基于MUK-means算法的微博輿情意見領(lǐng)袖群識(shí)別

李熠輝 李冠 趙衛(wèi)東

摘要：推動(dòng)微博輿情事件演化是眾多意見領(lǐng)袖共同作用的結(jié)果，因此識(shí)別意見領(lǐng)袖群對(duì)于輿情事件的監(jiān)管具有重要作用。提出微博輿情話題下的意見領(lǐng)袖群識(shí)別模型，綜合考慮用戶屬性特征、交互特征和網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)計(jì)微博輿情下用戶影響力評(píng)估算法MUR，并結(jié)合K-means算法形成MUK-means算法，實(shí)現(xiàn)對(duì)意見領(lǐng)袖群的識(shí)別。以新浪微博數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，MUK-means算法的聚類時(shí)間（14s）遠(yuǎn)遠(yuǎn)少于傳統(tǒng)K-means算法（32s），而且基于MUK-means算法得到的意見領(lǐng)袖群的用戶覆蓋率高達(dá)86.3%。實(shí)驗(yàn)結(jié)果表明，MUK-means算法改進(jìn)了K-means算法初始聚類中心不確定的缺點(diǎn)，不僅提高了聚類效率，而且實(shí)現(xiàn)了對(duì)意見領(lǐng)袖群的有效識(shí)別。

關(guān)鍵詞：微博輿情;MUR;MUK-means;意見領(lǐng)袖群

DOI：10.11907/rjd k.192007

中圖分類號(hào)：TP301 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）012-0030-05

0引言

網(wǎng)絡(luò)輿情事件是指在網(wǎng)絡(luò)世界中，由于各種刺激人們對(duì)于該事件所有的認(rèn)知、態(tài)度、情感和行為傾向的集合。網(wǎng)絡(luò)輿情事件的突發(fā)性、環(huán)境隱蔽性和網(wǎng)絡(luò)用戶素質(zhì)參差不齊，都加大了社會(huì)公共治理難度。在通過(guò)法律手段對(duì)網(wǎng)絡(luò)環(huán)境進(jìn)行規(guī)范的同時(shí)，應(yīng)更關(guān)注意見領(lǐng)袖對(duì)普通網(wǎng)民潛移默化的影響，正確的思想方向與規(guī)范的言論能夠正確引導(dǎo)普通網(wǎng)民對(duì)待輿情事件的態(tài)度，繼而影響事件的發(fā)展態(tài)勢(shì)。微博作為國(guó)內(nèi)主流社交平臺(tái)，不僅擁有龐大的用戶群，便捷化、大眾化和實(shí)時(shí)性等特點(diǎn)更使其成為網(wǎng)絡(luò)輿情事件形成和發(fā)展的主要陣地。在微博這個(gè)社會(huì)網(wǎng)絡(luò)中，“意見領(lǐng)袖”不是指某一個(gè)體，單個(gè)的意見領(lǐng)袖并不能牽動(dòng)全局，對(duì)輿情事件的引導(dǎo)、推動(dòng)作用是眾多意見領(lǐng)袖共同作用的結(jié)果。因此，準(zhǔn)確識(shí)別出意見領(lǐng)袖群，對(duì)于網(wǎng)絡(luò)輿情事件管理具有重大意義。

1相關(guān)工作

近年來(lái)，國(guó)內(nèi)外學(xué)者在意見領(lǐng)袖識(shí)別方面作了大量研究，主要分為3個(gè)方向：基于鏈路分析的方法、基于社會(huì)網(wǎng)絡(luò)分析的方法和基于用戶特征的方法。

基于鏈路分析的方法主要以網(wǎng)頁(yè)排序算法PageRank及其拓展算法為基礎(chǔ)，根據(jù)用戶間的鏈接關(guān)系對(duì)影響力進(jìn)行迭代計(jì)算。這種算法主要研究用戶間的交互行為，忽略了對(duì)交互內(nèi)容的分析。對(duì)此，朱茂然通過(guò)分析回帖的情感傾向，計(jì)算情感權(quán)重，提出了Leader-PageRank算法。

