一种个体与群体之间的影响力评估方法与流程

本发明涉及一种个体与群体之间的影响力评估方法，属于网络通信技术领域。

背景技术：

在线社交网络的用户群体是因为一定的社会关系，社会背景或兴趣等形成的非正式的、跨区域的、可自由发展的庞大的社会网络群体。看似联系较为稀疏的虚拟世界网络群体，相互之间的影响作用对大众舆论导向、社会热点涨落、特定群体涌现等方面起到至关重要的作用。根据社交用户的个体属性、活跃程度、交际范围、行为特征等要素的不同，在线社交网络中的不同用户具有不同的影响力。

尽管现实的人际关系能够于在线社交网络中有所体现，但并不是在线社交网络群体形成的全部驱动因素。人类独特的行为模式根源于人类高度的社会性，这使得人比随机扩散的物理粒子具有更为复杂的运动模式。值得强调的是，任何群体或者网络的形成，都是由于个体关系之间的相互反馈，从而实现网络用户的自适应和群体的自组织。因此，研究社交网络的群体用户关系与影响力是深入剖析网络用户群体行为的关键。

近年来，学者对在线社交网络的影响力进行了一定的研究。早期工作对影响力在社会活动中的表现和相关因素进行了探索和分析，当时的研究样本空间较小，能够获取的数据量有限。随着在线社交网络大量客观的数据支持，有学者开始对用户本身社团及表现出来的影响力、用户在线交互过程中表现的彼此影响以及影响力随时间的演化等诸多问题开展了相关的研究和探讨。A.Leavitt E.Burchard,D.Fisher,and S.Gilbert《The influentials:new approaches foranalyzing influence on Twitter》(Web Ecology Project,2009,4(2):1-18.)等分析了Twitter的用户数据，把用户的影响力分为两种类型：基于交谈的影响力(conversation-based)和基于内容的影响力(content-based)。Page L,Brin S,Motwani R《The PageRank citation ranking:Bringing order to theweb》依据交互信息在社交网络上的传播特点，利用信息的转发次序对用户影响力进行打分。Kwak H,Lee C,Park H《What is Twitter,a social network or a news media》(Proceedings of the 19th international conference on World wide web.ACM,2010:591-600)等人通过计算社交用户追随者的拓扑结构网络得出社交用户的PageRank值，并将其作为对社交用户影响力的一种有效度量方法。Yang和Leskovec《Modeling information diffudion in implicit networks》(Proceedings of 2010 IEEE International Conference on Data Mining.Sydney,Ausralia,2010:599-608)则认为信息的传播过程受用户影响力的控制，与显性的网络拓扑以及用户间的相互连接没有必然联系，建立了一种线性影响力模型LIM，用于表示用户影响力与过去已经受到影响的其他用户之间的关系。《在线社交网络中用户间影响力量化研究》(戴云晶,上海交通大学,2013)通过引入贝叶斯概率的理论和虚拟转发的概念来修正现有模型,提出了贝叶斯用户间影响力量化模型。以上对影响力的研究取得了一定的成果，但是对于群体影响力衡量和指标刻画却相对较少，没有一个相对系统的方法去刻画和计算群体影响力的大小。而本发明能够很好地解决上面的问题。

技术实现要素：

本发明目的在于针对上述现有技术的不足，提出了一种个体与群体之间的影响力评估方法，该方法充分考虑用户影响力之间的关系，提出群体内部与群体外部的节点对群体的影响力指标，以便于综合评估群体影响力的大小。

本发明解决其技术问题所采取的技术方案是：本发明应用于在线社交网络用户交互关系的网络下，利用加权网络模拟已知直接影响力的群体，充分考虑影响力作用的机制和途径，给出了间接影响力大小，群体内部与群体外部节点的影响力关系与计算方法。

方法流程：

步骤1：采用定义的用户间影响力，计算不同用户之间的直接影响力和间接影响力；

步骤2：采用定义的节点与群体影响力，计算群体内部节点对群体影响力的影响力；

步骤3：采用定义的节点与群体外节点影响力，计算外部个体对群体的影响力。

步骤4：采用定义的节点与群体外节点影响力，计算群体对外部个体的影响力。

进一步的，本发明所述步骤1中，定义了直接影响和间接影响力：直接影响力为所有具有直接交互历史节点对之间的直接影响力，间接影响力为所有不具有直接交互历史节点对之间的产生的影响力。给出了影响力计算的公式：

