基于PageRank的網絡社區意見領袖發現算法

周 飛,高茂庭

(上海海事大學 信息工程學院,上海 201306)

0 概述

隨著互聯網技術的迅猛發展,社交網絡服務(Social Network Service,SNS)作為互聯網應用發展的必備要素,不再局限于信息傳遞,而是與溝通交流、商務交易類應用融合,借助其他應用的用戶基礎,形成更強大的關系鏈,從而實現信息的廣泛、快速傳播。網絡社區是具有相同興趣愛好的網民相互交流、共享資源的虛擬社區,越來越多的人通過網絡社區分享信息、圖片,表達意見、觀點或參與話題討論。與線下社區一樣,網絡社區同樣存在社會分層,不同的是網絡社區更多依據思想和觀點的影響力進行劃分,影響力較高的成員就成了群體中的重要角色,即意見領袖。意見領袖通常是網絡社區中的活躍分子,是信息的積極傳播者,能夠提供大量信息、意見,引起大量關注并影響社區中的輿論導向,對網絡信息傳播、網絡營銷、廣告投放、輿論引導等方面起著極其重要的作用[1]。因此,對網絡社區中意見領袖的發現進行研究具有重要意義。

“知乎”是社區氛圍友好與理性、連接各行各業精英的一個網絡問答社區。用戶利用各自的專業知識、經驗和見解,為互聯網源源不斷地提供高質量的信息。知乎不同于微博與傳統社區,社會身份并非是知乎社區意見領袖的決定因素,知乎特有的投票機制和關注模式催生了大批草根意見領袖[2]。鑒于現有意見領袖發現算法中對用戶動態行為分析和動態行為所帶來的真實瀏覽量考慮不足的問題[3-6],本文對用戶自身影響力、用戶動態行為及其給動態內容帶來的真實影響等3個方面進行研究,提出一種基于用戶自身影響力、影響力傳播度和PageRank的意見領袖識別算法。

1 相關研究

文獻[7]提出的二級傳播理論是關于意見領袖的最早研究,該理論指出意見領袖在主要以廣播和報紙為信息傳播媒介的當時占有不可或缺的地位,媒介信息必須經由某些意見領袖才能到達其他人群。隨著互聯網的發展,網絡社交媒體成為人們日常生活的重要工具,同時也吸引了眾多學者對其信息傳播、社會影響力、意見領袖發現等方面進行研究。文獻[8]指出在網絡社區中人們通常通過用戶發布信息的數量來認定意見領袖。文獻[9]通過Twitter網絡證實了信息傳播過程中兩級傳播理論的存在。文獻[4]用關注用戶數量、粉絲數量、是否被驗證身份和發布的微博數量等4項數據構建微博客意見領袖識別多維模型,對微博客用戶重要性進行評分。文獻[5]利用從網絡中采集到的基本數據,構造網絡話題參與者的“屬性矩陣”,提出意見領袖綜合評價算法。文獻[6]選取7個用戶特征,采用聚類分析方法篩選出具有意見領袖特點的群體。文獻[4-6]都是通過提取意見領袖屬性特征進行歸納分析,提出意見領袖發現算法。但是這些算法都沒有考慮到用戶與用戶之間的關注關系,因此,可能存在用戶大量發帖但并沒有人對其回復卻被誤認為是意見領袖的情況,與客觀事實存在一定偏差。文獻[10]通過考慮用戶的興趣空間和回復關系,提出基于興趣領域的意見領袖識別算法。文獻[3,11]將情感傾向性作為用戶之間評價的指標,并作為網絡權重分別提出OpinionRank算法和LeaderRank算法。文獻[12]基于話題相似度和用戶間關注關系提出TwitterRank算法。文獻[13]發現消息在微博網絡中的傳播過程可近似分解為各個意見領袖所驅動的子過程的特性,提出基于消息傳播的微博意見領袖影響力建模方法,并得出影響力衰減指數的大小以及影響力持續時間的長短與粉絲數量幾乎無關的結論。文獻[14]綜合考慮用戶自身影響力和用戶之間的鏈接關系,提出基于用戶影響力的PageRank意見領袖識別算法,簡稱UilRank算法。該算法雖然考慮了網絡論壇中的發帖數、回帖數和被回復數、被瀏覽數,但是缺乏用戶動態行為分析,以及存在使動態內容閱讀量增長的來源指向不明確的現象。

