CN110851736B

CN110851736B - 一种基于三方动态博弈的谣言传播控制方法

Info

Publication number: CN110851736B
Application number: CN201911095977.5A
Authority: CN
Inventors: 肖云鹏; 吴欣虹; 李暾
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Chongqing University of Post and Telecommunications
Priority date: 2019-11-11
Filing date: 2019-11-11
Publication date: 2022-07-01
Anticipated expiration: 2039-11-11
Also published as: CN110851736A

Abstract

本发明属于网络舆情监控领域，具体为基于三方动态博弈的谣言传播控制方法；所述方法包括实时获取社交网络的数据，包括谣言、辟谣和促谣消息下的用户历史行为数据；并从获得的数据中提取出用户属性；根据谣言、辟谣以及促谣三方的博弈关系，建立三方动态博弈模型；根据该三方动态博弈模型，求解出当前时刻的控制变量；将控制变量发送至管理服务器中，管理服务器根据该控制变量采用分级控制的方式控制谣言传播节点、辟谣传播节点以及促谣传播节点的传播；本发明综合考虑谣言、辟谣和促谣消息间的竞争与合作关系，更符合谣言在真实社交平台的传播情况，能够更精确地反映出谣言传播的趋势，从而对谣言传播进行实时且有效的控制。

Description

一种基于三方动态博弈的谣言传播控制方法

技术领域

本发明属于网络舆情监控领域，涉及社交网络中的谣言、辟谣和促谣消息间的作用关系，具体为一种基于三方动态博弈的谣言传播控制方法。

背景技术

随着互联网技术的迅速发展，在线社交已然成为人们不可缺少的一部分。各大社交平台在为本发明提供便利的同时也成为谣言滋生的温床。谣言是指没有事实依据且带有攻击性或目的性的话语。谣言传播具有突发性、群体性等特点，容易造成人们心理的恐慌，引起社会秩序的动荡，从而给个人和社会带去巨大的经济损失。因此，研究谣言传播动力学模型，有助于掌握群体演变的趋势，对网络舆情的监控具有重要意义。

近年来，基于SIR传染病和机器学习算法的谣言传播模型层出不穷。基于SIR传染病的谣言传播模型主要是将用户划分为易感者(S)，感染者(I)和免疫者(R)三种状态。S表示用户从未接触过谣言，很容易受到谣言的感染，I表示用户接触过谣言并积极传播，而R则表示用户接触过谣言但不进行传播。基于机器学习算法的谣言传播模型主要通过提取用户特征、话题特征等因素，将问题转化为分类或回归问题，部分学者通过建立深度神经网络模型，利用神经网络的自学习、自组织、自适应以及处理海量数据的优势，能较好地处理社交网络中的复杂问题。

现有的谣言传播模型虽然在一定程度上描绘了谣言的传播过程，但是由于缺乏对于多类型谣言信息的综合分析且受限于简单的参数设定，未曾考虑到谣言、辟谣和促谣消息间的竞争与合作关系，以及人们面对多类型谣言信息时的趋利性，因此，导致所构建的模型无法真实的模拟出现实世界中谣言传播的演变趋势。例如中国专利CN 109492084 A提出的基于社交网络双谣言模型的谣言传播范围估计方法，该方法考虑了两条谣言共同传播的作用关系，能够对谣言传播进行有效的分析，但该模型忽略了多类型谣言消息的竞争与合作关系且缺乏对于用户趋利性心理的综合考量，并不能很好的描述复杂网络中的谣言传播行为，且现有的传播机制不能准确而迅速的判断出节点的故障规模，从而不能准确的减少谣言传播节点或/和增加辟谣传播节点的数量，也不能准确的控制节点的传播。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于三方动态博弈的谣言传播控制方法。该方法综合考虑谣言、辟谣和促谣消息间的竞争与合作关系，更符合谣言在真实社交平台的传播情况，能够更精确地反映出谣言传播的趋势，从而对谣言传播进行实时且有效的控制。

