社交网络用户忠诚度分析方法、分析系统、计算机介质与流程

1.本发明涉及用户忠诚分析、社交网络分析、用户画像技术领域，尤其涉及一种社交网络用户忠诚度分析方法、分析系统、计算机介质。


背景技术：

2.传统的用户忠诚通常针对客户对品牌或消费者对产品的情感忠诚、行为忠诚和意识忠诚展开研究，通过客户某些属性与行为，分析评价客户对于产品或品牌的“偏好”或长期维持购买行为/使用行为的“黏性”。
3.通过上述分析，现有技术存在的问题及缺陷为：
4.(1)已有的针对社交网络展开的用户忠诚研究，实际上是评价分析用户对所使用的线上社交平台的忠诚度，即研究的是用户对某社交类产品的忠诚度。
5.(2)关于社交网络的成员忠诚度的量化研究存在空白。


技术实现要素：

6.为克服相关技术中存在的问题，本发明公开实施例提供了一种社交网络用户忠诚度分析方法、分析系统、计算机介质。用于通过成员行为与成员在网络结构中的属性等多个维度，量化评价成员在社交网络中的行为忠诚，扩展了对社交网络进行用户画像的分析维度，弥补了社交网络成员忠诚度分析的空白。
7.所述技术方案如下：一种社交网络用户忠诚度分析方法，该方法包括以下步骤：
8.s1、提取社交网络中的成员行为数据以及成员之间的关系数据，关系数据包括：友好关系、普通关系与敌对关系；
9.s2、根据成员行为数据以及成员之间的关系数据，建立以成员为节点的动态带权有向多边图以表示动态发展的社交网络拓扑图，
10.s3、计算社交网络的每个节点处成员的社交网络忠诚度评价参数，并对评价参数进行加权计算获取评价指标，评价指标包括：用户的人际关系、用户影响力与用户活跃程度；
11.s4、根据成员之间的关系构建的社交网络拓扑图，基于图传播理论计算成员忠诚度，具体为：根据节点之间带权边的方向与权重，每个节点从邻居节点获取不同程度的忠诚度，并向邻居节点传播不同程度的忠诚度，最终计算得出每个成员的忠诚度。
12.优选的，该方法还包括：还包括：
13.提取各成员进行有利于社交网络发展的行为的时间，有利于社交网络发展的行为包括但不限于成员在社交网络发布创作内容、与其他成员进行互动、或为社交网络中的内容/产品进行消费，例如充值会员以获取社交网络中需付费才能查看的内容。
14.优选的，还包括：判断成员之前的关注方向，相邻成员节点之间的有向边方向从关注人员到被关注成员；判断成员之间的关系数据，当成员间为友好关系或普通关系时，相邻成员节点之间的有向边权重为正；当成员间为敌对关系时，相邻成员节点之间的有向边权
重为负。
15.优选的，所述s3计算社交网络的每个节点处成员的社交网络忠诚度评价参数，并对评价参数进行加权计算获取评价指标，评价指标包括：用户的人际关系、用户影响力与用户活跃程度，其具体为：
16.用户人际关系判断包括：用户主动关注他人的积极性、用户受关注程度、以及用户所处圈子的亲密度；
17.用户影响力判断包括：用户影响他人行为和思想发生变化的能力判断；
18.用户活跃程度判断包括：用户采取行动的行为频率衡量用户活跃度判断。
19.优选的，所述用户主动关注他人的积极性、用户受关注程度、以及用户所处圈子的亲密度，具体为，对每一个用户节点n，利用公式(1)计算：
[0020][0021]
其中，b为社交网络的聚类系数,d指节点的度，e(d)为社交网络构成的图的平均度，偏置项b/e(d)避免当节点所处的局部子图聚类系数为0时，人际关系指标为零；α和β分别为出度与入度的权重系数。b、α、β根据实际应用场景赋予不同值；为节点n在社交网络中的出度、为节点n在社交网络中的入度；clustern为以节点n为中心的2层自我中心网络聚类系数。
[0022]
优选的，所述用户影响他人行为和思想发生变化的能力判断，具体为：利用公式(2)
[0023]
f2＝prn[0024]
