[发明专利]一种基于K-核分解获取社交网络意见领袖的方法

说明书

本发明涉及一种基于K‑核分解获取社交网络意见领袖的方法，其特征在于，包括以下步骤：1)构建以用户为节点、用户间关系为边的社交网络有向图；2)采用K‑核分解获得社交网络有向图中每个用户的K核数，根据所有用户的K核数构建意见领袖候选用户集，并构建意见领袖候选图；3)获取意见领袖候选用户集中用户的知名度和热度；4)根据知名度和热度计算用户重要度，并比较意见领袖候选用户集中所有用户的用户重要度，并根据用户重要度选择意见领袖。与现有方法相比，本发明具有评估准确、联系现实、计算复杂度低等优点。

技术领域

本发明涉及社交网络方法领域，尤其是涉及一种基于K-核分解获取社交网络意见领袖的方法。

背景技术

社交网络中的意见领袖可以在信息传递过程中有效地影响大多数用户。因此，意见领袖在信息传播预测，舆论引导和监督以及促进商业发展等方面发挥着越来越重要的作用。无疑，在社交网络用户分析领域，对意见领袖的研究也越来越重要。

Kitsak等人认为K-核分解可以识别社交网络中影响力最大的节点。通过K-核分解，社交网络中每个用户可以获得相对应的K核数，具有最大K核数的用户往往都被认为是具有最大影响力的用户。Wei B等人考虑到边两边节点的度，构造加权网络，提出加权K-shell分解方法；Yang F等人计算节点及其两跳距离内邻居节点的K-shell值总和作为节点的局部K-shell值；Zeng A等人提出混合度分解方法，同时考虑K-核分解过程中被剩余的节点和被删除的节点。Bae J等人用节点的邻居节点K核数之和来评估具有相同K核数的节点的重要度。但上述基于K-核分解改进的算法，都是根据社交网络的网络拓扑进行分析，没有考虑到真实用户的历史行为，挖掘到的意见领袖可能偏离实际情况。Aghdam等人使用评论信息评估用户之间的信息关系，通过计算用户的总信任值挖掘意见领袖；Xia D等人捕获用户发布，转发，以及提及他人的帖子情况，在此基础上提出影响力测量方法；上述算法虽然考虑到真实用户的历史行为，但因考虑社交网络中每个用户的多个特征，计算过程复杂度高。

发明内容

本发明的目的就是为了克服上述现有方法存在的缺陷而提供一种基于K-核分解获取社交网络意见领袖的方法。

本发明的目的可以通过以下方法方案来实现：

一种基于K-核分解获取社交网络意见领袖的方法，包括以下步骤：

1)构建以用户为节点、用户间关系为边的社交网络有向图；

2)采用K-核分解获得社交网络有向图中每个用户的K核数，根据所有用户的K核数构建意见领袖候选用户集，并构建意见领袖候选图；

3)获取意见领袖候选用户集中用户的知名度和热度；

4)根据知名度和热度计算用户重要度，并将意见领袖候选用户集中所有用户的用户重要度由大到小进行排序，并选择意见领袖。

所述的步骤3)中，用户的知名度Nt(u)的计算式为：

其中，N^out(u)是意见领袖候选图中用户u关注的用户集合，|N^out(u)|为意见领袖候选图中用户u关注的用户个数，dⁱⁿ(v)和dⁱⁿ(u)分别是意见领袖候选图中用户v和u的追随者总数。

所述的步骤3)中，用户的热度Ht(u)的计算式为：

α₁+α₂+α₃＝1