針對以上算法中用戶動態行為分析缺失和動態內容閱讀數增長不明確等問題,本文以網絡社區“知乎”為研究對象,綜合分析意見領袖影響力因子,在UilRank算法的基礎上,又從用戶動態行為影響傳播度和用戶行為對動態內容帶來的真實影響兩個方面考慮,提出一種基于PageRank的知乎意見領袖影響力發現算法。其中用戶自身影響力來源于諸如用戶粉絲數、獲得贊同數、回答問題數等用戶自身屬性。用戶動態行為及其對問題的真實影響將通過對用戶動態行為信息和問題動態變化信息分析得出,兩者共同決定用戶影響力傳播度的大小,繼而作用于改進的PageRank算法中。

2 意見領袖發現

2.1 算法基礎

PageRank的初衷指的是計算某個人在任意次點擊鏈接之后到達某一網頁的可能性,在網絡社區意見領袖發現中可把用戶之間的關注關系看作是用戶之間的網絡拓撲結構,通過分析網絡拓撲結構可獲得用戶影響力排名。因此,用戶影響力可以通過PageRank算法得出,如式(1)所示。

(1)

其中,PR(u)表示網頁u的PageRank值,Lu表示指向網頁u的網頁集合,N(Ov)表示網頁v指向其他網頁的總個數,d為阻尼因子,表示某頁面被訪問的概率,一般設為0.85。

文獻[14]在PageRank算法的基礎上,提取用戶屬性特征并給出權重,將用戶間的回復次數作為影響力占比分配原則,提出基于用戶影響力的意見領袖發現算法,簡稱UilRank算法,如式(2)、式(3)所示。

(2)

(3)

其中,R(u)表示用戶u的影響值,Tu為回復u的用戶集合,Wuv表示用戶u在所有影響用戶v的節點中所占比例,Iu代表用戶u的初始影響值,kuv表示用戶u和v之間的回復次數,Bv表示用戶v回復的用戶集合,通過數次迭代直至達到收斂狀態,得到用戶影響值。

2.2 問題及解決思路

在用戶影響力傳播度計算上,現有意見領袖識別算法往往采用均分原則平均分配,與實際網絡中意見領袖對不同用戶影響程度不同的這一情形不相符。

意見領袖在對某一提問做出回答行為或者對某一答案做出點贊行為時,他的行為動態就產生了,繼而將影響他的部分粉絲也對該提問或回答產生行為動態。然而,在這個過程中,有部分粉絲看到意見領袖的行為動態后,只是瀏覽了這個動態內容,并沒有發出回答或點贊的行為動態,因此,不能確定意見領袖是否對該用戶產生了影響。

為了解決這些問題,對這些屬性值量化處理后得到用戶的初始影響力值,即用戶自身影響力。還將往往被研究者遺忘的動態內容被閱讀數作為一個考核標準,考量用戶在對某動態內容產生行為動態后一段時間內該內容閱讀量的真實變化情況,閱讀量變化情況考量是對用戶行為動態影響度量存在缺漏現象的補充。然而在實際網絡中又存在普通用戶緊隨意見領袖產生行為動態而將意見領袖對閱讀量變化產生的影響據為己有的現象,用戶行為動態影響度量又反過來制約了此現象,防止普通用戶被認為擁有高影響力傳播度。2種度量方法相輔相成,構成用戶影響力傳播度。最后將用戶自身影響力和用戶影響力傳播度引入到改進的PageRank算法中得到每個用戶的最終影響力,排名靠前者即為網絡社區意見領袖。

