国产成人精品无码青草_亚洲国产美女精品久久久久∴_欧美人与鲁交大毛片免费_国产果冻豆传媒麻婆精东

18143453325 或 在線咨詢 在線咨詢
18143453325 或 在線咨詢
所在位置： 首頁(yè) > 營(yíng)銷資訊 > 電子商務(wù) > 知識(shí)圖譜 | （轉(zhuǎn)）一文讀懂社交網(wǎng)絡(luò)分析

知識(shí)圖譜 | （轉(zhuǎn)）一文讀懂社交網(wǎng)絡(luò)分析

時(shí)間：2023-03-15 00:56:01 | 來源：電子商務(wù)

時(shí)間：2023-03-15 00:56:01 來源：電子商務(wù)

社交網(wǎng)絡(luò)是由現(xiàn)實(shí)生活中的個(gè)體組成的帶有社交屬性的網(wǎng)絡(luò)，也可以將其理解成由人為節(jié)點(diǎn)組成的帶有社交屬性的知識(shí)圖譜，但嚴(yán)格意義上也并不是真正意義上的知識(shí)圖譜，但其中所蘊(yùn)含的思想和相關(guān)的技術(shù)是相通的，所以對(duì)于社交網(wǎng)絡(luò)的分析方法在知識(shí)圖譜中同樣適用。

原文鏈接：【http://mt.sohu.com/20171010/n516921964.shtml】

本文主要闡述：

前言

社交網(wǎng)絡(luò)在維基百科的定義是“由許多節(jié)點(diǎn)構(gòu)成的一種社會(huì)結(jié)構(gòu)。節(jié)點(diǎn)通常是指?jìng)€(gè)人或組織，而社交網(wǎng)絡(luò)代表著各種社會(huì)關(guān)系。”在互聯(lián)網(wǎng)誕生前，社交網(wǎng)絡(luò)分析是社會(huì)學(xué)和人類學(xué)重要的研究分支。早期的社交網(wǎng)絡(luò)的主要指通過合作關(guān)系建立起來的職業(yè)網(wǎng)絡(luò)，如科研合作網(wǎng)絡(luò)、演員合作網(wǎng)絡(luò)等。

本文所指的社交網(wǎng)絡(luò)分析專指在線社交網(wǎng)絡(luò)分析（Online Social Network Analysis），該門科學(xué)的發(fā)展是隨著在線社交服務(wù)（Social Network Service, SNS）的出現(xiàn)而誕生。在線社交服務(wù)的種類大致可分為四種：即時(shí)消息類應(yīng)用（QQ、微信、WhatsApp、Skype 等），在線社交類應(yīng)用（QQ空間、人人網(wǎng)、Facebook、Google+ 等），微博類應(yīng)用（新浪微博、騰訊微博、Twitter 等），共享空間類應(yīng)用（論壇、博客、視頻分享、評(píng)價(jià)分享等）。

在線社交網(wǎng)絡(luò)（下文統(tǒng)稱社交網(wǎng)絡(luò)）有著迅捷性、蔓延性、平等性與自組織性等四大特點(diǎn)。正因?yàn)檫@些特性，其在互聯(lián)網(wǎng)出現(xiàn)的短短數(shù)十年內(nèi)已經(jīng)擁有數(shù)十億用戶并對(duì)現(xiàn)實(shí)社會(huì)的方方面面產(chǎn)生著影響。在2016年的美國(guó)總統(tǒng)大選中，當(dāng)選總統(tǒng)特朗普就很好地利用了推特作為宣傳工具；而在國(guó)內(nèi)，從魏則西事件到和頤酒店事---件再到最近的“刺死辱母者”事件，無一不是在社交網(wǎng)絡(luò)上迅速發(fā)酵，并最終對(duì)現(xiàn)實(shí)社會(huì)產(chǎn)生影響。而且這種線上影響線下的趨勢(shì)越來越明顯。

除了社交網(wǎng)絡(luò)給社會(huì)和經(jīng)濟(jì)帶來許多正面影響之外，也帶來了不少負(fù)面影響。從Facebook 和 YouTube上的暴力恐怖信息傳播到微博微信上大量謠言和假新聞，這些有害信息借助社交網(wǎng)絡(luò)的特點(diǎn)迅速傳播并且往往產(chǎn)生不可控的后果。

為了利用好社交網(wǎng)絡(luò)的特性，產(chǎn)生價(jià)值，消除危害，所以產(chǎn)生了社交網(wǎng)絡(luò)分析這門科學(xué)。它是一種基于信息學(xué)、數(shù)學(xué)、社會(huì)學(xué)、管理學(xué)和心理學(xué)等科學(xué)的交叉科學(xué)。根據(jù)社交網(wǎng)絡(luò)的特性，其主要研究三大內(nèi)容：結(jié)構(gòu)與演化，群體與互動(dòng)，信息與傳播。

本文簡(jiǎn)要概述了社交網(wǎng)絡(luò)分析領(lǐng)域各個(gè)研究方向，對(duì)于細(xì)節(jié)性的內(nèi)容我只列出參考文獻(xiàn)，在文章最后提供了一些學(xué)習(xí)資源。 希望通過閱讀本文，對(duì)這個(gè)領(lǐng)域感興趣的讀者可以對(duì)社交網(wǎng)絡(luò)分析有一個(gè)宏觀理解并且找到學(xué)習(xí)的方向。筆者作為社交網(wǎng)絡(luò)分析的初學(xué)者，對(duì)某些概念和事實(shí)的解釋和陳述不免有錯(cuò)誤之處，還望各位讀者能及時(shí)指正，大家共同交流進(jìn)步。

一． 社交網(wǎng)絡(luò)的結(jié)構(gòu)特性與演化機(jī)理

1. 社交網(wǎng)絡(luò)結(jié)構(gòu)分析與建模

1.1 統(tǒng)計(jì)特性

社交網(wǎng)絡(luò)模型許多概念來自于圖論，因?yàn)樯缃痪W(wǎng)絡(luò)模型本質(zhì)上是一個(gè)由節(jié)點(diǎn)（人）和邊（社交關(guān)系）組成的圖。筆者將簡(jiǎn)要介紹社交網(wǎng)絡(luò)模型中常用的統(tǒng)計(jì)概念。

1.2 網(wǎng)絡(luò)特性

1.3 網(wǎng)絡(luò)模型



2. 虛擬社區(qū)（社團(tuán)）及發(fā)現(xiàn)技術(shù)

2.1 定義

虛擬社區(qū)基于子圖局部性的定義：社區(qū)結(jié)構(gòu)是復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)集合的若干子集，每個(gè)子集內(nèi)部的節(jié)點(diǎn)之間的連接相對(duì)非常緊密，而不同子集節(jié)點(diǎn)之間的連邊相對(duì)稀疏。

在社交網(wǎng)絡(luò)中發(fā)現(xiàn)虛擬社區(qū)有助于理解網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特點(diǎn)，揭示復(fù)雜系統(tǒng)內(nèi)在功能特性，理解社區(qū)內(nèi)個(gè)體關(guān)系。為信息檢索、信息推薦、信息傳播控制和公共事件管控提供有力支撐。虛擬社區(qū)發(fā)現(xiàn)存在著許多經(jīng)典的算法，這些算法用于挖掘不同規(guī)模的虛擬社區(qū)，算法在追求高精度的同時(shí)力求提高效率（降低時(shí)間復(fù)雜度）。

2.2 社區(qū)發(fā)現(xiàn)算法評(píng)價(jià)指標(biāo)

以下評(píng)價(jià)指標(biāo)可通過搜索引擎獲得詳細(xì)的介紹：

2.3 社區(qū)靜態(tài)發(fā)現(xiàn)算法

Mark Newman 提出了針對(duì)模塊度的最大化的貪心算法FN?？蓞⒖嘉墨I(xiàn)：Newman,Mark EJ. "Fast algorithm for detecting community structure innetworks." Physical review E 69.6 (2004): 066133.

