CN110717085B - 一种基于虚拟品牌社区的意见领袖识别方法 - Google Patents

Abstract

本发明公开了一种基于虚拟品牌社区的意见领袖识别方法，包括如下步骤：(1)构建虚拟品牌社区交互网络拓扑；(2)从影响力和忠诚度两个方面建立意见领袖指标体系及节点个体价值计算；(3)虚拟品牌社区个体综合价值计算，给出虚拟品牌社区的意见领袖。本发明在考虑网络拓扑结构的基础上，兼顾用户的个体属性、行为特征、文本的情感倾向以及评论的支持率，更加准确地挖掘影响力节点。适用于由企业、第三方机构或品牌爱好者发起的，基于品牌的共同兴趣构建的，可供用户交流的虚拟社区与品牌社区的结合体。

Description

一种基于虚拟品牌社区的意见领袖识别方法

技术领域

本发明涉及网络营销、网络社区和品牌社区领域，尤其涉及一种基于虚拟品牌社区的意见领袖识别方法。

技术背景

随着互联网的普及和发展，广泛存在的各种论坛、微博、贴吧等都成为可供消费者交流互动的虚拟社区。消费者在虚拟社区中可以看到其他消费者发布的内容，可针对相关内容信息进行交流，可寻找共同话题或者解决相关问题。由于虚拟社区的普遍性、包容性及其内容的丰富性，吸引了越来越多企业的关注。许多企业参与虚拟社区，通过虚拟社区收集信息，了解消费者的兴趣爱好、习惯特点、动态变化，进一步对消费者实施差异化的营销策略，提供个性化的服务，从而更好地服务消费者，并获得更大的市场份额。

虚拟品牌社区是虚拟社区与品牌社区的结合，是由热爱同一品牌的群体组成的虚拟社区。在虚拟品牌社区中，意见领袖的识别对企业和消费者的影响都十分显著。对于企业而言，只有抓住意见领袖才能在最短时间内为消费者创造最大的价值；对消费者而言，意见领袖有助于他们某种程度的信息需求，维持他们的网络粘性；对意见领袖自身而言，意见领袖识别可将自己从网络中突显出来，使自身得到更广泛的关注，知识和经验的分享变得更加容易。

目前，国内外学者针对虚拟品牌社区意见领袖的研究侧重点各有不同，但大都准确度不高，识别出来的领袖节点不能很好地展现其领袖特质。其中，有的基于社交网络结构，利用节点度中心性(Degree Centrality)、接近中心性(Closeness Centrality)、介数中心性(Betweeness Centrality)等特征来衡量节点影响力；有的通过构建社交关系网络，将用户行为和兴趣领域相结合，从而发现社区中的意见领袖；有的着手于用户发表的文本内容，利用文本语义分析技术，挖掘用户的潜在情感，进而找到社区中的意见领袖。在虚拟品牌社区网络中，综合考虑网络结构、行为特征和文本情感因素，对构建新的意见领袖指标体系、研究虚拟品牌意见领袖识别方法具有重要意义。

本发明以虚拟品牌社区作为研究对象，研究内容包括两部分基于交互关系的虚拟品牌网络拓扑结构的构建和虚拟品牌社区意见领袖识别的研究。

发明内容

本发明的目的提供一种基于虚拟品牌社区的意见领袖识别方法，解决现有的虚拟品牌社区意见领袖识别准确度不高的问题。在考虑网络拓扑结构的基础上，兼顾用户的个体属性、行为特征、文本的情感倾向以及评论的支持率，更加准确地挖掘影响力节点。

