張 琛,湯 鯤,彭艷兵

1(南京烽火軟件科技有限公司,南京 210019)

2(武漢郵電科學(xué)研究院,武漢 430074)

3(烽火通信科技股份有限公司,武漢 430073)

社交網(wǎng)絡(luò)用戶影響力的模糊綜合評(píng)價(jià)①

張 琛1,2,湯 鯤1,2,彭艷兵3

1(南京烽火軟件科技有限公司,南京 210019)

2(武漢郵電科學(xué)研究院,武漢 430074)

3(烽火通信科技股份有限公司,武漢 430073)

社交網(wǎng)絡(luò)平臺(tái)信息傳播迅速,為了有效地進(jìn)行輿情預(yù)警,定量地評(píng)估用戶在消息傳播網(wǎng)絡(luò)中重要性,將模糊綜合評(píng)價(jià)方法引入用戶影響力建模問題中. 通過對(duì)用戶在社交平臺(tái)上的行為分析,構(gòu)造了包含用戶活躍粉絲數(shù)以及平均轉(zhuǎn)發(fā)數(shù)等五項(xiàng)指標(biāo)在內(nèi)的評(píng)價(jià)體系. 并針對(duì)傳統(tǒng)的模糊綜合評(píng)價(jià)算法在應(yīng)用于計(jì)算評(píng)價(jià)指標(biāo)權(quán)重方面的缺陷與不足,提出改進(jìn)模糊合成算子的方法構(gòu)建用戶影響力評(píng)估模型. 利用新浪微博社交平臺(tái)上的真實(shí)數(shù)據(jù),結(jié)合對(duì)比實(shí)驗(yàn)和實(shí)際評(píng)估,改進(jìn)的模糊合成算子能根據(jù)需求調(diào)整權(quán)重對(duì)評(píng)價(jià)結(jié)果的影響,同時(shí)該方法能較準(zhǔn)確地反應(yīng)社交網(wǎng)絡(luò)中用戶的實(shí)際影響力.

社交網(wǎng)絡(luò); 用戶影響力; 模糊綜合評(píng)價(jià); 模糊矩陣合成

近年來,社交網(wǎng)絡(luò)平臺(tái)的興起對(duì)人們的信息獲取和生活方式產(chǎn)生了不可低估的影響,快速增長(zhǎng)的社交平臺(tái)用戶數(shù)量也導(dǎo)致信息總量的爆炸式增長(zhǎng). 如何使信息被更多的用戶所接收,即用戶影響力評(píng)估問題,已經(jīng)成為社交網(wǎng)絡(luò)平臺(tái)及其應(yīng)用的研究熱點(diǎn)之一. 在社交網(wǎng)絡(luò)中,消息傳播的速度、覆蓋的范圍以及深度反映了用戶影響力的大小. 因此,計(jì)算網(wǎng)絡(luò)中節(jié)點(diǎn)的影響力并分析消息在網(wǎng)絡(luò)中的傳播機(jī)制,可以有效地找出信息傳播網(wǎng)中的關(guān)鍵節(jié)點(diǎn),從而能夠進(jìn)行輿情預(yù)警和輿情分析,對(duì)保障網(wǎng)絡(luò)安全有重要的意義[1].

最早關(guān)于社交網(wǎng)絡(luò)中影響力的研究是以粉絲數(shù)作為衡量的標(biāo)準(zhǔn). 近年來,國(guó)內(nèi)外很多學(xué)者在這方面的研究又有了新的進(jìn)展. 例如,康書龍等[2]重點(diǎn)考慮了用戶在社交網(wǎng)站上的不同行為方式,在PageRank算法的基礎(chǔ)上設(shè)計(jì)了BRR算法,并通過網(wǎng)絡(luò)節(jié)點(diǎn)的BRR值來計(jì)算用戶影響力值. Y Yamaguchi等[3]重點(diǎn)考慮了用戶與用戶之間的關(guān)系,提出了TURank模型來評(píng)價(jià)用戶的影響力. 這些研究的重點(diǎn)在于探究用戶與用戶之間的“好友關(guān)系”,通過確定“好友關(guān)系”的權(quán)重值,來反映不同用戶的影響力大小. 但在實(shí)際應(yīng)用中,粉絲數(shù)和關(guān)注數(shù)這些“好友關(guān)系”并不能真實(shí)地反映用戶的影響力. 相反,諸如點(diǎn)贊、轉(zhuǎn)發(fā)、評(píng)論等這樣一些用戶行為卻能夠集中反映微博的實(shí)際影響力,對(duì)輿論產(chǎn)生實(shí)質(zhì)性地影響.

