[发明专利]基于图结构整体和部分的社交网络意见领袖挖掘方法

权利要求书

1.一种基于图结构整体和部分的社交网络意见领袖挖掘方法，其特征在于，包括以下步骤：

步骤S1，爬取社交网络中用户个体的语义信息，并进行预处理得到初始语义信息；

步骤S2，利用LDA模型将所述初始语义信息抽象为主题，在所述主题中提取关键字，并将所述主题和所述关键字作为所述初始语义信息的特征属性；

步骤S3，将LDA模型生成的K个主题作为基于K维的向量空间，每个用户节点均以K维向量表示，堆叠成数据矩阵，以建立用户社交网络；

步骤S4，利用基于密度的社区发现方法对所述用户社交网络进行社区划分，得到社区结构；

步骤S5，基于图的整体结构计算所述社区结构中所有用户节点整体影响力；

步骤S6，基于图的局部结构计算所述社区结构中所有用户节点局部影响力；以及

步骤S7，融合所述所有用户节点整体影响力和所述所有用户节点局部影响力进行影响力评估，得到并降序排列所有用户节点影响力评分，将排在预设阈值前的用户节点作为社交网络的意见领袖。

2.根据权利要求1所述的基于图结构整体和部分的社交网络意见领袖挖掘方法，其特征在于，所述步骤S3具体包括：

步骤S301，将LDA主题模型生成的所述K个主题作为所述基于K维的向量空间，并将每个用户节点均以K维向量进行表示，且等于用户节点对应文档的主题概率分布；

步骤S302，将所有用户节点向量集合构成K×n的数据矩阵，以数据矩阵的形式对所有用户节点进行表示；

步骤S303，根据用户节点向量之间的主题概率分步相似度建立连接，构成社交网络。

3.根据权利要求2所述的基于图结构整体和部分的社交网络意见领袖挖掘方法，其特征在于，所述数据矩阵的构建公式为：

其中，x_i,j为数据矩阵第i行j列的值，为用户节点v_i所对应文档d_i的主题分布的第j个主题概率。

4.根据权利要求2所述的基于图结构整体和部分的社交网络意见领袖挖掘方法，其特征在于，所述用户节点向量之间的主题概率分步相似度的计算公式为：

其中，a_ij为用户节点向量之间的主题概率分步相似度，x_i为数据矩阵的第i列，x_j为数据矩阵的第j列，σ为缩放因子。

5.根据权利要求1所述的基于图结构整体和部分的社交网络意见领袖挖掘方法，其特征在于，所述步骤S4的具体步骤为：

步骤S401，计算所述用户社交网络中每个用户节点的局部密度；

步骤S402，计算所述用户社交网络中每个用户节点的Delta距离；

步骤S403，通过所述每个用户节点的局部密度和所述每个用户节点的Delta距离构建社区中心，根据所述社区中心对所述用户社交网络进行划分，得到社区结构。

6.根据权利要求5所述的基于图结构整体和部分的社交网络意见领袖挖掘方法，其特征在于，所述每个用户节点的局部密度的计算公式：

其中，λ_i为用户节点v_i与所有用户节点的距离小于截断距离的节点数，d_i,j为节点v_i到节点v_j距离，d_c为截断距离，χ(x)为分段函数。