CN107562871A - 基于社会资本价值排序的社交网络影响力用户发现方法 - Google Patents
基于社会资本价值排序的社交网络影响力用户发现方法 Download PDFInfo
- Publication number
- CN107562871A CN107562871A CN201710765755.4A CN201710765755A CN107562871A CN 107562871 A CN107562871 A CN 107562871A CN 201710765755 A CN201710765755 A CN 201710765755A CN 107562871 A CN107562871 A CN 107562871A
- Authority
- CN
- China
- Prior art keywords
- mrow
- registered user
- social
- user
- msubsup
- 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
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于社会资本价值排序的社交网络影响力用户发现方法，包括：1、确定社交网络的目标社会关系网络群体n名用户；2、构建用户获取社会资本能力测度指标体系；3、计算注册用户获取社会资本的能力；4、计算注册用户的社会资本排名，根据排名发现影响力用户。本发明能准确度量社交网络用户的影响力，从而帮助企业挑选具有合适社会资本的网络用户实施互联网战略提供方法依据。
Description
技术领域
本发明涉及企业实施互联网营销战略领域，具体的说是一种面向社会资本价值排序的社交网络影响力用户发现方法。
背景技术
在社交网络上，基于网络信息交互无时空限制的特性，网络用户通过发布、传播和互动各种有价值信息，相互构筑可驾驭的社会关系网络，整合利用社会资源与关系，籍此获得、积累和使用社会资本，从而在价值观、生活方式和信息选择行为上对其他用户施加网络影响力。于是，产生了一批具有较强网络影响力的用户，他们希望快速实现其商业价值的同时，企业也在社交网络上积极寻找合适的网络影响力用户作为社会化广告代言人为其投放网络广告。那么，如何为企业在社交网络上发现网络影响力用户？该问题既是社会化营销绩效最大化研究领域中的科学问题，也是企业互联网营销管理中的热点问题。
目前，学者们通过直接度量网络用户影响力以发现网络影响力用户，主要有：
(1)从物理学角度，深入研究用户的网络结构、链接层次和社交关系，采用社会网络分析的方法，描述其物理拓扑结构以及结点之间的关系，以计算获得用户的网络影响力；
(2)从信息传播学角度，深入研究网络用户的信息选择行为，运用PageRank算法、HITS算法计算获得用户的网络影响力；
(3)从信息管理学角度，根据用户之间的信息发布和选择行为，刻画其个人和社会性属性特征，构建用户影响力多维信息熵测度模型，以计算获得用户的网络影响力。
社交网上用户之间构建的关注关系其实是一个社会关系网络，个体的影响力即为社会资本资源。网络用户自身文化背景、知识结构、声望威权、社会经验和经历各不相同，其所拥有的社会资源、关系、能力以及发挥的影响作用也不同，导致其作为企业社会化广告目标所产生的作用范围和营销效果也存在差异。上述方法均没有考虑用户的社会资本属性，而导致用户的网络影响力并不能准确的反应其通过网络获取社会资源的能力，导致企业不能准确的根据上述方法寻找到合适的社会化广告目标。
发明内容
本发明为了解决上述现有技术存在的不足之处，提供一种基于社会资本价值排序的社交网络影响力用户发现方法，以期能准确度量社交网络用户的影响力，从而帮助企业挑选具有合适社会资本的网络用户实施互联网战略提供方法依据。
为达到上述目的，本发明采用如下技术方案：
本发明一种基于社会资本价值排序的社交网络影响力用户发现方法的特点是按照如下步骤进行：
步骤1、将社会关系网络表示为有向图G＝{V,E,A}，其中，V为节点集，表示所述社会关系网络中的注册用户集，且V＝{v1,v2,…,vi,…vn}，vi表示第i个注册用户，i＝1,2，…,n；E为边集，表示所述社会关系网络中的任意注册用户之间的关注关系集，若第j个注册用户vj关注第i个注册用户vi，则令(vj,vi)∈E，若第i个注册用户vi关注第j个注册用户vj，则令(vi,vj)∈E；A为边集上的权集，表示所述社会关系网络中任意注册用户获取其他注册用户的社会资本的能力值集；令aji∈A为边(vj,vi)上的权值，表示第i个注册用户vi获取第j个注册用户vj的社会资本的能力值；j＝1,2，…,n；i≠j；
步骤2、在第j个注册用户vj关注第i个注册用户vi的条件下，构建第i个注册用户vi获取第j个注册用户vj社会资本的能力测度指标集，记为 表示第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力，m＝1,2，…,M；并有： 表示第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力下的第k个子指标值；k＝1,2，…,Km，Km表示第m种能力下的子指标总个数；
