挖掘微博网络中优质源.docVIP

挖掘微博网络中优质源 　　摘要：微博目前已经成为信息传播的重要媒介。由于信息种类繁多，已有不少产品着手与信息聚合以方便用户，但却难以涉猎到方方面面。本文以微博平台为依托，从少数种子用户出发试图找出该领域内优质的草根内容源，通过对汽车、创意两个领域的案例网络进行分析，我们发现，两个领域内PageRank影响力排名靠前的用户重叠度非常大，而且大部分用户的兴趣都与给定的领域不符。此文研究成果亦有利于搜索结果的优化。 　　关键词：微博；标签；PageRank 　　中图分类号：TP31 文献标识码：A 文章编号：1007-9599 （2013） 01-0075-02 　　互联网是当今社会的重要因素。从在线交友到多人在线网游，从上网获取信息到网络商城，互联网不仅提供了便利，也增加了许多商机。门户网站的低位被搜索引擎逐渐取代，新一代的在线社交网络逐渐成为互联网发展的重点。在国内，腾讯的QQ是最早最成功的社交网络；之后兴起的新浪微博，有很强的媒体背景，关系网络中的每个用户都可以是媒体，更是信息的传播者和接收者。微博的这种特性极大加速了信息的传播。在这种环境下，微博诞生了许多草根大号，不同于名人大号，草根大号并非名人但却备受关注，他们以优质的内容吸引别人关注，然后发送一些广告以获取收益。这些大号对于微博的发展非常重要。 　　微博吸引了越来越多来自各个行业、拥有各种背景的人。人们可以自定义标签，五花八门的内容体现出用户的兴趣需求点又广又细。然而，除了一些大众的需求，很多相对冷门的兴趣点并没有聚合起用户。一方面，在当前嘈杂的微博环境中，信息一出现就很有可能被迅速淹没，据数据显示[1]，只有很少量的微博才得以广泛传播；另一方面，用户没有好的手段来发现同兴趣的人群，虽然微博有基于标签的推荐，但很多用户都不打标签，且标签也各式各样、很不规范。再者，微博中一些优质信息源甚至可能会停止更新。对于此，互联网上有很多信息聚类的产品，提取优质的信息，包括新浪也推出了微刊、视野等，专门提供优质的内容。 　　寻找优质的内容源可以看作是质量排序的问题。此问题早在1998年就得到关注，Page基于PageRank[2]创立了google。本文尝试将PageRank用于微博中的用户排名，分析排名靠前的用户在多大程度上符合兴趣需求。实证结果发现：给定一些同兴趣的种子用户，分析他们二度关注内的用户，即便是不同领域，Page Rank排名靠前的用户都具有非常高的重合度，且这些重合的用户大都不满足指定的兴趣需求。 　　1 数据和方法 　　1.1 数据 　　本文关注了两个兴趣领域，汽车和创意。通过人工筛选的方法，分别找到了62个汽车领域的优质内容源，和31个创意领域的优质内容源。筛选的标准很简单：内容符合主题且质量高，内容纯净度高，有一定的粉丝基础，无不良信息。 　　将这些用户作为种子用户，采用滚雪球[3]的方法分别获取汽车和创意领域的用户群。滚雪球抽样就是基于种子用户采用广度优先搜索的一种抽样方法。应用在本文中，我们仅关注距离种子用户2度以内的用户，通过新浪微博的开放API，利用爬虫程序获得了汽车领域共计4，089，674个用户以及这些用户之间的821，722，043条关注关系，记为网络Ncar，创意领域则有2，813，642个用户和570，398，734条关系，记为Nidea。将这些用户看做节点，关注关系看做是节点之间的连边，那么这些用户和关注关系可构成关系网络。此网络中每个节点的入度分布如图1，均服从截断的幂率分布。 　　之后，我们对比了两个网络中PageRank排名靠前的用户的重合度，对应于top-100、200、500、1000、2000、5000和10000的重合比例分别为0.93、0.97、0.952、0.943、0.935和0.9337。回顾两个网络的种子用户，没有一个重复的元素，但仅仅是做了两度的扩散，就已经有如此之高的重合比例，所以单纯从结构方面来考虑是不够的，必须要结合每个用户的兴趣标签进行定位。从用户自定义的标签入手，但种子用户中分别只有14和16个有标签：在汽车领域中，排名前几名的标签及其数目分别为汽车14个、交通13个、互联网6个；而创意领域中，设计14个、互联网9个、摄影5个、时尚5个。标签与领域内容非常相关。然而，由于此类用户非常少，仍需结合用户的微博内容。 　　我们以种子用户的兴趣标签为作为标准，若一个用户与他们的平均相似度越高，就称这个用户更加符合目标用户的特征。基于此，我们计算了每个用户与对应种子用户的平均余弦相似度，然后根据PageRank排名，每2万个用户看作一个小组，统计每个组内余弦相似度分布情况。如图2所示，共计15组（即PageRank排名前30万的用户）。用户的兴趣相似程度集中在0.3～0.6的范围内，分布