微博是一个许多人都在用的交际运用。天天刷微博的人每天都会进行着这样几个操作：原创、转发、回复、阅览、重视、@等。其间，前四个是针对短博文，***的重视和@则针对的是用户之间的联络，重视某个人就意味着你成为他的粉丝，而他成为你的老友；@某个人意味着你想要他看到你的微博信息。

微博被人们认为是“自媒体”，即一般群众共享与自身相关的“新闻”的途径。最近，有些人运用自己在自媒体上的影响力而盈余的报导层出不穷。那微博上个人影响力是怎样核算的呢？微博上还有哪些算法作为看不见的手在办理着咱们？咱们的每一个行为怎样影响着算法呢？

直观上看，微博其实是人类社会的一个简略的缩影，微博网络的一些特色，或许能够启示咱们得到实在的社会网络上的规则。得益于交际网络的爆发式开展，“社会核算”尤其是交际网络剖析成为数据发掘的新宠儿。下面咱们就针对微博网络剖析的一些算法进行简略的介绍，其间的有些算法关于其他的交际运用或许也适用。

标签传达

微博用户量浩大，不同的人有不同的爱好。发掘每个用户的爱好有助于愈加精准的广告投进、内容引荐。为了得到每个用户的爱好，能够为用户打上标签，每个标签代表用户的一个爱好，用户能够具有一个或多个标签。为了得到终究的用户标签，先做***个假定：

每个用户的老友(或粉丝)中与该用户具有相同爱好的人占多数。

这就引出了本文介绍的***个算法，即标签传达算法。在这个算法中，每个用户的标签取其老友或粉丝中标签最多的一个或多个。当然，能够将老友和粉丝的标签都考虑进来，整合的时分能够考虑赋予老友的标签和粉丝的标签不同的权重。标签传达算法的进程如下：

1) 对一部分用户给出初始标签；

2) 对每一个用户，核算其老友和粉丝的标签数目，赋予该用户呈现次数最多的一个或许多个标签。

3) 循环进行第2步，直到用户的标签不再产生大的改变停止。

用户类似度核算

标签传达算法完成起来比较简略，其缺陷在于当所做的假定不符合事实时，比方为了交际上的礼貌，咱们一般会把自己的亲朋增加重视，这些人不必定和咱们具有相同的标签；该算法的成果就会变得很差。处理的办法就是经过核算用户之间的类似度来衡量老友或粉丝的标签对用户标签的贡献率。因此得到第二个假定：

与用户越类似的老友或粉丝，其标签越或许是用户的标签。

那么，怎么衡量用户之间的类似度呢？这就需求考虑到用户宣布的微博信息了，包括转发的和原创的。这儿是要考虑用户之间的类似度而不是用户微博之间的类似度，因此在实践核算时，将某个用户的一切微博信息集合到一同进行核算。一个可选的办法是运用词袋法将微博信息表明成词语向量，然后直接运用余弦办法等核算其类似度。但这个办法过分简略，不简略到达好的成果，这儿介绍一种依据LDA（隐含狄利克雷散布）的类似度核算办法。

LDA依然运用词袋法表明文本，可是在中心增加了一个主题层，构成了“文档-主题-词语”三层概率模型，即每篇文档当作是主题的一种概率散布，主题又被当作是单词的概率散布。在LDA模型下，文档能够被当作按照如下办法生成：

1) 关于每篇文档：

2) 从主题散布中抽取一个主题；

3) 从该主题的词语散布中抽取一个词语；

4) 重复第2步和第3步，直到该文档的一切词语都生成。

LDA模型参数的估核算法不在本文的评论规模之内。这儿只需求知道，经过LDA能够得到每个用户的微博信息的主题散布。然后运用余弦办法、KL间隔等核算类似度的办法来得到用户间主题散布的类似度，以之作为用户之间的类似度。然后运用该类似度对标签传达进行加权。

#p#

时刻要素和网络要素

上述的算法还有什么缺陷呢？

跟着时刻的改变，用户的爱好是会改变的，核算用户类似度的时分每次都把一切微博信息都聚合在一同不太合理。对此，能够经过选取间隔当时时刻较近的N条微博。比方，对每个用户，选取间隔当时时刻最近的50条微博聚在一同放到LDA中练习。此处的N既不能太大也不能太小。太大则不简略反映用户爱好的时刻改变，太小则因为用户宣布微博的随机性简略引起爱好的漂移。为了使作用***，能够不拘泥于一个固定的N，比方能够考虑对每个用户按照其宣布微博的时刻序列做N值的自适应。

至此，在算法中还没有考虑微博联络中由回复、转发、@等所构成的网络信息。以转发为例，假如在用户的微博中频频的转发某个老友的微博，那么用户和该老友的类似度比较其他老友来说应该会更高。这儿能够看做是假定三：