賈沖沖等[4]為了減少低影響力的粉絲在評(píng)價(jià)用戶影響力過程中帶來的負(fù)面作用,提出了基于H指數(shù)的HRank模型來計(jì)算用戶的影響力. 宮秀文等[5]面對(duì)用戶影響力最大化的問題,提出一種基于改進(jìn)PageRank算法的信息傳播模型PRP,利用貪心算法近似求解該問題. 胡勇等[6]在社交網(wǎng)絡(luò)意見領(lǐng)袖的識(shí)別及分析方向提出了通過用戶特征屬性來刻畫社交網(wǎng)絡(luò)領(lǐng)袖的領(lǐng)導(dǎo)力模型. 這些研究拓寬了研究用戶影響力的思路,從多維度、多角度綜合考慮影響力的評(píng)估問題. 但以上針對(duì)用戶影響力的研究多基于PageRank算法的改進(jìn)或?qū)W(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析,能合理地評(píng)價(jià)用戶影響力. 但是在評(píng)價(jià)體系的確立以及評(píng)價(jià)指標(biāo)權(quán)重的處理上仍有改進(jìn)的空間.

本文在借鑒已有成果的基礎(chǔ)上,提出了基于模糊綜合評(píng)價(jià)的社交網(wǎng)絡(luò)用戶影響力評(píng)估模型. 一方面,本文對(duì)社交網(wǎng)絡(luò)用戶的行為特征進(jìn)行提取和定量分析,劃分了屬性指標(biāo). 另一方面,在面對(duì)實(shí)施傳統(tǒng)的模糊綜合評(píng)價(jià)算法中常見的兩大難點(diǎn),本文分別改進(jìn)了權(quán)重的確定方法和模糊矩陣的合成算子,以此定量地衡量用戶的影響力. 對(duì)于改進(jìn)后的模糊綜合評(píng)價(jià)算法,本文介紹了原理及實(shí)現(xiàn)過程,并設(shè)置對(duì)比實(shí)驗(yàn)驗(yàn)證該算法的有效性.

1 理論基礎(chǔ)

目前針對(duì)定量計(jì)算用戶影響力的問題,研究較多的方向是利用PageRank算法[7-9]. 但該算法在計(jì)算頁(yè)面的PR值的時(shí)候是均勻地分配到鏈出頁(yè)面,并沒有考慮到用戶行為所來帶的權(quán)值的改變. 而模糊綜合評(píng)價(jià)(Fuzzy comprehensive evaluation,簡(jiǎn)記 FCE)算法能自由選擇評(píng)價(jià)指標(biāo),同時(shí)能較好地解決非確定性問題或難以量化的問題,把定性評(píng)價(jià)轉(zhuǎn)化為定量計(jì)算[10]. 因此非常適用于本文所研究的衡量用戶影響力大小的問題.

一般而言,模糊綜合評(píng)價(jià)算法描述如下: 設(shè)X={x1,x2,···,xm}為評(píng)價(jià)因素集,Y={y1,y2,...,yn}為評(píng)價(jià)集.Ri={ri1,ri2,···,rin}為因素評(píng)價(jià)集xi的單因素評(píng)價(jià),也就是rij表示因素xi對(duì)評(píng)價(jià)yj的模糊評(píng)價(jià)值.W=[w1,w2,...,wm]為權(quán)重矩陣. 其中wi表示第i個(gè)因素在評(píng)價(jià)中的影響因子或重要程度. 如果多因素作用下的綜合評(píng)價(jià)結(jié)果設(shè)為B=[b1,b2,···,bn],則公式(1)給出了傳統(tǒng)的模糊綜合評(píng)價(jià)計(jì)算模型.

根據(jù)模糊集的運(yùn)算方法,表1中給出了四種常用的模糊合成算子[11],公式(1)中的符號(hào) ?表示表1中四種常用算子中的任意一種.

