基于忠誠度的社交網(wǎng)絡(luò)用戶發(fā)現(xiàn)方法

薛 云,李國和,吳衛(wèi)江,洪云峰,周曉明

(1.中國石油大學(xué)(北京) 石油數(shù)據(jù)挖掘北京市重點實驗室, 北京 102249；2.中國石油大學(xué)(北京) 地球物理與信息工程學(xué)院, 北京 102249； 3.北京聯(lián)合大學(xué) 商務(wù)學(xué)院，北京 100025;4.石大兆信數(shù)字身份管理與物聯(lián)網(wǎng)技術(shù)研究院, 北京 100029)

基于忠誠度的社交網(wǎng)絡(luò)用戶發(fā)現(xiàn)方法

薛 云1,2,3*,李國和1,2,4,吳衛(wèi)江1,2,4,洪云峰4,周曉明4

(1.中國石油大學(xué)(北京) 石油數(shù)據(jù)挖掘北京市重點實驗室, 北京 102249；2.中國石油大學(xué)(北京) 地球物理與信息工程學(xué)院, 北京 102249； 3.北京聯(lián)合大學(xué) 商務(wù)學(xué)院，北京 100025;4.石大兆信數(shù)字身份管理與物聯(lián)網(wǎng)技術(shù)研究院, 北京 100029)

針對社交網(wǎng)絡(luò)中提高用戶的高黏性問題，提出了一種基于用戶忠誠度的用戶發(fā)現(xiàn)的算法。該算法利用雙重RFM模型對用戶忠誠度進(jìn)行計算，挖掘出忠誠度不同分類的用戶。首先，通過雙重RFM模型動態(tài)計算出用戶在某一時間段的消費價值與行為價值，得到用戶某一時間段的忠誠度；其次，根據(jù)用戶的忠誠度，確定標(biāo)度曲線，利用相似度計算找到典型的忠誠用戶與不忠誠用戶；最后，采用基于模塊度的社區(qū)發(fā)現(xiàn)與獨立級聯(lián)傳播模型，發(fā)現(xiàn)潛在的忠誠用戶與不忠誠用戶。在某社交網(wǎng)絡(luò)的微博數(shù)據(jù)集上，實現(xiàn)了社會性網(wǎng)絡(luò)服務(wù)(SNS)下用戶忠誠度的量化表示，獲得了基于用戶忠誠度的用戶發(fā)現(xiàn)結(jié)果。實驗結(jié)果表明,所提算法能夠有效挖掘出基于忠誠度的用戶分類，可以為社交網(wǎng)站針對用戶的個性化推薦及營銷等，提供理論支持和實用方法。

社交網(wǎng)絡(luò)；用戶發(fā)現(xiàn)；忠誠度；RFM；社區(qū)劃分

0 引言

社會性網(wǎng)絡(luò)服務(wù)(Social Network Service, SNS)關(guān)注個體成員之間的互動和聯(lián)系。隨著 SNS興起，不同形式的社交方式不斷涌現(xiàn)，其應(yīng)用已成為網(wǎng)民日常生活不可或缺的部分。個體的高黏性促進(jìn)虛擬社區(qū)的形成及發(fā)展，體現(xiàn)為用戶對社區(qū)的忠誠[1]，因此，提高用戶忠誠度，成為SNS商家搶占、保有市場的重要途徑之一。