其中，采用pagerank算法衡量有向带权图中节点的影响力：将社交网络有向图的边进行反向处理，计算节点的pr值，即社交网络中该节点将信息传递给其他节点的能力。
[0025]
优选的，所述用户采取行动的行为频率衡量用户活跃度判断，具体为：利用公式(3)
[0026][0027]
在研究时间周期内，将时间进行划分为k个互斥且连续的时间间隔{δt1,δt2,
…
,δtk}，分别统计在相应时间间隔内用户的活动频率{fre1,fre2,
…
,frek}，距离当前时间节点越久远，活动频率在当前用户活跃度的权重越小。具体地，对于第q个时间段内的用户活动频率freq,权重为：其中α根据实际应用场景赋予不同值。
[0028]
优选的，所述s4、根据成员之间的关系，即带权边的方向与权重，通过每个节点从邻居节点获取不同程度的忠诚度，并向邻居节点传播不同程度的忠诚度，最终计算得出每个成员的忠诚度，其具体为，
[0029]
对社交网络中的每个节点n，将用户的人际关系、用户影响力与用户活跃程度指标归一化，并利用公式(4)构建向量：
[0030]
[0031]
在社交网络中，用户对社交网络的忠诚度在一定程度上受到周围好友的影响；
[0032]
每个节点通过图传播向周围节点传播忠诚度，则目标社交网络的成员忠诚度：
[0033]
loyal＝(ad-1
)2l*w
[0034]
其中，a为当前时间节点社交网络所构建的有向边图的邻接矩阵，d矩阵存储了节点的度，l为所有用户的指标向量构建的矩阵,大小为n
×
3，w为权重系数矩阵，大小为3
×
1，loyal为社交网络用户忠诚度矩阵，大小为n
×
1，存储每一位用户的忠诚度。
[0035]
本发明提供一种适用于上述社交网络用户忠诚度分析方法的分析系统，该系统包括：
[0036]
数据采集系统，用于提取社交网络中的成员行为数据以及成员之间的关系数据，关系数据包括：友好关系、普通关系与敌对关系；
[0037]
社交网络拓扑图构建系统，用于根据成员行为数据以及成员之间的关系数据，建立以成员为节点的动态带权有向多边图以表示动态发展的社交网络拓扑图；
[0038]
参数计算系统，用于计算社交网络的每个节点处成员的社交网络忠诚度评价参数，并对评价参数进行加权计算获取评价指标，评价指标包括：用户的人际关系、用户影响力与用户活跃程度；
[0039]
忠诚度分析系统，用于根据成员之间的关系，即带权边的方向与权重，每个节点从邻居节点获取不同程度的忠诚度，并向邻居节点传播不同程度的忠诚度，最终计算得出每个成员的忠诚度。
[0040]
优选的，所述参数计算系统包括：
[0041]
用户人际关系指标计算系统，用于计算用户主动关注他人的积极性、用户受关注程度、以及用户所处圈子的亲密度；
[0042]
用户影响力指标计算系统，用于计算用户影响他人行为和思想发生变化的能力；
[0043]
用户活跃度指标计算系统，用于计算用户参与社交的积极性。
[0044]
本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的社交网络用户忠诚度分析方法。
[0045]
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
[0046]
基于网络拓扑结构的社交网络成员忠诚度分析方法，通过成员行为与成员在网络结构中的属性等多个维度，量化评价成员在社交网络中的行为忠诚，扩展了对社交网络进行用户画像的分析维度，弥补了社交网络成员忠诚度分析的空白。
附图说明
[0047]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
[0048]
图1为本发明实施例提供的社交网络用户忠诚分析方法的步骤流程图；
[0049]
图2为本发明实施例提供的社交网络用户忠诚分析方法的流程；
[0050]
图3为本发明实施例提供的社交网络用户忠诚分析指标体系示意图；