Zhao, Yuxin, et al. "Acellular learning automata based algorithm for detecting community structure incomplex networks." Neurocomputing 151 (2015): 1216-1226.

Du, Jingfei, Jianyang Lai,and Chuan Shi. "Multi-Objective Optimization for Overlapping CommunityDetection." International Conference on Advanced Data Mining andApplications. Springer, Berlin, Heidelberg, 2013.

Newman, Mark EJ, andElizabeth A. Leicht. "Mixture models and exploratory analysis innetworks." Proceedings of the National Academy of Sciences104.23(2007): 9564-9569.

Ren,Wei, et al. "Simple probabilistic algorithm for detecting communitystructure." Physical Review E 79.3 (2009): 036111.

Rosvall, Martin, and Carl T.Bergstrom. "Maps of random walks on complex networks reveal communitystructure." Proceedings of the National Academy of Sciences 105.4(2008): 1118-1123.

Kim, Youngdo, and HawoongJeong. "Map equation for link communities." Physical Review E 84.2(2011): 026110.

2.4 社區(qū)動(dòng)態(tài)發(fā)現(xiàn)算法

Palla, Gergely, et al."Uncovering the overlapping community structure of complex networks innature and society." arXiv preprint physics/0506133(2005).

Kumpula,Jussi M., et al. "Sequential algorithm for fast cliquepercolation." Physical Review E 78.2 (2008): 026109.

Shen, Huawei, et al."Detect overlapping and hierarchical community structure innetworks." Physica A: Statistical Mechanics and its Applications388.8(2009): 1706-1712.

Huang,Jianbin, et al. "Density-based shrinkage for revealing hierarchical andoverlapping community structure in networks." Physica A:Statistical Mechanics and its Applications 390.11 (2011): 2160-2171.

Raghavan, Usha Nandini, RékaAlbert, and Soundar Kumara. "Near linear time algorithm to detectcommunity structures in large-scale networks." Physical review E 76.3(2007): 036106.

Gregory, Steve. "Finding overlapping communitiesin networks by label propagation." New Journal of Physics 12.10(2010): 103018.

Lancichinetti, Andrea, andSanto Fortunato. "Benchmarks for testing community detection algorithms ondirected and weighted graphs with overlapping communities." PhysicalReview E 80.1 (2009): 016118.

Lee,Conrad, et al. "Detecting highly overlapping community structure by greedyclique expansion." arXiv preprint arXiv:1002.1827 (2010).

3. 虛擬社區(qū)演化分析

在線社交網(wǎng)絡(luò)中存在著大量顯性或者隱性的虛擬社區(qū)結(jié)構(gòu)，這些虛擬社區(qū)結(jié)構(gòu)并不是永恒不變的，隨著事件變化，社區(qū)結(jié)構(gòu)也在不斷演變。分析動(dòng)態(tài)的虛擬社區(qū)結(jié)構(gòu)演化有助于理解整個(gè)社交網(wǎng)絡(luò)的演化過程，所以有著重要的研究?jī)r(jià)值。

3.1 虛擬社區(qū)的涌現(xiàn)

虛擬社區(qū)涌現(xiàn)即在社交網(wǎng)絡(luò)中虛擬社區(qū)從無到有的過程，其最重要的特征是網(wǎng)絡(luò)聚集現(xiàn)象。

3.2 虛擬社區(qū)的演化

在線社交網(wǎng)絡(luò)虛擬社區(qū)演化過程非常復(fù)雜，影響因素很多。如何挖掘虛擬社區(qū)演化中的關(guān)鍵性因素成為社交網(wǎng)絡(luò)研究中一個(gè)重要而有挑戰(zhàn)性的課題， 用戶個(gè)體的累積效應(yīng)、結(jié)構(gòu)多樣性和結(jié)構(gòu)平衡性三個(gè)基本因素對(duì)虛擬社區(qū)演化都存在影響。

3.3 演化虛擬社區(qū)的發(fā)現(xiàn)

演化虛擬社區(qū)發(fā)現(xiàn)目前已有大量的研究資料，以下五種是比較成熟的算法模型，具體細(xì)節(jié)和根據(jù)參考文獻(xiàn)進(jìn)一步了解。

Hopcroft, John, et al."Tracking evolving communities in large linked networks." Proceedingsof the National Academy of Sciences 101.suppl 1 (2004): 5249-5253.

Greene, Derek, Donal Doyle, and PadraigCunningham. "Tracking the evolution of communities in dynamic socialnetworks." Advances in social networks analysis and mining (ASONAM), 2010international conference on. IEEE, 2010.

Chakrabarti, Deepayan, Ravi Kumar,and Andrew Tomkins. "Evolutionary clustering." Proceedings ofthe 12th ACM SIGKDD international conference on Knowledge discovery and datamining. ACM, 2006.

Lin, Yu-Ru, et al."Facetnet: a framework for analyzing communities and their evolutions indynamic networks." Proceedings of the 17th international conference onWorld Wide Web. ACM, 2008.

Lambiotte, Renaud, J-C.Delvenne, and Mauricio Barahona. "Laplacian dynamics and multiscalemodular structure in networks." arXiv preprint arXiv:0812.1770 (2008).

Palla, Gergely, Albert-LaszloBarabasi, and Tamas Vicsek. "Quantifying social groupevolution." Nature 446.arXiv: 0704.0744 (2007): 664.

Hopcroft, John, et al."Tracking evolving communities in large linked networks." Proceedingsof the National Academy of Sciences 101.suppl 1 (2004): 5249-5253.