用戶忠誠度(即用戶黏度)是指用戶對某一特定產(chǎn)品或服務(wù)產(chǎn)生好感而形成“依附性”偏好，進(jìn)而重復(fù)購買的一種趨向[2]。傳統(tǒng)用戶忠誠度分析中，用戶為孤立的個體，未考慮用戶之間的互動關(guān)系及信息傳遞[3]。然而SNS的用戶處在一個群體中，其行為影響到周圍群體，或群體用戶更加忠誠，或群體用戶逐漸流失[4]。已有文獻(xiàn)中對于用戶忠誠度的研究主要在定性的層面，趙建[5]認(rèn)為虛擬社區(qū)消費價值包括財務(wù)價值、社交價值、信息價值、娛樂價值、形象價值等，消費價值有利于其社區(qū)忠誠度的提高。丁怡瓊等[6]構(gòu)建二維的SNS 用戶忠誠度分析框架：忠誠度層次和理論視角。寧連舉等[1]基于社會資本理論分析影響虛擬社區(qū)感的因素，以驗證虛擬社區(qū)感對用戶忠誠度的影響。國內(nèi)外研究對忠誠度的表達(dá)方式可以分為三大類：構(gòu)建測量指標(biāo)體系[7-9]、制定用戶忠誠計劃[10]、對用戶忠誠度建模[11-19]。本文基于對社交網(wǎng)絡(luò)下用戶忠誠度量化的應(yīng)用背景考慮，從技術(shù)的角度以用戶消費價值、行為價值為基礎(chǔ)，結(jié)合社交網(wǎng)絡(luò)中用戶的關(guān)系來衡量用戶對SNS的忠誠度，根據(jù)忠誠度的計算模型以及SNS中傳播影響，發(fā)現(xiàn)用戶價值，設(shè)計實現(xiàn)基于用戶忠誠度的用戶發(fā)現(xiàn)算法。

1 社交網(wǎng)絡(luò)中用戶忠誠度

本文所討論的用戶忠誠度是根據(jù)用戶在社交網(wǎng)站的消費價值和行為價值，應(yīng)用雙重RFM(Recency-Frequency-Monetary)計算得到的一個數(shù)值，該值可以作為社交網(wǎng)站推薦的一個重要參考因素。

1.1 典型忠誠與典型不忠誠

社會網(wǎng)絡(luò)及忠誠關(guān)系抽象為忠誠度圖，形式化描述如下:

定義1 忠誠是基于時間的函數(shù)UL=f(L，t)，其中L為某一時刻的用戶價值，t為時間，且UL∈[m，n]，其中n、m為忠誠的上、下界。

當(dāng)用戶忠誠變化趨勢平緩，且平均值大于n時，稱該用戶為典型忠誠；當(dāng)用戶忠誠變化趨勢不均衡或者平均值接近于m時，稱該用戶為典型不忠誠。

1.2 全局忠誠度與局部忠誠度

計算模型中忠誠度分為全局忠誠度和局部忠誠度：前者為在社交網(wǎng)絡(luò)中每個用戶擁有從全局計算的忠誠度值；而后者為兩個用戶之間計算的忠誠度值，而且對于不同其他用戶，用戶局部忠誠度值可以不同。某個用戶忠誠度或不忠誠度會影響到與其相關(guān)的群體，使得其他用戶更加忠誠或不忠誠。全局忠誠度和局部忠誠度的計算情況如表1所示。

表1 全局忠誠度與局部忠誠度對比Tab. 1 Comparison of global loyalty with local loyalty

本文在忠誠度模型中采取典型忠誠與典型不忠誠計算時，采用全局忠誠的計算模式，潛在用戶發(fā)現(xiàn)時采用局部忠誠度。

2 動態(tài)用戶忠誠度模型

2.1 用戶忠誠度模型的建立

RFM模型廣泛應(yīng)用于各行業(yè)的客戶價值分析[20]，常用于數(shù)據(jù)挖掘客戶細(xì)分，其中，R(Rencency)為最近購買時段，F(xiàn)(Frequency)為最近時段消費頻率，M(Monetary)為最近時段消費金額。

影響忠誠度還有情感因素[21]，包括態(tài)度取向(情感依戀) 和行為取向(購買重復(fù))。對于用戶i在社交網(wǎng)絡(luò)中的忠誠度包括價值貢獻(xiàn)、行為貢獻(xiàn)和情感貢獻(xiàn)。

UL(i,t)=ε1RFMBehave+(1-ε1)RFMBusiness

(1)

其中:RFMBehave為用戶行為價值，RFMBusiness為用戶消費價值，ε1為權(quán)重向量。ε1可由專家經(jīng)驗，或樣本數(shù)據(jù)計算獲得。

2.1.1 用戶行為價值

社交網(wǎng)絡(luò)的用戶行為價值表現(xiàn)在重復(fù)使用意愿。

定義2 用戶行為價值。

RFMBehave=α1R+β1F+γ1M

(2)

