融合用戶情感評分的節點專業影響力分析

王仁武 周 威 張文慧(華東師范大學經濟與管理學部信息管理系，上海 200241)

社交網絡是一個無標度網絡[1]，其無標度性質決定了少數具有較高度數的節點統治著網絡，這些極重要的節點即是本文研究的“影響力節點”。“影響力節點”用戶對其他節點具有較大的影響力，他們能夠在更大程度上影響到網絡的結構和功能，甚至控制信息的傳播和流通，對輿論的發展起著關鍵性的導向作用。因此，識別影響力節點是極其重要的。在社交網絡中，影響力節點通常又是多主題的，會針對各種不同專業領域的熱點問題發表言論見解。在他們擅長的領域內，他們是這個領域中的權威，而在其不擅長的領域中，他們就成了一般意義上的“聽眾”。“專業影響力節點”特指在某個專業領域內有權威的影響力節點，相對于一般意義上的“影響力節點”而言，“專業影響力節點”在其擅長的專業領域內擁有更強的影響力，能夠更為有效的控制領域內信息的傳播和流通。

基于互聯網的社交網絡節點數據的可獲得性，為社交網絡用戶節點影響力的定量計算帶來方便。目前比較多的研究節點影響力的方法是基于復雜網絡分析技術的中心度方法，苑衛國等[2]認為節點的重要性指標可以用來分析節點的影響力，例如節點的度中心性、介數中心性、緊密中心性、k-core等都能一定程度地表示節點影響力，并且通過實驗證明，緊密度和k-core較其他指標可以更加準確地描述節點在信息傳播中所處的網絡核心位置。這類方法一定程度上可以解決節點影響力的度量問題，但指標尚顯單一。韓忠明等人[3]則較全面地從拓撲結構、行為特征、內容特征這3個維度來度量節點影響力。其中內容維度包括了話題分析、新穎度敏感度分析、文本傾向性分析、文本相似性分析。但是該文并沒有考慮用戶(其關注者)的觀點，在專業領域中，節點的專業影響力與熟悉該領域的用戶對其的認可有關，所以需要納入用戶評價的測度。

本文以新浪微博社區為例，對其中的專業影響力節點進行挖掘和評估時，除了需要考慮節點本身的微博吸引力、微博轉發數等基本特征之外，還引入了節點的領域相關度和情感支持度兩個新的評價指標來改進和優化算法。

1 相關研究

節點影響力的評估首先需要科學合理的評價指標。社交網絡中的評價指標可選范圍非常廣泛，基于用戶行為的評價指標經常使用的是轉發、評論、提及3種行為，Cha M[4]等人根據這3種行為評估Twitter用戶的影響力并分析了這3種行為所表征的用戶影響力類型。齊超[5]等綜合分析用戶的轉發、評論、提及3種行為，結合PageRank算法提出一種基于用戶行為綜合分析的微博用戶傳播影響力評價算法。時間維度對于用戶影響力的評估同樣是一個關鍵指標，Chen S[6]基于PageRank思想，結合時間維度建立用戶實時影響力算法(MURank)，通過微博用戶之間的轉發關系，對用戶進行影響力測量評估，相比于現有算法，該算法能夠體現用戶影響力隨時間變化的特征，算法也具有不錯的收斂性。

專業影響力節點的識別需要計算用戶的專業權威性，用戶專業權威度計算可以采用影響力節點分析時常用的鏈接分析技術，一個具有權威性的用戶會被大量鏈接所指向。大多數使用鏈接關系進行影響力節點挖掘的研究中，多是基于PageRank算法的改進。國外基于推特的研究就產生了類似TwitterRank[7]，InfluenceRank[8]等PageRank改進算法。這類方法能夠比較客觀合理地給出用戶影響力的度量。然而這些方法是針對一般意義上的“影響力節點”的挖掘，無法有效的識別和挖掘“專業影響力節點”。主要原因在于PageRank算法忽略了粉絲的情感觀點的傾向性對于節點影響力大小的影響，通常情況下，轉發和評論等互動行為會出現在粉絲比較支持博主觀點的情況下。