二． 社交網(wǎng)絡(luò)群體行為形成與互動(dòng)規(guī)律

1. 用戶行為分析

社交網(wǎng)絡(luò)用戶行為是用戶對(duì)自身需求，社會(huì)影響和社交網(wǎng)絡(luò)技術(shù)進(jìn)行綜合評(píng)估的基礎(chǔ)上做出的使用社交網(wǎng)絡(luò)服務(wù)的意愿，以及由此引起的各種使用活動(dòng)的總和。用戶行為是在線社交網(wǎng)絡(luò)研究的重要內(nèi)容。現(xiàn)有研究主要基于如下兩種思路展開，一是將在線社交網(wǎng)絡(luò)作為一種特定的信息技術(shù)，研究用戶對(duì)在線社交網(wǎng)絡(luò)技術(shù)的采納行為、拒絕行為和用戶忠誠(chéng)；二是將在線社交網(wǎng)絡(luò)視為提供各種服務(wù)和應(yīng)用的平臺(tái)，研究用戶使用各種服務(wù)和應(yīng)用所表現(xiàn)出的特征與規(guī)律。

1.1 用戶采納與忠誠(chéng)

在線社交網(wǎng)絡(luò)用戶采納是指用戶在對(duì)自身需求、社會(huì)影響和在線社交網(wǎng)絡(luò)技術(shù)進(jìn)行綜合評(píng)估的基礎(chǔ)上做出的使用在線社交網(wǎng)絡(luò)服務(wù)的意愿或行為，在線社交網(wǎng)絡(luò)再出現(xiàn)初期能否被盡可能多的用戶采納和試用對(duì)于其后續(xù)的擴(kuò)散至關(guān)重要。目前已有多種理論被用于揭示在線社交網(wǎng)絡(luò)用戶采納行為機(jī)理。其中，技術(shù)接受模型和計(jì)劃行為理論是研究者們應(yīng)用最多的兩種理論。

在線社交網(wǎng)絡(luò)用戶忠誠(chéng)是指用戶在使用社交網(wǎng)絡(luò)服務(wù)之后，能夠繼續(xù)保持使用的習(xí)慣。各種層出不窮的新型網(wǎng)絡(luò)服務(wù)所帶來的競(jìng)爭(zhēng)壓力讓保持在線社交網(wǎng)絡(luò)用戶忠誠(chéng)度愈發(fā)困難。目前為止，已經(jīng)有多種理論被用于在線社交網(wǎng)絡(luò)的用戶忠誠(chéng)研究。其中，期望確認(rèn)理論和心流體驗(yàn)理論受到較多研究者青睞。

David Fred 提出技術(shù)接受模型是目前信息系統(tǒng)研究領(lǐng)域最經(jīng)典的模型之一。對(duì)模型詳細(xì)了解可參考：

Davis, Fred D. "Perceived usefulness, perceived ease of use, and user acceptance of information technology." MIS quarterly (1989): 319-340.

Icek Ajzen 提出的計(jì)劃行為理論已經(jīng)被廣泛用于人類行為研究。對(duì)理論詳細(xì)了解可參考：

Ajzen, Icek. "From intentions to actions: A theory of planned behavior." Action control. Springer Berlin Heidelberg, 1985. 11-39.

由 Oliver 提出的期望確認(rèn)理論是研究消費(fèi)者滿意度的基本理論。 Anol Bhattacherjee 再該理論的基礎(chǔ)上結(jié)合信息系統(tǒng)的特點(diǎn)提出了信息系統(tǒng)持續(xù)使用的期望確認(rèn)模型（ECM-ISC）。對(duì)模型詳細(xì)了解可參考：

Bhattacherjee, Anol. "Understanding information systems continuance: an expectation-confirmation model." MIS quarterly (2001): 351-370.

Mihaly Csikszentmihalyi等提出的心流體驗(yàn)理論是目前關(guān)于用戶體驗(yàn)研究的重要理論。對(duì)理論詳細(xì)了解可參考:Csikszentmihalyi, Mihaly. Beyond boredom and anxiety. Jossey-Bass, 2000.

1.2 用戶個(gè)體使用行為

1.3 用戶群體互動(dòng)行為

2. 社交網(wǎng)絡(luò)情感分析

隨著互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，網(wǎng)絡(luò)已經(jīng)成為人們獲取信息，發(fā)表意見的主要途徑，根據(jù)文本內(nèi)容，我們可以將網(wǎng)絡(luò)中的文本分為兩種，一種是客觀描述信息，主要針對(duì)事件、產(chǎn)品等進(jìn)行客觀描述，另一種是主觀性信息，主要產(chǎn)生與用戶對(duì)人物、事件、產(chǎn)品進(jìn)行客觀性描述；另一種是主觀性信息，主要產(chǎn)生于用戶對(duì)人物、事件、產(chǎn)品等的評(píng)價(jià)信息。主觀性信息表達(dá)了人們的各種情感色彩和情感傾向，如“支持”、“反對(duì)”、“中立”等。

情感分析，在此等同于意見挖掘，是針對(duì)主觀性信息進(jìn)行分析、處理和歸納過程。情感分析最初起源于自然語(yǔ)言處理領(lǐng)域，主要從語(yǔ)法語(yǔ)義規(guī)則方面對(duì)文本的情感傾向性進(jìn)行研判。隨著社交網(wǎng)絡(luò)的興起與發(fā)展，情感分析逐漸涉及多個(gè)研究領(lǐng)域，如文本挖掘、Web 數(shù)據(jù)挖掘等，并延伸至管理學(xué)及社會(huì)科學(xué)等學(xué)科，并在產(chǎn)品評(píng)論、輿情監(jiān)控、信息預(yù)測(cè)等多個(gè)領(lǐng)域發(fā)揮著重要的作用。

2.1 文本情感分析技術(shù)

2.2 社交網(wǎng)絡(luò)情感分析技術(shù)

3. 個(gè)體影響力分析

發(fā)現(xiàn)社交網(wǎng)絡(luò)中的有影響力的個(gè)體是社交網(wǎng)絡(luò)研究中非常重要的研究分支，而且其有著重要的應(yīng)用價(jià)值。例如微博營(yíng)銷，謠言檢測(cè)，輿情管理等等。

1.1 基于網(wǎng)絡(luò)結(jié)構(gòu)的個(gè)體影響力計(jì)算

基于社交網(wǎng)絡(luò)的圖結(jié)構(gòu)特性，有幾個(gè)指標(biāo)用來衡量網(wǎng)絡(luò)中節(jié)點(diǎn)的中心度，即節(jié)點(diǎn)的影響力。除了以下三種外還有 PageRank 中心度等度量方法。

1.2 基于行為的個(gè)體影響力計(jì)算

社交網(wǎng)絡(luò)中用戶的行為決定用戶的影響力，以微博為例，用戶主要表現(xiàn)的行為是評(píng)論、轉(zhuǎn)發(fā)、回復(fù)、點(diǎn)贊、復(fù)制、閱讀等等，基于這些行為特征構(gòu)建多種網(wǎng)絡(luò)關(guān)系圖，可通過隨機(jī)游走等方法發(fā)現(xiàn)網(wǎng)絡(luò)中的影響力個(gè)體。

1.3 基于話題的個(gè)體影響力計(jì)算

在社交網(wǎng)絡(luò)中用戶在不同話題下的影響力不同，可以根據(jù)用戶的關(guān)注網(wǎng)絡(luò)和用戶興趣相似性來計(jì)算用戶在每個(gè)話題上的影響力。

4. 群體聚集及影響機(jī)制分析

本部分主要介紹群體極化的概念。群體極化是指在群體決策的情境中，個(gè)體意見或決定往往會(huì)受到群體間的彼此討論的影響，而產(chǎn)生一個(gè)群體性的結(jié)果。群體極化往往表現(xiàn)為群體內(nèi)的個(gè)體不經(jīng)過個(gè)人思考而同意大多數(shù)人的觀點(diǎn)。群體極化是一個(gè)社會(huì)心理學(xué)概念，在社會(huì)學(xué)名著《烏合之眾》中提到的大眾心理狀態(tài)就是群體極化的體現(xiàn)。