其中:R為最近一次訪問網(wǎng)站的時段，F(xiàn)為最近時段內(nèi)查看項目的次數(shù)，M為最近時段內(nèi)收藏/標(biāo)注/評論的次數(shù)，α1、β1、γ1為權(quán)值。

2.1.2 用戶消費價值

用戶消費價值體現(xiàn)在重復(fù)消費(免費或有償)程度。

定義3 用戶消費價值。

RFMBusiness=α2R+β2F+γ2M

(3)

其中:R為最近一次閱讀/購買/…頻率的時段，F(xiàn)為最近時段內(nèi)閱讀/購買/…頻率，M為最近時段內(nèi)閱讀/購買/…的數(shù)量，α2、β2、γ2為權(quán)值。

2.2 典型用戶發(fā)現(xiàn)

典型用戶發(fā)現(xiàn)包括指典型忠誠與典型不忠誠用戶的發(fā)現(xiàn)。根據(jù)式(1)～(3)可以計算出給定用戶忠誠度值，并在時間軸上變化趨勢。根據(jù)忠誠度變化趨勢，可計算用戶一段時間內(nèi)忠誠度的均值與標(biāo)準(zhǔn)差;訪問次數(shù)聚類分析，可發(fā)現(xiàn)持續(xù)訪問網(wǎng)站且忠誠度高，不能持續(xù)訪問網(wǎng)站且忠誠度低的用戶。對此類用戶再進(jìn)行相似度度量，發(fā)現(xiàn)更多的典型忠誠與典型不忠誠用戶。

2.2.1 標(biāo)度忠誠度曲線選擇

標(biāo)度曲線選擇，曲線分布特征(如均值、標(biāo)準(zhǔn)差、偏度和峰度)為標(biāo)度曲線指標(biāo)選定標(biāo)度曲線。

用戶i的時段內(nèi)忠誠度均值：

(4)

其中:t∈[1，N]，N表示時間軸上的第N個時間段。

用戶忠誠度曲線的標(biāo)準(zhǔn)差為相對平均值的偏離程度，表示用戶穩(wěn)定程度，即用戶忠誠平穩(wěn)度。

用戶i的時段內(nèi)忠誠度的平穩(wěn)度為：

(5)

2.2.2 相似忠誠度曲線查找

忠誠度曲線相似性是不同用戶的忠誠度的時間序列之間相關(guān)性。根據(jù)用戶忠誠度曲線相似性，典型忠誠用戶度曲線和典型不忠誠度曲線，可發(fā)現(xiàn)用戶為典型忠誠用戶或典型不忠誠用戶。

設(shè)UL(i,t)={UL(i,t1),UL(i,t2),…,UL(i,tN)} 是用戶的忠誠度時間序列，T={t1,t2,…,tN}為時間軸上的取值，ULDB={i∈U,t∈T|UL(i,t)}為用戶的忠誠度曲線庫，集合U表示所有的用戶。相似忠誠度曲線查找表示：

S={x∈ULDB|Find(sim(D,x),ULDB}

(6)

其中：D為標(biāo)度忠誠度序列集，sim()為忠誠度曲線相似性函數(shù)，F(xiàn)ind()為相似性查找策略，S為標(biāo)度序列集D相似的相似用戶忠誠度曲線集合，sim()函數(shù)可以是Euclidean距離[22]，L為時間序列長度。

(7)

2.3 潛在用戶發(fā)現(xiàn)

潛在用戶發(fā)現(xiàn)包括非典型忠誠用戶與非典型不忠誠用戶的發(fā)現(xiàn)。一般典型用戶忠誠度高或低的用戶在社交網(wǎng)絡(luò)中影響周圍的用戶行為。

2.3.1 用戶社區(qū)劃分

通過用戶社區(qū)劃分，找到與典型忠誠用戶和典型不忠誠用戶聯(lián)系緊密的用戶。社交網(wǎng)絡(luò)可用網(wǎng)絡(luò)圖G(V，E，W)表示。其中：V是圖中節(jié)點集合，即社會網(wǎng)絡(luò)中用戶集合；E是邊的集合；W是節(jié)點間的權(quán)重，表示兩個節(jié)點的行為。社區(qū)劃分采用基于模塊優(yōu)化方法[23-25]，可分為劃分和折疊兩個階段，并不斷重復(fù)迭代。假設(shè)社交網(wǎng)絡(luò)有N個節(jié)點，社區(qū)劃分過程如下：