步骤3、计算注册用户获取社会资本的能力：
步骤3.1、构建第j个注册用户vj所关注的所有注册用户的初始矩阵Dj进行归一化处理，得到归一化后的初始矩阵vf∈V表示第j个注册用户vj所关注的第一个注册用户为所述节点集V中第f个注册用户，vL∈V表示第j个注册用户vj所关注的最后一个注册用户为所述节点集V中第L个注册用户；
步骤3.2、利用式(1)得到第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力下的第k个子指标值的比重
步骤3.3、利用式(2)得到第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力下的第k个子指标值的熵值
式(2)中，若则令
步骤3.4、利用式(3)得到第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力下的第k个子指标值的权重
步骤3.5、利用式(4)得到第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力值
步骤3.6、利用式(5)得到第i个注册用户vi获取第j个注册用户vj的社会资本的能力值aji：
步骤4、计算注册用户的社会资本排名：
步骤4.1、利用式(6)得到第i个注册用户vi获得第j个注册用户vj的社会资本的概率值pji：
步骤4.2、定义迭代次数为t，并初始化t＝1；
步骤4.3、令第t-1次迭代的社会资本矩阵SC0为零向量；
步骤4.4、利用式(7)得到第t次迭代的社会资本矩阵SCt：
SCt＝γN+(1-γ)PTSCt-1 (8)
式(8)中，γ表示注册用户主动搜寻的概率；N＝(1/n,1/n,...,1/n,1/n)T，P＝{pji}i,j＝1,2,…,n；
步骤4.5、令t+1赋值给t，并返回步骤4.4，直到|SCt-SCt-1|＜ε为止；ε为所设置的精度；
步骤4.6、将最终迭代得到的社会资本矩阵SCt中的每个元素值即为n个注册用户各自的社会资本价值[sc1,sc2,…,sci,…,scn]；sci表示第i个注册用户的社会资本价值，并按照n个注册用户各自的社会资本价值进行排序，从而得到n个注册用户的社交网络影响力大小。
与现有技术相比，本发明的有益效果体现在：
1、本发明从社会资本视角测量网络用户影响力，通过深入研究网络用户社会资本的获取、积累和使用过程，计算网络用户社会资本，最终形成计算网络用户社会资本排序的SCRank算法模型，根据排序结果可有效发现网络影响力用户，可用于企业社会化营销等领域，从而能够更加准确的反应网络用户社会资本。
2、本发明通过信息熵权法度量网络用户获取社会资本能力，保证了计算的客观性，适用于计算大规模计算。
3、本发明改进了PageRank中不适用于社交网络计算的权重计算方法，从而能够更加准确的度量网络用户影响力。
附图说明
图1为本发明网络用户获取社会资本过程模型图；
图2为本发明SCRank和PageRank算法计算结果对比图。
具体实施方式
本实施例中，如图1所示，一种基于社会资本价值排序的社交网络影响力用户发现方法，是按照如下步骤进行：
步骤1、确定社交网络的目标社会关系网络群体，此社会关系网络表示为有向图G＝{V,E,A}，其中V为节点集，表示社会关系网络中的注册用户集，且V＝{v1,v2,…,vi,…vn}，vi表示第i个注册用户，i＝1,2，…,n；E为边集，表示社会关系网络中的任意注册用户之间的关注关系集，若第j个注册用户vj关注第i个注册用户vi，则令(vj,vi)∈E，若第i个注册用户vi关注第j个注册用户vj，则令(vi,vj)∈E；A为边集上的权集，表示社会关系网络中任意注册用户获取其他注册用户的社会资本的能力值集；令aji∈A为边(vj,vi)上的权值，表示第i个注册用户vi获取第j个注册用户vj的社会资本的能力值；j＝1,2，…,n；i≠j；
在本实施例中，以新浪微博平台作为实验数据来源，将线下班级实体同学构成的社会关系网络，映射到新浪微博平台上的社会关系网络，共有用户n＝30人。
步骤2、在第j个注册用户vj关注第i个注册用户vi的条件下，构建第i个注册用户vi获取第j个注册用户vj社会资本的能力测度指标集，记为 表示第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力，m＝1,2，…,M；并有： 表示第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力下的第k个子指标值；k＝1,2，…,Km，Km表示第m种能力下的子指标总个数；
本实例中确定两种能力——个人魅力与互动能力。vi获取vj社会资本个人魅力指标包括：用户vi等级、用户vi身份认证、用户vi粉丝数、用户vi发文数量、用户vi质量文本发布数，依次设为为vi获取vj社会资本互动能力指标包括：vj对vi评论数、j对i转发数，依次设为
社交网络平台用户获得社会资本过程：