傳統(tǒng)基于社會(huì)網(wǎng)絡(luò)分析的方法通過(guò)用戶間的關(guān)系構(gòu)建社會(huì)網(wǎng)絡(luò)，利用節(jié)點(diǎn)人度、點(diǎn)度中心性、中間中心性、接近中心性等結(jié)構(gòu)要素實(shí)現(xiàn)關(guān)鍵節(jié)點(diǎn)識(shí)別。Dewi提出通過(guò)定義社會(huì)網(wǎng)絡(luò)中邊緣類型尋找意見領(lǐng)袖。但是基于社會(huì)網(wǎng)絡(luò)分析的方法在考慮節(jié)點(diǎn)全局性的同時(shí)，忽略了節(jié)點(diǎn)自身屬性特征。

基于用戶特征的方法主要利用層次分析法，通過(guò)對(duì)提取的特征加權(quán)，實(shí)現(xiàn)對(duì)用戶影響力的綜合評(píng)價(jià)，但是由于缺乏統(tǒng)一標(biāo)準(zhǔn)，往往會(huì)造成特征提取不全面。因此在微博輿情事件下，綜合分析用戶交互內(nèi)容、用戶自身特性及其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)對(duì)意見領(lǐng)袖群的識(shí)別具有重要意義。

上述研究雖然從不同角度實(shí)現(xiàn)了對(duì)用戶影響力的評(píng)估，但對(duì)意見領(lǐng)袖范圍進(jìn)行確定時(shí)，往往采用排名閾值方式，而閾值由研究者自己決定，具有很強(qiáng)的不確定性和人為性。為了解決此問(wèn)題，本文提出微博輿情話題下的意見領(lǐng)袖群識(shí)別模型：綜合考慮用戶屬性特征、交互特征和網(wǎng)絡(luò)結(jié)構(gòu)，借鑒PageRank算法思想，提出了MUR（Microb-log-lyric User-Influence Rank）算法實(shí)現(xiàn)對(duì)用戶影響力評(píng)估，并將MUR算法與K-means算法相結(jié)合得到MUK-means（Microblog-lyric User-Influence-based K-means）算法，以影響力最大的用戶為簇心進(jìn)行聚類，識(shí)別意見領(lǐng)袖群，得到意見領(lǐng)袖的范圍。

2微博輿情話題下的意見領(lǐng)袖群識(shí)別

微博輿情話題下的意見領(lǐng)袖群識(shí)別模型如圖1所示，主要包括4個(gè)方面：①數(shù)據(jù)獲取及處理，主要任務(wù)是對(duì)以Python語(yǔ)言編寫程序爬取的輿情數(shù)據(jù)進(jìn)行預(yù)處理;②用戶特征分析，從用戶活躍度和影響力角度對(duì)用戶屬性特征進(jìn)行詮釋，用戶的交互特征是從語(yǔ)義角度對(duì)用戶交互過(guò)程中產(chǎn)生的影響力進(jìn)行刻畫;③用戶影響力評(píng)估，借鑒Pager-ank算法思想，綜合用戶屬性特征、交互特征和網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)計(jì)微博輿情下的用戶影響力評(píng)估算法MUR;④意見領(lǐng)袖群識(shí)別，K-means算法與MUR算法相結(jié)合形成MUK-means算法，實(shí)現(xiàn)對(duì)意見領(lǐng)袖群和一般用戶群初始簇心的確定，以對(duì)用戶進(jìn)行聚類，得到意見領(lǐng)袖群。

2.1用戶特征分析

在微博輿情傳播過(guò)程中，用戶影響力是多種因素共同作用的結(jié)果，從靜態(tài)和動(dòng)態(tài)兩個(gè)角度出發(fā)，本文選取用戶屬性特征與用戶交互特征作為影響力評(píng)估基礎(chǔ)。

