[发明专利]一种融合用户时间信息的微博客用户影响力排名方法

说明书

本发明涉及一种融合用户时间信息的微博客用户影响力排名方法，包括步骤：（1）对微博客用户进行特征化处理；（2）根据微博客用户特征对所有用户集进行聚类，得到微博客中的潜在有影响力用户集；（3）对潜在有影响力用户集构建特定话题领域下的张量影响力模型；（4）利用张量分解重构新的张量影响力模型；（5）根据重构的张量影响力模型预测用户的影响力得分；（6）根据用户的影响力得分从高到低排序，得到用户的影响力排名结果并输出。本发明方法可提高特定话题领域下用户影响力预测精度。

技术领域

本发明涉及用户影响力分析技术领域，尤其涉及一种融合用户时间信息的微博客用户影响力排名方法。

背景技术

当前，有很多技术方法可用于用户影响力分析。传统的用户影响力分析方法主要基于统计用户的特征数据度量用户的影响力。在一般的微博客中，系统都会记录用户不同的特征数据，这些特征数据包括了粉丝数、关注者数、发表文章数、评论数、转发数等。通过分析和挖掘隐藏在此类特征数据之后的分布和规律，就能够获得用户潜在的影响力指标。该类方法统计方法直观，计算过程较为简单，有较好的普适性，但由于选取的多为用户的直观特征，并不能挖掘潜藏在网络结构或用户交互信息背后的影响力信息。

当前，存在着一些基于网络结构的影响力分析方法。在社交媒介尤其是微博客媒介中存在大量用户间的交互行为，研究者们通常根据这些交互行为构建社交网络。在这个社交网络中，节点表示一个独立的用户或一群同类用户，网络中的边则表示用户间的交互关系，如相互评论的关系、粉丝与被粉者的关系等。研究者通过衡量节点与边的网络重要程度获得节点用户的社会影响力值。这类方法相比基于用户特征数据的影响力分析方法能够较好的反应用户在网络中的特定信息。

当前，还存在着一些基于交互话题信息的的影响力分析方法。近年来研究表明，在用户的社交活动中，信息多以话题的形式产生和传播，从话题角度能够更加细致的度量用户的影响力。该类方法多利用LDA模型等话题模型计算所有推文的所属话题，并利推文的话题信息构建用户的话题特征，在特定话题下计算用户影响力排名。

然而，目前特定话题下的影响力模型研究往往忽略了隐藏在用户行为中的时间特征，而这些时间特征通常与用户的信息扩散能力密切相关，用户信息扩散能力的大小直接影响用户在社交媒介中的影响力。因此，人们希望找到一种更加高效、细致的以及能够融合用户时间等特征的张量影响力分析方法，进而提高用户影响力排序预测精度和减少预测的时间消耗。

发明内容

针对上述现有技术不足，本发明提供一种融合用户时间信息的微博客用户影响力排名方法，通过聚类得到潜在的有影响力用户，以这些潜在有影响力用户的特征为基础构建张量模型，最后，利用融合时间特征的张量影响力分析方法计算用户影响力排名，以进一步提高特定话题领域下用户影响力预测精度。

为实现上述目的，本发明的技术方案是：一种融合用户时间信息的微博客用户影响力排名方法，包括以下步骤：

步骤S1：对微博客用户进行特征化处理；

步骤S2：根据微博客用户特征对所有用户集进行聚类，得到微博客中的潜在有影响力用户集；

步骤S3：对潜在有影响力用户集构建特定话题领域下的张量影响力模型；

步骤S4：对张量影响力模型进行分解，在张量分解的过程中加入考虑与用户信息扩散能力相关的时间特征约束，重构新的张量影响力模型；

步骤S5：根据重构的张量影响力模型预测用户的影响力得分；

步骤S6：根据用户的影响力得分从高到低排序，得到用户的影响力排名结果并输出。

进一步地，所述步骤S1中特征化处理指根据微博客信息将用户特征化，包括以下特征：粉丝评论反应率特征、粉丝评论观点倾向特征、粉丝活跃度特征和用户网络中心度特征；