[0051]
图4为本发明实施例提供的社交网络用户忠诚分析系统示意图；
[0052]
图5为本发明实施例提供的以成员为节点的动态带权有向多边图以表示动态发展的社交网络拓扑图；
具体实施方式
[0053]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
[0054]
一、解释说明实施例：
[0055]
如图1-3所示，一种社交网络用户忠诚度分析方法，该方法包括以下步骤：
[0056]
s01、提取社交网络中的成员行为数据以及成员之间的关系数据，关系数据包括：友好关系、普通关系与敌对关系；
[0057]
s02、根据成员行为数据以及成员之间的关系数据，建立以成员为节点的动态带权有向多边图以表示动态发展的社交网络拓扑图；
[0058]
需要进一步指出的是，图5中每个节点a～f分别代表社交网络中的一个成员，节点之间的边表示双方之间存在关系，边上的数据[dayi,wi]则表示了不同时间节点两者之间的关系，dayi表示时间，wi则表示相应时间两者之间关系的量化；
[0059]
s03、计算社交网络的每个节点处成员的社交网络忠诚度评价参数，并对评价参数进行加权计算获取评价指标，评价指标包括：用户的人际关系、用户影响力与用户活跃程度；
[0060]
s04、根据成员之间的关系构建的社交网络拓扑图，基于图传播理论计算成员忠诚度，具体为：根据节点之间带权边的方向与权重，每个节点从邻居节点获取不同程度的忠诚度，并向邻居节点传播不同程度的忠诚度，最终计算得出每个成员的忠诚度。
[0061]
进一步，该方法还包括：提取各成员进行有利于社交网络发展的行为的时间，有利于社交网络发展的行为包括但不限于成员在社交网络发布创作内容、与其他成员进行互动、或为社交网络中的内容/产品进行消费，例如充值会员以获取社交网络中需付费才能查看的内容。
[0062]
优选的，s2根据成员行为数据以及成员之间的关系数据，建立以成员为节点的动态带权有向多边图以表示动态发展的社交网络拓扑图,其具体包括：
[0063]
以成员为节点，对该成员进行编号，作为该网络社交图的节点id，为每一位成员进行编号，作为他们的节点id，基于成员之间的关系建立有向边，例如边e：(a，b)表示成员a关注了成员b；
[0064]
根据相邻成员之间的关系数据，建立相邻成员节点之间的有向边的边向与权重，如果成员之间关系为正面关系(友好关系)，则边权重为正值，如果成员之间关系为负面关系，则权重为负值。
[0065]
需要进一步指出的是，权重值的大小则与源节点的影响力与两者之间的关系亲密度成正比，具体量化方法依应用场景具体设计。一个例子为结合两节点之间的互动内容或一方对另一方的评价进行语义分析，结合互动频次对两节点之间的关系进行量化，这个量化的分数可以作为节点之间边的权重。
[0066]
优选的，还包括：
[0067]
判断成员之前的关注方向，相邻成员节点之间的有向边方向从关注人员到被关注成员；
[0068]
判断成员之间的关系数据，当成员间为友好关系或普通关系时，相邻成员节点之间的有向边权重为正；当成员间为敌对关系时，相邻成员节点之间的有向边权重为负，需要进一步指出的是，节点代表成员；带权有向边代表成员之间的关系，友好关系、普通关系所代表的边权重为正，敌对关系所代表的边权重为负；节点的时间属性代表用户做出相应行为的时间，边的时间属性代表双方维系相应关系的时间。
[0069]
优选的，s3计算社交网络的每个节点处成员的社交网络忠诚度评价参数，并对评价参数进行加权计算获取评价指标，评价指标包括：用户的人际关系、用户影响力与用户活跃程度，其具体为：
[0070]
用户人际关系判断包括：用户主动关注他人的积极性、用户受关注程度、以及用户所处圈子的亲密度；
[0071]
用户影响力判断包括：用户影响他人行为和思想发生变化的能力判断；