另外，因鏈接分析方法只考慮了社交網絡的結構特征，而忽視社交網絡信息的生成傳播，即沒有考慮內容分析。因此劉濟群[9]對基于內容的節點影響力度量的方法進行了綜述，在內容分析方面比較多的是采用LDA主題模型的分析框架。

本文在借鑒已有研究成果的基礎上，利用領域字典和話題識別模型對主題進行限定，從而降低主題漂移帶來的影響；然后結合節點的微博數量、轉發數量、粉絲數量、領域相關度等基本特征，并深入挖掘微博評論中的情感觀點特征，利用節點之間的關注關系構建鏈路結構，在此基礎上提出基于PageRank算法改進的Domain Rank算法來識別和挖掘社交網絡中的專業影響力節點。

2 節點專業影響力分析模型

本文設計的節點專業影響力分析模型如圖1所示。首先在相關研究文獻的基礎之上構建和節點專業影響力相關的評估指標，然后確定研究的專業領域，通過構建領域字典進行社交網絡話題限定，通過話題識別對全網的社交網絡用戶進行定向主題篩選，確認某用戶是否關注該領域，從而識別出關注該領域的社交網絡用戶，并篩選出該領域最有代表性的話題以及談論這些話題的用戶；然后構建情感字典對用戶談論話題的用戶評論進行情感評分；進一步需要基于關注關系的鏈接分析方法來識別和評估這些用戶在該領域的貢獻以及權威性；最后在實證分析中，通過專家背景調研對專業影響力節點進行分析解讀從而能評估結果的準確性。

2.1 領域字典構建與社交網絡數據采集

構建領域字典的目的是方便將所抓取的社交網絡的話題內容限定在該領域的范疇內。為了構建目標領域的字典，本文選擇知乎網作為語料采集對象。知乎網是目前國內最專業的問答社區，這里的問題和答案相比百度知道更加專業完善，利用從知乎網中采集下的文本數據經過分詞和提取并采取TFIDF算法處理，篩選出最能夠代表這個領域話題的關鍵詞，通過分詞和話題識別，發現具有代表性的關鍵詞及詞塊(一組相關詞)。同時，知乎網的口語化問答交流方式與社交網絡例如新浪微博等社交媒體用戶的信息表達方式比較匹配。

本文以新浪微博為例，通過其數據接口，采集微博數據。存放采集的微博數據庫中包括4張核心數據表。

表A——用于存儲單條微博的詳細信息，主要字段有微博ID、用戶ID、昵稱、微博文本、發布時間、轉發數、評論數；

表B——是所有用戶所在的表，包括用戶個體的詳細信息，主要字段有用戶ID、昵稱、性別、地區、主頁微博ID、關注數、粉絲數、微博數、簡介；

表C——是用戶之間的關注關系，每條記錄表示一條關注關系，這個關系是有向的，主要字段有關注者ID、關注者昵稱、被關注者ID、被關注者昵稱；

表D—用于存儲微博的評論詳細信息，主要字段包括微博ID，評論者ID，評論時間，評論內容。

2.2 基于關鍵詞共現的話題識別

話題總是涉及某一領域的主題，而專業影響力節點往往是指某一特定領域的影響力節點，所以首先要確定領域主題。在專業影響力節點識別時要注意的是通常來說用戶擅長的不僅是領域中單獨的一個主題，而是相近似的多個主題。比如一個用戶在音樂領域中的聲樂方面表現突出，那么他有很大可能會在樂器這一領域也有一定量的高質量內容發布。所以社交網絡中的專業影響力節點的識別需要結合某領域的多個主題來分析。

圖1 社交網絡中專業影響力節點識別的模型

目前比較主流的話題識別方法有LDA主題模型[10]、PLSA潛在語義識別模型[11]、模塊化話題聚類算法以及其它改進版本。因領域中的專業節點討論的話題會涉及多主題，前述的話題識別方法會產生主題漂移，所以本文采用關鍵詞共現的話題識別方法[12]。

