[发明专利]确定用户的影响力排序的方法与装置

说明书

技术领域

本发明涉及计算机网络领域，并尤其涉及一种确定用户的影响力排序的方法和装置。

背景技术

随着高速无线网络的普及，网络媒体在社会信息传播和商业领域扮演着越来越重要的角色。比如综合信息门户网站和社交网络已逐步取代传统媒体成为信息传播的最重要平台，这些网络信息和社交平台上影响力较大的网站和用户在事件的传播中更是起到推动的作用。

从错综复杂以及用户庞大的关系网络中找到起重要影响的网络节点(例如可以是网站，手机用户，微博或微信用户，运营商网关等)是产品推广或信息传播监控的关键。因此找出有影响力的网络节点并进行影响力排名是企业进行产品推广或信息传播监控的一种有效的方法。

PageRank(佩奇排序)算法是网络节点影响力排名的通用算法，它最先由Google提出。佩奇排序算法定义了随机冲浪者模型，即想象网络中存在着许多随机冲浪者，它们从某个网络节点(例如，网页)出发，按照转移概率矩阵在网络节点间游走，那么随机冲浪者的位置概率分布即代表了网页的重要性。

佩奇排序算法有原始版本和面向主题的佩奇排序(Topic Sensitive PageRank)版本。其中，面向主题的佩奇排序算法可应用于社交网络中，用于确定社交网络中各用户在某一目标主题的影响力。该算法采用如下公式迭代得到各用户的影响力排序：

p_i+1＝βMp_i+(1-β)e_s/│S│

其中，p_i+1和p_i分别表示在第i+1次和第i次迭代计算时，各用户的佩奇排序值组成的向量，该向量的维度n表示待排序的用户的个数；β为介于0至1之间的转移常数，通常取值0.15；M为转移概率矩阵，是基于用户之间的相互关注关系建立的；公式中e_s/│S│为权重向量，其中，S为目标主题相关的节点的集合，e_s向量中各元素的值取决于该元素对应的用户是否属于集合S，如果是，取1，否则，取0。

但是，在社交网络中，上述面向主题的佩奇排序算法存在以下缺点：权重向量的选择简单的用0或1，即相关或不相关表示，而实际中，与目标主题相关的用户之间也存在相关程度的不同，上述权值向量的表达不够准确。此外，转移概率矩阵中各元素仅通过用户之间的关注关系确定。不能反映出实际的社交关系中，从而使影响力排序结果的准确性较低。

发明内容

本发明的实施例提供了一种确定用户的影响力的方法和装置，能够有效地提高影响力排序结果的准确性。

第一方面，提供了一种方法，该方法包括：获取第一信息和第二信息，第一信息用于指示社交网络中的N个用户的相互关注关系，第二信息用于指示N个用户中各用户发布的消息数，以及各用户发布的消息的主题；根据第一信息和第二信息，确定目标主题对应的N维权重向量，权重向量中的第i元素是基于第一比重和第二比重确定的，其中，第一比重为：第i用户发布的消息中，关于目标主题的消息所占的比重，第二比重为：第i用户关注的用户中，发布的消息包含关于目标主题的消息的用户所占的比重，i为1至N中的任意整数；获取第三信息，第三信息用于指示N个用户中具有消息转发关系的用户之间转发消息的数量和转发消息的主题；根据第三信息，确定目标主题对应的转移概率矩阵，转移概率矩阵的第(j，k)元素是基于：第k用户被第j用户转发的，关于目标主题的消息的数量，第j用户对应的转发关联用户的数量，以及转发关联用户发布的关于目标主题的消息的数量之间的大小关系确定的，其中，转发关联用户为N个用户中，发布的消息被第j用户转发过的用户，j、k均为1至N中的任意整数；根据转移概率矩阵和权值向量，利用佩奇排序算法确定在社交网络中，N个用户在目标主题领域的影响力的排序。

结合第一方面，在第一方面的第一种可能的实现方式中，权重向量中的第i元素是通过以下公式确定的：A_i＝x(a/b)+(1-x)(c/d)，其中，A_i是权重向量中的第i元素；x为预先设定的实数，且0≤x≤1；a为第i用户发布的关于目标主题的消息的数量；b为第i用户发布的消息总数；c为第i用户关注的用户中，发布的消息包含关于目标主题的消息的用户的数量；d为第i用户关注的用户总数。