[0072]
用户活跃程度判断包括：用户采取行动的行为频率衡量用户活跃度判断。
[0073]
优选的，用户主动关注他人的积极性、用户受关注程度、以及用户所处圈子的亲密度，具体为，利用公式(1)计算：
[0074][0075]
其中，b为社交网络的聚类系数,d指节点的度，e(d)为社交网络构成的图的平均度，偏置项b/e(d)避免当节点所处的局部子图聚类系数为0时，人际关系指标为零。α和β分别为出度与入度的权重系数。b、α、β根据实际应用场景赋予不同值；为节点n在社交网络中的出度、为节点n在社交网络中的入度；clustern为以节点n为中心的2层自我中心网络聚类系数。
[0076]
优选的，用户影响他人行为和思想发生变化的能力判断，具体为：利用公式(2)计算：
[0077]
f2＝pr
n (2)
[0078]
其中，采用pagerank算法衡量有向带权图中节点的影响力：将社交网络有向图的边进行反向处理，计算节点的pr值，即社交网络中该节点将信息传递给其他节点的能力。
[0079]
优选的，用户采取行动的行为频率衡量用户活跃度判断，具体为，对每一个用户节点n利用公式(3)计算
[0080][0081]
在研究时间周期内，将时间进行划分为k个互斥且连续的时间间隔{δt1,δt2,
…
,δtk}，分别统计在相应时间间隔内用户的活动频率{fre1,fre2,
…
,frek}，距离当前时间节点越久远，活动频率在当前用户活跃度的权重越小。具体地，对于第q个时间段内的用户活动频率freq,权重为：其中α根据实际应用场景赋予不同值。
[0082]
优选的，s4、根据成员之间的关系，即带权边的方向与权重，通过每个节点从邻居节点获取不同程度的忠诚度，并向邻居节点传播不同程度的忠诚度，最终计算得出每个成员的忠诚度，其具体为，
[0083]
对社交网络中的每个节点n，将用户的人际关系、用户影响力与用户活跃程度指标归一化，并利用公式(4)构建向量：
[0084][0085]
在社交网络中，用户对社交网络的忠诚度在一定程度上受到周围好友的影响；
[0086]
每个节点通过图传播向周围节点传播忠诚度，则目标社交网络的成员忠诚度：
[0087]
loyal＝(ad-1
)2l*w (5)
[0088]
其中，a为当前时间节点社交网络所构建的有向边图的邻接矩阵，d矩阵存储了节点的度，l为所有用户的指标向量构建的矩阵,大小为n
×
3，w为权重系数矩阵，大小为3
×
1，loyal为社交网络用户忠诚度矩阵，大小为n
×
1，存储每一位用户的忠诚度。
[0089]
如图4所示，本发明提供一种适用于上述社交网络用户忠诚度分析方法的分析系统，该系统包括：
[0090]
数据采集系统，用于提取社交网络中的成员行为数据以及成员之间的关系数据，关系数据包括：友好关系、普通关系与敌对关系；
[0091]
社交网络拓扑图构建系统，用于根据成员行为数据以及成员之间的关系数据，建立以成员为节点的动态带权有向多边图以表示动态发展的社交网络拓扑图；
[0092]
参数计算系统，用于计算社交网络的每个节点处成员的社交网络忠诚度评价参数，并对评价参数进行加权计算获取评价指标，评价指标包括：用户的人际关系、用户影响力与用户活跃程度；
[0093]
忠诚度分析系统，用于根据成员之间的关系构建的社交网络拓扑图，基于图传播理论计算成员忠诚度，具体为：根据节点之间带权边的方向与权重，每个节点从邻居节点获取不同程度的忠诚度，并向邻居节点传播不同程度的忠诚度，最终计算得出每个成员的忠诚度。
[0094]
优选的，参数计算系统包括：
[0095]
用户人际关系指标计算系统，用于计算用户主动关注他人的积极性、用户受关注程度、以及用户所处圈子的亲密度；
[0096]
用户影响力指标计算系统，用于计算用户影响他人行为和思想发生变化的能力；
[0097]
用户活跃度指标计算系统，用于计算用户参与社交的积极性。