用户转发某老友的微博的频率越高，用户与该老友的爱好类似度越大。

类似的，能够得到假定四：

用户微博中@某用户的频率越高，用户与该老友的爱好类似度越大。

由此就得到了核算类似度的别的的要素。有许多办法能够增加一个新的要素到原有的类似度核算办法中，比方能够考虑将转发频率量化为值，作为权重增加到类似度的衡量中去。
社区发现

微博社区是指在微博中联络严密的人组成的集体，社区内部的人之间联络严密，社区之间的联络则比较稀少。这儿所指的联络严密有两层意义，***是社区内部的人之间的爱好类似度大；第二是指社区内部的人之间的联络要近，比方要求社区内部的两个用户不能超过二度相关，二度相关即老友的老友。

爱好类似度在上文已有叙说，联络类似度则需求运用用户之间的重视联络来进行核算。以用户的重视联络为单向链，能够将一切的微博用户之间的联络表明为一个巨大的有向图。用户之间的联络类似度能够简略的考虑，比方运用用户间的最短途径的倒数。可是这种办法衡量的不准确，咱们知道，在实践国际中，存在着六度理论，在微博网络及其他交际网络中，往往联络会愈加严密。因此这种简略的联络类似度只能有至多六个离散值，明显不行准确。

为了到达更好的作用，这儿不只以最短途径作为显式测量，还要考虑一些隐式的测量。这儿先给出两个假定，分别为假定五和假定六：

两个用户的一起老友越多，这两个老友的联络类似度越高。

这儿能够学习Jaccard类似度的核算办法，将这两种假定的量化函数表明为交集的巨细与并集的巨细之商。以假定五为例，其量化目标又被称为共指向性类似度，量化时运用两个用户一起老友的数目除以两个用户一切老友的数目。假定六的量化目标被称为共被指向性类似度，核算办法与共指向性类似度类似。从意义上讲，这两种类似度不只仅是联络上的衡量，在必定程度上也衡量了用户之间的爱好类似程度，直观上看，两个用户一起重视的老友越多，他们的爱好类似程度也越大。这两种类似度还有一个专业的姓名，是依据结构情形的类似度核算。

得到了最短途径类似度、共指向性类似度、共被指向性类似度后，能够选用一种加权函数将它们交融起来，得到***的类似度。之后，能够选用一些聚类算法如K-Means、DBSCAN等进行聚类操作，得到***的社区簇。也能够选用类似度加权的标签传达算法，把具有相同标签的人作为一个社区。
影响力核算

在社区发现中，运用微博中的联络网络能够进步类似度核算的准确度。但联络网络能做的工作还有许多，影响力核算就是其间比较重要的运用。

说到影响力的核算，这儿学习了网页排名中的算法。网页排名中广为人知的算法当属PageRank了，该算法由google创始人拉里·佩奇和谢尔盖·布林创造，跟着google在商业上的成功而声名鹊起。该算法依据网页之间的链接来确认网页的排名，其中心在于一个假定，质量高的网页所指向的网页的质量必定也高。

依据PageRank的思维，能够得到微博上影响力的假定，称之为假定七：

影响力高的用户重视的用户的影响力必定也高。

将用户当作是PageRank中的网页，将重视联络看做是网页中的链接联络。然后，能够依据PageRank的算法流程得到在微博重视网络上的影响力核算算法：

1) 赋予一切用户相同的影响力权重；

2) 将每个用户的影响力权重按照其重视的人数等量分配；

3) 对每个用户来说，其影响力等于其粉丝分配给他的权重之和；

4) 第2步和第3步迭代，直到权重不再产生大的改变停止。

在网页排名中，依据网络联络的算法还有HITS、HillTop算法等，这些算法也能够学习到影响力核算中来。

#p#

上面的算法有什么缺陷呢？

假如仅仅依据联络网络的话，那么很简略就构成，粉丝数目多的人影响力必然会很高。这样就导致有些用户去购买一些僵尸粉就能够到达很高的影响力了。这样的算法明显是不能应对实践情况的，因为还有太多的信息没有用到。

用户的影响力除了他的微博联络之外，还与他的个人特点有很大的联络，比方用户的活跃度、微文的质量等。用户的活跃度能够运用其宣布微博的频度来衡量，微文的质量能够选用其被转发的数目、被回复的数目来得到。经过对这些值进行衡量，再加上上面算法的成果，就能够得到愈加准确的影响力成果。

当然，也能够这样考虑，用户之间的回复联络、转发联络、@联络均能够构成网络，它们也有相应的假定，分别为假定八、假定九、假定十：

影响力越高的用户回复的微博的影响力越高，然后使该微博主人的影响力变高。

影响力越高的用户转发的微博的影响力越高，然后使该微博原创作者的影响力变高。

影响力越高的用户倾向于在其微博中@影响力高的用户。

这样就又得到了转发网络、回复网络、@网络三种网络，学习PageRank算法，能够得到别的的三种影响力成果。将它们与联络网络的影响力成果进行交融，就能够终究的影响力成果了。这儿的交融能够简略的考虑成成果的加权和，杂乱的交融办法不在本文的规模之内。
论题要素和范畴要素