2.3 節點專業影響力評估的指標選擇

本文在對微博社區中的專業影響力節點進行挖掘和評估時，除了需要考慮節點本身的微博吸引力、微博轉發數等基本特征之外，還引入了節點的領域相關度和情感觀點支持度兩個新的評價指標來改進和優化算法。

2.3.1 微博吸引力

微博吸引力定義為微博數量/粉絲數量。在實際應用中，微博吸引力比微博數量更能客觀準確的衡量微博內容的質量。因為一個沒有粉絲或者粉絲數量非常少的節點即使經常發微博也不會產生很強的專業影響力。節點的微博質量越高，吸引力就越大，從而也會產生越大的影響力。因此，微博吸引力同節點影響力正相關。將節點微博數量/粉絲數量歸一化處理得到其微博吸引力，計算方法如下：

(1)

其中，Mblogs是節點i的微博數量，Followers是節點i的粉絲數量。

2.3.2 微博轉發次數

轉發是微博中的一個重要功能，通過轉發就可以將自己看到的信息分享給自己的粉絲，微博轉發過程中會產生轉發網絡，轉發網絡的形成進一步擴大了信息的傳播范圍和覆蓋面。因此，節點微博被轉發頻次越高，其產生的影響力也就越大。與微博吸引力的計算類似，對節點i微博的總轉發次數也采取歸一化處理：

(2)

其中，Rnumsk是節點i的第k條微博的轉發次數。

2.3.3 領域相關度

在社交平臺中，用戶一般都是同時關注多個領域的，為了計算節點的專業影響力，需要將節點的主題范圍限制在固定的專業領域內。因此，我們定義了節點的領域相關度指標，領域相關度指的是用戶其微博同某個專業領域的相關程度，如果用戶經常發送該領域的相關信息，則其領域相關度較高。在基于文本挖掘的微博主題相關度的研究中[13]，通常采用以下公式來計算：

(3)

其中，j為微博編號，k表示主題詞庫中的詞，m表示領域字典中主題詞的數量，p(j,k)表示第j條微博中的第k個主題詞的權重，權重使用TFIDF計算出來，θ表示微博是原創還是轉發。

但由于微博文本短、信息量少、特征關鍵詞不足，通過TFIDF方法并不能達到很好的區分微博主題的預期效果。因此，我們采用每個用戶和數據挖掘領域相關的微博數量占其所有微博數量的比例作為該節點的領域相關度指標。歸一化后的節點領域相關度計算方法如下：

(4)

其中，RelatedNums是節點i的領域相關微博數量，Blogs是節點i的全部微博數量。

2.3.4 情感支持度

目前常見的情感極性分析方法主要有兩種：基于情感詞典的方法和基于機器學習的方法。本研究使用基于情感詞典的情感分析方法，常用的情感詞典有臺灣大學中文情感詞典(NTUSD)、知網(HowNet)、BosonNLP情感詞典等。

我們將每位博主所有微博的情感極性得分之和除以總評論數量得到每個節點的情感極性平均分，歸一化后的節點情感支持度計算公式如下：

(5)

其中，scoren為節點i第n條評論的情感分值，N為評論數量。

許多學者針對不同的場景分別提出了用戶評論情感賦值公式[14]，本研究參考已有BosonNLP情感詞典增加了情感副詞的不同強度劃分，并用不同強度的情感副詞進行賦值，再利用情感賦值公式對用戶評論進行情感傾向分析。在前人研究的基礎上，提出情感賦值公式：

Score=-1j(x×k)

(6)

算法設計如下：

1)情感詞，x值。調用分詞后的評論，與正負兩個情感詞集匹配相應情感詞，出現一個積極詞就+1，出現一個消極詞就-1。

2)程度詞權重，k值。情感詞前往往會有一個程度修飾詞。如“極好”就比“較好”或者“好”的情感更強，所以需要對情感詞前的程度修飾詞進行識別，并給不同的程度賦予權值。賦值如表1所示。

表1 程度修飾詞賦值表

3)否定詞，j值。情感詞前存在否定詞時，會出現情感的反轉。因中文的表達方式為雙重否定為肯定，所以在尋找情感詞前的否定詞時，還需對否定詞出現的次數進行計數，如果是單數，情感詞的權重為-1；如果是偶數，那情感就沒有反轉，權重為1。