[0098]
本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的社交网络用户忠诚度分析方法。
[0099]
上述的计算机可读存储介质能够实现上述任一实施例中的社交网络用户忠诚度分析方法的步骤，且能达到相同的技术效果，因而具有上述任一实施例所具有的一切有益效果，在此不再赘述。
[0100]
本实施例中的计算机可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(rand om accessmemory，简称ram)、磁碟或者光盘等。
[0101]
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种社交网络用户忠诚度分析方法，其特征在于，该方法包括以下步骤：s1、提取社交网络中的成员行为数据以及成员之间的关系数据，关系数据包括：友好关系、普通关系与敌对关系；s2、根据成员行为数据以及成员之间的关系数据，建立以成员为节点的动态带权有向多边图以表示动态发展的社交网络拓扑图；s3、计算社交网络的每个节点处成员的社交网络忠诚度评价参数，并对评价参数进行加权计算获取评价指标，评价指标包括：用户的人际关系、用户影响力与用户活跃程度；s4、根据成员之间的关系构建的社交网络拓扑图，基于图传播理论计算成员忠诚度，具体为：根据节点之间带权边的方向与权重，每个节点从邻居节点获取不同程度的忠诚度，并向邻居节点传播不同程度的忠诚度，最终计算得出每个成员的忠诚度。2.根据权利要求1所述的社交网络用户忠诚度分析方法，其特征在于，所述s2根据成员行为数据以及成员之间的关系数据，建立以成员为节点的动态带权有向多边图以表示动态发展的社交网络拓扑图,其具体包括：以成员为节点，对该成员进行编号，作为该网络社交图的节点id，其中，节点的时间属性代表用户做出相应行为的时间；根据相邻成员之间的关系数据，建立相邻成员节点之间的有向边的边向与权重，其中，节点之间的有向边的时间属性代表双方维系相应关系的时间。3.根据权利要求2所述的社交网络用户忠诚度分析方法，其特征在于，还包括：提取各成员进行有利于社交网络发展的行为的时间，有利于社交网络发展的行为包括但不限于成员在社交网络发布创作内容、与其他成员进行互动、或为社交网络中的内容/产品进行消费；判断成员之前的关注方向，相邻成员节点之间的有向边方向从关注人员到被关注成员；判断成员之间的关系数据，当成员间为友好关系或普通关系时，相邻成员节点之间的有向边权重为正；当成员间为敌对关系时，相邻成员节点之间的有向边权重为负。4.根据权利要求3所述的社交网络用户忠诚度分析方法，其特征在于，所述s3计算社交网络的每个节点处成员的社交网络忠诚度评价参数，并对评价参数进行加权计算获取评价指标，评价指标包括：用户的人际关系、用户影响力与用户活跃程度，其具体为：用户人际关系判断包括：用户主动关注他人的积极性、用户受关注程度、以及用户所处圈子的亲密度；用户影响力判断包括：用户影响他人行为和思想发生变化的能力判断；用户活跃程度判断包括：用户采取行动的行为频率衡量用户活跃度判断。5.根据权利要求4所述的社交网络用户忠诚度分析方法，其特征在于，所述用户主动关注他人的积极性、用户受关注程度、以及用户所处圈子的亲密度，具体为，对每一个用户节点n，利用公式(1)计算：其中，b为社交网络的聚类系数,d指节点的度，e(d)为社交网络构成的图的平均度，偏置项b/e(d)避免当节点所处的局部子图聚类系数为0时，人际关系指标为零。α和β分别为出
度与入度的权重系数。b、α、β根据实际应用场景赋予不同值；为节点n在社交网络中的出度、为节点n在社交网络中的入度；cluster
n