社会资本是个人利用其成员资格在网络或更宽泛的社会结构中获取短缺资源的能力,社会关系网络成员的社会地位、个体与网络成员的关系强度是决定个体拥有社会资源数量和质量的决定性因素。在像微博一类的社交网络平台，用户也可以利用其在网上的社会地位以及与其他成员的关系强度直接获得社会资本。用户社会资本来源于社会关系网络成员，关注他的其他用户可根据该用户对自己的吸引程度，决定与其交流频率，即用户的“个人魅力”与“互动能力”因素。其他用户选择与该用户交往可视为接受他的影响，即该用户从其他用户那里获取社会资本资源。可见，社交网络用户以己“个人魅力”和“互动能力”在擅长领域展示影响力，主要是通过选择性发布、传播和交互带有倾向性观点的信息吸引粉丝与其互动，以此对他人施加影响力。微博用户为此不断地获得、积累和使用网络影响力社会资本，对于被影响的粉丝而言，选择接受哪个关注对象的影响贡献其社会资本，这是多属性决策问题。多属性决策问题关键是确定决策方案选取因素以及其重要性，由此转化为赋权决策问题。赋权决策有主客观赋权两种方法，主观法由决策者观察属性的被重视程度进行主观赋权，有随意性弊端，故本文采用客观赋权法。客观赋权法有信息熵法、离差最大化法、TOPSIS法等。社交网络平台用户对他人施加信息影响力，主要是通过发布和传播有目的导向性的信息，被关注的对象接受和反馈的信息传播过程。信息熵权法是一种度量信息价值及其影响力的客观赋权法,可测量和甄别用户对其粉丝施加影响的差异。如图1所示，用户vj关注用户vi,同时vj关注的第一个用户是vf,关注的最后一个用户是vl。vi凭借其个人魅力和互动能力，对粉丝vj施加影响，再利用vj来获得vj所拥有的社会资源，使vi对vj以外的关联粉丝产生影响，以此整合利用他们的社会资源。在此社会关系网络中，vi能够以个人魅力不断地吸引粉丝与其互动，并利用其互动能力对粉丝们产生信息影响，由此获取和积累社会关系网络中的社会资源使用权利，即社会资本。
探索社交网络用户获取社会资本能力构成属性要素，从人格魅力和社交能力两个维度构建社交关系网络下的用户获取社会资本能力测度指标体系，见表1。
表1网络用户获取社会资本能力测度指标
步骤3、计算注册用户获取社会资本的能力：
在本实例中，利用新浪微博提供的API数据接口，通过自编爬虫程序获取同学之间的关注关系、个人魅力和互动能力等属性数据，包括(1)成员关注关系：用户ID、关注用户ID；(2)个人魅力数据：用户等级、用户身份认证、用户粉丝数、用户发文数量、用户质量文本；(1)互动能力数据：用户对其关注的评论数、用户转发关注用户贴数。
将上述数据导入实验数据库。表2为个人魅力数据表，其中字段nodeid、name、grade、identity、fans、amount、quality分别代表用户ID、用户昵称、用户等级、用户身份认证、用户粉丝数、用户发文数量、用户质量文本发布数。表3为用户关注与互动关系数据表，其中字段i、j、reply、share分别代表用户ID、关注用户、用户对其关注的评论数、用户对其关注用户的转发数。
表2用户个人魅力表
表3用户关注与互动关系数据表
步骤3.1、构建第j个注册用户vj所关注的所有注册用户的初始矩阵Dj进行归一化处理，得到归一化后的初始矩阵vf∈V表示第j个注册用户vj所关注的第一个注册用户为所述节点集V中第f个注册用户，vL∈V表示第j个注册用户vj所关注的最后一个注册用户为所述节点集V中第L个注册用户；
本实例中：
在本实例中，以用户1为例。用户1受到2、4、5用户关注，构建初始矩阵如下：
为消除指标量纲不统一带来的不利影响，在计算时，需要对数据进行归一化处理。
经处理后的矩阵为：
在本实例中，以用户1为例，处理过后的矩阵为：
步骤3.2、利用式(1)得到第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力下的第k个子指标值的比重
本实例中指标比重和计算为：
步骤3.3、利用式(2)得到第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力下的第k个子指标值的熵值
式(2)中，若则令
本实例中：
步骤3.4、利用式(3)得到第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力下的第k个子指标值的权重
本实例中：
在本实例中，以用户1为例，个人魅力指标权重为：0.000769，0.000000，0.110123，0.487086，0.402022互动能力指标权重为：0.163879，0.836121。
步骤3.5、利用式(4)得到第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力值
在本实例中：
以用户1为例，其关注对象对他的个人魅力分别为：0.925824，0.650238，0.075495其关注对象对他的互动能力分别为：0.918061，0.163879，0.024582
步骤3.6、利用式(5)得到第i个注册用户vi获取第j个注册用户vj的社会资本的能力值aji：
本实例中：
以用户1为例，其关注对象对他的社会资本获取能力值分别为：0.849963，0.106560，0.001856
