[發明專利]一種融合用戶時間信息的微博客用戶影響力排名方法

有效

• 申請號: 201810281738.8
• 申請日: 2018-04-02
• 公開（公告）號: CN108460499B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 廖祥文;陳國龍;張凌鷹;楊定達
• 申請（專利權）人: 福州大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/00;G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊;薛金才

本發明涉及一種融合用戶時間信息的微博客用戶影響力排名方法，包括步驟：（1）對微博客用戶進行特征化處理；（2）根據微博客用戶特征對所有用戶集進行聚類，得到微博客中的潛在有影響力用戶集；（3）對潛在有影響力用戶集構建特定話題領域下的張量影響力模型；（4）利用張量分解重構新的張量影響力模型；（5）根據重構的張量影響力模型預測用戶的影響力得分；（6）根據用戶的影響力得分從高到低排序，得到用戶的影響力排名結果并輸出。本發明方法可提高特定話題領域下用戶影響力預測精度。

技術領域

本發明涉及用戶影響力分析技術領域，尤其涉及一種融合用戶時間信息的微博客用戶影響力排名方法。

背景技術

當前，有很多技術方法可用于用戶影響力分析。傳統的用戶影響力分析方法主要基于統計用戶的特征數據度量用戶的影響力。在一般的微博客中，系統都會記錄用戶不同的特征數據，這些特征數據包括了粉絲數、關注者數、發表文章數、評論數、轉發數等。通過分析和挖掘隱藏在此類特征數據之后的分布和規律，就能夠獲得用戶潛在的影響力指標。該類方法統計方法直觀，計算過程較為簡單，有較好的普適性，但由于選取的多為用戶的直觀特征，并不能挖掘潛藏在網絡結構或用戶交互信息背后的影響力信息。

當前，存在著一些基于網絡結構的影響力分析方法。在社交媒介尤其是微博客媒介中存在大量用戶間的交互行為，研究者們通常根據這些交互行為構建社交網絡。在這個社交網絡中，節點表示一個獨立的用戶或一群同類用戶，網絡中的邊則表示用戶間的交互關系，如相互評論的關系、粉絲與被粉者的關系等。研究者通過衡量節點與邊的網絡重要程度獲得節點用戶的社會影響力值。這類方法相比基于用戶特征數據的影響力分析方法能夠較好的反應用戶在網絡中的特定信息。

當前，還存在著一些基于交互話題信息的的影響力分析方法。近年來研究表明，在用戶的社交活動中，信息多以話題的形式產生和傳播，從話題角度能夠更加細致的度量用戶的影響力。該類方法多利用LDA模型等話題模型計算所有推文的所屬話題，并利推文的話題信息構建用戶的話題特征，在特定話題下計算用戶影響力排名。

然而，目前特定話題下的影響力模型研究往往忽略了隱藏在用戶行為中的時間特征，而這些時間特征通常與用戶的信息擴散能力密切相關，用戶信息擴散能力的大小直接影響用戶在社交媒介中的影響力。因此，人們希望找到一種更加高效、細致的以及能夠融合用戶時間等特征的張量影響力分析方法，進而提高用戶影響力排序預測精度和減少預測的時間消耗。

發明內容

針對上述現有技術不足，本發明提供一種融合用戶時間信息的微博客用戶影響力排名方法，通過聚類得到潛在的有影響力用戶，以這些潛在有影響力用戶的特征為基礎構建張量模型，最后，利用融合時間特征的張量影響力分析方法計算用戶影響力排名，以進一步提高特定話題領域下用戶影響力預測精度。

為實現上述目的，本發明的技術方案是：一種融合用戶時間信息的微博客用戶影響力排名方法，包括以下步驟：

步驟S1：對微博客用戶進行特征化處理；

步驟S2：根據微博客用戶特征對所有用戶集進行聚類，得到微博客中的潛在有影響力用戶集；

步驟S3：對潛在有影響力用戶集構建特定話題領域下的張量影響力模型；

步驟S4：對張量影響力模型進行分解，在張量分解的過程中加入考慮與用戶信息擴散能力相關的時間特征約束，重構新的張量影響力模型；

步驟S5：根據重構的張量影響力模型預測用戶的影響力得分；

步驟S6：根據用戶的影響力得分從高到低排序，得到用戶的影響力排名結果并輸出。

進一步地，所述步驟S1中特征化處理指根據微博客信息將用戶特征化，包括以下特征：粉絲評論反應率特征、粉絲評論觀點傾向特征、粉絲活躍度特征和用戶網絡中心度特征；