为了实现以上目的，本发明的一种基于三方动态博弈的谣言传播控制方法，包括以下步骤：

S1、实时获取社交网络的数据，包括谣言、辟谣和促谣消息下用户的历史行为数据；并从获得的数据中提取出用户属性；

可选的，该数据集是从公开数据集平台下载，其包含谣言、辟谣和促谣消息的多类型谣言话题信息以及相关用户信息。

S2、根据谣言、辟谣以及促谣三方的博弈关系，建立三方动态博弈模型；

S3、根据该三方动态博弈模型，求解出当前时刻的控制变量；

S4、将求解出的控制变量发送至管理服务器中，管理服务器根据该控制变量采用分级控制的方式控制谣言传播节点、辟谣传播节点以及促谣传播节点的传播。

本发明的有益效果：

1.本发明针对多类型谣言信息的复杂性，从多维传播子网挖掘用户行为驱动因素，结合多元线性回归方法对消息影响力进行了有效度量。

2.本发明构建谣言-辟谣-促谣驱动机制，考虑到谣言、辟谣和促谣消息间的交互性和动态性，利用三方动态博弈理论，构建用户行为驱动机制，更好地探究了谣言传播的机理。

3.本发明借鉴传染病模型的原理和动态交互的机制，综合考虑多类型谣言信息下群体用户的多状态性，构建谣言传播动力学模型并基于模型将求解出的控制变量发送至管理服务器中，管理服务器根据该控制变量采用分级控制的方式控制谣言传播节点、辟谣传播节点以及促谣传播节点的传播，便于谣言管控部门及时采取有效地控制措施。

4.本发明提出了新的分级控制方式来对传谣、辟谣以及促谣传播过程进行控制，能够有效且准确的控制节点的传播。

附图说明

图1本发明的流程图；

图2本发明的谣言传播动力学模型的框架图；

图3本发明中量化消息影响力的机制；

图4本发明中谣言-辟谣-促谣驱动机制；

图5本发明中多类型谣言信息间的竞争与合作关系。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合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。

由于现有谣言传播控制方法存在很多不及时不准确等问题，因此本发明综合考虑谣言、辟谣和促谣消息间的竞争与合作关系，构建三方动态博弈模型，求解出控制变量，将求解出的控制变量发送至管理服务器中，管理服务器根据该控制变量采用分级控制的方式控制谣言传播节点、辟谣传播节点以及促谣传播节点的传播。

可以理解的是，本发明中传播节点的性质是根据其转发的消息来确定的，即：转发谣言消息就是谣言传播节点；转发辟谣消息就是辟谣传播节点；转发促谣消息就是促谣传播节点。

如图1所示，本发明的一种基于三方动态博弈的谣言传播控制方法，包括以下步骤：

S1、实时获取社交网络的数据，包括谣言、辟谣和促谣消息下的用户历史行为数据；并从获得的数据中提取出用户属性；

在一个实施例中，可以采用如图2所示的框架来实现谣言传播控制，包括：

输入是某话题下的整个网络信息，包括用户处于易感状态S、传谣状态I、辟谣状态A以及免疫状态R信息；将这些网络信息经过划分，分为谣言、辟谣和促谣三个消息子网；从促谣消息子网中提取出促谣转发量、促谣传播度以及用户感知力，从谣言消息子网中提取出谣言转发量、谣言流行度以及用户活跃度；从辟谣消息子网中提取出辟谣转发量、辟谣权威性以及用户感知力；对这些数据采用多元线性回归量化消息影响力，从而各自得到促谣消息影响力、谣言消息影响力以及辟谣消息影响力；基于影响力消息，构建三方动态博弈模型，该模型表示，用户是否参与话题讨论主要受用户心理、好友推动及多消息博弈的影响；最终能够输出当前时刻所预测的谣言传播节点、辟谣传播节点以及促谣传播节点。还可以经过模型作用后输出的是多类型谣言传播趋势曲线图。

在一个实施例中，数据集还可以包括谣言-辟谣-促谣话题下参与用户的历史行为数据(用户所转发的谣言信息)及话题生命周期内用户的参与情况(话题被转发的时间、次数，参与用户的基本信息及好友关系)，并将数据进行预处理后存入MySQL数据库。