2.1.1用戶屬性特征

根據(jù)拉扎斯菲爾德對(duì)意見領(lǐng)袖的定義，意見領(lǐng)袖是小部分具有一定影響力的活躍分子。綜合微博特性和已有研究，本文從用戶活躍度和影響力兩個(gè)維度對(duì)用戶屬性特征進(jìn)行描述。用戶屬性特征組成如圖2所示。

活躍度A（i）是指用戶單位時(shí)間內(nèi)更新微博的數(shù)量，通過(guò)原創(chuàng)微博數(shù)（M1）和轉(zhuǎn)發(fā)微博數(shù)（M2）體現(xiàn)。微博用戶單位時(shí)間內(nèi)活躍度越高，其在微博輿情話題下保持高活躍度的概率就越大。

影響力I（f）是身份認(rèn)證（M3）、粉絲數(shù)（M4）和單位時(shí)間內(nèi)微博被轉(zhuǎn)發(fā)率（M5）的綜合體現(xiàn)。微博用戶認(rèn)證意味著更高的可信度與曝光度，認(rèn)證后的用戶極可能被收錄到搜索引擎，使用戶及其所發(fā)微博的曝光度大大增加，而且在一般用戶的認(rèn)知中，經(jīng)過(guò)認(rèn)證的用戶所發(fā)表的文字更加權(quán)威，更使人信服，可信度更高。用戶粉絲量越大，其接觸到的用戶范圍就越大，產(chǎn)生的影響輻射范圍就越大。用戶單位時(shí)間內(nèi)微博被轉(zhuǎn)發(fā)率越高，其在微博輿情話題下發(fā)表的言論被轉(zhuǎn)發(fā)的機(jī)率就越大。

由于特征數(shù)據(jù)的維度不統(tǒng)一，因此為了方便數(shù)據(jù)處理，使處理結(jié)果更加準(zhǔn)確，本文對(duì)各級(jí)特征數(shù)據(jù)進(jìn)行歸一化處理，采用rain-max方法，對(duì)數(shù)據(jù)進(jìn)行線性變換，將數(shù)據(jù)映射到[0，1]區(qū)間內(nèi)，轉(zhuǎn)換如式（1）所示。

2.1.2用戶交互特征

意見領(lǐng)袖的權(quán)威度來(lái)自于其他用戶對(duì)其言論的認(rèn)可，在微博輿情傳播過(guò)程中，轉(zhuǎn)發(fā)量和評(píng)論量是對(duì)其最直接的體現(xiàn)。但是在對(duì)意見領(lǐng)袖進(jìn)行識(shí)別過(guò)程中，單純地對(duì)數(shù)據(jù)量進(jìn)行疊加并不能很好地詮釋用戶在交互過(guò)程中產(chǎn)生的影響力，因此本文同時(shí)從語(yǔ)義角度出發(fā)對(duì)用戶交互特征進(jìn)行分析：通過(guò)判斷轉(zhuǎn)發(fā)、評(píng)論內(nèi)容與原微博情感極性是否一致，作為互動(dòng)行為有效性的依據(jù)。