群體極化產(chǎn)生的條件可概括為四點(diǎn)：第一，必須有激發(fā)事件出現(xiàn)；第二，群體內(nèi)的個(gè)人能看到前人的選擇；第三，群體信息缺乏；第四，群體有一定的同質(zhì)性。

在在線社交網(wǎng)絡(luò)分析中，人們通過建立分析模型和仿真來研究在線社交網(wǎng)絡(luò)中的群體極化現(xiàn)象。主要的分析模型有基于博弈論和委托—代理理論的從眾行為模型，基于信息瀑的群體一致性模型和基于元胞自動(dòng)機(jī)群決策和行為仿真。

Twitter 中政治觀點(diǎn)的極化[4]

三． 社交網(wǎng)絡(luò)信息傳播與演化機(jī)理

1. 在線社交網(wǎng)絡(luò)信息檢索

信息檢索(Information Retrieval) 是從大規(guī)模非結(jié)構(gòu)化數(shù)據(jù)中獲取信息的過程，例如搜索引擎就是典型的信息檢索技術(shù)的應(yīng)用。在線社交網(wǎng)絡(luò)數(shù)據(jù)結(jié)構(gòu)有其特殊性，以微博的“話題”（#話題名稱#）為例，這種新型的信息組織方式是傳統(tǒng)信息檢索研究沒有涉及的，所以對(duì)社交網(wǎng)絡(luò)信息的檢索成為了一門研究課題。

1.1 社交網(wǎng)絡(luò)內(nèi)容搜索

內(nèi)容搜索是指給定查詢，從大量信息中返回相關(guān)信息的過程。例如在微博上搜索相關(guān)熱點(diǎn)事件名稱，能夠返回關(guān)于熱點(diǎn)事件的微博。內(nèi)容搜索是信息檢索最經(jīng)典的應(yīng)用形式。經(jīng)典的信息檢索模型有向量空間模型（VSM），概率模型及 BM25檢索公式，基于統(tǒng)計(jì)建模檢索模型及查詢擬然模型，基于統(tǒng)計(jì)語(yǔ)言建模的檢索模型等。

針對(duì)微博的內(nèi)容檢索建模，目前有兩種主要的方法:

1.2 社交網(wǎng)絡(luò)內(nèi)容分類

面向文本的分類稱為文本分類。分類包括訓(xùn)練和測(cè)試兩階段，簡(jiǎn)單地說，訓(xùn)練是根據(jù)已標(biāo)注類別的語(yǔ)料來學(xué)習(xí)分類規(guī)則或規(guī)律的過程。而測(cè)試是將已訓(xùn)練好的分類器用于新文本的過程。不管是訓(xùn)練還是測(cè)試，都需要將分類對(duì)象進(jìn)行特征表示，然后利用分類算法進(jìn)行學(xué)習(xí)或者分類。以下社交網(wǎng)絡(luò)中內(nèi)容主題分類的相關(guān)參考文獻(xiàn)，讀者可自行查閱。

Liu, Zitao, et al. "Short text feature selection for micro-blog mining." Computational Intelligence and Software Engineering (CiSE), 2010 International Conference on. IEEE, 2010.

Yuan, Quan, Gao Cong, and Nadia Magnenat Thalmann. "Enhancing naive bayes with various smoothing methods for short text classification." Proceedings of the 21st International Conference on World Wide Web. ACM, 2012.

Ling, Xiao, et al. "Can chinese web pages be classified with english data source?." Proceedings of the 17th international conference on World Wide Web. ACM, 2008.

Zhang, Dan, et al. "Transfer Latent Semantic Learning: Microblog Mining with Less Supervision." AAAI. 2011.

1.3 社交網(wǎng)絡(luò)推薦

Ma, Hao, et al. "Sorec: social recommendation using probabilistic matrix factorization." Proceedings of the 17th ACM conference on Information and knowledge management. ACM, 2008.

Funk, Simon. "Netflix update: Try this at home." (2006).

Jamali, Mohsen, and Martin Ester. "A matrix factorization technique with trust propagation for recommendation in social networks." Proceedings of the fourth ACM conference on Recommender systems. ACM, 2010.

2. 社交網(wǎng)絡(luò)信息傳播規(guī)律

信息傳播是人們通過符號(hào)、信號(hào)、傳遞、接收與反饋信息的活動(dòng)，是人們彼此交換意見、思想、情感，已達(dá)到互相了解和影響的過程。社交網(wǎng)絡(luò)信息傳播是指以社交網(wǎng)絡(luò)為媒介進(jìn)行信息傳播的過程。研究社交網(wǎng)絡(luò)信息傳播的規(guī)律，有助于我們加深對(duì)社交系統(tǒng)的認(rèn)識(shí)，理解社交現(xiàn)象。也有助于模式發(fā)現(xiàn)，大影響力節(jié)點(diǎn)識(shí)別和個(gè)性化推薦。下面主要介紹幾種社交網(wǎng)絡(luò)信息傳播模型。

2.1 基于網(wǎng)絡(luò)結(jié)構(gòu)的傳播模型

Granovetter, Mark. "Threshold models of collective behavior." American journal of sociology 83.6 (1978): 1420-1443.

Goldenberg, Jacob, Barak Libai, and Eitan Muller. "Talk of the network: A complex systems look at the underlying process of word-of-mouth." Marketing letters 12.3 (2001): 211-223.

2.2 基于群體狀態(tài)的傳播模型

傳染病模型（SI, SIS, SIR）, 傳染病模型是經(jīng)典的信息傳播模型，網(wǎng)上有豐富的參考資料。

Yang, Jaewon, and Jure Leskovec. "Modeling information diffusion in implicit networks." Data Mining (ICDM), 2010 IEEE 10th International Conference on. IEEE, 2010.

2.3 基于信息特性的傳播模型

在線社交網(wǎng)絡(luò)中的信息承載著用戶網(wǎng)上活動(dòng)的所有記錄，在信息傳播分析時(shí)起著不可或缺的重要作用。信息本身也具有一些特性，例如時(shí)效性，主體多樣性，多源觸發(fā)，信息合作與競(jìng)爭(zhēng)等。依據(jù)這些特征，可建立不同的模型。

Myers, Seth A., Chenguang Zhu, and Jure Leskovec. "Information diffusion and external influence in networks." Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2012.

Beutel, Alex, et al. "Interacting viruses in networks: can both survive?." Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2012.