在一个优选实施例中，在对数据集进行处理前，本实施例需要进行数据清洗。由于原始数据是非结构化的，不能直接用于数据分析，因此，本实施例采用简单的数据清洗使得大部分非结构化数据结构化。如，删除重复数据、清理无效节点等。

在一个实施例中，基于所获取目标用户的基本信息、好友信息和历史行为，从用户、好友、话题三个方面来提取相关属性，并结合多元线性回归量化消息影响力。

在社交网络中，谣言、辟谣和促谣消息不断传播，用户是否参与某谣言话题，选择相信还是不相信谣言信息受多种驱动因素的影响，如：用户行为习惯、用户心理因素以及话题自身热度等等。本发明从话题自身因素、个体行为因素和用户心理因素三个方面出发，定义驱动用户参与谣言话题转发的相关特征。

具体如下：

1、提取话题自身因素：

谣言话题流行度Pop(t)

Pop(t)用于描述谣言话题t的流行度，流行度越高的谣言话题，用户参与的概率越大。谣言话题流行度不仅与谣言话题发布者的影响力有关，同时还与谣言话题自身热度有关。本发明将谣言话题流行度定义为：

Pop(t)＝δ*Num[Fans(v₀)]+ε*Num[retw(t)] (1)

其中，Num[Fans(v₀)]为谣言话题发布者v₀的粉丝数，用于表征谣言话题发布者v₀的影响力，Num[retw(t)]为谣言话题t被转发的次数，用来度量谣言话题自身的热度,δ,ε∈[0,1]为可调参数，对应的，Pop(rumor)表示谣言消息流行度；Pop(anti-rumor)表示辟谣消息流行度；Pop(prom-rumor)表示促谣消息流行度。

2、提取个体行为因素：

1)用户活跃度Act(v_i)

Act(v_i)用于描述用户v_i的活跃程度。一般情况下，活跃程度越高的用户参与谣言话题的概率越大，用户活跃度Act(v_i)的定义如下：

其中，Active(v_i)指的是用户v_i的活跃指数，v_max和v_min分别代表最活跃的用户和最不活跃的用户。

Active(v_i)＝Num[orig(v_i)]+α*Num[retw(v_i)] (3)

通常情况下，用户转发的微博数要比原创的微博数多很多，因此，本发明在转发的微博数前面定义一个弱化因子α∈[0,1],Num[orig(v_i)],Num[retw(v_i)]分别表示用户在谣言爆发前一段时间发表和转发微博的数量。

2)用户信息感知力Per(v_i)

Per(v_i)用于描述用户v_i的信息感知能力。在信息传播的过程中，用户受其关注者的影响，如果用户的关注数越大且活跃用户越多，则用户的信息感知力越强。本发明将用户信息感知力定义为：

Per(v_i)＝ω*Num(U_Active)+Num(U_Inactive) (4)

其中，Num(U_Active)、Num(U_Inactive)分别表示用户v_i关注的用户中为活跃和非活跃用户的数量，由于活跃用户比非活跃用户的影响力更大，因此，本发明给活跃用户赋予了一个权重ω，本发明中ω＝1.6。在这里，本发明设定活跃指数Active(v_i)>τ的用户为活跃用户，否则为非活跃用户，τ为可调参数。

提取用户心理因素：

1)量化消息影响力

通常，谣言消息对用户的影响力不仅与消息本身的流行度有关，还与用户自身属性有关，如：用户活跃度、用户信息感知力等，因此，综合考虑可得谣言消息的影响力函数为：

Inf(rumor)＝σ₁+σ₂×Pop(rumor)+σ₃×Act(v_i)×Per(v_i) (5)

其中，σ₁、σ₂、σ₃为偏回归系数，由多元线性回归方法拟合得到，如图3所示，同理可得辟谣消息的影响力函数为：

Inf(anti)＝σ₁+σ₂×Pop(anti-rumor)+σ₃×Act(v_i)×Per(v_i) (6)

促谣消息的影响力函数为：

Inf(prom)＝σ₁+σ₂×Pop(prom-rumor)+σ₃×Act(v_i)×Per(v_i) (7)

2)策略集和收益函数Rev(v_i)

谣言话题在社交网络中传播时，谣言、辟谣和促谣消息存在竞争与合作关系，同时由于多类型复合谣言的交互性，因此本发明引入三方动态博弈理论，对用户面对谣言话题消息时的心理因素进行量化。