3 改進的意見領袖發現算法

3.1 用戶自身影響力

3.1.1 用戶屬性特征提取

文獻[15-17]指出在Twitter網絡環境中,粉絲數量在信息傳播過程中和用戶影響力呈弱相關性。本文通過獲取到的知乎真實數據,對用戶粉絲數、獲得贊同數、回答問題數、獲得感謝數4個屬性特征兩兩刻畫相關性散點圖,如圖1所示,從圖1(a)發現獲得贊同數和獲得感謝數存在一定的線性相關性,因此,將贊同數和感謝數看作是相同的影響因子。另外,從圖1(b)～圖1(d)可以看出用戶粉絲數、獲得贊同數和回答問題數這3個屬性特征不存在線性相關性,因此,使用這3個屬性特征對用戶自身影響力進行評估,其中回答問題數是對意見領袖活躍度的一種肯定。

圖1 用戶各屬性特征散點圖

3.1.2 用戶屬性特征計算

從圖1可看出各個特征數據不具備一致性參考標準,因此不能直接比較,需要對每個特征指標進行歸一化處理。由于特征數據跨度較大,如用戶粉絲數高的用戶可以達到百萬級別,低的用戶甚至一個粉絲都沒有,因此本文采用對數歸一化處理方法。這種處理方式計算簡單、運算速度快、處理后數據跨度小,如式(4)所示。

(4)

其中,Fu表示對用戶u實際粉絲數做歸一化處理后得到的值,fu表示用戶u的實際粉絲數,fmax代表所有用戶粉絲數的最大值。同理,對用戶u獲得贊同數和回答問題數用式(4)歸一化處理后分別表示為Su、Au。本文定義以下公式計算用戶u的自身影響力值。

SI(u)=ω1Fu+ω2Su+ω3Au

(5)

其中,SI(u)代表用戶自身影響力值,對應UilRank算法中的Iu,Fu、Su、Au分別是用戶粉絲數、獲得贊同數和回答問題數歸一化處理過后的值,ω1、ω2、ω3代表不同特征的權重值。為了將各屬性重要程度數學化、系統化,本文采用層次分析法確定每個屬性特征的權重值,該方法對于多準則、多目標的系統有較好的判定效果[18]。構建以下判斷矩陣:

(6)

通過計算,得到各個屬性特征權值,一致性檢驗結果為0.079 33<0.1,滿足一致性檢驗,各屬性特征權值ωi如表1所示。

表1 屬性特征權重

3.2 用戶影響力傳播度

在實際的網絡傳播中,存在以下2種現象:

1)在意見領袖發出回答、點贊等行為動態后,部分粉絲接收到意見領袖的動態,閱讀了相關動態內容并對此動態內容發出行為動態。那么意見領袖對于這部分粉絲的影響是顯而易見并且可以通過收集動態行為數據得到。但是仍然會存在一些粉絲在閱讀了動態內容后,不發出任何行為動態,對于這部分粉絲則無法通過動態行為數據知曉意見領袖是否對其產生了影響。

2)粉絲們會通過意見領袖發出的行為動態瀏覽這一動態內容,那么該動態內容在該意見領袖發出回答、點贊等行為之后某個時間段內的瀏覽數增長便可在一定程度上反映該意見領袖的影響力。但是當2個意見領袖A和意見領袖B相近時間發出同樣的行為動態時,就無法確定給動態內容帶來的影響是意見領袖A還是意見領袖B,或者是他們分別帶來了多少影響。

分析這2種現象可以發現,其實現象2就是對現象1中意見領袖影響缺失的一個補充,現象1則是對現象2中給動態內容帶來影響重疊的一個制約。對于現象1,將采用高行為動態數據(即參與者人數較多的動態內容數據)根據時間節點建立有向無環圖計算用戶行為動態信息下的影響力傳播度。對于現象2,采用低行為動態數據(即參與者人數較少的動態內容數據)計算行為動態后的問題被瀏覽增長率,確定基于動態內容瀏覽數增長下的用戶影響力傳播度。最后將兩者加權累加得到用戶影響力傳播度。

3.2.1 用戶行為動態信息下的影響力傳播度

在分析以時間線為基準的用戶行為動態后發現,該動態行為序列構成一個有向無環圖,如圖2所示。

圖2 用戶行為動態結構

圖2描述了影響力傳播的3種情況:

