微博社交网络alpha用户识别的关键理论与算法

The information is fragmented in the microblog social network, so identifying the alpha users(namely the most efficient spreader ) in the millions and even hundreds of millions of users is the most fundamental method to deal with the dilemma problem that accelerating the dissemination of positive information diffusion as well as preventing the dissemination of the negative and false information diffusion. Based on the optimization application method and interaction framework, we provide the complete and thorough theory, algorithms, and application solutions of identifying the alpha users. The specific research contents include building incremental theory engine, customized mining node interaction indicators, designing identification algorithm family in the ultra-large-scale complex cases, and studying the brand marketing and public relations management for reputation crisis. The optimization application method contributes to obtain the ultimate identification accuracy according to the complex non-linear relationship between node interaction indicators and identification probability. Interactive framework can overcome the deficiency of the existing identification methods which rely entirely on node attributes and network overall structure thus result in the shortage of the high reliability sample. The framework mainly focuses on the interaction information between nodes,which is the partial visible structure of network. Meanwhile, we use an open-source research process to promote the high quality accomplishment of the project, and also to enhance the overall level of research in this field in China.

在微博社交网络信息碎片化的环境下，面对既要加速正面信息的传播扩散，又要阻止负面、虚假信息的蔓延，这样的两难困境，在千万乃至上亿用户中识别出最有效率的信息传播者，即alpha用户，是解决这个两难问题的最根本的办法。为此本课题利用最适化学习思想、基于节点互动性框架，对微博社交网络中alpha用户辨识问题，从理论、算法、与应用三方面，给出全面、彻底的解决方案。具体研究内容包括增量式理论引擎的构建，节点互动指标的定制式挖掘，超大规模复杂情况下辨识算法族的设计，以及品牌营销与声誉危机公关等应用问题的研究。最适化学习思想有助于针对节点互动指标与辨识概率间存在的复杂非线性关系获得极限辨识精度；互动性框架克服了现有识别方法完全依赖节点属性与网络整体结构而导致的可靠样本难以获取的不足，主要聚焦于节点间的互动信息这一局部可见结构。同时采用开源式研究过程，促进课题高质量完成，也带动国内该领域整体研究水平的提升。

目前,微博在日常生活及企业和政府组织的管理领域发挥越来越重要的作用。但是微博中信息的海量性以及碎片化的特点给微博的研究与管理带来极大的困难。目前国内外微博网络的研究大都偏重于统计模型或网络结构分析，而忽略了复杂非线性模型在微博研究与管理中的应用。为了弥补现有研究的不足，促进微博社交网络高速、健康发展，提高我国基于社交网络的营销及危机管理的研究与应用水平，本课题聚焦于复杂非线性模型及其复杂非线性系统，对微博网络中最有效率的信息传播者，即alpha 用户，进行识别。并据此提出一套包含非线性判别理论、用户影响力指标、个性化判别算法以及网络营销与声誉危机管理等内容的，全面、系统、全新的微博社交网络alpha 用户识别的关键理论和方法，具有重大学术价值以及社会和经济价值。本课题首先收集了大量典型微博用户与话题的数据，并构建了包含微博用户特征、微博话题特征、及微博病毒营销特征的知识体系；判别、并提取出可以表达用户网络地位的影响力指标，以及用户共同邻居影响力的指标；接着,基于最适化思想设计了生成复杂非线性判别函数的算法，并详细分析了算法特性与性能；然后，提出了复杂非线性系统分析及演化控制模型；基于所提出的理论、指标与算法展开了应用领域的研究，具体包括微博话题流行度、营销广告影响力的预测，微博病毒营销效果、企业声誉危机演化分析等。在本项目的资助下,目前已投出学术论文20篇，总计发表/录用国际论文12 篇，国内核心期刊论文2 篇。 公开了课题组获得的部分典型样本数据，供国内外同行参考、借鉴。所提出的理论与算法的有效性在相关企业得到了应用和验证。