根据博弈论相关理论，本发明制定了三种博弈策略：“转发谣言消息”、“转发辟谣消息”和“转发促谣消息”。用p₁、p₂、p₃分别表示邻居节点中参与转发谣言信息、辟谣信息和促谣信息的比例，在不考虑不参与话题转发节点的情况下，本发明认为p₁+p₂+p₃＝1。三种博弈策略的收益函数为：

Rev_rumor(v_i)＝p₁×Inf(rumor) (8)

Rev_anti(v_i)＝p₂×Inf(anti) (9)

Rev_prom(v_i)＝p₃×Inf(prom) (10)

根据谣言、辟谣以及促谣三方的博弈关系，建立三方动态博弈模型主要分四个阶段：

步骤1)对用户面对谣言信息的心理因素进行量化，分别求得谣言消息、辟谣信息以及促谣信息对用户的影响力；

步骤2)根据各类影响力，对应计算出用户传播谣言消息、辟谣信息以及促谣信息的收益值；

步骤3)根据收益值度量用户转发多类型谣言信息的行为驱动力，构建谣言-辟谣-促谣驱动机制如图4所示；综合考虑谣言、辟谣和促谣消息间的竞争与合作关系如图5所示，并结合行为驱动力求出用户信谣概率；

步骤4)基于传染病模型构建谣言传播动力学模型。

步骤3)中量化用户行为驱动力包括：

在社交网络中，用户可能同时浏览到多条消息，如：谣言话题下用户可能会同时接收到谣言、辟谣和促谣消息，本发明假设用户参与话题时只会转发一条消息且只转发一次。然而，用户的趋利性心理促使用户转发收益大的消息，基于三方动态博弈理论可度量用户转发谣言消息的行为驱动力为：

其中，Rev_rumor(v_i)、Rev_anti(v_i)、Rev_prom(v_i)分别为转发谣言、辟谣和促谣消息的收益，w₁,w₂为可调参数。同理可得用户转发辟谣消息的行为驱动力为：

用户转发促谣消息的行为驱动力为：

度量用户相信谣言的概率包括：

在谣言传播的网络中，用户往往只会持有一种观点，即：“相信谣言”或“不相信谣言”，因此，谣言、辟谣和促谣消息之间存在一种竞争与合作关系。结合多元线性回归可知，用户v_i选择相信谣言的概率为

P_believe(v_i)＝Drf₁(v_i)-δ×Drf₂(v_i)+φ×Drf₃(v_i) (14)

其中，δ,φ分别为竞争系数和合作系数，用于控制三方动态博弈的均衡状态。同理可得，用户v_i选择不相信谣言的概率为

P_disbelieve(v_i)＝Drf₂(v_i)-δ×Drf₁(v_i)+φ×Drf₃(v_i) (15)

本发明在SIR模型的基础上引入辟谣状态，形成SIAR模型，更加真实地探究了谣言传播过程中多类型谣言信息之间的竞争与合作关系。在SIAR模型中，用户群体的状态有四种：易感状态S(Susceptible：指用户还未接触过多类型谣言信息)、传谣状态I(Infected：指用户已经接触了多类型谣言信息并选择相信谣言信息)、辟谣状态A(Anti-infected：指用户已经接触了多类型谣言信息并选择不相信谣言信息)和移除状态R(Removed：指用户已经接触过多类型谣言信息且无视谣言信息)。

定义谣言传播规则包括：

本发明所提出的SIAR模型建立在以下3个假设上：

1.由于谣言传播具有突发性、快速性等特点，因此本发明不考虑出生率和死亡率等种群因素，假设在研究时间段内，用户总数始终维持在一个常数N，即：S+I+A+R＝1。

2.由于信息传播属于接触性传播，因此易感用户与传谣用户或辟谣用户接触时有一定的感染率。

3.由于信息具有一定的生命周期，即：经过一段时间后将被人们遗忘，变成移除者，因此传谣用户或辟谣用户在变成移除者时具有一定的恢复率。

基于以上假设，本发明的谣言传播规则如下：

1.易感节点分别以α,β的感染率成为传谣节点和辟谣节点，其中α,β∈[0,1]。由于在社交网络中存在一些节点在整个谣言爆发的过程中都未曾参与其中，因此α+β<1。