此外，對(duì)社交網(wǎng)絡(luò)信息傳播規(guī)律的研究還包括熱度預(yù)測(cè)和信息溯源。感興趣的讀者可自行查閱了解。

3. 話題發(fā)現(xiàn)與演化

在話題發(fā)現(xiàn)和演化的大部分研究中，話題是指一個(gè)引起關(guān)注的事件或活動(dòng)，及其所有相關(guān)事件和活動(dòng)。其中，事件或者活動(dòng)是指在一個(gè)特定的時(shí)間和地點(diǎn)，發(fā)生的一些事情。社交網(wǎng)絡(luò)語(yǔ)料庫(kù)中的數(shù)據(jù)和傳統(tǒng)話題發(fā)現(xiàn)語(yǔ)料庫(kù)的數(shù)據(jù)區(qū)別較大，所以我們必須使用新的方法或?qū)鹘y(tǒng)方法進(jìn)行改進(jìn)來適應(yīng)社交網(wǎng)絡(luò)數(shù)據(jù)特點(diǎn)。

一般社交網(wǎng)絡(luò)例如 Twitter 的數(shù)據(jù)有以下特點(diǎn)：數(shù)據(jù)規(guī)模大、內(nèi)容簡(jiǎn)短、噪聲多、數(shù)據(jù)特征豐富等。下面介紹幾種主要的話題發(fā)現(xiàn)和演化模型。

3.1 基于主題模型的話題發(fā)現(xiàn)

Blei, David M., Andrew Y. Ng, and Michael I. Jordan. "Latent dirichlet allocation." Journal of machine Learning research 3.Jan (2003): 993-1022.

3.2 基于向量空間模型的話題發(fā)現(xiàn)

Salton, Gerard, Anita Wong, and Chung-Shu Yang. "A vector space model for automatic indexing." Communications of the ACM 18.11 (1975): 613-620.

Becker, Hila, Mor Naaman, and Luis Gravano. "Beyond Trending Topics: Real-World Event Identification on Twitter." ICWSM 11.2011 (2011): 438-441.

3.3 基于詞項(xiàng)關(guān)系圖的話題發(fā)現(xiàn)

詞項(xiàng)共現(xiàn)是自然語(yǔ)言處理技術(shù)在信息檢索中的成功應(yīng)用之一。它的核心思想是詞項(xiàng)之間的共現(xiàn)頻率在某種程度上反映了詞項(xiàng)的語(yǔ)義關(guān)聯(lián)。最初學(xué)者們利用詞項(xiàng)共現(xiàn)來計(jì)算文檔的相似性，隨后學(xué)者們利用該方法來完成話題詞提取，話題句提取和摘要生成任務(wù)。

Sayyadi, Hassan, Matthew Hurst, and Alexey Maykov. "Event detection and tracking in social streams." Icwsm. 2009.

3.4 基于主題模型的話題演化

Yin, Zhijun, et al. "LPTA: A probabilistic model for latent periodic topic analysis." Data Mining (ICDM), 2011 IEEE 11th International Conference on. IEEE, 2011.

Wang, Xiaolong, Chengxiang Zhai, and Dan Roth. "Understanding evolution of research themes: a probabilistic generative model for citations." Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2013.

3.5 基于相鄰時(shí)間片關(guān)聯(lián)的話題演化

Lin, Cindy Xide, et al. "The joint inference of topic diffusion and evolution in social communities." Data Mining (ICDM), 2011 IEEE 11th International Conference on. IEEE, 2011.

Saha, Ankan, and Vikas Sindhwani. "Learning evolving and emerging topics in social media: a dynamic nmf approach with temporal regularization." Proceedings of the fifth ACM international conference on Web search and data mining. ACM, 2012.

4. 影響力最大化

影響力最大化是在社交網(wǎng)絡(luò)中選定信息初始傳播用戶，使得信息的傳播范圍能達(dá)到最大，即影響力最大。影響力最大化算法的目的就是找出一定數(shù)量的用戶作為影響力傳播的初始節(jié)點(diǎn)。對(duì)影響力最大化的問題的建模是基于社交網(wǎng)絡(luò)信息傳播模型的。其中最經(jīng)典的模型是線性閾值和獨(dú)立級(jí)聯(lián)模型。

影響力最大化算法被證明為 NP-hard問題，下面主要介紹兩種典型的影響力最大化算法。

4.1 貪心算法

貪心算法從單個(gè)節(jié)點(diǎn)開始，計(jì)算每選一個(gè)新節(jié)點(diǎn)作為初始節(jié)點(diǎn)對(duì)每個(gè)節(jié)點(diǎn)帶來的邊際收益，取能造成邊際收益最大的點(diǎn)加入初始節(jié)點(diǎn)集合。貪心算法的缺點(diǎn)是計(jì)算時(shí)間成本較大，但是計(jì)算精度較高。

Kempe, David, Jon Kleinberg, and éva Tardos. "Maximizing the spread of influence through a social network." Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2003.

Chen, Wei, Yajun Wang, and Siyu Yang. "Efficient influence maximization in social networks." Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2009.

4.2 啟發(fā)式算法

不同于貪心算法選擇任何一個(gè)點(diǎn)作為初始節(jié)點(diǎn)開始計(jì)算，啟發(fā)式算法先通過一定策略選取一定數(shù)量的初始節(jié)點(diǎn)，然后計(jì)算其影響力傳播。其優(yōu)點(diǎn)是速度快，缺點(diǎn)是精度低。

Chen, Wei, Yajun Wang, and Siyu Yang. "Efficient influence maximization in social networks." Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2009.

Chen, Wei, Yifei Yuan, and Li Zhang. "Scalable influence maximization in social networks under the linear threshold model." Data Mining (ICDM), 2010 IEEE 10th International Conference on. IEEE, 2010.

四． 社交網(wǎng)絡(luò)分析的應(yīng)用

1. 社交推薦

社交推薦顧名思義是利用社交網(wǎng)絡(luò)或者結(jié)合社交行為的推薦，具體表現(xiàn)為推薦 QQ 好友，微博根據(jù)好友關(guān)系推薦內(nèi)容等。在線推薦系統(tǒng)最早被亞馬遜用來推薦商品，如今，推薦系統(tǒng)在互聯(lián)網(wǎng)已無處不在，目前大熱的概念“流量分發(fā)是互聯(lián)網(wǎng)第一入口”，支撐這個(gè)概念有兩點(diǎn)核心，其一是內(nèi)容，另外就是推薦，今日頭條在短短幾年間的迅速崛起便是最好的證明。

根據(jù)推薦系統(tǒng)推薦原理，社交推薦可定義為一種“協(xié)同過濾”推薦，即不依賴于用戶的個(gè)人行為，而是結(jié)合用戶的好友關(guān)系進(jìn)行推薦。對(duì)于互聯(lián)網(wǎng)上的每一個(gè)用戶，通過其社交賬戶能很快定義這個(gè)用戶眾多特點(diǎn)，再加之社交網(wǎng)絡(luò)用戶數(shù)之多，使得利用社交關(guān)系的推薦近些年備受關(guān)注。

人們更愿意接受來自朋友的推薦，來源：尼爾森

筆者所了解到的研究有，根據(jù)不同社交網(wǎng)絡(luò)之間進(jìn)行信息信息匹配進(jìn)而進(jìn)行推薦，有根據(jù)社交關(guān)系解決新注冊(cè)用戶的冷啟動(dòng)問題等?？傊缃煌扑]在內(nèi)容分發(fā)、廣告宣傳等領(lǐng)域有著十分重要的地位。具體應(yīng)用細(xì)節(jié)大家可以關(guān)注筆者的一篇介紹騰訊社交廣告的文章（http://mp.weixin.qq.com/s/ mLpNoMdBpDAEb5IZB_A3Rg），如果想了解這方面更多信息還可以關(guān)注推薦系統(tǒng)領(lǐng)域頂級(jí)會(huì)議 ACM RecSys。