1)使用Modularity Optimization進(jìn)行劃分。

首先，對每一個節(jié)點都分配一個社區(qū)標(biāo)號，此時網(wǎng)絡(luò)有N個社區(qū)。

對每個節(jié)點i及其鄰接節(jié)點j，假設(shè)讓i的社區(qū)變成j的，計算變動對模塊度的變化：

(8)

其中:Σin表示該社區(qū)內(nèi)部的連接權(quán)重總和，Σtot所有與該社區(qū)相連的邊之權(quán)重和，ki與節(jié)點i相連的所有邊的權(quán)重之和，ki，in表示社區(qū)內(nèi)所有從i到其他節(jié)點的權(quán)重和，M整個網(wǎng)絡(luò)的連接權(quán)重總和。

如果這個變動帶來的模塊度變化是正的，那么就認(rèn)可變動；否則就保持原狀。當(dāng)整個過程做到無法再提升時便停止。

2)對同一個社區(qū)進(jìn)行折疊。

對于屬于同一個社區(qū)不同社區(qū)劃分進(jìn)行折疊，從而形成一個新的網(wǎng)絡(luò)。社區(qū)間的連接權(quán)重為連接兩個社區(qū)的節(jié)點之權(quán)重和。社區(qū)內(nèi)部的連接形成一個自環(huán)，其權(quán)重為該社區(qū)內(nèi)部連接的和。

2.3.2 潛在影響用戶發(fā)現(xiàn)

潛在影響用戶是指受典型忠誠和典型不忠誠用戶影響的用戶。將時間因子與獨立級聯(lián)模型[26-27]的傳播概率聯(lián)系，構(gòu)成帶權(quán)獨立級聯(lián)模型算法，實現(xiàn)具有動態(tài)特性的潛在影響用戶發(fā)現(xiàn)。

假設(shè)典型忠誠用戶與典型不忠誠用戶為影響力最大的節(jié)點，作為初始用戶集合，用帶權(quán)獨立級聯(lián)模型計算每個典型忠誠用戶節(jié)點和典型不忠誠用戶節(jié)點可以激活的鄰居節(jié)點。節(jié)點所具有的影響其他節(jié)點的能力稱為節(jié)點影響力。具備影響力的節(jié)點能夠激活其他節(jié)點，不具備影響力的節(jié)點不能激活其他節(jié)點。

時間因子tij表示vi到節(jié)點vj在T時間段內(nèi)累計交互的次數(shù)：

(9)

影響力傳播概率λi, j表示vi到節(jié)點vj的傳播概率：

(10)

其中:ε初始值為1，下一次為上一級節(jié)點運算的結(jié)果值，wi, j表示vi到節(jié)點vj的權(quán)值，wimax表示從節(jié)點i出發(fā)的節(jié)點中的最大權(quán)值，wimin示從節(jié)點出發(fā)的節(jié)點中的最小權(quán)值。

在帶權(quán)獨立級聯(lián)模型傳播過程中，在t時刻無論節(jié)點v是否能成功激活鄰居節(jié)點，在以后時刻中，v雖然仍保持活躍狀態(tài)，但它經(jīng)不再具備影響力；即在t時刻被激活的節(jié)點，己經(jīng)嘗試激活它自身的鄰居節(jié)點后，在t+1時刻仍然處于活躍狀態(tài)，但它本身已經(jīng)不能去激活其他任何節(jié)點，即為無影響力的活躍節(jié)點。當(dāng)網(wǎng)絡(luò)中不存在有影響力的活躍節(jié)點時，傳播過程結(jié)束[27]。