1)在用戶A發出某一行為動態后,他的粉絲用戶中C、D、E也對該內容發出行為動態,則可認為A對C、D、E產生了影響。

2)用戶H是用戶D、E的共同粉絲,且用戶D、E在用戶H前發出行為動態,那么認定用戶H同時受到用戶D、E的影響。

3)用戶I是用戶B、E的共同粉絲,且用戶E在用戶B之后發出行為動態,用戶I在用戶E之后發出行為動態,那么認定用戶I同時受到用戶B、E的影響,用戶E受到用戶B的影響。

由此,根據用戶動態行為數據建立用戶動態行為結構圖(在圖中認定出度為0的節點為葉子節點),并依次從葉子節點向根節點遍歷,統計每個用戶的用戶動態行為影響力值。用戶行為動態信息下的影響力傳播度算法描述如下,其中qid表示動態內容編號。

輸入qid

輸出用戶行為動態影響度Degree

執行步驟:

1)Userlist←動態內同編號為qid并以時間節點排序的用戶列表;

2)for用戶u∈UserList:{

用戶u的孩子集ChildSetu←UserList中排在u之后的用戶集和用戶u粉絲集的交集;

將添加到ChildrenSetu中每個用戶c的父集合ParentSetc中;}

3)LeafSet←UserList中孩子集合為空的用戶集合;

4)for用戶u∈LeafSet:{

標記v已經被查找過;

將v父集合ParentSetv中每個父節點p的深度Degreep自加1;

如果p沒有被查找過且不在LeafList中,將p添加到LeafSet中;}

5)ifLeafSet不為空,轉到4),否則轉到6);

6)用對數歸一化法對Degree進行歸一化處理;

7)ReturnDegree。

該算法中步驟2)和步驟3)的時間復雜度都是O(N),步驟4)、步驟5)為二層循環,時間復雜度為O(N2),步驟6)為歸一化處理,時間復雜度為O(N)。因此,該算法時間復雜度為O(N2)。另外,需要3N的額外空間存儲結果和中間變量。因此,該算法空間復雜度為O(N)。

在使用用戶行為動態影響力算法對每一個行為動態計算之后,得到每個動態下的用戶影響力值,返回歸一化后的用戶動態行為影響力傳播度。

(7)

其中,Degree(qid)[u]為對第qid號的動態行為做用戶動態行為影響力算法后用戶u的影響力傳播度,Qlist為用戶行為動態編號列表。

3.2.2 動態內容瀏覽數增長下的影響力傳播度

文獻[13]指出在微博網絡環境中,在意見領袖發出一條消息后300 min內,消息以激增的態勢傳播,隨后逐漸減弱,第二天會有所增長但影響將逐漸消失。由于微博信息繁雜且動態內容更新速度快,表現出快速增長和快速消亡的特性。但對于知乎而言,這個過程就相對緩慢一些,因此,以2天為一個行為動態的影響周期,計算這段時間內的最快增長,把增長率作為用戶動態行為給問題帶來實際影響的考量標準。

本文通過式(8)～式(10)計算用戶u給動態內容帶來的平均真實影響度。

Gn(q,t)=max(B(q,t+1)-B(q,t)),?t∈[t,t+2]

(8)

(9)

(10)

其中,B(q,t)表示問題q在t時刻的被瀏覽次數,Gn(q,t)表示問題q在[t,t+2]時間區間內被瀏覽次數增長最大值,utime表示用戶u對問題q產生行為動態的時刻,max(Gn(q,T))表示在整個數據集時間段中問題q的被瀏覽次數增長最大值,Gr(q,u)表示用戶u在問題q下的影響力比率,Qir(u)表示用戶u在眾多問題動態中給問題帶來的平均真實影響度。

綜合用戶行為動態信息下的影響力傳播度和行為動態給動態內容帶來的實際影響度得到用戶影響力傳播度 (User Influence Transfer Degree,UITD)。

(11)

3.3 ZhihuRank意見領袖發現算法

本文在PageRank算法的思想基礎上提出了基于用戶自身影響力、用戶影響力傳播度和PageRank的意見領袖發現算法,簡稱ZhihuRank算法,如式(12)、式(13)所示。

(12)

(13)

