融合多用户属性的网络知识社区核心用户识别研究：基于情感加权的<bold>LeaderRank</bold>算法

doi:10.3772/j.issn.1000-0135.2024.06.005

情报学报

2024, Vol. 43

Issue (6): 685-696 DOI: 10.3772/j.issn.1000-0135.2024.06.005

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

融合多用户属性的网络知识社区核心用户识别研究：基于情感加权的LeaderRank算法

杨瑞仙^1,2, 于政杰³, 钟茜⁴, 刘莉莉¹, 韦华楠³

1.郑州大学信息管理学院,郑州 450001
2.郑州市数据科学研究中心,郑州 450001
3.中国信息通信研究院中部大数据创新中心,郑州 450001
4.中山大学信息管理学院,广州 510006

Identifying Core Users in Online Knowledge Community by Integrating Multiple User Attributes: Based on the Emotion-Weighted LeaderRank Algorithm

Yang Ruixian^1,2, Yu Zhengjie³, Zhong Qian⁴, Liu Lili¹, Wei Huanan³

1.School of Information Management, Zhengzhou University, Zhengzhou 450001
2.Research Institute of Data Science, Zhengzhou City, Zhengzhou 450001
3.Central Big Data Innovation Center, China Academy of Information and Communications Technology, Zhengzhou 450001
4.School of Information Management, Sun Yat-sen University, Guangzhou 510006

摘要
图/表
参考文献
相关文章 (13)

全文: PDF (1547 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要基于对网络知识社区用户属性的分析，本文提出一种融合多用户属性的核心用户识别方法，以提升核心用户识别的效率和效果，为提高社区运营和管理水平提供理论和方法参考。首先，基于用户的基本属性数据对用户的活跃性和专业性进行量化；其次，构建网络知识社区超网络模型，提出基于邻居好友重叠度的用户社交关系重要性算法、用户交互活动中的累计交互情感计算方法以及用户综合情感倾向性排名算法；最后，采用熵权法融合上述指标作为用户核心性得分，并通过得分排序识别核心用户。研究结果表明，相比于用户社交关系网络中的度中心性排名和用户交互关系网络中的LeaderRank排名，本文提出的融合多属性的网络知识社区核心用户识别方法具有更好的识别效果。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	杨瑞仙
	于政杰
	钟茜
	刘莉莉
	韦华楠

关键词 ：核心用户识别, 情感分析, LeaderRank, 网络知识社区, 链接分析

收稿日期: 2023-09-25

基金资助:河南省高等学校哲学社会科学基础研究重大项目“融入多用户属性的网络知识社区核心用户识别与推荐研究”（2023-JCZD-27）；河南省高等学校青年骨干教师培养计划“学术虚拟社区知识交流机制的系统动力学仿真研究”（2020-GGJS-012）。

作者简介: 杨瑞仙，女，1982年生，博士，教授，硕士生导师，主要研究领域为信息计量与科学评价、社会网络与知识交流、数据隐私与数据治理，E-mail：yrx@zzu.edu.cn；于政杰，男，1990年生，硕士，主要研究领域为社会网络与社会计算；钟茜，女，2001年生，硕士研究生，主要研究领域为科学计量与科技评价；刘莉莉，女，1995年生，硕士研究生，主要研究领域为社会网络与社会计算；韦华楠，女，1997年生，硕士，主要研究领域为创新评价与科研管理；

引用本文:

杨瑞仙, 于政杰, 钟茜, 刘莉莉, 韦华楠. 融合多用户属性的网络知识社区核心用户识别研究：基于情感加权的LeaderRank算法[J]. 情报学报, 2024, 43(6): 685-696.
Yang Ruixian, Yu Zhengjie, Zhong Qian, Liu Lili, Wei Huanan. Identifying Core Users in Online Knowledge Community by Integrating Multiple User Attributes: Based on the Emotion-Weighted LeaderRank Algorithm. 情报学报, 2024, 43(6): 685-696.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2024.06.005 或 https://qbxb.istic.ac.cn/CN/Y2024/V43/I6/685