本发明所采用的技术方案如下：一种基于虚拟品牌社区的意见领袖识别方法，包括如下步骤：

(1)构建虚拟品牌社区交互网络拓扑；

(2)从影响力和忠诚度两个方面建立意见领袖指标体系及节点个体价值计算；

(3)虚拟品牌社区个体综合价值计算，给出虚拟品牌社区的意见领袖。

进一步的，所述步骤(1)具体如下：

首先，在{B_i}层中，找出某个具体品牌相关的文章集合{A_i}中所有文章作者，形成一个由作者(用户)节点组成的集合U；然后，在原始数据集{C_i}中抽取这些作者(用户)的交互关系，并添加到U中；最终，得到虚拟品牌社区交互网络拓扑，即作者关系集{D_i}。

进一步的，所述步骤(2)中，影响力V_influence的计算如下：

考虑用户个人因素，及其在网络拓扑中的结构因素，根据虚拟品牌社区网络拓扑模型得出特征量数值，并作归一化处理；再取归一化后的数值的平均值，作为用户的结构特征值:

其中，N_fans为粉丝数归一化后的数值，N_intermediary为中介中心度归一化后的数值。

进一步的，所述步骤(2)中，忠诚度V_loyalty的计算分为活跃度和传播力两个部分：

活跃度：用户主动发表与品牌相关的文章的有效数量；

传播力:用户发表的与品牌相关的文章被正面评价、被收藏、被点赞的比例；

其中，传播力的计算包括如下两个方面：

①文章正负性article_polar：不利于品牌形象的文章被定性为“负”，记为“-”；否则，文章被定性为“正”，记为“+”；

②评论支持率p_support：采用基于情感词典的机器学习方法对文章评论进行情感极性判断，并将情感极性分为负向极性、非负向极性两类，从而从语义内容角度去评价特定用户对于某一文章的观点；

评论支持率公式为：

N_pos＝comment_pos+N_collect+N_like (公式3)

N_total＝comment_pos+comment_neg+N_collect+N_like (公式4)

其中，comment_pos为非负评论数量，comment_neg为负评论数量，N_collect为被收藏的数量，N_like被点赞的数量，N_pos、N_total均为中间变量；

因此，节点忠诚度计算公式为：

其中，i为该用户主动发表与品牌相关的第i篇文章，

为第i篇文章的文章正负性，

为第i篇文章的评论支持率。

进一步的，所述步骤(2)中，节点个体价值V_individual计算如下：

得到各节点的影响力属性和忠诚度属性后，需要对节点的各属性值进行加权求和，以得到相应的个体价值；

V_individual＝αV_influence+βV_loyalty (公式6)

其中，α、Vβ为权重，两者相加等于1，α、β通过熵权法来计算。

进一步的，所述步骤(3)具体如下：

结合节点的个体价值和其所受影响，对该节点进行综合价值计算：

v_i为节点i的个体价值，φ(v_i)为节点i的综合价值；j为社区网络中的第j个节点；n为社区网络中节点的总个数；v_j为节点j的个体价值；d_ij为各节点之间的最短路径；σ为影响因子，用于控制每个节点的影响范围；

最终得到各节点综合价值，给出虚拟品牌社区的意见领袖。

本发明的有益效果如下：本发明以某个具体的虚拟品牌社区为出发点，利用数据构建了虚拟品牌社区中消费者交互网络。并以该网络为基础，将影响力指标与忠诚度指标联合，从而计算出用户的个体价值。期间，使用用户的粉丝数(个人因素)、中介中心度(其在网络拓扑中的结构因素)来衡量节点的影响力；考虑了虚拟品牌社区中一个最重要的概念——忠诚度，把用户活跃度与传播力相结合，又通过文章正负性评价以及评论情感分析技术，在全方位衡量忠诚度的同时，也使得接下来虚拟品牌社区意见领袖的识别更加准确。

此外，本发明在虚拟品牌社区意见领袖的评估过程中，综合分析了节点的个体价值，同时考虑了虚拟品牌社区中节点之间的相互影响，使得识别结果能与虚拟品牌社区意见领袖的定义相符。