3 算法與實驗

3.1 基于用戶忠誠度的用戶發(fā)現(xiàn)算法

基于用戶忠誠度的用戶發(fā)現(xiàn)算法，如圖1所示。算法主要分為兩個部分：第一部分是典型用戶的發(fā)現(xiàn)計算，算法設(shè)計的核心思想在2.2節(jié)中闡釋；第二部分是潛在用戶的發(fā)現(xiàn)計算，算法設(shè)計的核心思想在2.3節(jié)中闡釋。

圖1 基于忠誠度的用戶發(fā)現(xiàn)算法框架Fig. 1 Framework of user discovery algorithm based on user loyalty

算法1 典型用戶的發(fā)現(xiàn)計算。

輸入 時間段、目標(biāo)用戶節(jié)點、忠誠度閾值Lthresh、標(biāo)準(zhǔn)差閾值Sthresh。

輸出 目標(biāo)用戶節(jié)點對中典型用戶的集合A1，A2,B1，B2。

1)初始化:

Timemin=m,Timemax=n,nodes,Lthreshmin,Lthreshmax,Sthreshmin,Sthreshmax

2)計算全局忠誠度和目標(biāo)典型用戶群生成：

Whennodeinnodes

/*計算用戶在[m,n]時間內(nèi)的忠誠度*/

WhennodeinTime[m,n]

UL[node][t]

/*式(1)(2)(3)*/

Time++

End when

Node++

Avg(UL[node][t])

/*[m,n]時間段內(nèi)的忠誠度均值*/

Stdev(UL[node][t])

/*[m,n]時間段內(nèi)的忠誠度標(biāo)準(zhǔn)差*/

Count(UL[node][t])

/*[m,n]時間段內(nèi)的忠誠度的次數(shù)*/

End When

K-means(Avg(UL[node][t]),Stdev(UL[node][t]),Count(UL[node][t]))

/*聚類分析*/

ClassA, ClassB, ClassC

/*結(jié)果分類*/

Whennodein ClassA

/*A類中的高忠誠度用戶*/

If Avg(UL[node][t]) >threshmax

/*式(4)(5)*/

and Stdev(UL[node][t])

Put into arrayA1

End if

End when

Whennodein ClassB

/*B類中的低忠誠度用戶*/

If Avg(UL[node][t])

and Stdev(UL[node][t])>Sthreshmaxthen

Put into arrayB1

End if

End when

3)利用相似度計算找到所有典型用戶。

For eachnodein ClassA

IfUL(node,t) like arrayA1

/*式(6)、(7)*/

Put into arrayA2

End if

Node++

End for

For eachnodein ClassB

IfUL(node,t) like arrayB1

/*式(6)、(7)*/

Put into arrayB2

End if

Node++

End for

4)算法結(jié)束。

根據(jù)第一部分的算法本文可以根據(jù)輸出的目標(biāo)用戶集合：典型忠誠用戶集合A1、A2，典型不忠誠用戶集合B1、B2。

算法2 潛在典型用戶的發(fā)現(xiàn)計算。

輸入Time[m,n]、A1,A2,B1,B2。

輸出 潛在典型用戶的集合A3，B3。

1)初始化。

Timemin=m,Timemax=n

2)構(gòu)建忠誠度圖：

WhennodeinTime[m,n]

Eij=∑CommonVij

/* 節(jié)點之間共同消費和參與的累計*/

G(V，E，W))

/*V表示節(jié)點，E表示節(jié)點間的邊，W節(jié)點的權(quán)重*/

End While

3)用戶社區(qū)劃分：

Fast unfolding of communities(G)

/*式(8)*/

4)發(fā)現(xiàn)潛在用戶：

FindA3，B3

/*式(9)、(10)*/

5)算法結(jié)束。

根據(jù)算法2本文可以根據(jù)輸出的目標(biāo)用戶集合：潛在典型忠誠用戶集合A3，潛在典型不忠誠用戶集合B3。

3.2 實驗環(huán)境和測試數(shù)據(jù)

基于用戶忠誠度的用戶發(fā)現(xiàn)算法用Java語言實現(xiàn)，在Windows 7 平臺64位系統(tǒng)上運行，實驗處理器為雙核2.93 GHz。本文中根據(jù)專家建議與行業(yè)背景作參考，式(1)采用行為價值與消費價值的系數(shù)均為0.5，式(2)、(3)中α1、β1、γ1；α2、β2、γ2比例均為0.2、0.5、0.3。

