[0048] 以下结合附图和实施实例对本发明加以详细说明。
[0049] 如图1所示，基于观点向量化的影响力传播模型的建立方法，该方法包括如下步骤：
[0050] 步骤A：爬取社交网络中用户博文的相关信息，并建立基于观点影响力的传播网络；
[0051] 如针对微博社交网络平台，利用scrapy模块创建爬虫，对微博进行数据爬取，包括用户的原创博文、转发博文、关注关系以及相应的操作时间。之后，根据用户的转发关系，建立相应的观点影响力传播网络。具体来说包括以下步骤：
[0052] A1：根据用户关系，建立用户之间的网络结构图G＝(V,E)，其中V属于全体用户集合，为节点集，E表示用户之间的关系，为有向边集；
[0053] A2：对原创博文d，利用主题提取工具LDA提取主题内容t，并用情感分析工具SnowNLP分析情感倾向s，将主题和情感倾向结合，得到原创博文的观点o＝(s,t)；
[0054] A3：对所有转发该原创博文且带有评论内容的转发博文，利用情感分析工具分析评论内容的情感倾向，并结合原创博文的主题，得到评论内容的观点；
[0055] A4：在网络结构G中，选择转发过该篇博文d，且观点一致的用户集合Vd，Vd∈V，并按照转发时间，选择影响关系集合Ed，Ed∈E，具体来说，假设用户v关注了用户u，以有向边(u,v)∈E表示，如果u和v都转发了博文d并观点一致，且u的转发时间比v更早，那么将关系(u,v)放入影响关系集合Ed中，(u,v)∈Ed，否则 最终，得到该博文d的观点影响力传播网络Gd＝(Vd,Ed)。
[0056] 步骤B：利用随机游走，搜寻影响力传播网络中的与用户观点一致的局部影响用户集合；
[0057] 步骤B中是在步骤A中所得到的观点影响力传播网络Gd＝(Vd,Ed)，利用随机游走来查找。定义搜索的相关参数：扩散概率p和回退概率q。假设当前位置处于(用户)节点u，扩散概率是指下一步以概率p传播到节点u的邻接点，回退概率是指在传播到邻接点后，以概率q回退到节点u，综合深度遍历和广度遍历的优点。图2是步骤B的实现流程。如图2所示，步骤B包括以下步骤:
[0058] B1：定义回退概率q设置为0.5，定义需要搜集到的用户u的影响局部集合为NLd(u)，初始化为空，并设置集合数量最大值为nl，令当前位置处于节点u；
[0059] B2：将概率p设置为当前位置节点的邻接点数量之和的倒数，按照概率p随机选择一个当前位置节点的近邻节点v，且v没有被标记访问，将v添加到集合NLd(u)中，标记v已被访问，并将当前位置移动到v上；
[0060] B3：根据回退概率q，如果达到了回退条件，则将当前位置回退，否则，进入步骤B4；
[0061] B4：如果集合NLd(u)大小已经等于nl，则返回NLd(u)并结束步骤B，否则，进入步骤B2。
[0062] 步骤C：根据观点相似性，搜寻影响力传播网络中与用户观点相似的全局影响用户集合；
[0063] 定义用户u的影响全局集合为NGd(u)，初始化为空，并设置集合数量最大值为ng。其包括以下步骤：
[0064] C1：从Vd中随机选择一个节点v，且v不在集合NLd(u)和NGd(u)中；
[0065] C2：将节点v添加到集合NGd(u)中；
[0066] C3：如果集合NGd(u)元素数量已经等于ng，则返回NGd(u)并结束步骤C，否则，进入步骤C1。
[0067] 步骤D：搜寻影响力传播网络中与用户观点相反的用户集合；
[0068] 定义与用户u在博文d上观点相反的用户集合为NRd(u)，初始化为空，并设置集合元素最大数量为nr。图3是步骤D的实现流程。如图3所示，步骤D包括以下步骤：
[0069] D1：提取博文d中的主题t和情感倾向s，组合成博文d的观点倾向o＝(t,s)；
[0070] D2：如果用户u是博文d的原创作者，则用户u的观点以博文d的观点倾向表示，并转到步骤D5，否则，进入步骤D3；
[0071] D3：如果用户u转发了博文d，且没有发表评论内容，则用户u的观点以博文d的观点倾向表示，并转到D5，否则，进入步骤D4；
[0072] D4：用户u转发了博文d，且发表评论内容，利用情感分析工具分析评论内容的情感倾向，并和博文d提取的主题组合，表示用户u的观点倾向；
[0073] D5：找出所有转发了博文d的用户集合，定义为Ud；