表1 四種常用模糊算子

在實(shí)際應(yīng)用該模型的過程中,關(guān)鍵問題是確定權(quán)重矩陣W和單因素評(píng)價(jià)矩陣R. 下面將在第2節(jié)和第3節(jié)分別針對(duì)這兩難點(diǎn)介紹改進(jìn)模糊綜合評(píng)價(jià)算法的實(shí)際應(yīng)用.

2 指標(biāo)選取及權(quán)重確定

在應(yīng)用模糊綜合評(píng)價(jià)對(duì)用戶影響力作評(píng)估時(shí),首要問題是解決哪些因素會(huì)對(duì)綜合評(píng)價(jià)結(jié)果產(chǎn)生影響,即指標(biāo)的選取問題. 其次,由公式 (1)知,還需確定指標(biāo)的權(quán)重矩陣W.

2.1 用戶影響力指標(biāo)的選取

常見的社交網(wǎng)絡(luò)平臺(tái)諸如twitter,facebook,微博,人人網(wǎng)等. 社交網(wǎng)絡(luò)的影響力通過用戶與用戶之間的互動(dòng)得以體現(xiàn). 近年來,微博作為一種便捷的社交網(wǎng)絡(luò)平臺(tái),日活躍用戶過億,已逐漸成為人們進(jìn)行信息交流的重要媒介,影響著人們的生活和社交方式. 微博信息傳播快速,范圍廣,極易形成網(wǎng)絡(luò)輿情.

在新浪微博平臺(tái),結(jié)合實(shí)際情況可知,用戶關(guān)注與被關(guān)注這樣的用戶關(guān)系; 用戶發(fā)微博數(shù)的數(shù)量、評(píng)論數(shù)、轉(zhuǎn)發(fā)等行為; 用戶是否經(jīng)過官方認(rèn)證等個(gè)人身份這些因素均與用戶影響力大小相關(guān),鑒于此,本文從以下三個(gè)方面探究并分析.

首先,從用戶關(guān)系角度考慮. 用戶的粉絲數(shù)能在某種程度上反映用戶在社交網(wǎng)絡(luò)中受重視的程度. 由于目前有許多人為了擴(kuò)大自己影響力購(gòu)買“僵尸粉”或“水軍”,因此粉絲數(shù)的多少并不能直接代表用戶的影響力. 因此在對(duì)用戶影響力進(jìn)行衡量時(shí)需要剔除這一部分粉絲.

定義1. 用戶活躍度和用戶活躍粉絲數(shù). 假設(shè)用戶在統(tǒng)計(jì)時(shí)間為T的時(shí)間段內(nèi),進(jìn)行原創(chuàng)微博數(shù)量為U0,轉(zhuǎn)發(fā)微博數(shù)量為Ur,提及他人的微博數(shù)量為Ua. 現(xiàn)定義用戶活躍度指標(biāo)為

當(dāng)用戶活躍度Ai低于一定的閾值的時(shí)候,可判定該微博用戶為不活躍用戶,在進(jìn)行粉絲數(shù)統(tǒng)計(jì)時(shí)候不予考慮. 因此,剔除掉不活躍用戶后,將用戶活躍粉絲數(shù)記為A.

其次,從用戶行為的角度考慮. 微博中用戶的行為主要包括: 轉(zhuǎn)發(fā)、評(píng)論、提及. 其他行為例如,主持話題、參與微博活動(dòng)、私信等等均是在這三種主要行為上的延伸. 另一方面,“提及”這一行為分主動(dòng)和被動(dòng)兩種情況. 除去由轉(zhuǎn)發(fā)這種情況引起的提及外,不難看出,無論是主動(dòng)提及他人或者是被他人提及,均是兩個(gè)人或少數(shù)人之間的互動(dòng)關(guān)系. 從中也只能反映出少數(shù)人之間有聯(lián)系. 因此,在分析用戶影響力這一問題上,僅考慮轉(zhuǎn)發(fā)和評(píng)論兩種用戶行為. 下面給出相關(guān)定義.

其中,T為統(tǒng)計(jì)時(shí)間段,n為該時(shí)段內(nèi)用戶發(fā)布微博總數(shù)(包括原創(chuàng)和轉(zhuǎn)發(fā)),xir和xic表示第i個(gè)用戶對(duì)該條微博是否轉(zhuǎn)發(fā)和評(píng)論情況. 若轉(zhuǎn)發(fā),則xir=1,否則為 0,xic同理. 其中第i個(gè)用戶屬于活躍用戶集合A.