其中,ZR(u)表示用戶的影響力值。d為阻尼因子,表示用戶受到影響的概率,通常在(0,1)之間,本文設為0.85。FRu表示用戶u的粉絲集合,對應于UilRank算法中的Tu集合。W(u,v)表示用戶u在用戶v關注的人集合中影響力傳播度的占比。FEv表示用戶v關注的人的集合,對應于UilRank算法中的Bv集合。SI(u)表示用戶自身初始影響力值。UITD(u)代表用戶u的影響力傳播度。

假設網絡社區個體數為N,設定2個結束標志,一個為網絡循環迭代次數iterations,另一個為α,表示每個個體當前ZR值和上一次迭代結果ZRold值的差值的閾值。算法結束后ZR為最終用戶影響力值,SORT()是以ZR為基準的逆排序函數。ZhihuRank算法描述如下:

輸入N,iteration,a

輸出用戶影響力排名

執行步驟:

1)對ZR進行初始化,將所有節點ZR值設為1。

2)使用式(12)、式(13)計算每個節點的ZR值。

3)如果iteration≤0或者對于任意用戶u都有|ZR(u)-ZRold(u)|

4)iteration←iteration-1,轉到步驟2)。

5)ReturnSORT(ZR)。

該算法中步驟1)為初始化賦值,時間復雜度為O(N)。步驟2)～步驟4)有3層循環,時間復雜度為iteration×O(N2),但是在實際操作中,可以對式(13)中的W(u,v)進行預處理,利用額外空間換取時間,將時間復雜度降低為iteration×2×O(N)。iteration為常數,因此,該算法的時間復雜度為O(N),空間復雜度為O(N)。

4 實驗設置與結果分析

4.1 實驗數據收集與軟硬件環境

本文以知乎問答社區為數據來源,通過爬蟲以作者的知乎賬號為種子,收集作者關注的人的信息并存入到數據庫中,再迭代循環爬取數據庫中沒有被爬取過的用戶,用戶信息數據包含用戶ID、用戶名、粉絲數、關注數、獲得贊同數、獲得感謝數、回答問題數等。

在分析了用戶屬性特征散點圖后,為了方便爬取用戶動態行為信息,將可能是意見領袖的用戶抽取出建立小型爬取源,減少不必要的網絡流量。隨后抓取此爬取源中用戶行為動態信息和動態內容變化數據,分別存入數據庫中。用戶行為動態數據包含用戶ID、問題唯一標識qid、動態產生時間、動態類型等。動態內容變化數據包含問題唯一標識qid、問題標題、爬取時間、當前閱讀量等。本文共收集了約14萬知乎用戶信息、近8.5萬條用戶行為動態信息、將近22萬條問題變化信息及用戶間的關注關系信息作為實驗數據集。

實驗軟件環境為Python,版本2.7.10;數據庫使用非關系型數據庫MongoDB,版本3.2.9;硬件環境為macOS,內存8 GB,處理器1.6 GHz Intel Core i5。

4.2 算法評測標準

目前對于影響力模型評測還沒有一個統一的評測標準,大多研究者采用覆蓋度[19]和核心率[20]作為評價指標,或使用人工評價的方法。

覆蓋度是從用戶間網絡拓撲結構的角度考慮,通過意見領袖發出的行為動態,在直接或者間接影響的用戶數占全部用戶數的比重來衡量意見領袖的影響力。覆蓋度分為單步覆蓋度和全路徑覆蓋度。本文采用單步覆蓋度和帶阻尼因子的全路徑覆蓋度對算法進行定性評測。

4.3 實驗結果及分析

4.3.1 意見領袖影響力排名

為了驗證算法的合理性,將本文提出的ZhihuRank意見領袖發現算法與PageRank算法、UilRank算法進行對比實驗,3種算法Top-10排名的結果如表2所示。從表2可以看出,3種算法排名在意見領袖用戶選取方面還是比較接近的,由于篇幅所限,不能顯示更多的意見領袖用戶。在使用UilRank算法計算用戶初始影響力時數據集有稍許差別,通過分析,把本文中的用戶獲得贊同數當作UilRank的被回復數,用于計算用戶的初始影響力。