计算节点i对节点j的影响力，可表示为：

F(i，j)表示节点i对节点j的间接影响度；P_ij表示节点i到节点j的所有路径，k,v表示P_ij路径中的节点；α为综合因子(可考虑为所有节点间的直接影响力加权取平均)。若节点i与节点j有直接交互，那么F_ij就是节点i对节点j的直接影响度；若节点i与节点j未有直接交互，那么F_ij节点i对节点j的间接影响度。

进一步的，本发明所述步骤2中，定义了内部个体与群体之间的影响力，给出了计算内部个体与群体影响力。若计算i在群体R中的影响力F(i，R)就为该节点对群体内部节点的直接影响度和间接影响度的综合,可表达为：

F(i，R)＝β∑_{j∈R，i≠j}F_ij (2)

F(i，R)表示节点i在群体R中的影响力；F_ij表示节点i对节点j的影响度；β为综合因子

(可考虑为i对所有节点的影响力加权取平均)。

进一步的，本发明所述步骤3中，采用定义的节点与群体外节点影响力，计算外部个体对群体的影响力。外部个体i对群体R影响力Y(i，R)可表示为：

Y(i，R)＝γ(α∑_{j∈R，j∈V(i)}F_ij+β∑_{j∈R，j∈V(i)}F(j，R)) (3)

V(i)表示与i有过直接交互的节点的集合。F_ij表示节点i对节点j的影响力；F(j，R)为节点j在群体R中的影响力；γ为综合因子。

进一步的，本发明所述步骤3中，定义的节点与群体外节点影响力，计算群体对外部个体的影响力。群体R对节点i的影响力Y(R，i)可表示为：

Y(R，i)＝δ∑_{j∈R，j∈V(i)}F_ji (4)

V(i)表示与i有过直接交互的节点的集合。F_ji表示节点j对节点i的影响力；δ为综合因子。

有益效果：

1、本发明采用了复杂网络的理论，将节点之间直接影响力网络用复杂网络的加权有向网络表示，充分表示了节点影响力之间的关系。

2、本发明将用户之间的影响力抽象成直接影响力和间接影响力，更加贴近社交网络的社会现实。

3、本发明提炼出群体影响力的两个指标：内部节点与群体影响力指标和外部节点与群体影响力指标，有利于衡量群体的对内的约束和影响以及群体对外部扩张壮大的能力，为进一步研究群体影响力以及群体行为提供了可量化的指标。

4、本发明提出的评估群体影响力的方法，从多个方面评估群体影响力，符合社会现实。

附图说明

图1为本发明的方法流程图。

图2为群体内部个体的影响力模型示意图。

图3为个体对群体的影响力模型示意图。

图4为本发明节点a对其他节点的实例图。

图5为外部个体对群体的影响力实例图。

图6为群体对外部个体的影响力实例图。

具体实施方式

下面结合说明书附图对本发明创造作进一步的详细说明。

本发明提出了一种个体与群体之间的影响力评估方法，该方法充分考虑用户影响力之间的关系，提出群体内部与群体外部的节点对群体的影响力指标，以便于综合评估群体影响力的大小。

本发明应用于在线社交网络用户交互关系的网络下，利用加权网络模拟已知直接影响力的群体，充分考虑影响力作用的机制和途径，给出了间接影响力大小，群体内部与群体外部节点的影响力关系与计算方法。具体包括：

步骤1：采用定义的用户间影响力，计算不同用户之间的直接影响力和间接影响力，该影响力的计算呈现非对称性；

步骤2：采用定义的节点与群体影响力，计算群体内部节点对群体影响力的影响力；

步骤3：采用定义的节点与群体外节点影响力，计算外部个体对群体的影响力。

步骤4：采用定义的节点与群体外节点影响力，计算群体对外部个体的影响力。

本发明所述步骤1中，定义了直接影响和间接影响力：直接影响力为所有具有直接交互历史节点对之间的直接影响力，间接影响力为所有不具有直接交互历史节点对之间的产生的影响力。给出了影响力计算的公式：