最后,從用戶個(gè)人身份角度考慮. 對(duì)個(gè)人而言,可以認(rèn)證職業(yè)、作品或者獲獎(jiǎng)成就等. 并且對(duì)發(fā)微博數(shù)、粉絲數(shù)、好友質(zhì)量等均有要求. 由此可以看出,認(rèn)證用戶較普通用戶而言,身份更加真實(shí)可信. 因此,在傳播消息的過程中,會(huì)更加得到關(guān)注,影響范圍更廣.

現(xiàn)將新浪微博2017年2月每天熱搜排行榜前20名的用戶根據(jù)是否認(rèn)證這一指標(biāo)進(jìn)行對(duì)比分析. 結(jié)果如圖1所示.

圖1 2017年2月熱搜前20名用戶認(rèn)證數(shù)對(duì)比圖

可以看到,在這一個(gè)月的熱搜排行榜中,微博認(rèn)證用戶的占比達(dá)到95%以上. 由此可見,是否是認(rèn)證用戶在影響力評(píng)估過程中有較大影響.

2.2 指標(biāo)權(quán)重的確定

常用的確定權(quán)重的方法分為主觀賦權(quán)法和客觀賦權(quán)法[12]. 其中主觀賦權(quán)法包括德爾菲法(專家法)、相鄰指標(biāo)比較法、層次分析法等. 相應(yīng)地,客觀賦權(quán)法包括模糊定權(quán)法、熵權(quán)法、相關(guān)系數(shù)法等. 為了全面客觀地衡量用戶影響力大小,本文在對(duì)評(píng)價(jià)指標(biāo)權(quán)重進(jìn)行計(jì)算的過程中,選取了主觀賦權(quán)法中的層次分析法[13]和客觀賦權(quán)法中的熵權(quán)法[14]進(jìn)行對(duì)比.

2.2.1 層次分析法

層次分析法的特點(diǎn)是利用1-9之間整數(shù)及其倒數(shù)作為標(biāo)度來構(gòu)造兩兩比較的判斷矩陣. 比例的標(biāo)度及含義見表2.

表2 比例標(biāo)度

通過判斷矩陣可以求出各指標(biāo)的權(quán)重分配. 目前,在層次分析法的應(yīng)用中,一般都用近似的方法來求得最大特征值及對(duì)應(yīng)特征向量的近似解. 如公式(5)和(6)所示.

標(biāo)準(zhǔn)化后可得評(píng)價(jià)指標(biāo)的權(quán)重為:

2.2.2 熵權(quán)法

根據(jù)信息論中對(duì)熵的定義,熵權(quán)法充分利用了熵的特性,即利用熵值來判斷指標(biāo)的離散程度. 熵值越大表示指標(biāo)的離散程度越大. 從而對(duì)綜合評(píng)價(jià)的結(jié)果影響也越大.

不同于層次分析法,熵權(quán)法在計(jì)算權(quán)重時(shí)是按列進(jìn)行概率比重化處理,如公式(7)所示.

計(jì)算指標(biāo)熵值:

評(píng)價(jià)指標(biāo)的權(quán)重為:

3 改進(jìn)模糊綜合評(píng)價(jià)算法

現(xiàn)實(shí)情況下,人們對(duì)事物的綜合評(píng)價(jià)常常有著不同的方式. 根據(jù)實(shí)際需求,人們有時(shí)會(huì)需要知道最突出的指標(biāo). 有時(shí)則要求全面地考慮各個(gè)指標(biāo). 這些情況都可以通過不同的運(yùn)算來實(shí)現(xiàn).

考慮到在對(duì)用戶影響力進(jìn)行評(píng)估時(shí),指標(biāo)平均轉(zhuǎn)發(fā)數(shù)和平均評(píng)論數(shù)的重要性略高于其他指標(biāo). 在實(shí)際情況中,可能出現(xiàn)權(quán)重并不能完全反映指標(biāo)的重要程度的情況. 也就是說,倘若某個(gè)評(píng)價(jià)指標(biāo)遠(yuǎn)大于其他評(píng)價(jià)指標(biāo)時(shí),可以認(rèn)為該指標(biāo)非常具有區(qū)分度. 但可能會(huì)由于權(quán)重的原因,在應(yīng)用某些算子的時(shí)候這個(gè)指標(biāo)的影響力會(huì)被削弱,從而導(dǎo)致最終的評(píng)價(jià)結(jié)果與實(shí)際情況不符.