數(shù)據(jù)集來自某社交網(wǎng)絡(luò)平臺 2010年7月— 2011年7月共12個月的數(shù)據(jù)，其中包含約23 314個用戶，2 050 627條微博信息，184 400回復(fù)信息，根據(jù)用戶之間發(fā)帖與回復(fù)構(gòu)建忠誠度網(wǎng)絡(luò)。

3.3 實驗結(jié)果與分析

3.3.1 典型用戶的發(fā)現(xiàn)

以1年為時間段長度，共計12個月為時間點，并采用動態(tài)用戶忠誠度模型計算每段內(nèi)的用戶價值。去除無效數(shù)據(jù)，對4 723個用戶進(jìn)行分析。應(yīng)用式(1)～(5)得到的標(biāo)度典型忠誠用戶(如圖2所示)、最終得到典型忠誠用戶94個；典型不忠誠用戶根據(jù)設(shè)定的條件進(jìn)行運算和篩選得到，部分典型不忠誠用戶如圖3所示，最終得到典型不忠誠用戶85個。

圖2 某SNS網(wǎng)站的標(biāo)度典型忠誠用戶Fig. 2 Scale loyal users of an SNS

圖3 某SNS網(wǎng)站的典型不忠誠用戶Fig. 3 Typical disloyal users of an SNS

3.3.2 潛在典型用戶發(fā)現(xiàn)

該社交網(wǎng)絡(luò)由5 667個用戶節(jié)點，33 818條邊組成有向網(wǎng)絡(luò)圖。經(jīng)過計算得到平均度為5.968，平均路徑長度為4.11。隨后利用社區(qū)劃分算法，劃分為41個社區(qū)(如圖4所示)。找到典型潛在用戶的所屬社區(qū)，并在社區(qū)劃分結(jié)果中使用獨立級聯(lián)模型，挖掘潛在用戶。如表2所示，UserID=3330的節(jié)點傳播的部分結(jié)果，在一級傳播中選擇潛在用戶9368，在二級傳播中選擇潛在用戶1327，6111。

圖4 某SNS網(wǎng)站的社區(qū)劃分結(jié)果Fig. 4 Community division result of an SNS

通過實驗證明，基于標(biāo)度曲線，并不能較全覆蓋典型的忠誠用戶與典型的不忠誠用戶，然后，根據(jù)社交網(wǎng)絡(luò)中，用戶之間的關(guān)系，挖掘潛在的用戶(如圖5所示)，用戶3330在社交網(wǎng)絡(luò)中發(fā)現(xiàn)潛在忠誠用戶。通過本文的方法可以有效對用戶進(jìn)行發(fā)現(xiàn)和分類。

表2 UserID=3330的節(jié)點傳播結(jié)果Tab. 2 Node transmission result of userID=3330

圖5 用戶3330的潛在用戶Fig. 5 Potential users of UserID=3330

4 結(jié)語

本文通過雙重RFM模型隨時間變化動態(tài)量化用戶的忠誠度、聚類分析以及社交網(wǎng)絡(luò)中的影響力傳播模型，對用戶進(jìn)行分類。首先通過雙重RFM 模型將用戶的消費價值、行為價值在一定時間段內(nèi)，根據(jù)用戶的忠誠度，進(jìn)行聚類分析及方差分析描繪出忠誠度曲線，然后找到標(biāo)準(zhǔn)的參照用戶，利用曲線相似度找到與此相關(guān)的更多典型用戶；進(jìn)一步以已經(jīng)找到的典型忠誠與典型不忠誠用戶為初始集合，利用社交網(wǎng)絡(luò)的影響力傳播模型，計算出潛在的用戶?；谥艺\度的用戶發(fā)現(xiàn)方法，使用戶的忠誠度得以量化，為社交網(wǎng)站針對用戶的個性化推薦及營銷等，提供理論支持和實用方法。筆者在“社交網(wǎng)絡(luò)中基于用戶動態(tài)信任關(guān)系的潛在好友推薦方法”一文中，應(yīng)用量化的用戶忠誠度用于個性化推薦，得到了較好的效果。在今后的研究中，將繼續(xù)深入SNS中用戶忠誠度的量化研究及應(yīng)用研究。

References)

[1] 寧連舉，張玉紅. 虛擬社區(qū)感對用戶忠誠度影響的實證研究[J]. 技術(shù)經(jīng)濟(jì), 2014, 33(11):7-15.(NING L J, ZHANG Y H. Empirical study on effect of sense of virtual community on user’s loyalty [J]. Technology Economy, 2014, 33(11):7-15.)