计算节点i对节点j的影响力，可表示为：

F_ij表示节点i对节点j的间接影响度，F(i，j)表示节点i对节点j的间接影响度；P_ij表示节点i到节点j的所有路径，k,v表示P_ij路径中的节点；α为综合因子(可考虑为所有节点间的直接影响力加权取平均)。若节点i与节点j有直接交互，那么F_ij就是节点i对节点j的直接影响度；若节点i与节点j未有直接交互，那么F_ij节点i对节点j的间接影响度。

进一步的，本发明所述步骤2中，定义了内部个体与群体之间的影响力，给出了计算内部个体与群体影响力。若计算i在群体R中的影响力F(i，R)就为该节点对群体内部节点的直接影响度和间接影响度的综合,可表达为：

F(i，R)＝β∑_{j∈R，i≠j}F_ij (2)

F(i，R)表示节点i在群体R中的影响力；F_ij表示节点i对节点j的影响度；β为综合因子

(可考虑为i对所有节点的影响力加权取平均)。

本发明所述步骤3中，采用定义的节点与群体外节点影响力，计算外部个体对群体的影响力。外部个体i对群体R影响力Y(i，R)可表示为：

Y(i，R)＝γ(α∑_{j∈R，j∈V(i)}F_ij+β∑_{j∈R，j∈V(i)}F(j，R)) (3)

V(i)表示与i有过直接交互的节点的集合。F_ij表示节点i对节点j的影响力；F(j，R)为节点j在群体R中的影响力；γ为综合因子。

进一步的，本发明所述步骤3中，定义的节点与群体外节点影响力，计算群体对外部个体的影响力。群体R对节点i的影响力Y(R，i)可表示为：

Y(R，i)＝δ∑_{j∈R，j∈V(i)}F_ji (4)

V(i)表示与i有过直接交互的节点的集合。F_ji表示节点j对节点i的影响力；δ为综合因子。

如图4所示，节点a对节点b的直接影响度为F_ab，节点b对节点d的直接影响度为F_bd，节点a与节点d之间存在两条影响路径分别为P_abd和P_acd，由这两条影响路径综合计算可得到节点a对节点d的间接影响度为:

F_ad＝α₁F_ab·F_bd+α₂F_ac·F_cd

α₁，α₂为综合权重因子(可考虑为所有节点间的直接影响力加权取平均)。

不同节点对群体中的影响力是不同的，有些节点可能对群体中大部分节点产生影响力，而有些节点在群体中可能几乎没有影响力。一个节点对群体中其它节点所的影响度越大，且被该节点影响的节点影响度也大，那么该节点群体中的影响力就会越大。如图4所示，群体R对节点a的影响力F(R,a)就为群体内部各节点对节点a的影响力就为：

F(a,R)＝β₁F_ab+β₂F_ad+β₃F_ac

β₁，β₂，β₃为各影响力的权重，为各影响力的权重。

由于影响力存在不对称性，所以群体对外部个体的影响力，外部个体对群体的影响力存在差异，如图5所示。若节点d在群R之外，节点d通过直接交互节点c，e对群体R产生影响，因此节点d的对群体R影响力起到关键的作用是点c和e。外部节点d对群体R的影响力包括两个重要的因素，即外部节点d对群体R中直接交互的节点c、e的影响力F_dc，F_de以及c、e在群体R中的影响力F(c,R)和F(e,R)。

外部个体d对群体R影响力Y(d,R)可表示为：

Y(d,R)＝ε₁F_dc·F(c,R)+ε₂F_de·F(e,R)

ε₁,ε₂为各影响力的权重。

群体对外部个体的影响力主要取决于群体内与外部个体直接交互的节点的影响力。如图6所示，即使c，e在群体内部的影响力很高，或者群体内其他节点对c，e节点的影响力很高，但是c、e对节点d的影响力不高，群体R整体对节点d的影响力依然不高。因此，群体R对节点d的影响力，取决于节点c，e对节点d的直接影响力。群体R对节点d的影响力Y(R,d)可表示为：

Y(R,d)＝δ₁F_cd+δ₂F_ed

δ₁，δ₂为各影响力的权重。