面向社交網(wǎng)絡的群體分析關鍵技術研究.pdf

1、隨著Web2.0技術與移動互聯(lián)網(wǎng)的迅速發(fā)展，在線社交網(wǎng)絡已經(jīng)成為人們獲取信息發(fā)表觀點意見的重要通道。社交媒體將現(xiàn)實社會中人與人之間的同學、朋友、同事等社會關系遷移至互聯(lián)網(wǎng)，形成了基于在線社交平臺的網(wǎng)絡社會。在網(wǎng)絡社會中，用戶依然是社交媒介的核心和主體，用戶之間鏈接關系構成社交網(wǎng)絡基本結構，用戶發(fā)表內(nèi)容使得社交網(wǎng)絡中產(chǎn)生信息，用戶之間的交互行為使得信息在社交網(wǎng)絡中傳播。在現(xiàn)實世界中，人的本質屬性在于其社會性。同樣，在網(wǎng)絡社會中，群體亦是網(wǎng)

2、絡個體展示自我價值的方式。在線社交網(wǎng)絡的蓬勃發(fā)展使得現(xiàn)實社會中的諸多個體輕而易舉地在互聯(lián)網(wǎng)中實現(xiàn)群體聚集，并進而成為助推社會變革的全新力量。因此，社交網(wǎng)絡群體分析對于維護國家安全穩(wěn)定、維持社會長治久安具有十分重要的意義。
　　網(wǎng)絡社會群體，是指網(wǎng)絡個體就某個事件在某個虛擬空間聚合或集中，相互影響、作用、依賴而形成的網(wǎng)絡個體集合。話題和互動是網(wǎng)絡個體形成網(wǎng)絡群體的必要途徑。立場、行為、信息是網(wǎng)絡群體的三要素，相互獨立卻又緊密聯(lián)系?；?/p>

3、于此，本文先后對群體聚集機理、群體情感分析、用戶行為分析和突發(fā)事件檢測等進行了系統(tǒng)研究，主要貢獻如下：
　　(1)在群體聚集機理方面，傳統(tǒng)基于結構的社區(qū)檢測算法僅能檢測在結構上緊密連接的用戶集合，而忽略群體的語義特征與動態(tài)特性。針對此不足，提出了一種基于用戶交互行為的動態(tài)語義社區(qū)檢測算法框架，結合社交網(wǎng)絡拓撲結構、內(nèi)容、交互和時間四個因素，探究了當微博數(shù)據(jù)流流經(jīng)社交網(wǎng)絡結構時，網(wǎng)絡群體的活躍狀態(tài)及演化趨勢。首先將群體定義為基于動態(tài)

4、交互行為構成的語義社區(qū)。其次，提出了一種離散化的動態(tài)交互社區(qū)檢測算法框架，該方法將社交網(wǎng)絡數(shù)據(jù)流按照時間進行離散化，并保留兩種類型的社區(qū)快照：片內(nèi)活躍社區(qū)和整體活躍社區(qū)。在每個時間片內(nèi)基于文檔內(nèi)容和傳播路徑構建交互樹，采用貝葉斯生成模型對交互樹進行建模，然后采用近鄰傳播聚類算法將交互樹合并成為片內(nèi)活躍社區(qū)。當進入新的時間片后，基于話題相似性和網(wǎng)絡拓撲結構的重合度進行社區(qū)合并，從而達到群體動態(tài)演化分析的目的。基于新浪微博14,049,25

5、1條消息的實驗表明，本文提出的算法可以快速有效檢測出社交網(wǎng)絡中處于活躍狀態(tài)的用戶群體，并以實例展示了群體的動態(tài)變化過程。
　　(2)在群體立場方面，傳統(tǒng)文本情感分析方法僅僅從靜態(tài)角度研判用戶情感傾向性，即判斷文本中蘊含的支持、中立、反對等觀點立場，而在社交網(wǎng)絡中，公眾情感具有漂移性，公眾立場不斷變化，興趣點不斷演化。針對此不足，提出了一種基于多元情感向量模型的群體情感演化分析方法。首先結合臨床心理學和新詞檢測算法構造情感向量，基于

6、自底向上的AGNES聚類算法構造情感向量的層次架構。其次，基于上述情感模型，對用戶情感進行抽取和聚合，采用基于FP-增長樹算法挖掘頻繁情感模式。最后基于時序分析判斷公眾情感是否發(fā)生演化。此研究方法首次將時間特性引入傳統(tǒng)文本情感分析，以新浪微博中有關日本地震的84萬條微博信息為例展示了日本地震期間公眾情感的動態(tài)變化過程。
　　(3)在群體行為方面，用戶在不同的社交網(wǎng)絡結構模式下具有不同的轉發(fā)概率，傳統(tǒng)方法將社交網(wǎng)絡結構分析和轉發(fā)行為

7、分析獨立進行研究，沒有考慮兩者之間的相互影響。針對此不足，本文基于新浪微博1000萬用戶的22億條轉發(fā)行為記錄，采用統(tǒng)計學假設驗證與回歸分析方法，系統(tǒng)研究了用戶轉發(fā)概率與社交網(wǎng)絡結構模式、交互頻率、活躍性和三角形數(shù)目的關系。我們發(fā)現(xiàn)，社交網(wǎng)絡中用戶的親密鄰居的轉發(fā)概率要比稀疏鄰居的轉發(fā)概率大，并且親密鄰居之間的交互頻率越高，其轉發(fā)概率也就越大。同時，用戶發(fā)帖數(shù)目越多，雖然其被轉發(fā)次數(shù)也會增加，但每條消息的轉發(fā)概率將會下降。此外，用戶的轉

8、發(fā)概率與用戶參與的三角形數(shù)目也呈顯著負相關性。此方法雖未提出任何創(chuàng)新算法，但其展示了如何對社交網(wǎng)絡中的大規(guī)模海量數(shù)據(jù)進行科學分析，其發(fā)現(xiàn)的一系列結論也具有十分巨大的潛在價值。
　　(4)在群體信息方面，傳統(tǒng)數(shù)據(jù)流突發(fā)事件檢測算法識別突發(fā)特征需要耗費大量時間，而社交網(wǎng)絡數(shù)據(jù)規(guī)模大、噪聲多，無法滿足實時在線分析的需求。針對此不足，提出了一種基于情感符號的在線突發(fā)事件檢測算法。突發(fā)事件與公眾情感狀態(tài)之間存在很強的相關性，從而可以通過監(jiān)測

9、情感符號的狀態(tài)變化達到檢測突發(fā)事件的目的。首先，基于改進的Kleinberg算法挖掘情感符號突發(fā)期，采用啟發(fā)式的近鄰傳播聚類算法對含有情感符號的博文進行事件抽取。同時采用離線回收機制保證事件概要的完備性。實驗表明，此算法框架可以快速有效挖掘出在線社交網(wǎng)絡數(shù)據(jù)流中的突發(fā)事件，完全可以滿足實時分析處理的需求。此方法的最大優(yōu)點在于通過情感符號有效的過濾了大量噪聲數(shù)據(jù)，提高了事件檢測的準確率。
　　綜上所述，本文針對社交網(wǎng)絡群體分析關鍵技