社交网络中的用户影响力研究综述

钱萌　王子鸣　程树林

关键词：社交网络; 用户影响力; 结构特性; 用户行为; 情感倾向

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2023）02-0072-03

1 概述

随着互联网技术的深入发展与应用，社交网络已经成了人们日常生活的重要组成部分，并以各种形式为人们提供沟通、交互等服务。用户可以通过社交网络主动创建和共享信息，而不是像传统媒体那样被动地消费内容，使得人们的社交生活更为丰富。著名的社交网络平台包括Twitter、Facebook、微博等，深受年轻人的喜爱，在人们生活中发挥着不可或缺的作用。平台允许用户发布原创内容，分享自己的心情或表达对事物的观点和态度。用户也可以选择关注其他用户，转发、评论或点赞自己感兴趣的内容，用户间的不同行为构成了社交关系网。

网络中用户的影响力可以看作是影响他人并使他人行为改变的能力[1]。网络中大量的信息通过用户间的行为不断传播，用户在接收与传播信息的同时，也处在影响与被影响的过程中，不同影响力的用户对信息传播的速度和范围影响不同[2]。网络中的高影响力用户对于舆情监控、广告投放等领域有着不可忽视的作用，能最大限度地扩大信息传播的范围。例如2020年疫情期间，通过社交网络实时发布全球疫情信息，实现了准确的疫情动态跟踪，因此评估社交网络中的节点影响力具有现实意义，同时，社交网络中节点影响力的评估可以帮助分析和预测网络中用户影响力的大小及演变规律，从而更好地了解信息在网络中的传播路径和理解社交网络的形成与演化[3]。如图1中的中心节点则表示网络中的高影响力用户。国内外专家学者从不同角度对用户影响力的评估开展了广泛研究，大致上可以分为基于网络拓扑结构、基于用户行为和基于用户情感倾向等类型。

2 基于网络拓扑结构的评估

从网络拓扑结构出发，其评估方式可以分为基于随机游走、基于最短路径和基于节点度的评估等类型[4]。

2.1 基于随机游走的评估

基于随机游走的评估方法是利用邻居节点来刻画节点的影响力，主要包括特征向量中心性评估[5]、PageRank评估[6]等。

（1）基于特征向量中心性的评估基于特征向量中心性的评估是从节点的中心性出发，通过计算它们的权重，将当前节点的邻居节点的权重线性和视为该节点的中心度数值[4]。其基本思想是当前节点的影响力取决于邻居节点的影响力，即邻居节点的节点影响力越大，则该节点在网络中的影响力会随之增大。节点i 在网络中的影响力可用公式（1）表示。

其中，a_ij表示网络转化成邻接矩阵M中的值，λ 是邻接矩阵的最大特征值。

（2）基于PageRank算法的评估

PageRank评估方法是利用网页间链接结构来计算网页重要度的一种算法，用有向图表示网页间的关系。图中的每个节点表示一个网页，每一条边代表网页间的链接，如公式（2）所示。

3 基于用户行为的评估

从用户行为出发，在社交网络中，用户可以利用社交网络平台发布原创内容，分享自己的心情或表达对事物的观点和态度。除此之外，用户还可以转发、评论或点赞其他用户发布的内容。用户间的不同行为使信息在网络中传播开来，形成了信息传播网络，因此评估用户影响力时不可忽略网络中的用户行为。

国内外专家学者从不同角度对用户影响力的度量进行了广泛研究，并且取得了一定的研究成果。齐超等人[11]综合分析用户转发、评论等行为，度量了每种行为对影响力的贡献度，提出根据用户行为的差异性分配权重的方法来改进PageRank算法。王新胜等人[12]融合了用户的自身因素和用户间的互动行为，综合考虑用户的直接影响力和间接影响力两方面，在用户排名准确性上有了很大的提高。文献[13]在PageR?ank算法的基础上，综合分析用户的实际行为，引入了微博用户自身权重，提出了MR-UIRank算法，但是在考虑转发、评论等行为时，均忽略了其行为的有效性。毛佳昕等人[14]通过分析用户的行为因素与社会网络结构信息，将用户的阅读行为因素引入模型，更好地对用户的影响力进行了估计。在文献[15]中，Wu L等人基于内容的用户关系和用户行为的显性用户关系提出了MPPR算法，将两种关系集成在一起评估用户影响力，在实验部分与传统的PageRank算法进行了对比。

上述研究关注于用户的行为特征及行为习惯，但存在对用户行为分析不全面的问题，且忽略了用户隐式兴趣偏好这一重要因素。Cheng等人[16]考虑用户多维社交行为活动与用户兴趣的融合，并量化了用户行为的有效性，将其作为用户自身权重，最后合理地融入PageRank算法。文献[17-18]均考虑到了用户兴趣对于用户行为的影响，提高了用户影响力评估的准确性和科学性，但用户的兴趣偏好会随着时间发生动态变化，且不同用户对于兴趣变化的敏感程度不同[19]，因此在构建用于兴趣主题模型时，也应该考虑到用户兴趣的漂移。同时，网络中用户行为模式具有多样性，单一维度的指标很难准确地代表用户兴趣，上述研究大多仅关注用户发布的博文内容，而用户标签、关注关系等也可以作为用户兴趣的信息源，因此，在构建用户兴趣模型时应充分考虑这些重要因素。

4 基于用户情感倾向的评估

社交网络中用户在表达对于事物的观点时，其情感倾向往往决定了用户对其内容持肯定还是否定的态度[20]。用户情感的分析与建模能够帮助正确分析用户间交互行为[21]，这对于用户影响力的评估中也有着重要的意义。

张继东[20]等人提出了一种基于用户交互行为和情感倾向的影响力度量算法，该算法充分融合了用户间交互信息、情感信息等多维因素构建了影响力评估模型，实验结果表明该算法提高了影响力计算的准确性。董伟等人[22]充分考虑了交互性及用户情感倾向，并将其合理地融入传统的PageRank算法，有效地识别出网络中高影响力用户。陈志雄等人[23]通过支持向量机对微博博文进行了情感分析，并对传统的PageR?ank算法进行了改进，在新浪微博数据集上验证了所提算法的有效性。Liu等人[24]定义了用户情绪功率和集群可信度，并提出了一种基于情绪聚合机制的潜在影响用户发现算法来定位种子候选集。Lanlin Gao等人[25]提取了情感元素，利用所提出的情感匹配和情感转换算法来获取用户的相对情感，并根据用户的相对情绪，对用户进行了分类。

上述研究均充分考虑了用户的情绪对于高影响力用户识别的影响，且有效提升了影响力计算的准确性。但是仍然存在有待改进的地方，例如对于用户自身信息考虑不充分、忽略了用户情绪的动态变化等。同时，用户的转发、评论等行为也可以反映用户的情绪，因此对于情绪元素的提取方式也能够进行进一步的细化。

5 总结与展望

本文从三个角度对社交网络中用户影响力的评估进行了分析总结。基于网络拓扑结构的评估考虑了网络结构特性，基于用戶行为的评估，深入分析了用户的交互行为，基于用户情感倾向则对用户情感进行了分类。上述研究虽然取得了一定的成果，但仍然存在问题，需要进一步探索。未来可从以下从几个方面优化社交网络中用户影响力的评估：如在构建用户兴趣模型时可充分考虑用户标签、关注关系等多维度指标、探究用户兴趣及情绪随时间的演变规律等，这些问题的解决将进一步提高用户影响力评估的准确性。同时，影响力的评估也能为社交网络中的社区发现提供新的思路和视角，从而应用于个性化推荐领域，有效提升推荐的精准度。