步骤4、计算注册用户的社会资本排名：
PageRank算法是用于甄别Web网页重要性并以此衡量网站优劣的经典算法。PageRank算法基于马尔可夫随机游走思想模拟用户浏览网页的行为，认为一个页面的重要性取决于指向该页面链接的重要性，契合于本方法观点——网络成员的社会资本直接来源于与其直接建立社会关系的成员。同时在本文中微博用户的社会资本来源于社会关系网络成员，计算用户社会资本应用PageRank算法满足条件。应用PageRank算法有两个特点：一是结点将其权威性均等分配传递给所指向的结点用户；二是每个结点都以相同的概率1/n被其他结点随机访问。这一特性对物理拓扑结构下的用户链接适用，但不符合社会关系网络用户关系。本方法改进PageRank算法在结点传播信息时的权重分配关系，根据网络用户的个人魅力以及其互动能力的差异性，重新分配结点信息传递时的权威性权重，以形成网络用户社会资本排序的SCRank算法。
步骤4.1、利用式(6)得到第i个注册用户vi获得第j个注册用户vj的社会资本的概率值pji：
在社交网络平台，用户vj关注感兴趣的用户结点众多，用户vi只是其关注结点的一个，因此用户vi需要在竞争下才能获得vj所拥有的社会资源，以彰显自己的获取社会资本能力，在本实例中，计算得出用户v2、v4、v5随机获取用户v1的社会资本概率分别为：0.886876、0.111188、0.001936。同理，可计算其他用户的数据，由此构建的转移概率矩阵是：
步骤4.2、定义迭代次数为t，并初始化t＝1；
步骤4.3、令第t-1次迭代的社会资本矩阵SC0为零向量；
本实例中，令SC0＝(0,0,...,0,0)T；
步骤4.4、利用式(7)得到第t次迭代的社会资本矩阵SCt：
SCt＝γN+(1-γ)PTSCt-1 (8)
式(8)中，γ表示注册用户主动搜寻的概率；N＝(1/n,1/n,...,1/n,1/n)T，P＝{pji}i,j＝1,2,…,n；
本实例中，γ取经验值0.15。
步骤4.5、令t+1赋值给t，并返回步骤4.4，直到|SCt-SCt-1|＜ε为止；ε为所设置的精度；本实例中，ε＝0.0000001；
步骤4.6、将最终迭代得到的社会资本矩阵SCt中的每个元素值即为n个注册用户各自的社会资本价值[sc1,sc2,…,sci,…,scn]；sci表示第i个注册用户的社会资本价值，并按照n个注册用户各自的社会资本价值进行排序，从而得到n个注册用户的社交网络影响力大小。
经过迭代计算可得用户社会资本值，从大到小排列如表4：
表4用户社会资本排名(部分)
将SCRank与PageRank进行对比分析：
运用经典的PageRank算法计算新浪微博用户的网络影响力并对其排序，结果如表5所示：
表5用户pagerank影响力排名(部分)
| nodeid | pagerank |
| 4 | 0.832596 |
| 12 | 0.506507 |
| 9 | 0.457548 |
| 20 | 0.377335 |
| 17 | 0.347846 |
| 18 | 0.3314 |
| 16 | 0.318994 |
| 19 | 0.313213 |
| 13 | 0.305792 |
| ... | ... |
运用PageRank改进算法(SCRank)与原PageRank算法计算结果比较，分别减去最小值再做对比分析，结果如图2所示，对比发现，运用SCRank算法对用户社会资本排名前三名分别为v17、v8、v4用户，运用经典PageRank算法计算影响力排名用户前三名的是v4、v12、v9用户。对比发现，用户v4的SCRank值与PageRank值相差不大，而用户v8、v13、v17的SCRank值与PageRank值相差较大。通过微博用户信息发现，用户v17在班级担任团支书；用户v8热爱健身，乐于发送微博分享，用户v4的用户与他人建立的关注关系较多。SCRank算法能体现用户在社会关系网络中关系作用，同时又能表现用户的吸粉能力以及与交互行为的差异。研究发现，用户v12与v9的用户“僵尸粉”较多，表明SCRank能够比PageRank更有效地区分“僵尸粉”带来的影响。事实上，线上的社会关系网络根植于线下的社会关系网络，若直接将经典的PageRank算法用于解决线上的社会关系网络用户影响力计算和排序，实际效果并不好。从社会资本视角出发，通过对PageRank算法应用条件分析发现，将网络拓扑结构注入社会关系因素，如用户的个人魅力和社交能力，从而改变算法的计算方法形成SCRank新算法，，可有效地避免用户“僵尸粉”对其影响力计算的影响，便于企业真正发现有影响力的用户。
本方法研究社交网络平台用户社会资本测量问题，针对社交网用户构建的社会关系网络，分析网络用户及个人魅力和社会性能力以及在社会资本获得、积累过程的作用，运用信息熵权法，构建网络用户个人魅力和社会性能力以及其相互作用因素的社会资本计算模型，对经典的PageRank算法进行改进，从而形成网络用户影响力社会资本排序SCRank算法，计算社交网络平台用户的影响力社会资本，通过对影响力用户社会资本排序发现有影响力的用户，可为企业实施互联网营销战略提供决策支持。