为以节点n为中心的2层自我中心网络聚类系数。6.据权利要求4所述的社交网络用户忠诚度分析方法，其特征在于，所述用户影响他人行为和思想发生变化的能力判断，具体为：利用公式(2)f2＝pr
n
其中，采用pagerank算法衡量有向带权图中节点的影响力：将社交网络有向图的边进行反向处理，计算节点的pr值，即社交网络中该节点将信息传递给其他节点的能力。7.据权利要求4所述的社交网络用户忠诚度分析方法，其特征在于，所述用户采取行动的行为频率衡量用户活跃度判断，具体为：利用公式(3)在研究时间周期内，将时间进行划分为k个互斥且连续的时间间隔{δt1,δt2,
…
,δt
k
}，分别统计在相应时间间隔内用户的活动频率{fre1,fre2,
…
,fre
k
}，距离当前时间节点越久远，活动频率在当前用户活跃度的权重越小；对于第q个时间段内的用户活动频率fre
q
,权重为：其中α根据实际应用场景赋予不同值。8.根据权利要求3所述的社交网络用户忠诚度分析方法，其特征在于，所述s4、根据成员之间的关系，即带权边的方向与权重，通过每个节点从邻居节点获取不同程度的忠诚度，并向邻居节点传播不同程度的忠诚度，最终计算得出每个成员的忠诚度，其具体为，对社交网络中的每个节点n，将用户的人际关系、用户影响力与用户活跃程度指标归一化，并利用公式(4)构建向量：在社交网络中，用户对社交网络的忠诚度在一定程度上受到周围好友的影响；每个节点通过图传播向周围节点传播忠诚度，则目标社交网络的成员忠诚度：loyal＝(ad-1)2l*w其中，a为当前时间节点社交网络所构建的有向边图的邻接矩阵，d矩阵存储了节点的度，l为所有用户的指标向量构建的矩阵,大小为n
×
3，w为权重系数矩阵，大小为3
×
1，loyal为社交网络用户忠诚度矩阵，大小为n
×
1，存储每一位用户的忠诚度。9.一种适用于根据权利要求1至8任意一项所述社交网络用户忠诚度分析方法的分析系统，其特征在于，该系统包括：数据采集系统，用于提取社交网络中的成员行为数据以及成员之间的关系数据，关系数据包括：友好关系、普通关系与敌对关系；社交网络拓扑图构建系统，用于根据成员行为数据以及成员之间的关系数据，建立以成员为节点的动态带权有向多边图以表示动态发展的社交网络拓扑图；参数计算系统，用于计算社交网络的每个节点处成员的社交网络忠诚度评价参数，并
对评价参数进行加权计算获取评价指标，评价指标包括：用户的人际关系、用户影响力与用户活跃程度；忠诚度分析系统，用于根据成员之间的关系，即带权边的方向与权重，每个节点从邻居节点获取不同程度的忠诚度，并向邻居节点传播不同程度的忠诚度，最终计算得出每个成员的忠诚度。10.根据权利要求9所述社交网络用户忠诚度分析系统，其特征在于，所述参数计算系统包括：用户人际关系指标计算系统，用于计算用户主动关注他人的积极性、用户受关注程度、以及用户所处圈子的亲密度；用户影响力指标计算系统，用于计算用户影响他人行为和思想发生变化的能力；用户活跃度指标计算系统，用于计算用户参与社交的积极性。

技术总结
本发明属于用户忠诚分析领域，公开了社交网络用户忠诚度分析方法。包括以下步骤：提取社交网络中的成员行为数据以及成员之间的关系数据，建立带权有向多边图以表示动态发展的社交网络拓扑图；计算社交网络的每个节点处成员的社交网络忠诚度评价参数，根据成员之间的关系，即带权边的方向与权重，每个节点从邻居节点获取不同程度的忠诚度，并向邻居节点传播不同程度的忠诚度，最终计算得出每个成员的忠诚度。本发明基于网络拓扑结构的社交网络成员忠诚度分析方法，通过成员行为与成员在网络结构中的属性等多个维度，量化评价成员在社交网络中的行为忠诚，扩展了对社交网络进行用户画像的分析维度，弥补了社交网络成员忠诚度分析的空白。的空白。的空白。


技术研发人员：曹莉茹 贾宇 刘汪洋 黄音莅
受保护的技术使用者：深圳市网联安瑞网络科技有限公司
技术研发日：2023.05.10
技术公布日：2023/8/4