2.在遗忘机制的作用下，传谣节点和辟谣节点分别以ψ,ω的恢复率变成移除节点，其中ψ,ω∈[0,1]。

基于以上传播规则，本发明得到动力学方程如下：

其中，S(t)表示用户在某一时刻t处于状态S的占比，S表示用户还未接触过多类型谣言信息；I(t)表示用户在某一时刻t处于状态I的占比，I表示用户已经接触了多类型谣言信息并选择相信谣言信息；A(t)表示用户在某一时刻t处于状态A的占比，A表示用户已经接触了多类型谣言信息并选择不相信谣言信息；R(t)表示用户在某一时刻t处于状态R的占比，R表示用户已经接触过多类型谣言信息且无视谣言信息。

由于谣言消息的传播具有单向性，即：用户只能按照易感状态、传谣状态&辟谣状态、移除状态进行状态转移。本发明根据用户v_i的n个邻居中有m个邻居相信谣言(即处于传谣状态)的概率来判断v_i相信谣言的概率；假设一个处于某个状态的用户v_i有n个邻居，其中m个邻居相信谣言的概率满足二项式分布，

则任一用户在时刻t处于传谣状态的概率为

同理可得任一用户在时刻t处于辟谣状态的概率为

结合平均场理论，得

在一个实施例中，步骤S4可以主要分以下2个步骤。

为了进一步分析谣言传播的内在机理和外在规律，本发明基于动力学模型的输出结果，系统化分析谣言传播的动态趋势，并形成舆情简报实时展示给谣言管控部门。

S41：存储模型输出结果。

将模型的输出结果以文本的形式进行持久化保存，便于分析和展示。

S42：形成舆情简报。

分析动力学模型的输出结果，形成舆情简报，简报内容包括谣言传播态势曲线图；辟谣和促谣消息发布的最佳时间段；谣言传播中影响力排名靠前的用户ID。相关部门不仅可以掌握谣言传播的整个态势，而且可以选择合适的时间发布辟谣消息，以达到最佳效果，同时，相关部门还可以通过限制影响力较大用户发布微博来抑制谣言的传播。

在另一个实施例中，本发明直接采用分级控制的方式控制谣言传播节点、辟谣传播节点以及促谣传播节点的传播，包括根据用户节点的影响力，将用户节点划分为高级别、中级别和低级别；判断谣言传播节点、辟谣传播节点以及促谣传播节点是否为高级别节点，若谣言传播节点为高级别节点，则控制该节点转发消息时需审核；若谣言传播节点为中级别节点，则控制该节点转发消息时仅对自己公开，若谣言传播节点为低级别节点，则控制该节点对自己以及其好友公开；若辟谣传播节点为高级别节点，则控制该节点转发消息时将其推广，若辟谣传播节点为中级别节点，则控制该节点转发消息时对所有人公开，若辟谣传播节点为低级别节点，则控制该节点转发消息时对自己及其好友；若促谣传播节点为高级别节点，则控制该节点转发消息时仅对自己公开，若促谣传播节点为中级别节点，则控制该节点转发消息时对自己以及其好友公开，若促谣传播节点为低级别节点，则控制该节点转发消息时对所有人公开。

作为一种可实现方式，划分级别的方式可以为从三方动态博弈模型输出的控制变量中，确定出谣言传播影响力靠前的用户，并均分为三等分，将其中影响力最大的用户群划分为高级别、将影响力最小的用户群划分为低级别、其余影响力的用户群划分为中级别。

作为另一种可实现方式，划分级别的方式还可以从传播用户的活粉比例来进行划分，例如活粉比大于50％，即设置该用户为高级别用户，活粉比低于20％，即设定该用户为低级别用户，其中是否为活粉可以根据用户的上线时间来判断，例如用户超过半年未上线，即视为该用户不是活粉。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于三方动态博弈的谣言传播控制方法，其特征在于，所述方法包括：