Claims (1)
1.一种基于社会资本价值排序的社交网络影响力用户发现方法，其特征是按照如下步骤进行：
步骤1、将社会关系网络表示为有向图G＝{V,E,A}，其中，V为节点集，表示所述社会关系网络中的注册用户集，且V＝{v1,v2,…,vi,…vn}，vi表示第i个注册用户，i＝1,2，…,n；E为边集，表示所述社会关系网络中的任意注册用户之间的关注关系集，若第j个注册用户vj关注第i个注册用户vi，则令(vj,vi)∈E，若第i个注册用户vi关注第j个注册用户vj，则令(vi,vj)∈E；A为边集上的权集，表示所述社会关系网络中任意注册用户获取其他注册用户的社会资本的能力值集；令aji∈A为边(vj,vi)上的权值，表示第i个注册用户vi获取第j个注册用户vj的社会资本的能力值；j＝1,2，…,n；i≠j；
步骤2、在第j个注册用户vj关注第i个注册用户vi的条件下，构建第i个注册用户vi获取第j个注册用户vj社会资本的能力测度指标集，记为 表示第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力，m＝1,2，…,M；并有： 表示第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力下的第k个子指标值；k＝1,2，…,Km，Km表示第m种能力下的子指标总个数；
步骤3、计算注册用户获取社会资本的能力：
步骤3.1、构建第j个注册用户vj所关注的所有注册用户的初始矩阵Dj进行归一化处理，得到归一化后的初始矩阵vf∈V表示第j个注册用户vj所关注的第一个注册用户为所述节点集V中第f个注册用户，vL∈V表示第j个注册用户vj所关注的最后一个注册用户为所述节点集V中第L个注册用户；
步骤3.2、利用式(1)得到第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力下的第k个子指标值的比重
<mrow>
<msubsup>
<mi>h</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mrow>
<msup>
<mi>mk</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msubsup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>f</mi>
</mrow>
<mi>L</mi>
</munderover>
<msubsup>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mrow>
<msup>
<mi>mk</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msubsup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤3.3、利用式(2)得到第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力下的第k个子指标值的熵值
<mrow>
<msubsup>
<mi>e</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>K</mi>
<mi>m</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>f</mi>
</mrow>
<mi>L</mi>
</munderover>
<msubsup>
<mi>h</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
</msubsup>
<msup>
<mi>ln</mi>
<msubsup>
<mi>h</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
</msubsup>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)中，若则令
步骤3.4、利用式(3)得到第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力下的第k个子指标值的权重
<mrow>
<msubsup>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>e</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
</msubsup>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>K</mi>
<mi>m</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>e</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤3.5、利用式(4)得到第i个注册用户vi获取第j个注册用户vj社会资本的第m种能力值
