基于张量分解的用户影响力度量研究.docVIP

基于张量分解的用户影响力度量研究 唐昌宏1,2，刘月1 （1. 福州大学数学与计算机科学学院，福建福州 350116 2. 福建省网络计算与智能信息处理重点实验室，福建福州 350116） 摘 要 提出一种基于张量分解的有影响力用户识别算法。该算法首先构建基于查询主题的用户交互关系张量，接着利用张量分解算法对用户行为进行预测，最后融合各种交互关系和用户的主题信息给出用户影响力的综合评判。实验结果表明，与非负矩阵分解相比，张量分解的挖掘精度提升了10%左右，而与Pagerank相比，张量分解的挖掘精度提升了20%左右。 关键词 用户影响力,主题相关度,交互关系,张量,社交媒介 中图分类号：TP391 User influence measure research based on tensor factorization TANG Chang-Hong1,2, LIU Yue1 (1. College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350116 2. Fujian Provincial Key Laboratory of Network Computing and Intelligent Information Processing, Fuzhou 350116) ABSTRACT This paper proposes a method for identifying influential users based on tensor factorization (TF). This method fitst constructs interaction tensor based on the topic. Then, we extract the user behavior by factorizing the tensor. Finally, the users’ influences are evaluated by comprehensively considering the topic and interaction information between users. The experiments shows that, compared with NMF and Pagerank method, the accuracy of TF method can increase by 10% and 20%, respectively. Key Words user influence, topic relevance, interactive relationship, tensor, social media 社会影响力已成为制约社交网络的动态演化过程、社交网络结构以及用户行为的至关重要的因素[1]。研究网络中用户的社会影响力有着十分广阔的应用前景，如：用户分类[2]、个性化推荐[1,3]等。当前的研究工作主要有两大类：基于Pagerank的方法[2,4,5]和基于矩阵[1,3,6]或张量的方法[7,8,9]。基于Pagerank的方法假设用户的影响力由好友的影响力所决定，认为好友的影响力大，则该用户也可能有较大影响力。基于矩阵或张量的方法则把用户的交互行为用潜在的公共行为来描述，通过解析潜在行为来推测用户的交互关系强度。然而，社交网络上，用户与用户之间往往具有多种交互关系，并且不同用户关注的领域是不同的，当前的方法没有充分利用社交媒介上用户的各种交互关系信息以及用户的主题信息。针对当前方法的不足，我们将考虑用户的交互信息以及用户与查询主题之间的相关度，以期望提高用户挖掘的精度。本文提出一种基于张量分解的用户影响力度量方法。该方法将用户的多种交互关系行为表示成几个公共的潜在行为，提取了用户潜在行为结构，而且具有直观的行为解释。 1 相关工作 社交媒介上用户影响力分析是通过利用社交媒介上的用户信息来推断用户在网络上的影响力。当前的研究工作主要有两大类： 1）基于Pagerank的方法：Nitin Agarwal等人[11]关注有影响力博主的识别，通过考虑用户内容的评论数量、内容发起的讨论规模、出链数、入链数以及内容的长度等因素，以Pagerank算法为基础，建立一个有影响力博主的识别模型。Keke Cai[2]等利用用户回复信息中的观点倾向性，将用户的影响力分为积极、消极和中性，通过用户间的回复关系建立图模型，并用迭代方式确定出用户的影响力大小。张碉[4]等以主题为单位，提取用户间的回复关系，构建用户对话关联图，在Pagerank算法基础上，提出基于多属性的用户影响力排序算法，并进一步分析了用