用于用户聚类的方法、电子设备和存储介质
CN116208512A (zh) * 2023-03-07 2023-06-02 武汉精阅数字传媒科技有限公司 一种隐性交互行为的流量正向影响分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617279A (zh) * 2013-12-09 2014-03-05 南京邮电大学 基于Pagerank方法的微博信息传播影响力评估模型的实现方法
CN105260474A (zh) * 2015-10-29 2016-01-20 俞定国 一种基于信息交互网络的微博用户影响力计算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617279A (zh) * 2013-12-09 2014-03-05 南京邮电大学 基于Pagerank方法的微博信息传播影响力评估模型的实现方法
CN105260474A (zh) * 2015-10-29 2016-01-20 俞定国 一种基于信息交互网络的微博用户影响力计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
齐超等: "基于用户行为综合分析的微博用户影响力评价方法", 《计算机应用研究》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110830306A (zh) * 2019-11-20 2020-02-21 北京百分点信息科技有限公司 确定网络用户影响力的方法、装置、存储介质及电子设备
CN110830306B (zh) * 2019-11-20 2022-03-29 北京百分点科技集团股份有限公司 确定网络用户影响力的方法、装置、存储介质及电子设备
CN111858674A (zh) * 2020-07-22 2020-10-30 北京宏博知微科技有限公司 一种用于分析社交网络信息的高质量信息获取方法和系统
CN111858673A (zh) * 2020-07-22 2020-10-30 北京宏博知微科技有限公司 一种基于分布和真值评定指标的高帧信息获取方法和系统
CN113781250A (zh) * 2020-09-14 2021-12-10 北京沃东天骏信息技术有限公司 社交媒体信息传播评估方法和装置
CN113792784A (zh) * 2021-09-14 2021-12-14 上海任意门科技有限公司 用于用户聚类的方法、电子设备和存储介质
CN116208512A (zh) * 2023-03-07 2023-06-02 武汉精阅数字传媒科技有限公司 一种隐性交互行为的流量正向影响分析方法
CN116208512B (zh) * 2023-03-07 2023-10-17 杭州元媒科技有限公司 一种隐性交互行为的流量正向影响分析方法

Also Published As

Publication number Publication date
CN109726319B (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN109726319A (zh) 一种基于交互关系的用户影响力分析方法
CN107169873B (zh) 一种多特征融合的微博用户权威度评价方法
Li et al. Link prediction in social networks based on hypergraph
Narayanam et al. A shapley value-based approach to discover influential nodes in social networks
Chen et al. Influencerank: An efficient social influence measurement for millions of users in microblog
CN103617279A (zh) 基于Pagerank方法的微博信息传播影响力评估模型的实现方法
CN103927297B (zh) 基于证据理论的中文微博可信度评估方法
CN105849764A (zh) 用于识别社交数据网络中的影响者及其社区的系统和方法
CN104268271A (zh) 一种兴趣和网络结构双内聚的社交网络社区发现方法
CN109063010A (zh) 一种基于PageRank的意见领袖挖掘方法
Cano et al. Social influence analysis in microblogging platforms–a topic-sensitive based approach
Li et al. Novel user influence measurement based on user interaction in microblog
CN104537096A (zh) 一种基于微博消息传播树的微博消息影响力度量方法
CN103136331A (zh) 微博网络意见领袖识别方法
Wang et al. Public opinion information dissemination in mobile social networks–taking Sina Weibo as an example
Li et al. Understanding video sharing propagation in social networks: Measurement and analysis
Wang et al. Patterns of news dissemination through online news media: A case study in China
Chang et al. Link prediction in a bipartite network using Wikipedia revision information
CN103389999A (zh) 一种增量抓取微博信息的方法
Ma et al. Influencer discovery algorithm in a multi-relational network
CN110059240A (zh) 一种基于影响等级的网络用户责任指数计算方法
Lu et al. Identification of key nodes in microblog networks
Li et al. An opinion leader perceptual model based on PageRank algorithm
Lu et al. Topic influence analysis based on user intimacy and social circle difference
De Choudhury et al. Dynamic prediction of communication flow using social context

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
GR01 Patent grant
GR01 Patent grant