4)輸出值，S值。由于博主經常會和粉絲進行互動，1條微博下面會有幾條留言和回復，針對微博評論的這種特點，我們先計算出粉絲每條評論的情感分值，然后將其所有評論的正向情感分值和負向情感分值相加得到粉絲對這條微博的評論的情感分數，最終輸出粉絲評論的情感值。

2.3.5 節點領域傳播能力

節點的微博吸引力、轉發數量、評論情感支持度以及微博的主題相關度等指標之間是相互促進、互為影響的關系，基于上述4個指標可以定義一個新的指標——節點領域傳播能力。節點領域傳播能力衡量了用戶在某個專業領域內對信息傳播和流通的控制能力，計算公式如下：

SPi=Ai×Ri×SEi×TRi

(7)

2.4 節點專業影響力評估算法

目前不少研究方法通過關注關系來發現用戶網絡中的關鍵人物，比如社交網絡中意見領袖、影響者的識別研究。PageRank算法通常用于在社會網絡中識別關鍵影響力節點的研究，算法公式如下：

(8)

其中Mpi是所有對節點Pi有出鏈的節點集合，L(pj)是節點Pi的出鏈數目，N為節點總數，α取0.85。

從表達式理解，PageRank算法中頁面的PR值是均勻地傳遞到鏈出的頁面上去的,這樣做的結果就是忽略了頁面本身的重要程度，因此，為了克服PageRank算法在計算時將PR值均勻地傳遞到鏈出的節點這一缺陷，我們將公式7中定義的節點領域傳播能力作為分配PR值的標準，根據節點領域傳播能力大小來分配PR值。從而使得模型能夠更加準確和客觀地衡量節點的專業影響力大小。最終基于PageRank算法改進的Domain Rank算法設計如下：

(9)

其中，Mpi是所有對節點Pi有出鏈的節點集合，N為節點總數，α取0.85，以保證算法收斂，Wij是節點Pj分配給Pi的DR權重，其計算公式如下：

(10)

其中，SPi是節點i的領域傳播能力，N為節點j的好友數，從公式上理解，節點j分配給節點i的DR權重是用節點i的領域傳播能力占節點j所有好友的領域傳播能力之和的比例得到的，如果節點i的領域傳播能力強，則分配較大的權重，反之，則分配較小的權重，從而保證了節點DR值的傳遞是不均勻的。

3 節點專業影響力分析的實證研究

本文嘗試在新浪微博中識別數據挖掘領域的專業影響力節點。為了將采集的微博文本限定在數據挖掘領域，先要構建數據挖掘領域詞典；然后利用該詞典對微博數據中有關數據挖掘領域的微博進行話題識別，從而確定相關領域的用戶。通過對這些用戶的發表微博數據采集處理、話題聚類，同時根據話題內容和人群聚類結果進行人群劃分，篩選出發表內容較專業且屬于“數據挖掘”的用戶群體作為候選節點；然后計算候選節點用戶的領域相關度。通過用戶的微博評論數據同時結合情感字典，對候選節點用戶進行情感評分。最后通過微博用戶的基本信息數據計算節點用戶的吸引力和轉發數。完成指標計算之后，通過歸一化處理獲得候選節點的傳播力，最終以排序的方式得到專業影響力節點的綜合排名結果。

圖2 節點專業影響力實證分析過程

3.1 數據挖掘領域詞典構建

數據挖掘是一門交叉學科，涉及機器學習、人工智能、信息檢索、信息可視化和專家系統等多個領域。這個領域中人們較多關注于相關技術的問題討論、行業應用、技術發展等。為了構建該領域的字典，本文采集了知乎網數據挖掘版塊下的所有提問和答案。利用采集下來的文本數據經過分詞和提取等步驟構建好“數據挖掘”的領域字典，表2給出了該字典的部分內容。

表2 數據挖掘領域字典(部分)