<mrow>
<msubsup>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>K</mi>
<mi>m</mi>
</msub>
</munderover>
<msubsup>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
</msubsup>
<msubsup>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤3.6、利用式(5)得到第i个注册用户vi获取第j个注册用户vj的社会资本的能力值aji：
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msubsup>
<mi>s</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤4、计算注册用户的社会资本排名：
步骤4.1、利用式(6)得到第i个注册用户vi获得第j个注册用户vj的社会资本的概率值pji：
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>a</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>f</mi>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>a</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤4.2、定义迭代次数为t，并初始化t＝1；
步骤4.3、令第t-1次迭代的社会资本矩阵SC0为零向量；
步骤4.4、利用式(7)得到第t次迭代的社会资本矩阵SCt：
SCt＝γN+(1-γ)PTSCt-1 (8)
式(8)中，γ表示注册用户主动搜寻的概率；N＝(1/n,1/n,...,1/n,1/n)T，P＝{pji}i,j＝1,2,…,n；
步骤4.5、令t+1赋值给t，并返回步骤4.4，直到|SCt-SCt-1|＜ε为止；ε为所设置的精度；
步骤4.6、将最终迭代得到的社会资本矩阵SCt中的每个元素值即为n个注册用户各自的社会资本价值[sc1,sc2,…,sci,…,scn]；sci表示第i个注册用户的社会资本价值，并按照n个注册用户各自的社会资本价值进行排序，从而得到n个注册用户的社交网络影响力大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710765755.4A CN107562871A (zh) | 2017-08-30 | 2017-08-30 | 基于社会资本价值排序的社交网络影响力用户发现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710765755.4A CN107562871A (zh) | 2017-08-30 | 2017-08-30 | 基于社会资本价值排序的社交网络影响力用户发现方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107562871A true CN107562871A (zh) | 2018-01-09 |
Family
ID=60978481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710765755.4A Pending CN107562871A (zh) | 2017-08-30 | 2017-08-30 | 基于社会资本价值排序的社交网络影响力用户发现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107562871A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764943A (zh) * | 2018-05-30 | 2018-11-06 | 公安部第三研究所 | 基于资金交易网络的可疑用户监测分析方法 |
| CN109271584A (zh) * | 2018-08-29 | 2019-01-25 | 杭州电子科技大学 | 基于改进版PageRank以及综合影响力的推荐方法 |
| CN111885551A (zh) * | 2020-06-28 | 2020-11-03 | 天津大学 | 基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制 |
-
2017
- 2017-08-30 CN CN201710765755.4A patent/CN107562871A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764943A (zh) * | 2018-05-30 | 2018-11-06 | 公安部第三研究所 | 基于资金交易网络的可疑用户监测分析方法 |
