[发明专利]一种在社交网络中快速获取大量热门话题的方法

权利要求书

1.一种在社交网络中快速获取大量热门话题的方法，该方法的特征在于： 

1）在社交网络中抓取用户发布的“状态”的转发记录，包括用户名、转发内容、转发时间、转发量，原作者和原“状态”发表时间； 

2）通过聚类算法对所有“状态”内容进行聚类，每一个类定义为一个事件； 

3）通过分析“状态”转发记录，针对目标用户，在其好友群中选取在最短时间内可以覆盖最多事件的K个好友； 

4）将这K个好友放在特定的好友分组内，推荐给目标用户。 

2.如权利要求1所述一种在社交网络中快速获取大量热门话题的方法，步骤2）中所述的通过聚类算法对所有“状态”内容进行聚类，每一个类定义为一个事件，其特征在于： 

每一类“状态”定义为一个事件表示，获取到该事件中任何一条“状态”的信息就代表获得了该类话题的消息。 

3.如权利要求1所述的一种在社交网络中快速获取大量热门话题的方法，步骤3）中所述通过分析“状态”转发记录，针对目标用户，在其“状态”好友群中选取在最短时间内可以覆盖最多事件的K个好友，其特征在于： 

3.1假设用户转发了某一个事件中的任何一条“状态”，即代表该用户覆盖了这个事件； 

3.2任意选取目标用户的K个好友组成集合A，定义t＝T(i，A），表示集合A覆盖事件i的时间，即A中的所有用户覆盖事件i的所有时间中的最小值，若集合A没有覆盖事件i，则记T(i，A)＝∞； 

3.3定义                                                  为惩罚函数，将时间t映射到一个实数，表示在t时刻覆盖该事件所带来的损失，   为事件i的重要系数，其中m_i为事件i中所有“状态”的转发次数，sum(i)为所有“状态”的转发次数，我们假设事件的重要程度与转发比例成正比，因此损失与覆盖时间和重要系数的乘积成正比，此处惩罚函数f_i(t)可以根据实际情况作其他更改，若T(i，A)＝∞则f_i(t)取函数最大值FMax（人为设定）； 

3.4遍历所有事件，定义整个网络的惩罚函数： 

其中   表示事件i发生的概率，m_i为事件i中所有“状态”的转发次数，total(i)为所有“状态”的个数； 

3.5假设用户b的某种行为的产生受到用户a的直接或间接影响，且影响因子大于某一阈值，则认为a覆盖了b，例如用户b转发某条“状态”，除了受原作者和被转发者影响外，还可能受到其他用户的潜在影响，原作者和被转发者可能只会在这一事件上影响用户b，而用户a则可能在其他事件中起到更加关键的影响作用，我们将用概率模型表示这一过程； 

3.6定义σ(A)表示集合A覆盖的用户个数，即集合A中所有用户分别覆盖不重复用户的总个数，σ(A)有多种计算方法，本发明采用线性阈值模型计算方法，定义： 

该模型中   （t_v＞t_w且v，w之间具有好友关系，否则值为0）表示在事件i中用户w对v的影响因子，t_w、t_v分别为w和v覆盖事件i的时间，a、θ_v为可调参数，I为指示性函数。 

3.7定义目标函数： 

其中F(A)为整个网络的惩罚函数，σ(A)表示集合A覆盖的用户个数，β为可调参数，通过求解上述目标函数得到在最短时间内可以覆盖最多事件的K个好友，K为人为设定，集合A中的用户具有以下特点：a）在目标函数的用户群中具有较大影响力，发布的消息转发率很高；b）在较短时间内，大量转发别人发布的重要消息； 

3.8最小化目标函数G(A)是一个NP-hard问题，定义Ri(A)＝f_i(∞)＝f_i(T(i，A))，则 

最小化G(A)等价于最大化H(A)＝R(A)+βσ(A)，可证明H(A)是一个次模函数，可通过贪婪算法求出近似解，而且近似比例大于1-1/e＝0.63。