2. 輿情分析

輿情分析在互聯(lián)網(wǎng)出現(xiàn)之前就被廣泛應(yīng)用在政府公共管理，商業(yè)競(jìng)爭(zhēng)情報(bào)搜集等領(lǐng)域。在社交媒體出現(xiàn)之前，輿情分析主要是線下的報(bào)紙，還有線上門戶網(wǎng)站的新聞稿件，這些信息的特點(diǎn)是相對(duì)專業(yè)準(zhǔn)確，而且易于分析和管理；但隨著社交媒體出現(xiàn)，輿情事件第一策源地已經(jīng)不是人民日?qǐng)?bào)新華社這樣的大媒體，而是某一個(gè)名不見經(jīng)傳的微博用戶，一個(gè)個(gè)人微信公眾號(hào)。他們的特點(diǎn)是信息非常新鮮，缺點(diǎn)是真實(shí)度較低且傳播十分迅速，難以控制。所以在社交網(wǎng)絡(luò)下的輿情分析是一門新的學(xué)問。

“刺死辱母者”微博轉(zhuǎn)發(fā)趨勢(shì)，來源見水印

舉幾個(gè)例子，去年的和頤酒店，今年的北京地鐵罵人事件這類急性輿情事件最早就是在微博上爆出，而且在短時(shí)間內(nèi)迅速傳播。還有去年的關(guān)于快手的“中國(guó)農(nóng)村殘酷底層物語(yǔ)”，今年的“北京房?jī)r(jià)”等這類民生話題，也是在微信公眾號(hào)逐漸發(fā)酵。

當(dāng)然，在新形勢(shì)下的輿情應(yīng)對(duì)，也已經(jīng)有新的工具，大家百度“輿情分析平臺(tái)”或者“輿情分析軟件”可以找出一大堆。比較有名的有蟻坊、紅麥、清博、知微、新榜等等。一些傳統(tǒng)的輿情分析機(jī)構(gòu)開始轉(zhuǎn)型做“大數(shù)據(jù)”的輿情分析，也有近年來完全基于社交媒體的輿情平臺(tái)，比如基于微信的新榜和基于微博的知微 。除此之外，BAT 等大型平臺(tái)有自己輿情分析工具，可以私人訂制，也有開放的指數(shù)（百度指數(shù)、微信指數(shù)）。

3. 隱私保護(hù)

隱私問題在互聯(lián)網(wǎng)時(shí)代已經(jīng)是老生常談的問題了。在社交網(wǎng)絡(luò)中，作為用戶，我們可能會(huì)留下大量痕跡，這些痕跡有隱性的，也有顯性的，好不夸張地，社交服務(wù)提供商可以根據(jù)你的少量痕跡，挖掘到大量你的個(gè)人信息，有些信息是你不愿意別人知道的。

這其中存在一個(gè)矛盾，即社交服務(wù)提供商處于商業(yè)目的想盡可能獲取你的個(gè)人信息，但是你又擔(dān)心自己的個(gè)人信息被泄露。所以在隱私保護(hù)領(lǐng)域，一方面要設(shè)計(jì)足夠安全的機(jī)制，技術(shù)層面的，法律層面的，在保護(hù)個(gè)人隱私的前提下最大化商業(yè)利益和用戶的體驗(yàn)。

“云端”的隱私，來源：http://s9.sinaimg.cn

舉一個(gè)大家比較熟悉的例子，即許多網(wǎng)站注冊(cè)賬戶的時(shí)候使用微信、支付寶賬戶驗(yàn)證，即免去了大家填寫個(gè)人信息的煩惱，又保護(hù)了大家的隱私。同理，螞蟻金服提供的芝麻信用功能也有隱私保護(hù)的功能。

目前學(xué)界對(duì)隱私保護(hù)的研究主要還是從技術(shù)層面設(shè)計(jì)完善的隱私保護(hù)機(jī)制。

4. 用戶畫像

一種用戶畫像流程，來源：http://www.51callcenter.com

用戶畫像，這是個(gè)營(yíng)銷術(shù)語(yǔ)，即通過研究用戶的資料和行為，將其劃分為不同的類型，進(jìn)而采取不同的營(yíng)銷策略。傳統(tǒng)的用戶畫像最常用的手段就是調(diào)查問卷，訂閱過雜志和報(bào)紙的讀者都知道，會(huì)有各種各樣的有獎(jiǎng)問卷，一方面用來獲得對(duì)于產(chǎn)品的反饋，另一方面就是對(duì)你進(jìn)行畫像，這些畫像資料甚至廣泛在黑市流通，這就是你為什么有時(shí)候會(huì)接到莫名其妙的電話的原因（又扯到了隱私保護(hù)問題）。

在社交網(wǎng)絡(luò)，用戶畫像方式變得更多了，除了傳統(tǒng)的線下問卷變成在線問卷。我們通過用戶的行為，一方面通過統(tǒng)計(jì)學(xué)方法獲得一些用戶特征（經(jīng)典的例子是沃爾瑪?shù)摹捌【坪湍虿肌?，另一方面通過機(jī)器學(xué)習(xí)進(jìn)行建模和驗(yàn)證獲得意外的收獲（參見上面提到的騰訊社交廣告文章）。

接觸過微信公眾號(hào)后臺(tái)的讀者都知道，公眾號(hào)后臺(tái)對(duì)微信公眾號(hào)文章的讀者還有公眾號(hào)粉絲的畫像已經(jīng)做得非常充足了，好像微博會(huì)員也有粉絲畫像的功能。這些便捷的功能對(duì)于媒體運(yùn)營(yíng)者和廣告投放者都有非常重要的作用。

5. 謠言檢測(cè)

謠言檢測(cè)算是輿情分析的一部分，之所以單獨(dú)提出來是因?yàn)檫@部分非常重要，而且謠言的確定對(duì)于輿情管理非常重要。早起微博因?yàn)槌涑庵罅恐{言，使得新浪微博不得不推出“微博辟謠”官方賬號(hào)，到如今微博以及有許多自發(fā)和官方的辟謠賬號(hào)，微信公眾號(hào)也是如此。

“六小齡童春晚被拒”謠言傳播走勢(shì)，來源見水印

傳統(tǒng)辟謠方法無非是進(jìn)行試試檢驗(yàn)，用證據(jù)說話，隨著現(xiàn)在機(jī)器學(xué)習(xí)技術(shù)的迅速發(fā)展，我們也可以通過信息傳播的軌跡，信息內(nèi)容等維度自動(dòng)判斷消息是否屬于謠言，而且判斷地越迅速，對(duì)于輿情管理的意義就越大。同理，這種技術(shù)也被應(yīng)用在社交網(wǎng)絡(luò)有害信息識(shí)別。

在國(guó)外，有關(guān) Facebook 假新聞的新聞被炒得火熱，有興趣的讀者可以關(guān)注一下。

6. 可視化

可視化是隨著大數(shù)據(jù)一起成為熱門話題的。因?yàn)槿祟悓?duì)于圖像信息的理解速度要大于文字信息數(shù)百倍，所以講一些數(shù)據(jù)可視化有助于人們更生動(dòng)地理解某一結(jié)論或現(xiàn)象。當(dāng)然不是所有數(shù)據(jù)都適合可視化，在社交網(wǎng)絡(luò)中，我們最常見的有信息傳播軌跡還有詞云圖等。有關(guān)這方面的內(nèi)容可以參考微博賬號(hào)“社交網(wǎng)絡(luò)與數(shù)據(jù)挖掘”。