1 中国互联网信息中心. 第51次中国互联网络发展状况统计报告[R/OL]. (2023-03-02) [2023-05-20]. https://www.cnnic.net.cn/NMediaFile/2023/0322/MAIN16794576367190GBA2HA1KQ.pdf.
2 安璐, 胡俊阳, 李纲. 突发事件情境下社交媒体高影响力用户画像研究[J]. 情报资料工作, 2020, 41(6): 6-16.
3 Badashian A S, Stroulia E. Measuring user influence in GitHub: the million follower fallacy[C]// Proceedings of the 3rd International Workshop on CrowdSourcing in Software Engineering. New York: ACM Press, 2016: 15-21.
4 琚春华, 赵凯迪, 鲍福光. 融入紧密度中心性与信用的社交网络用户影响力强度计算模型[J]. 情报学报, 2019, 38(2): 170-177.
5 Rehman A U, Jiang A M, Rehman A, et al. Identification and role of opinion leaders in information diffusion for online discussion network[J]. Journal of Ambient Intelligence and Humanized Computing, 2023, 14(11): 15301-15313.
6 许睿, 李艳翠, 訾乾龙, 等. 虚拟学习社区中意见领袖识别模型研究[J]. 计算机技术与发展, 2020, 30(5): 56-60.
7 王闯, 王亚民. 基于K核分解的网络知识社区关键用户挖掘研究[J]. 情报理论与实践, 2019, 42(6): 149-153.
8 Wang J, Luo Y, Hao J X, et al. Who are influential in Q&A communities? A measure of V-constraint based on knowledge diffusion capability[J]. Journal of Information Science, 2019, 45(4): 488-501.
9 Kleinberg J M. Authoritative sources in a hyperlinked environment[J]. Journal of the ACM, 1999, 46(5): 604-632.
10 Brin S, Page L. The anatomy of a large-scale hypertextual Web search engine[J]. Computer Networks and ISDN Systems, 1998, 30(1-7): 107-117.
11 Ge J, Shi L L, Liu L, et al. User topic preferences based influence maximization in overlapped networks[J]. IEEE Access, 2019, 7: 161996-162007.
12 张米, 张晖, 杨春明, 等. 基于多特征信息传播模型的微博意见领袖挖掘[J]. 中文信息学报, 2018, 32(2): 129-138, 146.
13 Liu Y, Gu Z, Ko T H, et al. Identifying key opinion leaders in social media via modality-consistent harmonized discriminant embedding[J]. IEEE Transactions on Cybernetics, 2020, 50(2): 717-728.
14 Wang C, Du Y J, Tang M W. Opinion leader mining algorithm in microblog platform based on topic similarity[C]// Proceedings of the 2016 2nd IEEE International Conference on Computer and Communications. Piscataway: IEEE, 2016: 160-165.
15 Li C L, Bai J P, Zhang L, et al. Opinion community detection and opinion leader detection based on text information and network topology in cloud environment[J]. Information Sciences, 2019, 504: 61-83.
16 Lei S J, Zhang X D, Yan Y N. Research on Opinion Leaders Recognition Based on TOPSIS in open source design community[C]// Proceedings of the 2019 IEEE 23rd International Conference on Computer Supported Cooperative Work in Design. Piscataway: IEEE, 2019: 307-312.
17 Wang J Y, Wang P, Fan Y Q, et al. Research on user influence in microblog based on interest graph[C]// Proceedings of the 6th International Conference on Information Engineering. New York: ACM Press, 2017: Article No.7.
18 Sun Q D, Wang N, Zhou Y D, et al. Identification of influential online social network users based on multi-features[J]. International Journal of Pattern Recognition and Artificial Intelligence, 2016, 30(6): 1659015.
19 袁润, 王琦. 学术博客用户画像模型构建与实证——以科学网博客为例[J]. 图书情报工作, 2019, 63(22): 13-20.
20 于政杰. 融合多属性的网络知识社区核心用户识别研究[D]. 郑州: 郑州大学, 2022.
21 阮逸润, 老松杨, 王竣德, 等. 基于领域相似度的复杂网络节点重要度评估算法[J]. 物理学报, 2017, 66(3): 038902.
22 Baidu’s open-source sentiment analysis system[EB/OL]. (2018-07-02) [2021-10-02]. https://github.com/baidu/Senta/tree/v1.
23 Li S, Zhao Z, Hu R F, et al. Analogical reasoning on Chinese morphological and semantic relations[C]// Proceedings of the 56th Annual meeting of the Association for Computational Linguistics. Stroudsburg: Association for Computational Linguistics, 2018: 138-143.
24 Lü L Y, Zhang Y C, Yeung C H, et al. Leaders in social networks, the delicious case[J]. PLoS One, 2011, 6(6): e21202.