表2 3種算法結果對比

從表2還可以發現,位于ZhihuRank排名前10位的用戶大多可以在PageRank或UilRank排名中找到,不同的是他們的排序位置存在一定的差異。圖3為表2中所有用戶的屬性特性值在這些用戶總特征值的加權占比情況。

圖3 用戶加權屬性值占比堆積柱狀圖

用戶“zhang-jia-wei”在PageRank和ZhihuRank算法排名中都處于第一位,這得益于他的高粉絲和高獲贊以及有著較高的影響力傳播度,且該用戶是知乎網絡上公認的意見領袖級用戶。用戶“excited-vczh”在UilRank算法排名中居于第4位但是在ZhihuRank中卻未進前10(第11位),而且他的屬性占比情況也不差,原因在于UilRank算法中回帖數擁有較大屬性特征權重,在本數據集中表現為回答問題數。但是在本文算法中,弱化了回答問題數這個屬性,認為粉絲數和獲得贊同數更為重要,相比于回答問題數更能體現用戶的影響力,因此在ZhihuRank算法排名前10位中沒有用戶“excited-vczh”。

從圖3中還發現ZhihuRank算法排名結果中的第2位、第3位用戶“gejinyuban”和用戶“ma-bo-yong”在特征數據占比中表現平平,原因有二。其一,從表3中可知他們有著高影響力傳播度,而且雖然在數據占比上沒有突出表現,但是基數很大,計算出的自身影響力實際并不低。其二,很多高質量用戶(包括Top-10中的用戶)是他們的粉絲,表3中給出了擁有Top-30的粉絲數,由于Top-30用戶關注關系過于復雜,圖4給出Top-10用戶間的關注關系,從圖中可以看出這2位用戶的入度都非常高,說明了他們位于前列的合理性。

表3 用戶影響力信息和Top-30粉絲擁有量

圖4 Top-10用戶間關注關系

綜合以上實驗結果和分析,ZhihuRank算法考慮了用戶的自身屬性特征和用戶動態行為影響力傳播度,能夠更準確、有效地識別網絡社區中的意見領袖,且結果更具合理性。

4.3.2 算法評測結果

為了定性評估本文算法的有效性,分別使用單步覆蓋度評價方法和傳播影響力覆蓋度評價算法對Top-k意見領袖的影響力覆蓋度進行測評,實驗結果如圖5、圖6所示。

圖5 單步覆蓋度評測結果

圖6 傳播覆蓋度評測結果

從圖5、圖6可知,ZhihuRank算法比其他2個算法不管在單步覆蓋還是傳播覆蓋上都具有較大的影響力覆蓋度,且有較明顯優勢,可見算法的有效性。從圖5中還可發現在單步覆蓋度評價中UilRank算法起初比PageRank的算法覆蓋度還要低,說明在單步影響力傳播環境下的UilRank算法并不能發揮其效果。PageRank算法是完全基于拓撲環境下循環迭代傳播的,所以在一定程度上比基于用戶屬性得到的影響力覆蓋度更有優勢。此外,還發現前50名意見領袖的影響力可以覆蓋大約90%的用戶。

5 結束語

在線網絡社區的興起給意見領袖發現研究提供了理想的實驗平臺。同時,這方面的研究也反過來影響著網絡社區和人們的真實生活。

本文通過收集的知乎網絡社區數據,對用戶的影響力進行分析,從用戶自身影響力、用戶動態行為及其給動態內容帶來的真實影響這3個方面進行研究,根據用戶自身屬性特征值計算出用戶自身影響力,再通過用戶動態行為及其對動態內容產生的影響計算出用戶影響力的傳播力度,最后利用改進后的ZhihuRank算法計算用戶的最終影響力,發現知乎網絡中的意見領袖。雖然本文的研究對象是知乎網絡,但是提出的算法同樣適用于諸如微博、論壇等類似網絡社區。

但是,本文算法還有不足之處,比如在獲取用戶動態行為信息時可以更細致地將用戶行為進行區分。在接下來的工作中,將進一步改進算法,收集更細致的用戶動態行為和問題動態變化信息。此外,將對問題文本內容、內容主題、個人情感這些因素加入到影響力分析上,使研究更加精準、全面。

[1] FREEMANL C.Centrality in Social Networks Conceptual Clarification[J].Social Networks,1979,1(3):215-239.