附图说明

图1为发明实施流程图；

图2为本发明所需的表结构；

图3为虚拟品牌社区交互网络拓扑构建过程；

图4为意见领袖识别指标结构图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法的例子。

如图1所示，本发明提供一种基于虚拟品牌社区的意见领袖识别方法，包括如下步骤：

(1)虚拟品牌社区交互网络构建

本实施例针对网络社区“什么值得买”上的“小米”品牌进行说明，根据与“小米”品牌相关的文章集合A_i可构建相应的交互网络拓扑。首先，在{B_i}层中，找出{A_i}中所有文章作者，形成一个由作者(用户)节点组成的集合U。然后，在原始数据集{C_i}中抽取这些作者(用户)的交互关系，并添加到U中。最终，得到虚拟品牌社区交互网络拓扑，即作者关系集{D_i}，如图2和图3所示。

(2)意见领袖指标体系构建及节点个体价值计算

意见领袖应该是虚拟品牌社区中级具影响力和忠诚度极高的人，所以本发明从如下两个方面构建识别意见领袖的指标：用户影响力和用户忠诚度。其中用户的影响力主要表现在在社区网络中是否能够得到更多用户的关注以及所在位置的重要程度；用户的忠诚度则主要表现在原创内容的数量、文章是否有损于该品牌形象、获得的点赞(或收藏)的数量、其文章内容是否得到认同等方面。本发明从这两个方面建立了意见领袖指标识别体系，如图4所示：

a)影响力V_influence计算：

考虑用户个人因素，及其在网络拓扑中的结构因素，如用户的粉丝数、中介中心度。根据虚拟品牌社区网络拓扑模型得出特征量数值，并作归一化处理。再取归一化后的数值的平均值，作为用户的结构特征值:

其中，N_fans为粉丝数归一化后的数值，N_intermediary为中介中心度归一化后的数值。

b)忠诚度V_loyalty计算：(分为活跃度和传播力两个部分)

活跃度：用户主动发表与品牌相关的文章的有效数量。

传播力:用户发表的与品牌相关的文章被正面评价、被收藏、被点赞的比例。

其中，传播力的计算包括如下两个方面：

①文章正负性article_polar：不利于“小米”品牌形象的文章被定性为“负”，记为“-”；否则，文章被定性为“正”，记为“+”。

②评论支持率p_support：本发明采用基于情感词典的机器学习方法对文章评论进行情感极性判断，并将情感极性分为负向极性、非负向极性两类，从而从语义内容角度去评价特定用户对于某一文章的观点。

评论支持率公式为：

N_pos＝comment_pos+N_collect+N_like (公式3)

N_total＝comment_pos+comment_neg+N_collect+N_like (公式4)

其中，comment_pos为非负评论数量，comment_neg为负评论数量，N_collect为被收藏的数量，N_like被点赞的数量。

因此，节点忠诚度计算公式为：

其中，i为该用户主动发表与品牌相关的第i篇文章，

为第i篇文章的文章正负性，

为第i篇文章的评论支持率。

c)节点个体价值计算

得到各节点的影响力属性和忠诚度属性后，需要对节点的各属性值进行加权求和，以得到相应的个体价值：

V_individual＝αV_influence+βV_loyalty (公式6)

其中，α、Vβ为权重，权重可以用熵权法等权重计算方法获得。本方法通过熵权法来计算α、β的权重，且两者相加等于1。

(3)虚拟品牌社区个体综合价值

在上述对节点的分析过程中，并未考虑虚拟品牌社区中节点之间的相互影响，因此本发明将结合节点的个体价值和其所受影响，对该节点进行综合价值评估：

v_i为节点i的个体价值，φ(v_i)为节点i的综合价值；j为社区网络中的第j个节点；n为社区网络中节点的总个数；v_j为节点j的个体价值；d_ij为各节点之间的最短路径；σ为影响因子，用于控制每个节点的影响范围。

最终得到各节点综合价值，给出虚拟品牌社区的意见领袖。

上述算法根据虚拟品牌社区交互网络拓扑计算各节点之间的最短距离，并根据公式7评估各节点的综合价值，最后对节点的综合价值集合进行排序，取有序集中前10％作为推荐的意见领袖。