得到了影响力的核算办法之后，能够做些什么呢？

能够对当时的热门论题进行影响力剖析，得到谁在微博上成为当时热门论题的定见***。具体做法是这样，找到和当时热门论题相关的微文，然后找到参加当时热门论题的用户。怎么找到和当时热门论题相关的微文呢？有论题标签的微文自不必说，关于没有论题标签的微文来说，能够运用上文中介绍的LDA算法，它能够在用户的一切微文中找到用户的主题散布，也能够对一条微文找到主题散布，一般来说，因为微文的字数约束在140以内，比较短，因此一条微文包括的主题数目不会太多，取该微文的主题散布中概率***的主题作为其主题即可。

找到论题对应的微文与用户之后，运转影响力核算算法，就能够得到该论题中影响力较大的用户了。这也是舆情监测、社会热门监控的一个方面。

关于标签传达算法得到的成果，对同一标签下的用户运转影响力核算算法，能够得到该标签下的影响力排名，即范畴内影响力排名。比方，李开复在悉数范畴内的影响力或许不是***的，但在IT范畴，其影响力肯定是数一数二的。
废物用户辨认

在影响力核算中，说到要防止僵尸用户对影响力核算的搅扰。在算法中，假如能够辨认这样的用户，在核算影响力时将其排出在外，不只能够进步作用，还能够下降核算量。

与影响力核算类似，废物用户的辨认要一起考虑用户特点与链接联络两方面的要素。

关于废物用户来说，有一些核算上的特征与正常用户不同。比方如下几点：

Ø 废物用户一般发微文具有必定的时刻规则性，能够运用熵值对此进行衡量，熵是衡量随机性的一种测量，随机性越大，熵值越小。具体做法为将必定的粒度进行时刻切片核算，得到每个时刻片内的博文概率，然后按照概率进行熵值的核算。熵值越大代表用户发微文的时刻越有规则，越有或许是废物用户。

Ø 废物用户有些倾向于在微文中歹意的@其他人，因此有些废物用户的微文中@运用的份额比一般用户高。

Ø 有些废物用户的微文中为了进行广告的推行，增加许多的URL。能够经过微文中的URL份额进行衡量。也有些用户为了骗得URL的点击，微文中的内容与URL对应界面的内容不共同，这时需求判别微文与URL内容的共同程度，简略的做法能够运用词袋法将微文与URL对应界面表明成词语向量，检查微文中的词语在URL对应网页中呈现的频度。

Ø 关于那些为做广告推销的用户，还能够对其微文进行文本分类，判别其微文是否是广告，假如某用户的适当一部分微文是广告，则该用户或许是废物用户。

Ø 废物用户一般随意的重视用户，故其粉丝数目与老友数目的份额与正常用户会有不同。并且正常用户一般是经过老友联络增加老友的，这样会构成重视三角形，如A看到其老友B重视了C，那么若A也去重视C，就构成了A重视B、C，B重视C的三角形。一般来说，因为废物用户重视的随意性，其重视三角形的份额与正常用户不同。

当然，废物用户与正常用户的不同之处不止这些，本文不再逐个枚举。废物用户的辨认本质上是一个二分类问题，获得了这些特点之后，就能够将这些信息输入到一个机器学习的分类模型中，比方逻辑斯蒂回归（LR）、决策树、朴素贝叶斯等，就能够对其进行分类了。

当然，还没有用到链接信息。一般来说，废物用户会去重视正常用户，而正常用户不会重视废物用户。这便是假定十一：

正常用户不倾向于重视废物用户。

这样就能够再次运用PageRank算法来对用户是否是废物用户的概率进行核算。这儿需求留意的是，算法初始化时选用上面的分类器成果，将废物用户的概率设为1，正常用户的概率设为0。在PageRank核算进程中，不能经过简略的求和公式核算，比方假如一个用户重视了多个废物用户的时分，求和后概率或许大于1；因此需求运用一些归一化办法或指数族函数进行概率的更新。

结语

本文对微博中常见的问题的对应算法进行了简略的介绍，在实践运用中的算法比介绍的要杂乱的多。当然，本文掩盖的主题并不全，比方老友引荐、热门盯梢等就没有涉及到。但古人云“窥一斑而见全豹”，期望本文的介绍能协助咱们更好的了解微博这样的交际网络运用。

在文中，能够看到黑体标出的假定，这些假定看起来都与咱们的直观感觉共同。而依据这些能够引申出许多有用的算法。所以有时分，只需你肯发现，算法就在身边。