在已有研究中，往往通過(guò)正向情感占比實(shí)現(xiàn)對(duì)微博情感支持率的分析，由于情感粒度劃分較粗，只統(tǒng)計(jì)正向情感的比例容易忽略關(guān)鍵信息，如在負(fù)面輿情事件中，博主發(fā)表微博“愿逝者安息，英雄一路走好”表達(dá)悲傷，情感極性為負(fù)向，而評(píng)論“太悲傷了”，情感極性雖然為負(fù)向，但表達(dá)的是對(duì)博主言論的支持，博主的言論對(duì)其產(chǎn)生了影響。為了改進(jìn)上述問(wèn)題，本文通過(guò)判斷轉(zhuǎn)發(fā)、評(píng)論內(nèi)容與原微博情感極性是否一致對(duì)用戶獲取的情感支持，即產(chǎn)生的影響力進(jìn)行衡量。本文采用FastText分類器對(duì)微博內(nèi)容進(jìn)行情感極性分析，將情感極性分為正向和負(fù)向兩類。FastText是Mikolov于2016年提出的一種快速文本分類器，能夠獲得與深度學(xué)習(xí)分類器相近的準(zhǔn)確率，但運(yùn)行效率遠(yuǎn)遠(yuǎn)高于深度學(xué)習(xí)分類器，保證了輿情快速演化過(guò)程中情感極性的準(zhǔn)確快速識(shí)別。獲得情感極性分類后，定義在微博輿情傳播過(guò)程中，情感一致的轉(zhuǎn)發(fā)、評(píng)論行為視為有效互動(dòng)行為，用戶有效互動(dòng)值Eij計(jì)算如式（5）所示。

2.2基于MUR的用戶影響力評(píng)估

微博輿情下用戶間的互動(dòng)網(wǎng)絡(luò)可以抽象為有向加權(quán)圖G（v，E），其中v表示節(jié)點(diǎn)集合，E表示邊的集合。將參與輿情話題討論的用戶看作節(jié)點(diǎn)，若用戶間存在互動(dòng)關(guān)系，構(gòu)建用戶間的有向邊，邊的權(quán)值由用戶間的有效互動(dòng)率確定。

PageRank算法是衡量網(wǎng)絡(luò)中網(wǎng)頁(yè)重要程度的經(jīng)典算法，基于微博拓?fù)浣Y(jié)構(gòu)與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的相似性，本文借鑒PageRank算法思想，提出了微博輿情用戶影響力評(píng)估算法MUR，具體計(jì)算如式（6）所示。原始PageRank算法只考慮了網(wǎng)絡(luò)結(jié)構(gòu)，在影響力分配過(guò)程中往往采取平均分配原則，既忽視了用戶節(jié)點(diǎn)本身影響力大小的不同，也忽視了傳遞過(guò)程中用戶受影響程度的不同。鑒于此，本文將用戶屬性特征值P（i）作為節(jié)點(diǎn)初值，根據(jù)有效互動(dòng)率分配用戶影響力，對(duì)傳統(tǒng)PageRank算法進(jìn)行改進(jìn)。

2.3基于MUK-means的意見領(lǐng)袖群識(shí)別

K-means算法是一種無(wú)監(jiān)督學(xué)習(xí)的聚類算法，基于物以類聚的思想，對(duì)內(nèi)在相似性大的數(shù)據(jù)進(jìn)行分類組織，其因簡(jiǎn)單高效而應(yīng)用廣泛，但初始聚類中心的不確定性容易使K-means算法陷入局部最優(yōu)解，造成聚類結(jié)果不穩(wěn)定。本文提出將MUR算法和K-means算法結(jié)合形成MUK-means算法，在有效解決初始聚類中心不確定的同時(shí)，實(shí)現(xiàn)對(duì)意見領(lǐng)袖群的識(shí)別。在識(shí)別意見領(lǐng)袖時(shí)，用戶總會(huì)被劃分為意見領(lǐng)袖和非意見領(lǐng)袖，則可確定劃分K值為2。MUR算法優(yōu)化了PageRank算法，得到微博輿情話題下微博用戶影響力從高到低的準(zhǔn)確排名，用戶的MUI值越大，其影響力就越大，排名越高。將MUR算法與K-means算法相結(jié)合，MUI值最高的用戶代表意見領(lǐng)袖簇的聚類中心，MUI值最低的用戶代表非意見領(lǐng)袖簇的聚類中心，避免了聚類中心的隨機(jī)性，保證了簇間距離的最大化，優(yōu)化了聚類效果，同時(shí)也得到了意見領(lǐng)袖群和一般用戶群。