步骤1)对用户面对谣言信息的心理因素进行量化，分别求得谣言消息、辟谣消息以及促谣消息对用户的影响力；

步骤2)根据各类影响力，对应计算出用户传播谣言消息、辟谣消息以及促谣消息的收益值；

步骤3)根据收益值度量用户转发多类型谣言信息的行为驱动力，并结合行为驱动力求出用户信谣概率；

步骤4)基于SIR传染病模型构建谣言传播动力学模型，将辟谣状态引入到SIR谣言传播模型上，建立三方动态博弈模型：

其中，S(t)表示用户在某一时刻t处于状态S的占比，S表示用户还未接触过多类型谣言信息；I(t)表示用户在某一时刻t处于状态I的占比，I表示用户已经接触了多类型谣言信息并选择相信谣言信息；A(t)表示用户在某一时刻t处于状态A的占比，A表示用户已经接触了多类型谣言信息并选择不相信谣言信息；R(t)表示用户在某一时刻t处于状态R的占比，R表示用户已经接触过多类型谣言信息且无视谣言信息；α表示易感节点成为传谣节点的感染率；β指是易感节点成为辟谣节点的感染率；ψ指的是传谣节点恢复成移除节点的恢复率；ω指的是辟谣节点恢复成移除节点的恢复率；

S4、将求解出的控制变量发送至管理服务器中，管理服务器根据该控制变量采用分级控制的方式控制谣言传播节点、辟谣传播节点以及促谣传播节点的传播；

根据用户节点的影响力，将用户节点划分为高级别、中级别和低级别；判断谣言传播节点、辟谣传播节点以及促谣传播节点是否为高级别节点，若谣言传播节点为高级别节点，则控制该节点转发消息时需审核；若谣言传播节点为中级别节点，则控制该节点转发消息时仅对自己公开，若谣言传播节点为低级别节点，则控制该节点对自己以及其好友公开；若辟谣传播节点为高级别节点，则控制该节点转发消息时将其推广，若辟谣传播节点为中级别节点，则控制该节点转发消息时对所有人公开，若辟谣传播节点为低级别节点，则控制该节点转发消息时对自己及其好友；若促谣传播节点为高级别节点，则控制该节点转发消息时仅对自己公开，若促谣传播节点为中级别节点，则控制该节点转发消息时对自己以及其好友公开，若促谣传播节点为低级别节点，则控制该节点转发消息时对所有人公开。

2.根据权利要求1所述的一种基于三方动态博弈的谣言传播控制方法，其特征在于，所述步骤S3包括对三方动态博弈模型采用平均场理论求解：

其中，π₁(t)表示任一用户在时刻t处于传谣状态即选择相信谣言的概率，

π₂(t)表示任一用户在时刻t处于辟谣状态即选择不相信谣言的概率；

n表示该用户的邻居节点数，m表示该用户的邻居节点中选择相信谣言的节点数；P_believe(v_i)表示用户v_i相信谣言的概率；P_disbelieve(v_i)表示用户v_i不相信谣言的概率。

3.根据权利要求2所述的一种基于三方动态博弈的谣言传播控制方法，其特征在于，

用户v_i相信谣言的概率为：

P_believe(v_i)＝Drf₁(v_i)-δ×Drf₂(v_i)+φ×Drf₃(v_i)；

用户v_i不相信谣言的概率为：

P_disbelieve(v_i)＝Drf₂(v_i)-δ×Drf₁(v_i)+φ×Drf₃(v_i)；

其中，δ表示竞争系数，φ表示合作系数，用于控制三方动态博弈的均衡状态；Drf₁(v_i)表示用户转发谣言消息的行为驱动力；Drf₂(v_i)表示用户转发辟谣消息的行为驱动力；Drf₃(v_i)用户转发促谣消息的行为驱动力。

4.根据权利要求1所述的一种基于三方动态博弈的谣言传播控制方法，其特征在于，所述根据用户节点的影响力，将用户节点划分为高级别、中级别和低级别包括从三方动态博弈模型输出的控制变量中，确定出谣言传播影响力靠前的用户，并均分为三等分，将其中影响力最大的用户群划分为高级别、将影响力最小的用户群划分为低级别、其余影响力的用户群划分为中级别。