微博明星好友關(guān)系可視化，來源見水印

除了專門可視化的機(jī)構(gòu)，網(wǎng)上也有許多開源的可視化庫(kù)，百度的 Echarts 就很有名。 對(duì)于社交網(wǎng)絡(luò)信息傳播以及好友關(guān)系等的可視化，使得我們能直觀看到一些事實(shí)，這對(duì)于輿情報(bào)告制作以及新聞報(bào)道都有很好的輔助作用。

五． 社交網(wǎng)絡(luò)前沿研究

我在本部分搜集了幾篇近兩年來在社交網(wǎng)絡(luò)頂級(jí)會(huì)議上比較受關(guān)注的文章，將文章的摘要翻譯并陳列，以供各位讀者參考。

1. Negative Link Prediction in Social Media

Tang, Jiliang, et al. "Negative link prediction in social media." Proceedings of the Eighth ACM International Conference on Web Search and Data Mining. ACM, 2015

近年來，符號(hào)網(wǎng)絡(luò)（signed network）越來越受到關(guān)注。對(duì)于符號(hào)網(wǎng)絡(luò)的研究表明，負(fù)關(guān)系（negative link）對(duì)分析過程有幫助。由于許多網(wǎng)絡(luò)中用戶無法指定這種負(fù)關(guān)系，這是其被有效利用的主要障礙。話句話說，負(fù)關(guān)系的重要性與其在真實(shí)數(shù)據(jù)集之間的應(yīng)用存在著差距。因此，我們自然而然會(huì)探討是否能通過公開的社交網(wǎng)絡(luò)數(shù)據(jù)自動(dòng)預(yù)測(cè)用戶的負(fù)關(guān)系。在本文中，我們研究了在社交媒體中僅僅用正關(guān)系和內(nèi)容為中心的交互行為（content-centric interactions）來預(yù)測(cè)負(fù)關(guān)系的問題。我們對(duì)負(fù)關(guān)系做了一些列觀測(cè)并且提出了一個(gè)原則性框架 NeLP，該框架可以利用正關(guān)系和以內(nèi)容為中心的交互來預(yù)測(cè)負(fù)關(guān)系。我們對(duì)在現(xiàn)實(shí)社交網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果表明，NeLP框架可以準(zhǔn)確地預(yù)測(cè)具有正關(guān)系和以內(nèi)容為中心的交互關(guān)系的負(fù)關(guān)系。 我們的詳細(xì)實(shí)驗(yàn)還說明了各種因素對(duì)NeLP框架有效性的重要性。

2. Twitter Sentiment Analysis with Deep Convolutional Neural Networks

Severyn, Aliaksei, and Alessandro Moschitti. "Twitter sentiment analysis with deep convolutional neural networks." Proceedings of the 38th International ACM SIGIR Conference on Research and Development in Information Retrieval. ACM, 2015

本文介紹了我們用于推特輿情分析的深度學(xué)習(xí)系統(tǒng)。我們工作主要的貢獻(xiàn)是提出了一個(gè)初始化卷積神經(jīng)網(wǎng)絡(luò)參數(shù)權(quán)重的模型，這對(duì)于準(zhǔn)確訓(xùn)練模型至關(guān)重要，同時(shí)避免增加新的特征。簡(jiǎn)而言之，我們用無監(jiān)督神經(jīng)語(yǔ)言模型來訓(xùn)練初始的詞嵌入（initial word embeddings），這個(gè)詞嵌入將被通過我們的基于遠(yuǎn)程監(jiān)督語(yǔ)料庫(kù)（distant supervised corpus）的深度學(xué)習(xí)模型進(jìn)一步調(diào)整。在最后階段，預(yù)先訓(xùn)練的參數(shù)將被用于初始化我們的模型，然后我們通過由Semeval-2015組織的Twitter情緒分析官方系統(tǒng)評(píng)價(jià)競(jìng)賽最近提供的監(jiān)督訓(xùn)練集對(duì)后者進(jìn)行培訓(xùn)。我們的方法得到的結(jié)果和參與競(jìng)賽的系統(tǒng)的結(jié)果之間的比較表明，我們的模型可以分別排在短語(yǔ)級(jí)別子任務(wù)A（11個(gè)團(tuán)隊(duì)）和消息級(jí)子任務(wù)B（40個(gè)團(tuán)隊(duì)）前兩位。這證明了我們解決方案的實(shí)際價(jià)值。

3. Social Recommendation with Strong and Weak Ties

Wang, Xin, et al. "Social Recommendation with Strong and Weak Ties." Proceedings of the 25th ACM International on Conference on Information and Knowledge Management. ACM, 2016

隨著在線社交網(wǎng)絡(luò)的爆炸式增長(zhǎng)，現(xiàn)在人們普遍了解，社會(huì)信息對(duì)推薦系統(tǒng)非常有幫助。社會(huì)推薦方法能夠應(yīng)對(duì)關(guān)鍵的冷啟動(dòng)問題，從而可以大大提高預(yù)測(cè)精度。主要的原因是，基于信任和影響，人們對(duì)其朋友購(gòu)買過的產(chǎn)品表現(xiàn)出更多的興趣。盡管在社交推薦領(lǐng)域已經(jīng)有大量工作，但是很少有人關(guān)注社交強(qiáng)關(guān)系和弱關(guān)系這兩個(gè)重要的社會(huì)學(xué)概念之間的區(qū)別。在這篇文章中，我們使用鄰域重疊來逼近關(guān)系強(qiáng)度，并擴(kuò)展受歡迎的貝葉斯個(gè)性化排名（BPR）模型并將其用于區(qū)別強(qiáng)弱關(guān)系。我們提出了一種基于 EM （EM-based）的算法，它可以根據(jù)最優(yōu)推薦準(zhǔn)確度（optimal recommendation accuracy）對(duì)強(qiáng)弱關(guān)系進(jìn)行分類并學(xué)習(xí)所有用戶和所有商品的潛在特征向量（latent feature vectors）。我們對(duì)四個(gè)現(xiàn)實(shí)世界數(shù)據(jù)集進(jìn)行廣泛的實(shí)驗(yàn)，并證明我們提出的方法在各種精度指標(biāo)中顯著優(yōu)于目前最好的成對(duì)排名（pairwise ranking）方法。

4. Online Actions with Offline Impact: How Online Social Networks Influence Online and Offline User Behavior

Althoff, Tim, P. Jindal, and J. Leskovec. "Online Actions with Offline Impact: How Online Social Networks Influence Online and Offline User Behavior." Tenth ACM International Conference on Web Search and Data Mining ACM, 2016:537-546

如今許多應(yīng)用軟件都廣泛地利用了社交網(wǎng)絡(luò)功能并允許用戶互相連接、互相關(guān)注、分享內(nèi)容和評(píng)價(jià)動(dòng)態(tài)。盡管這些功能已經(jīng)被廣泛應(yīng)用，對(duì)于用戶在線時(shí)和離線后參與還是保留的行為卻很少有人理解。本文中，我們通過一個(gè)運(yùn)動(dòng)記錄 APP研究了社交網(wǎng)絡(luò)是如何影響用戶線下行為的。