本发明提供的一种基于虚拟品牌社区的意见领袖识别方法，适用于由企业、第三方机构或品牌爱好者发起的，基于品牌的共同兴趣构建的，可供用户交流的虚拟社区与品牌社区的结合体。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种基于虚拟品牌社区的意见领袖识别方法，其特征在于，包括如下步骤：

(1)构建虚拟品牌社区交互网络拓扑；

(2)从影响力和忠诚度两个方面建立意见领袖指标体系及节点个体价值计算；

(3)虚拟品牌社区个体综合价值计算，给出虚拟品牌社区的意见领袖；

所述步骤(2)中，影响力V_influence的计算如下：

考虑用户个人因素，及其在网络拓扑中的结构因素，根据虚拟品牌社区网络拓扑模型得出特征量数值，并作归一化处理；再取归一化后的数值的平均值，作为用户的结构特征值:

其中，N_fans为粉丝数归一化后的数值，N_intermediary为中介中心度归一化后的数值；

所述步骤(2)中，忠诚度V_loyalty的计算分为活跃度和传播力两个部分：

活跃度：用户主动发表与品牌相关的文章的有效数量；

传播力:用户发表的与品牌相关的文章被正面评价、被收藏、被点赞的比例；

其中，传播力的计算包括如下两个方面：

①文章正负性article_polar：不利于品牌形象的文章被定性为“负”，记为“-”；否则，文章被定性为“正”，记为“+”；

②评论支持率p_support：采用基于情感词典的机器学习方法对文章评论进行情感极性判断，并将情感极性分为负向极性、非负向极性两类，从而从语义内容角度去评价特定用户对于某一文章的观点；

评论支持率公式为：

N_pos＝comment_pos+N_collect+N_like (公式3)

N_total＝comment_pos+comment_neg+N_collect+N_like (公式4)

其中，comment_pos为非负评论数量，comment_neg为负评论数量，N_collect为被收藏的数量，N_like被点赞的数量，N_pos、N_total均为中间变量；

因此，节点忠诚度计算公式为：

其中，i为该用户主动发表与品牌相关的第i篇文章，

为第i篇文章的文章正负性，

为第i篇文章的评论支持率。

2.根据权利要求1所述的一种基于虚拟品牌社区的意见领袖识别方法，其特征在于，所述步骤(1)具体如下：

首先，在{B_i}层中，找出某个具体品牌相关的文章集合{A_i}中所有文章作者，形成一个由作者节点组成的集合U；然后，在原始数据集{C_i}中抽取这些作者的交互关系，并添加到U中；最终，得到虚拟品牌社区交互网络拓扑，即作者关系集{D_i}，所述作者即为用户。

3.根据权利要求1所述的一种基于虚拟品牌社区的意见领袖识别方法，其特征在于，所述步骤(2)中，节点个体价值V_individual计算如下：

得到各节点的影响力属性和忠诚度属性后，需要对节点的各属性值进行加权求和，以得到相应的个体价值；

V_individual＝αV_influence+βV_loyalty (公式6)

其中，α、β为权重，两者相加等于1。

4.根据权利要求3所述的一种基于虚拟品牌社区的意见领袖识别方法，其特征在于，所述α、β通过熵权法来计算。

5.根据权利要求3所述的一种基于虚拟品牌社区的意见领袖识别方法，其特征在于，所述步骤(3)具体如下：

结合节点的个体价值和其所受影响，对该节点进行综合价值计算：

v_i为节点i的个体价值，φ(v_i)为节点i的综合价值；j为社区网络中的第j个节点；n为社区网络中节点的总个数；v_j为节点j的个体价值；d_ij为各节点之间的最短路径；σ为影响因子，用于控制每个节点的影响范围；

最终得到各节点综合价值，给出虚拟品牌社区的意见领袖。

Images