為解決上述問題,現(xiàn)對(duì)模糊合成算子進(jìn)行改進(jìn),其形式如下:

(1) 單調(diào)性論證

(2) 極限值論證

因此評(píng)價(jià)結(jié)果有上界,這種函數(shù)會(huì)隨著自變量的增大而增大,但該函數(shù)值是平穩(wěn)增加,不存在跳躍點(diǎn).

(3) 各個(gè)指標(biāo)評(píng)價(jià)因素相同時(shí)論證

當(dāng)x1=x2=...=xi=C時(shí),存在

證明:

因此,加入λ后,可以根據(jù)需求調(diào)整權(quán)重與評(píng)價(jià)結(jié)果之間的關(guān)系. 減小λ意味著重視權(quán)重的影響. 反之,增大λ表示評(píng)價(jià)結(jié)果受評(píng)價(jià)指標(biāo)的影響更大.

綜上所述,通過對(duì)改進(jìn)后的算法進(jìn)行推導(dǎo)論證,證明理論上能夠?qū)崿F(xiàn)根據(jù)需求調(diào)整權(quán)重與評(píng)價(jià)結(jié)果之間得而關(guān)系. 從而使評(píng)價(jià)結(jié)果更客觀.

4 實(shí)驗(yàn)方法和結(jié)果

示例. 選取微博用戶“迪士尼電影”與2017年1月31日發(fā)布的一條關(guān)于電影《美女與野獸》預(yù)告片的原創(chuàng)微博. 截至爬取這條微博相關(guān)內(nèi)容的時(shí)間,這條微博共獲得了26532人轉(zhuǎn)發(fā),4120條評(píng)論以及8025個(gè)點(diǎn)贊.

下面將根據(jù)本文提出的模糊綜合評(píng)價(jià)模型對(duì)參與這條微博傳播的用戶進(jìn)行影響力評(píng)估. 爬取到該條微博的部分相關(guān)內(nèi)容如表3所示.

表3 爬取微博部分內(nèi)容示例

4.1 評(píng)價(jià)指標(biāo)權(quán)重的確定

根據(jù)層次分析法確定的發(fā)微博數(shù)、活躍粉絲數(shù)、是否認(rèn)證、平均評(píng)論數(shù)和平均轉(zhuǎn)發(fā)數(shù)這五個(gè)指標(biāo)的權(quán)重為[0.069,0.069,0.170,0.269,0.422]T,而根據(jù)熵權(quán)法[15]確定的這五個(gè)指標(biāo)權(quán)重為[0.185,0.185,0.193,0.202,0.234]T. 如表4 所示. 由此可以看出,不論是由層次分析法或者熵權(quán)法,得到的對(duì)用戶影響力影響最大的指標(biāo)均是平均被轉(zhuǎn)發(fā)數(shù).

表4 權(quán)重比較表

為避免出現(xiàn)非一致性的情況,下面需進(jìn)行一致性檢驗(yàn). 公式如下:

4.2 對(duì)比實(shí)驗(yàn)及結(jié)果

為了驗(yàn)證本文提出的改進(jìn)模糊綜合評(píng)價(jià)算法是否有效,分別取加權(quán)平均型算子和主因素決定型算子建立模型進(jìn)行對(duì)比實(shí)驗(yàn).

表5 A 組實(shí)驗(yàn)結(jié)果

表6 B 組實(shí)驗(yàn)結(jié)果

將A組和B組的實(shí)驗(yàn)結(jié)果繪成折線圖如圖2和圖3所示.

圖2 A 組實(shí)驗(yàn)結(jié)果

圖3 B 組實(shí)驗(yàn)結(jié)果

根據(jù)圖2和圖3結(jié)果可以看到,在確定權(quán)重方面,由層次分析法確定的權(quán)重對(duì)五個(gè)指標(biāo)的區(qū)分度都高于由熵權(quán)法確定的權(quán)重. 另一方面,M2模型由于采用了加權(quán)平均算子,因此對(duì)五個(gè)指標(biāo)進(jìn)行了平均,權(quán)重中平均轉(zhuǎn)發(fā)數(shù)這一指標(biāo)被削弱,而發(fā)微博數(shù)這一指標(biāo)被加強(qiáng). 另外,M1模型采用主因素決定型算子,因此平均轉(zhuǎn)發(fā)數(shù)這一指標(biāo)明顯高于其他指標(biāo),且其他四個(gè)指標(biāo)之間的差異則變得不明顯,不利于綜合評(píng)判用戶的影響力.