我們分析了600萬用戶五年間的七億九千一百萬條線上和線下活動(dòng)記錄，結(jié)果表明社交網(wǎng)絡(luò)對(duì)用戶線上和線下的行為有著巨大的影響。具體來講，我們提出了社交網(wǎng)絡(luò)影響用戶行為的因果關(guān)系。我們發(fā)現(xiàn)新社交關(guān)系的建立能將用戶在 APP 中的活躍度提高30%，用戶保留率提高17%，線下活躍率提高7%（大約每天多走400步）。通過開展自然實(shí)驗(yàn)，我們將新社交關(guān)系對(duì)用戶的影響和用戶因?yàn)閷?duì) APP 的興趣而走更多步數(shù)作了區(qū)分。

我們發(fā)現(xiàn)社交影響占所有對(duì)用戶行為影響因素的55%，剩下的45%可以用用戶對(duì) APP 本身的興趣來解釋。此外我們還發(fā)現(xiàn)一連串的個(gè)人用戶之間的社交關(guān)系建立對(duì)每日步數(shù)的增加有顯著影響，用戶之間每增加一條邊都對(duì)會(huì)減弱這種影響，并且這些變化是基于邊屬性和用戶自己的資料屬性。最后我們用這些現(xiàn)象設(shè)計(jì)了一個(gè)模型，模型用來判斷哪些用戶最容易被新建立的社交網(wǎng)絡(luò)關(guān)系影響。

5. Intertwined Viral Marketing in Social Networks

Zhang, Jiawei, et al. "Intertwined viral marketing in social networks." Advances in Social Networks Analysis and Mining (ASONAM), 2016 IEEE/ACM International Conference on. IEEE, 2016

傳統(tǒng)的病毒式營(yíng)銷問題旨在為一個(gè)單一產(chǎn)品選擇一個(gè)種子用戶的子集，以最大限度地提高其在社交網(wǎng)絡(luò)中的知名度。而然在實(shí)際情況下，許多產(chǎn)品可以同時(shí)在社交網(wǎng)絡(luò)中進(jìn)行推廣。從產(chǎn)品層面來看，這些產(chǎn)品之間的關(guān)系是互相纏繞的，舉個(gè)例子，就是競(jìng)爭(zhēng)、互補(bǔ)且獨(dú)立的關(guān)系。

在這篇文章中，我們將研究“糾纏影響力最大化”問題，它是基于一個(gè)目標(biāo)產(chǎn)品需要在社交網(wǎng)絡(luò)上進(jìn)行宣傳，而同時(shí)有多個(gè)競(jìng)爭(zhēng)/互補(bǔ)/獨(dú)立的產(chǎn)品在推廣這樣的場(chǎng)景。糾纏影響力最大化是一個(gè)非常具有挑戰(zhàn)性的問題，首先是因?yàn)楹苌儆心Ｐ湍苣M多種產(chǎn)品同時(shí)宣傳時(shí)的信息擴(kuò)散形式；第二是對(duì)于目標(biāo)產(chǎn)品最優(yōu)種子集的選擇可能很大程度上取決于其它產(chǎn)品的營(yíng)銷策略。為了解決此問題，我們提出了一種統(tǒng)一貪心算法框架（interTwined Influence EstimatoR， TIER），在四種不同類型現(xiàn)實(shí)社交網(wǎng)絡(luò)數(shù)據(jù)集的實(shí)驗(yàn)表明TIER 優(yōu)于所有的比較方法，在解決糾纏影響力最大化問題上有著顯著優(yōu)勢(shì)。

6. Who to Invite Next? Predicting Invitees ofSocial Groups

Yu Han, and Jie Tang. "Who to Invite Next?Predicting Invitees of Social Groups " Proceedings of theTwenty-Sixth International Joint Conference on Artificial Intelligence (IJCAI-17).2017.

WhatsApp、Snapchat 和微信等社交即時(shí)通訊工具很大程度上改變了人們工作生活和交流的方式，也受到了多個(gè)領(lǐng)域例如計(jì)算機(jī)科學(xué)、心理學(xué)、社會(huì)學(xué)和物理學(xué)的關(guān)注。在社交即時(shí)消息工具中，社交群組在多用戶交流中扮演著重要的角色。一個(gè)有趣的問題是，社交群組動(dòng)態(tài)演變的機(jī)制是什么？更具體來說，在一個(gè)群組中，誰(shuí)將會(huì)被邀請(qǐng)加入？這篇文章中，我們研究社交群組潛在加入者這樣一個(gè)新穎的問題。我們采用微信這個(gè)中國(guó)最大的社交軟件作為實(shí)驗(yàn)數(shù)據(jù)的來源。我們提出了一個(gè)概率圖模型用來計(jì)算影響用戶被邀請(qǐng)加入群組概率的因子。我們的實(shí)驗(yàn)預(yù)測(cè)結(jié)果表明我們的模型相比目前的其他模型有顯著的提高。

7. The Co-Evolution Model for Social NetworkEvolving and Opinion Migration

Gu,Yupeng, Yizhou Sun, and Jianxi Gao. "The Co-Evolution Model for SocialNetwork Evolving and Opinion Migration." Proceedings of the 23rd ACMSIGKDD International Conference on Knowledge Discovery and Data Mining.ACM, 2017.

幾乎所有的真實(shí)社交網(wǎng)絡(luò)都是動(dòng)態(tài)且隨著時(shí)間演化的。新的鏈路的形成和舊的鏈路的消失很大程度上取決于社交網(wǎng)絡(luò)用戶的同質(zhì)性。同時(shí)，一些社交網(wǎng)絡(luò)用戶的隱性性質(zhì)例如用戶的觀點(diǎn)也隨著時(shí)間而變化。其中一部分原因是用戶從社交網(wǎng)絡(luò)中接收到影響力，這些改變進(jìn)而會(huì)影響社交網(wǎng)絡(luò)的結(jié)構(gòu)。社交網(wǎng)絡(luò)的演化和節(jié)點(diǎn)性質(zhì)的遷移通常被認(rèn)為是兩個(gè)獨(dú)立正交的問題。

在這篇文章中，我們提出一種協(xié)演化模型，通過對(duì)兩種現(xiàn)象的建模形成閉環(huán)。模型有兩個(gè)主要部分：

通過模擬發(fā)現(xiàn)我們的模型有一些不錯(cuò)的特性：

最后，我們模型的有效性通過在對(duì)議會(huì)立法議案支持者的預(yù)測(cè)中得到了驗(yàn)證，并且我們的模型優(yōu)于一些目前的方法。

關(guān)鍵詞：社交,網(wǎng)絡(luò),分析,圖譜,知識(shí)

74
73
25
news

版權(quán)所有? 億企邦 1997-2025 保留一切法律許可權(quán)利。

為了最佳展示效果，本站不支持IE9及以下版本的瀏覽器，建議您使用谷歌Chrome瀏覽器。 點(diǎn)擊下載Chrome瀏覽器
關(guān)閉