3.2 微博數據采集與話題識別

通過3.1節建立好的領域字典，編寫Python爬蟲程序，我們抓取了2015年8月31日-2016年7月31日這段時間內的所有涉及“數據挖掘”領域字典中關鍵詞的微博。數據按照2.2設計的表格內容抓取，共計67 616條原創微博。對這些數據進行去重和清洗處理后，保留53 120條符合條件的微博記錄。通過統計發現這53 120條微博由29 051人發布，絕大多數人在抓取時間跨度內只發布了1條與“數據挖掘”領域相關的微博。進一步發現發布超過兩條相關微博的用戶有3 100人，超過3次的共有1 561人，而超過5次的只有323人，因此，我們保留了超過3次以上的用戶，共計1 561人。然后，對篩選后留下的這1 561個用戶的微博文本數據經過分詞和提取，分析詞與詞共現關系，通過模塊化詞聚類算法，識別出該領域中主要討論的話題，有算法討論與研究、技術問題咨詢以及數據挖掘在公司的價值和應用。話題識別結果見圖3、圖4。另外，研究中發現也有一些不相關的話題存在，比如“范冰冰：知識圖譜”、“韓庚：知識圖譜”這些內容雖涉及“知識圖譜”，但其本身并沒有討論知識圖譜的知識或者相關研究。最后，通過對多個話題進行郵別，從中篩選出“數據挖掘技術討論”、“數據挖掘學習與實現”、“數據挖掘招聘”等6個主要話題，將這6個話題集合映射到用戶集合，從中篩選出741位用戶作為候選節點。

圖3 話題例舉：數據挖掘技術討論

圖4 話題例舉：數據挖掘學習和實現

3.3 專業影響力節點基本信息采集

通過領域詞典和話題識別技術對用戶進行定向主題篩選后，將保留下的741位用戶的基本信息存儲在2.1節的表B中。下一步根據這些用戶的微博ID信息，通過Python程序爬取了他們2016年8月后發布的微博共計3萬條，并將以上信息存儲在2.1中定義的表A中。表3中展示了計算節點領域傳播能力所需要的粉絲數、微博數、轉發數等詳細信息的部分示例數據。

表3節點基本信息表(部分)

微博昵稱微博數量粉絲數量轉發數量36大數據網8176101279402 452nlp1334215115132752 9愛范兒3577210678647970002愛可可愛生活366610121132892 5陳利人4172128770151339 3廣告門17901249964542400 3好東西傳送門33882963928882 7黃曉慶83621158190195879 9老師木1076721317236874李航博士12024395061752 75

3.4 專業影響力節點領域相關度計算

為了提高計算節點領域相關度的準確性，在計算節點領域相關度之前，需要擴展和完善領域詞典。基本思路是：首先結合利用Jieba分詞工具對3.2節采集到的數據挖掘領域相關微博進行了預處理，預處理主要包括文本分詞、詞性過濾、停用詞過濾等；然后通過人工挑選的方法從分詞集合中挑選出數據挖掘領域的主題詞加入領域詞典中，最終擴展完善領域詞典；下一步通過完善后的領域詞典對微博文本進行分類后即可計算每個用戶和數據挖掘領域相關的微博數量占其所有微博數量的比例。計算出來的領域相關度結果如表4所示：

表4 節點領域相關度(部分)

3.5 微博評論的情感評分

本文采用基于情感詞典的文本情感極性分析方法對粉絲的評論進行情感打分，將用戶的情感極性分為正向、負向和中性3類。正向為1分，負向為-1分，中性為0分。本文以BosonNLP情感詞典為基礎，進一步通過Python爬蟲程序抓取了這741個微博用戶2016年8月后的所有微博評論，將所有的評論數據存放在2.1節定義的表D中；然后利用Jieba分詞工具對這些評論進行分詞和去除停用詞處理；最后利用Google的Word2Vec算法[15]，對大量語料進行無監督學習，將詞語轉化為高維詞向量。通過計算詞向量之間的距離，得到與現有情感詞極性相同的情感新詞，結合現有的BosonNLP情感詞典形成一部較為完善的情感詞典。