[0074] D6：遍历集合Ud，对所遍历的用户u′，提取该用户的情感倾向，并和博文d的主题内容结合，得到用户u′的观点倾向；
[0075] D7：如果u′的观点倾向和u的观点倾向不一致，则将u′添加至集合NRd(u)中，否则进入步骤D8；
[0076] D8：如果集合NRd(u)的数量等于nr,则结束遍历，否则，返回D6。
[0077] 步骤E：建立基于观点的影响力传播模型。
[0078] 建立基于观点的影响力传播模型，是根据步骤B、步骤C、步骤D所得到的三个用户集合，并根据节点向量化的思想所建立的。定义从所有博文中提取的观点集合为O＝{o1,o2,o3,…,oN}，N为观点数量，on表示第n个观点，n＝1,2,…,N；每个观点o都有一定数量的博文列表集合D(o)，而每个用户在这些博文上都有着正向或负向的观点。对于博文d∈D(o)，根据步骤B、C、D可以从社交网络中搜寻到用户u的三个影响用户集合NLd(u)、NGd(u)和NRd(u)，其中用户u对集合NLd(u)和NGd(u)的影响应该是正相关的，对NRd(u)用户集合的影响是负相关的。定义概率Pr(NLd(u)|u,o)，该概率越大，表示，用户u在观点o下越容易影响到用户集合NLd(u)，这是因为NLd(u)中的用户和用户u的观点是一致的，用户u在该观点上更容易影响到NLd(u)集合中的用户。其计算方法定义为：
[0079]
[0080] 其中，Pr(v|u,o)表示用户u在观点o下对用户v的影响力，概率越大，影响力越大，NGd(u)同理。与NLd(u)不同的是，NGd(u)反映的是网络全局性的特征，而NLd(u)只反映了局部性特点。
[0081] 其次，NRd(u)表示与用户u相反观点的用户集合，用户u在该观点上对这些用户的影响力应该微乎其微，因此，Pr(NRd(u)|u,o)应该是趋近于0的。
[0082] 定义用户u在每个观点o下包含两个向量：Sou和Tou，分别表示影响他人能力的表征和受到他人影响的表征。因此，用户u在观点o下对用户v的影响力Pr(v|u,o)用两个向量的点积表示，具体定义为：
[0083] Pr(v|u,o)＝exp(SouTov)
[0084] 综上所述，该模型的目标是使概率Pr(NLd(u)∪NGd(u)|u,o)最大化，同时使Pr(NRd(u)|u,o)最小化，趋近于0。因此，定义目标函数为：
[0085]
[0086] 模型的训练目标即是使Obj最大化，并拟合得到每个用户u在每个观点o下包含两o o个向量：Su和Tu。以此可以得到任意两个用户之间在不同观点下的相互影响力，并据此得到观点影响力在社交网络结构图中的传播模型。
[0087] 模型训练方式是以随机梯度下降方法进行拟合，对此不做叙述。
[0088] 该方法在基于节点向量化的思想上，提出一种新的社交网络中的影响力传播模型建立方法。社交网络中用户有着不同的兴趣主题，他们在这些主题上对其他用户也有着不同的影响力，如“政治”类博主在“娱乐”相关主题上的影响力显然低于“政治”相关的。作为主题和情感倾向的结合，用户在观点上也应有着不同的影响力。与主题不同的是，观点影响力传播模型有着更为复杂的场景。在基于主题的影响力传播模型中，用户B转发了用户A一条相关博文，便认为A对B在该主题上有着一定的影响力。然而，在基于观点的影响力传播模型中，即使用户B转发了用户A的一条博文，但是用户B不赞成A的观点，只是为了反驳A，那么用户A在该观点上的影响力对B来说，应该是趋近于无。由此可见，观点影响力的传播模型比一般的影响力传播模型，更为复杂。
[0089] 该方法基于观点向量化的影响力传播模型，采用了节点向量化的思想，对社交网络中的观点影响力的传播模型问题，提出了一个更有效的方法。不同于传统的影响力传播模型，本发明针对的是用户在观点上的影响力，问题模型更为的复杂，结合主题信息和情感倾向，能够挖掘出社交网络中更为详细的影响力相关细节。模型采用了节点向量化的思想，没有考虑工程性的特征，比如点赞等，能够让模型不局限与特定的社交网络中，使其能够运用在不同的社交网络平台上。其次，该方法综合考虑了局部和全局性的特征，使得模型更加的全面，此外，根据观点具有正反性的特点，该方法考虑了与用户观点相反的影响用户集合，更能准确地反映基于观点下的影响力传播模型。
[0090] 上面结合附图对本发明的实施方式做了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
