[发明专利]一种提高社交网络用户产生内容信息影响力准确性的方法

说明书

技术领域

本发明涉及信息监测技术,特别是一种提高社交网络用户产生内容信息影响力准确性的方法。

背景技术

互联网已经进入到web2.0时代，每个用户都可以自由发表言论，很多重要内容或者新闻都是通过用户产生内容（UGC，User Generate Content）首先产生出来，继而通过社交网络广泛传播，最终在某个特定的社交圈子内甚至整个社会产生巨大的影响力。因此，UGC影响力的研究对于信息采集、监测、预测等都具有非常重要的作用。但是由于UGC的数量过于庞大，增加的速度非常快，很难对所有UGC进行处理，必须要筛选出质量好而且影响力高的UGC来进行研究和利用。由此，对UGC的质量和信息影响力评估的研究越来越受到重视。

目前关于信息影响力的研究主要应用影响力扩散模型（IDM，Influence Diffusion Model）及其改进模型（如影响力扩散概率模型IDPM，Influence Diffusion Probability Model等）进行分析。基于文本会话的影响力扩散模型IDM利用会话中的回复链结构，基于词频计算文本间的相似性来计算源的影响力扩散能力，每条回复扩散的影响力之和即为该文本的影响力扩散能力。该模型提出后，成为信息影响力研究的重要基石，后人对于信息影响力的研究大多是对该模型进行改进；影响力扩散概率模型IDPM通过在整个兴趣空间上定义单个关键词语传播概率影响力来解决IDM模型中的影响力传递结构断层问题和灌水导致的虚假影响力传播问题，通过考虑句子中的有效关键词语来解决IDM模型中的影响力传递内容断层问题。

但是这些模型存在一些非常明显的缺陷，如每个评论或者回复的权值都相同、没有考虑用户之间的关系等。以BBS上的一个帖子作为UGC为例，如图1所示：

用户1为信息发布者，用户2～用户5为用户1的回复者，A、B、C、D、E、F为该帖子包括的关键词，粗实线表示帖子在用户中的影响力传播关系，粗实线的方向为帖子的影响力传播方向，点划线表示用户间粉丝关系，虚线表示用户在兴趣网络中属于同一社群的关系，细实线表示用户在粉丝网络中属于同一社群的关系。

图1中，用户2～用户5都回复了用户1的帖子，不过用户2是用户1的粉丝，用户3与用户1属于相同兴趣网络社群，用户4与用户1属于相同粉丝网络社群（但不是用户1的粉丝），用户5是新用户，之前可能几乎与用户1没有关系。

由此可以看出，IDPM模型中没有对UGC的关键词进行分别加权处理会导致计算UGC的信息影响力存在偏差。

发明内容

有鉴于此，本发明提出了一种提高社交网络用户产生内容信息影响力准确性的方法，有效解决了现有技术中不对UGC的关键词进行分别加权处理导致计算UGC的信息影响力存在偏差的缺陷。本发明提出的技术方案是：

一种提高社交网络用户产生内容信息影响力准确性的方法，该方法包括：

A.建立社交网络UGC成员参与机制，确定所述成员参与机制各影响因素间的路径系数，所述路径系数为所述成员参与机制各影响因素间的相关程度；

B.根据所述UGC的用户粉丝关系构建粉丝网络无权有向图，对所述粉丝网络无权有向图进行社群划分；根据所述UGC的用户回复关系构建兴趣网络有权无向图，对所述兴趣网络有权无向图进行社群划分；

C.根据所述成员参与机制各影响因素间的相关程度计算用户X的社交影响力U_X；

D.根据计算用户X发布关键词K的社交影响力，m为关键词K在用户X上的传播次数，如果m＝0，则S_KX＝0；

E.根据公式计算关键词K在所述UGC中的综合社交影响力；

F.计算所述M个关键词在所述UGC中的综合社交影响力之和，得到所述UGC的信息影响力INF。

上述方案中，所述成员参与机制包括信息质量、群体认同感、价值感知和参与四个影响因素，信息质量和群体认同感的路径系数为a₁，信息质量和价值感知的路径系数为a₂，价值感知和群体认同感的路径系数为a₃，参与和群体认同感的路径系数为a₄。

上述方案中，所述步骤C进一步包括：

根据公式计算所述UGC中用户X的社交影响力，

其中，b为用户X在所述UGC中被直接回复的次数，如果用户不存在直接回复者，则U_X＝0；