相比之下,改進(jìn)后的模糊合成算子表現(xiàn)較好. 由于可以調(diào)整權(quán)重對(duì)評(píng)價(jià)結(jié)果的影響,因此根據(jù) λi的變化,M3-1、M3-2和M3-3的表現(xiàn)也體現(xiàn)出了差異. 經(jīng)過多次實(shí)驗(yàn),該算法既能夠有效區(qū)分各個(gè)指標(biāo),又綜合考慮到多個(gè)指標(biāo)對(duì)評(píng)價(jià)結(jié)果的影響,同時(shí)也不會(huì)過度重視權(quán)重占比最大的指標(biāo).

因此,采用改進(jìn)模糊綜合評(píng)價(jià)模型對(duì)涉及這條微博的用戶進(jìn)行影響力評(píng)估,推薦出前5名影響力最高的用戶,他們的排名和綜合得分如表7所示.

表7 影響力評(píng)分值前 5 名用戶

另外,用戶影響力與粉絲數(shù)并不一定成正比關(guān)系.現(xiàn)將影響力評(píng)分值前7名用戶的粉絲數(shù)顯示在表8中.由此可見,定義活躍用戶粉絲數(shù)這一指標(biāo)是有必要性的.

表8 影響力評(píng)分值前 7 名用戶的粉絲數(shù)

5 結(jié)語

本文以新浪微博為例,通過分析社交網(wǎng)絡(luò)中的用戶的關(guān)系、用戶的行為以及個(gè)人身份,選取發(fā)微博數(shù)、活躍粉絲數(shù)、是否認(rèn)證、平均評(píng)論數(shù)和平均轉(zhuǎn)發(fā)數(shù)作為判斷用戶影響力的指標(biāo). 并對(duì)比了使用層次分析法和熵權(quán)法確定評(píng)價(jià)指標(biāo)的權(quán)重過程中的差異. 目前在社交網(wǎng)絡(luò)中應(yīng)用模糊綜合評(píng)價(jià)法的難點(diǎn)在于如何合理地在將用戶的影響力轉(zhuǎn)為定量評(píng)價(jià). 考慮到傳統(tǒng)的模糊合成算子并不能充分利用指標(biāo)的實(shí)際意義,因此本文對(duì)模糊綜合評(píng)價(jià)法進(jìn)行了改進(jìn),提出了一種新的模糊矩陣合成方法評(píng)估用戶影響力. 經(jīng)實(shí)驗(yàn)證明評(píng)價(jià)結(jié)果較為合理.

同時(shí)本文仍存在一些沒有解決的問題. 一方面,本文提出的改進(jìn)算法耗時(shí)較長(zhǎng),并且在確定可調(diào)參數(shù)λi時(shí),需要嘗試多次實(shí)驗(yàn)才能取得較滿意的結(jié)果. 因此,在提高算法的效率方面還有待加強(qiáng). 另一方面,本文僅針對(duì)人為選擇的某一條微博中涉及的用戶進(jìn)行影響力評(píng)估,涉及的范圍較窄,如何在更大的網(wǎng)路絡(luò)中定量計(jì)算用戶的影響力還需進(jìn)一步的研究.

1丁兆云,賈焰,周斌,等. 社交網(wǎng)絡(luò)影響力研究綜述. 計(jì)算機(jī)科學(xué),2014,41(1): 48–53.

2康書龍. 基于用戶行為及關(guān)系的社交網(wǎng)絡(luò)節(jié)點(diǎn)影響力評(píng)價(jià)——以微博研究為例[碩士學(xué)位論文]. 北京: 北京郵電大學(xué),2011.

3Yamaguchi Y,Takahashi T,Amagasa T,et al. TURank:Twitter user ranking based on user-tweet graph analysis.Proc. of the 11th International Conference on Web Information Systems Engineering. Hong Kong,China. 2010. 240–253.