[2] 王秀麗.網絡社區意見領袖影響機制研究——以社會化問答社區“知乎”為例[J].國際新聞界,2014,36(9):47-57.

[3] YU Xiao,LIN Xia.Understanding Opinion Leaders in Bulletin Board Systems:Structures and Algorithms[C]// Proceedings of the 35th Conference on Local Computer Networks.Washington D.C.,USA:IEEE Press,2010:1062-1067.

[4] 王君澤,王雅蕾,禹 航,等.微博客意見領袖識別模型研究[J].新聞與傳播研究,2011(6):81-88.

[5] 丁雪峰,胡 勇,趙 文,等.網絡輿論意見領袖特征研究[J].四川大學學報(工程科學版),2010,42(2):145-149.

[6] 王 玨,曾劍平,周葆華,等.基于聚類分析的網絡論壇意見領袖發現方法[J].計算機工程,2011,37(5):44-46.

[7] LAZARSFELD P F,BERELSON B,GAUDET H.The People’s Choice:How the Voter Makes Up His Mind in a Presidential Campaign[M].New York,USA:[s.n.],2007:229-233.

[8] YOO Y,ALAVI M.Emergent Leadership in Virtual Teams:What Do Emergent Leaders Do?[J].Infor-mation & Organization,2004,14(1):27-58.

[9] WU Shaomei,HOFMAN J M,MASON W A,et al.Who Says What to Whom on Twitter[C]//Proceedings of International Conference on World Wide Web.New York,USA:ACM Press,2011:705-714.

[10] ZHAI Zhongwu,XU Hua,JIA Peifa.Identifying Opinion Leaders in BBS[C]//Proceedings of International Conference on Intelligent Agent Technology.Sydney,Australia:[s.n.],2008:398-401.

[11] ZHOU Hengmin,ZENG D.Finding Leaders from Opinion Networks[C]//Proceedings of IEEE International Conference on Intelligence and Security Informatics.Washington D.C.,USA:IEEE Press,2009:266-268.

[12] WENG Jianshu,LIM E P,JIANG Jing,et al.TwitterRank:Finding Topic-sensitive Influential Twitterers[C]//Proceedings of ACM International Conference on Web Search & Data Mining.New York,USA:ACM Press,2010:261-270.

[13] 王晨旭,管曉宏,秦 濤,等.微博消息傳播中意見領袖影響力建模研究[J].軟件學報,2015,26(6):1473-1485.

[14] 吳 渝,馬璐璐,林 茂,等.基于用戶影響力的意見領袖發現算法[J].小型微型計算機系統,2015,36(3):561-565.

[15] ASUR S,HUBERMAN B A,SZABO G,et al.Trends in Social Media:Persistence and Decay[EB/OL].(2011-02-05).http://www.hpl.hp.com/research/scl/papers/trends/trends_web.pdf.

[16] CHA M,HADDADI H,BENEVENUTOF,et al.Measuring User Influence in Twitter:The Million Follower Fallacy[C]//Proceedings of the 4th International Conference on Weblogs and Social Media.Washington D.C.,USA:[s.n.],2010.

[17] KWAK H,LEE C,PARK H,et al.What is Twitter,A Social Network or A News Media?[C]//Proceedings of International Conference on World Wide Web.New York,USA:ACM Press,2010:591-600.

[18] 許樹柏.層次分析法原理[M].天津:天津大學出版社,1988.

[19] SONG Xiaodan,CHI Yun,HINO K,et al.Identifying Opinion Leaders in the Blogosphere[C]//Proceedings of the 16th ACM Conference on Information and Knowledge Management.New York,USA:ACM Press,2007:971-974.

[20] MIAO Qingliang,ZHANG Shu,MENG Yao,et al.Domain-sensitive Opinion Leader Mining from Online Review Communities[C]//Proceedings of the 22nd International Conference on World Wide Web Companion.New York,USA:ACM Press,2013:187-188.