3實(shí)驗(yàn)與結(jié)果分析

3.1實(shí)驗(yàn)數(shù)據(jù)收集預(yù)處理

本文基于新浪微博提供的開放API，以“重慶公交車墜江”作為關(guān)鍵詞，爬取2018年10月28日-2018年11月2日的相關(guān)傳播數(shù)據(jù)，詳細(xì)數(shù)據(jù)集信息如表1所示。此外，實(shí)驗(yàn)數(shù)據(jù)還包括用戶基礎(chǔ)信息：粉絲數(shù)、認(rèn)證信息及其近一個(gè)月內(nèi)發(fā)表、轉(zhuǎn)發(fā)微博的相關(guān)信息。

在收集的數(shù)據(jù)集中，僅包含“#重慶公交車墜江#”話題標(biāo)簽的微博數(shù)據(jù)有539條，不能作為有效數(shù)據(jù)進(jìn)行分析，在過(guò)濾掉無(wú)效數(shù)據(jù)后，剩余45519條微博，參與討論（發(fā)布原創(chuàng)微博或轉(zhuǎn)發(fā)微博）的用戶數(shù)為39074，有12642個(gè)用戶發(fā)表了原創(chuàng)微博，但是沒(méi)有引起任何轉(zhuǎn)發(fā)和評(píng)論，有16007個(gè)用戶轉(zhuǎn)發(fā)他人微博后并沒(méi)有引發(fā)二次轉(zhuǎn)發(fā)。本文將對(duì)剩余的10425個(gè)用戶及其互動(dòng)關(guān)系構(gòu)造的網(wǎng)絡(luò)進(jìn)行影響力計(jì)算。

3.2評(píng)價(jià)指標(biāo)

（1）用戶覆蓋率（coverage Rate，CR）。由于目前對(duì)用戶影響力沒(méi)有一個(gè)統(tǒng)一的評(píng)價(jià)指標(biāo)，本文選用戶覆蓋率指標(biāo)對(duì)用戶影響力評(píng)估準(zhǔn)確性進(jìn)行驗(yàn)證。用戶覆蓋率是指在微博輿情事件中受用戶i影響的用戶數(shù)占總用戶的比例，計(jì)算公式如式（12）所示。NK表示前K個(gè)用戶影響的用戶數(shù)量，Ⅳ表示參與該輿情事件討論的用戶總數(shù)。

3.4實(shí)驗(yàn)與分析

3.3.1基于MUR算法的用戶影響力評(píng)估實(shí)驗(yàn)

將用戶作為種子節(jié)點(diǎn)，以用戶間的互動(dòng)關(guān)系構(gòu)建網(wǎng)絡(luò)。提取用戶身份認(rèn)證信息、粉絲數(shù)，并以用戶2018年9月27日2018年10月27日一個(gè)月內(nèi)的微博數(shù)據(jù)作為樣本，統(tǒng)計(jì)單位時(shí)間內(nèi)的原創(chuàng)微博數(shù)、轉(zhuǎn)發(fā)微博數(shù)、被轉(zhuǎn)發(fā)微博數(shù)。對(duì)數(shù)據(jù)進(jìn)行歸一化處理后，根據(jù)式（4）計(jì)算用戶屬性值作為節(jié)點(diǎn)初始值。調(diào)用Python的FastText包實(shí)現(xiàn)情感極性的分類，工作流程如圖3所示。通過(guò)情感一致性判別對(duì)有效互動(dòng)值進(jìn)行計(jì)算，并根據(jù)MUR算法計(jì)算式（6）對(duì)互動(dòng)網(wǎng)絡(luò)中的用戶影響力并進(jìn)行迭代計(jì)算，直到每個(gè)節(jié)點(diǎn)的MUI值與上次計(jì)算的MUI值相等，得到每個(gè)用戶最終的影響力值。