4賈沖沖,王名揚(yáng),車鑫. 基于 HRank的微博用戶影響力評(píng)價(jià). 計(jì)算機(jī)應(yīng)用,2015,35(4): 1017–1020. [doi: 10.11772/j.issn.1001-9081.2015.04.1017]

5宮秀文,張佩云. 基于PageRank的社交網(wǎng)絡(luò)影響最大化傳播模型與算法研究. 計(jì)算機(jī)科學(xué),2013,40(S1): 136–140.

6胡勇,張翀斌,王楨學(xué),等. 網(wǎng)絡(luò)輿論形成過程中意見領(lǐng)袖形成模型研究. 四川大學(xué)學(xué)報(bào) (自然科學(xué)版),2008,45(2):347–351.

7Riquelme F,González-Cantergiani P. Measuring user influence on twitter. Information Processing and Management: An International Journal,2016,52(5): 949–975. [doi:10.1016/j.ipm.2016.04.003]

8Zhang Y,Mo JQ,He TT. User influence analysis on micro blog. Proc. of the 2nd International Conference on Cloud Computing and Intelligent Systems. Hangzhou,China. 2012.1474–1478.

9Kwak H,Lee C,Park H,et al. What is Twitter,a social network or a news media? Proc. of the 19th International Conference on World Wide Web. Raleigh,North Carolina,USA.2010. 591–600.

10張躍,鄒壽平,宿芬. 模糊數(shù)學(xué)方法及其應(yīng)用. 北京: 煤炭工業(yè)出版社,1992: 15–28.

11李洪興,汪培莊. 模糊數(shù)學(xué). 北京: 國(guó)防工業(yè)出版社,1994:67–72.

12陳衍泰,陳國(guó)宏,李美娟. 綜合評(píng)價(jià)方法分類及研究進(jìn)展.管理科學(xué)學(xué)報(bào),2004,7(2): 69–79.

13郭金玉,張忠彬,孫慶云. 層次分析法的研究與應(yīng)用. 中國(guó)安全科學(xué)學(xué)報(bào),2008,18(5): 148–153.

14章穗,張梅,遲國(guó)泰. 基于熵權(quán)法的科學(xué)技術(shù)評(píng)價(jià)模型及其實(shí)證研究. 管理學(xué)報(bào),2010,7(1): 34–42.

15李玉琳,高志剛,韓延玲. 模糊綜合評(píng)價(jià)中權(quán)值確定和合成算子選擇. 計(jì)算機(jī)工程與應(yīng)用,2006,42(23): 38–42. [doi:10.3321/j.issn:1002-8331.2006.23.012]

Fuzzy Comprehensive Evaluation of Social Network User’s Influence

ZHANG Chen1,2,TANG Kun1,2,PENG Yan-Bing3

1(Fiberhome Starrysky Co. Ltd.,Nanjing 210019,China)
2(Wuhan Research Institute of Posts and Telecommunications,Wuhan 430074,China)
3(Fiberhome Telecommunication Technologies Co. Ltd.,Wuhan 430073,China)

Information spreads quickly on social networking platform. In order to effectively carry out public opinion early warning and quantitatively evaluate the importance of users in social network,the fuzzy comprehensive evaluation method is introduced into the user influence modeling problem. Based on the analysis of the behavioral analysis of the user’s behavior on the social platform,the evaluation system including five indicators,such as user active number of fans and average forwarding number is constructed. A new fuzzy synthesis operator is proposed to construct the user influence evaluation model based on the shortcomings of the traditional fuzzy comprehensive evaluation algorithm in calculating the weight of the evaluation index. This operator can adjust the weight of the impact on the evaluation results according to the demand. Using the real data of Sina microblogging social platform,combined with comparative experiments and practical assessment,the method can more accurately reflect the actual impact of the user in the social network.

social network; user influence; fuzzy comprehensive evaluation; fuzzy matrix synthesis

張琛,湯鯤,彭艷兵.社交網(wǎng)絡(luò)用戶影響力的模糊綜合評(píng)價(jià).計(jì)算機(jī)系統(tǒng)應(yīng)用,2017,26(12):18–24. http://www.c-s-a.org.cn/1003-3254/6135.html

十二五國(guó)家科技支撐計(jì)劃項(xiàng)目(2015BAK20B05)

2017-03-31; 修改時(shí)間: 2017-04-20; 采用時(shí)間: 2017-04-24