| CN108764943B (zh) * | 2018-05-30 | 2021-09-24 | 公安部第三研究所 | 基于资金交易网络的可疑用户监测分析方法 |
| CN109271584A (zh) * | 2018-08-29 | 2019-01-25 | 杭州电子科技大学 | 基于改进版PageRank以及综合影响力的推荐方法 |
| CN109271584B (zh) * | 2018-08-29 | 2022-02-15 | 杭州电子科技大学 | 基于改进版PageRank以及综合影响力的推荐方法 |
| CN111885551A (zh) * | 2020-06-28 | 2020-11-03 | 天津大学 | 基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制 |
| CN111885551B (zh) * | 2020-06-28 | 2021-05-18 | 天津大学 | 基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yin et al. | A unified framework for link recommendation using random walks | |
| CN105117422B (zh) | 智能社交网络推荐*** | |
| US20170154267A1 (en) | Discovering signature of electronic social networks | |
| CN107169873B (zh) | 一种多特征融合的微博用户权威度评价方法 | |
| CN107391659B (zh) | 一种基于信誉度的引文网络学术影响力评价排序方法 | |
| CN103617289B (zh) | 基于用户特征及网络关系的微博推荐方法 | |
| CN104133897B (zh) | 一种基于话题影响力的微博话题溯源方法 | |
| CN107657034A (zh) | 一种社交信息增强的事件社交网络推荐算法 | |
| CN104035987B (zh) | 一种微博网络用户影响力排名方法 | |
| Kim et al. | An analytical way to find influencers on social networks and validate their effects in disseminating social games | |
| CN106203935B (zh) | 基于用户生成内容及用户关系的技能评估与岗位匹配方法 | |
| CN108053050A (zh) | 点击率预估方法、装置、计算设备及存储介质 | |
| CN107220328A (zh) | 基于社交网络的弱关系和强关系的视频推荐方法 | |
| CN107562871A (zh) | 基于社会资本价值排序的社交网络影响力用户发现方法 | |
| CN104794367A (zh) | 基于隐语义模型的就医资源评分与推荐方法 | |
| CN106384259A (zh) | 一种融合社交信息的推荐***解决方法 | |
| CN107256241A (zh) | 基于网格与差异替换改进多目标遗传算法的电影推荐方法 | |
| CN108182640A (zh) | 一种基于用户行为传播模型求解影响力最大化问题的方法 | |
| CN105678590A (zh) | 一种面向社交网络基于云模型的topN推荐方法 | |
| Ju et al. | Relationship strength estimation based on Wechat Friends Circle | |
| Huang et al. | Information fusion oriented heterogeneous social network for friend recommendation via community detection | |
| CN109857928A (zh) | 基于多元信用评估的用户偏好预测方法 | |
| Zhao et al. | Service objective evaluation via exploring social users' rating behaviors | |
| CN116127178A (zh) | 基于属性多重异构信息网络的网络文章影响力评估方法 | |
| Zhang | Research on collaborative filtering recommendation algorithm based on 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: 20180109 |
|
| RJ01 | Rejection of invention patent application after publication |