在情感詞典的構建過程中我們發現，評論中存在很多“@我的印象筆記”、“@有道云筆記收藏”這樣的評論，印象筆記、有道云筆記都是用來收集和整理知識的專業筆記軟件，用戶收藏微博到筆記的行為，反映出了微博內容符合粉絲的需求，因此，我們將收藏到筆記的行為判斷為積極的表現，進行單獨計算。

最后，利用2.3節中的公式5和公式6，計算得到這741個節點的情感極性平均分，計算結果如表5所示：

表5 節點微博評論情感極性平均分(部分)

3.6 節點領域傳播能力計算

關注關系作為微博主要功能之一，用戶可以關注自己感興趣的人，接受他們發布的信息。不少影響力研究中，關注關系是計算研究的核心數據。為此，我們進一步采集了這741個候選節點的相互關注關系，例如，其中A關注了B，C關注了B則我們記錄這兩條有向數據為A→B和C→B。通過python爬蟲抓取處理，共獲取到4 721條有效數據記錄。為了使用2.4節中提到鏈接分析方法挖掘和識別數據挖掘領域中的專業影響力節點，需要利用上文得到的節點基本信息評估指標計算各個節點領域傳播能力，節點的領域傳播能力使用2.3節的公式7來計算。在計算之前，首先需要對表3、表4和表5提供的各項指標進行標準化處理，以消除數據在量綱和數量級上的差異。經過歸一化后的各節點基本信息以及計算出來的領域傳播能力如表6所示：

表6 節點基本信息及領域傳播能力(部分)

得到各節點的領域傳播能力以后，利用2.4節提出的專業影響力節點挖掘算法，最終得到節點的專業影響力排序結果。表7是使用本文提出的專業影響力挖掘框架最終產生的排名前10位的影響力節點。

排名前10位的專業影響力節點分別為：龍星鏢局、王威廉、南大周志華、梁斌penny、好東西傳送門、馬少平thu、老師木、陳利人、張棟_機器學習、西瓜大丸子湯。排名第11～20位的專業影響力節點有：網路冷眼、愛可可愛生活、數據挖掘研究院、李航博士、研究者July、社會網絡與數據挖掘、微軟亞洲研究院、52nlp、36大數據網、愛范兒。接下來我們對這些用戶進行了持續跟蹤以及背景調研，發現其中一部分是機構組織賬號，如36大數據網、微軟亞洲研究院等，另一部分為個人微博。其中個人微博用戶都是該領域中具有一定建樹的研究人員。比如“張棟_機器學習”為百度科學家、鳳巢系統架構師、原GOOGLE研究員；“南大周志華”，為南京大學教授，主要從事人工智能、機器學習、數據挖掘、模式識別等方面的研究；“梁斌penny”為清華大學人工智能方向博士研究生，曾就職于搜狗搜索，承擔新聞搜索、個性化新聞、日志挖掘、商業廣告系統等開發和研究；研究者july為數據科學在線教育平臺“7月在線”創始人。這些用戶是在“數據挖掘”領域影響力比較大的節點。

表7 專業影響力節點排名(部分)

綜上所述，通過對本文計算出的排名靠前的專業影響力節點在現實生活中的專業背景的調研，確實他們絕大多數都是專業領域權威的專家，這也證明了本文算法具有比較高的正確性。

4 結 語

本文提出了社交網絡中專業影響力節點的識別模型。其中利用了話題識別技術找到了用戶關注的話題以及關注這些話題的用戶，將專業影響力節點的挖掘范圍限制在這些用戶群體內；以用戶的粉絲數量、微博數量、轉發數量、領域相關度等特征為基礎，同時利用語義分析技術研究微博評論中的情感特征，并基于關注關系構建鏈路網絡，采用Domain Rank算法識別和挖掘社交網絡中的專業影響力節點；同時針對最終結果，本文還對其進行調研和專業評估，證實該方法確實成功識別出“數據挖掘”領域的專業影響力節點。

本文對用戶的情感評價主要是基于情感詞典的情感評分方法。進一步的研究，可以考慮充分利用本文在3.4中用到的詞向量技術，利用深度學習的方法來提高情感評分的效果。