為了驗(yàn)證MUR算法對(duì)用戶影響力評(píng)估的準(zhǔn)確性，采用前K個(gè)用戶的用戶覆蓋率對(duì)MUR算法與UI_LR算法、PageRank算法進(jìn)行對(duì)比。3種算法的用戶覆蓋率結(jié)果如圖4所示。圖4中，MUR算法和UI-LR算法性能明顯優(yōu)于PageRank算法。雖然在前10個(gè)用戶的影響下，UI-LR算法與本文算法覆蓋的用戶范圍十分接近，但是在10名之后的用戶影響下，本文算法覆蓋的用戶范圍更廣，這充分說(shuō)明了MUR算法對(duì)用戶影響力評(píng)估的有效性，同時(shí)保證了初始聚類中心的準(zhǔn)確性。

3.3.2基于MUK-means算法的意見領(lǐng)袖群識(shí)別實(shí)驗(yàn)

基于MUK-means算法的意見領(lǐng)袖群識(shí)別，即將意見領(lǐng)袖識(shí)別轉(zhuǎn)換為一個(gè)二分類問(wèn)題，把用戶分為意見領(lǐng)袖和一般用戶。以在用戶影響力評(píng)估中影響力最大和最小的用戶作為初始聚類中心，歸一化后的用戶屬性特征與互動(dòng)特征作為特征向量，利用Python實(shí)現(xiàn)用戶聚類，影響力最大的用戶所在的簇即為意見領(lǐng)袖群。

由于目前沒(méi)有對(duì)意見領(lǐng)袖群的識(shí)別研究，缺乏對(duì)比算法，為了證明MUK-means算法對(duì)意見領(lǐng)袖群識(shí)別的有效性，通過(guò)DBI指標(biāo)和聚類時(shí)間對(duì)比MUK-means算法與K-means算法的聚類效果，并計(jì)算兩種算法得到意見領(lǐng)袖群用戶覆蓋率，結(jié)果如表2所示。

從表2可以看出，MUK-means算法運(yùn)行時(shí)間要小于K-means算法，因?yàn)镸UK-means算法對(duì)初始聚類中心的確定，減少了迭代次數(shù)，優(yōu)化了原始K-means算法。MUK-means算法的DBI值要低于K-means算法，說(shuō)明MUK-means的聚類效果要優(yōu)于K-means算法，即由MUK-means算法得到的意見領(lǐng)袖群內(nèi)距離更小，相似度更大。從得到的意見領(lǐng)袖群的用戶覆蓋率看，MUK-means算法得到的意見領(lǐng)袖群用戶覆蓋率高達(dá)86.3%，遠(yuǎn)大于K-means算法直接通過(guò)特征聚類得到的結(jié)果，說(shuō)明了MUK-means識(shí)別意見領(lǐng)袖群的有效性。

4結(jié)語(yǔ)

本文針對(duì)現(xiàn)有研究對(duì)意見領(lǐng)袖范圍不確定的問(wèn)題，基于對(duì)用戶屬性特征、交互特征和網(wǎng)絡(luò)結(jié)構(gòu)的多角度分析，提出了微博輿情話題下的意見領(lǐng)袖群識(shí)別算法MUK-means。實(shí)驗(yàn)結(jié)果表明，MUK-means算法改進(jìn)了傳統(tǒng)K-means算法初始聚類中心不確定的缺點(diǎn)，提高了聚類效率，能夠有效識(shí)別微博輿情話題下的意見領(lǐng)袖群，從而為相關(guān)部門及時(shí)掌握意見領(lǐng)袖范圍，了解輿情動(dòng)態(tài)，進(jìn)行輿情控制提供了依據(jù)。然而本文在分析用戶交互特征時(shí)，沒(méi)有考慮到網(wǎng)絡(luò)水軍所發(fā)虛假評(píng)論的影響，下一步研究中將對(duì)虛假評(píng)論進(jìn)行過(guò)濾，從而進(jìn)一步提高意見領(lǐng)袖群的識(shí)別準(zhǔn)確率。