[2] 客戶忠誠度[EB/OL].[2016- 11- 12].http://baike.baidu.com/view/341649.htm.(Customer Loyalty[EB/OL].[2016- 11- 12].http://baike.baidu.com/view/341649.htm.)

[3] 黃婉秋. 一種基于社會網(wǎng)絡(luò)的潛在流失客戶發(fā)現(xiàn)方法[J]. 北京交通大學(xué)學(xué)報，2014，38(3):123-127.(HUANG W Q. An effective method for finding potential churning customers based on social network[J]. Journal of Beijing Jiaotong University, 2014,38(3):123-127.)

[4] 張亮，張頔. 基于主題的Web2.0社交網(wǎng)絡(luò)影響力用戶發(fā)現(xiàn)[J]. 情報雜志，2015, 34(6):158-162.(ZHANG L, ZHANG D. Influential users identification in subject-based Web2.0 social networks[J]. Journal of Intelligence, 2015, 34(6):158-162.)

[5] 趙建. 談虛擬社區(qū)消費價值對品牌形象及社區(qū)忠誠度的影響[J]. 商業(yè)時代，2014(32):60-62.(ZHAO J. Influence of consumption value of virtual communities on brand image and community loyalty [J]. Commercial Times, 2014(32):60-62.)

[6] 丁怡瓊，張嵩. 社會化網(wǎng)絡(luò)服務(wù)(SNS)用戶忠誠度研究綜述[J]. 情報雜志，2013, 32(3):106-112.(DING Y Q, ZHANG S. Review of users’ loyalty research in social network service[J]. Journal of Intelligence, 2013, 32(3):106-112.)

[7] 鄧愛民，陶寶，馬瑩瑩. 網(wǎng)絡(luò)購物顧客忠誠度影響因素的實證研究[J]. 中國管理科學(xué)，2014，22(6):94-102.(DENG A M, TAO B, MA Y Y. Empirical study of influential elements of e-loyalty[J]. Chinese Journal of Management Science, 2014, 22(6):94-102.)

[8] 閆會娟，張醒洲，劉子瑞，等. 基于交易行為的個人客戶忠誠度評價模型[J]. 管理現(xiàn)代化，2015，35(6):70-72.(YAN H J, ZHANG X Z, LIU Z R, et al. Personal user loyalty evaluation model based on transaction behavior [J]. Modernization of Management, 2015,35(6):70-72.)

[9] 周云，朱明俠. 品牌忠誠度的測算方法研究[J]. 經(jīng)濟(jì)問題, 2015(10):92-98. (ZHOU Y, ZHU M X. Measurement of brand loyalty and effects on brand timeliness[J]. On Economic Problems, 2015(10):92-98.)

[10] 朱至文，張黎. 客戶推薦計劃對現(xiàn)有客戶忠誠度的影響[J]. 商業(yè)經(jīng)濟(jì)與管理，2016(1):53-61.(ZHU Z W, ZHANG L. The effect of customer referral programs on existing customers’ loyalty[J]. Journal of Business Economics, 2016(1):53-61.)

[11] 倪靜，嚴(yán)廣樂，葉林，等. 基于復(fù)雜網(wǎng)絡(luò)的電子商務(wù)群聚消費傳播模型研究[J]. 計算機(jī)應(yīng)用研究，2011，28(3):1003-1006.(NI J, YAN G L, YE L, et al. Spreading model of electronic commerce cluster consumption based on complex network[J]. Application Research of Computers, 2011, 28(3): 1003-1006.)

[12] 任劍鋒，張新祥. 電子商務(wù)客戶流失的建模與預(yù)測研究[J]. 計算機(jī)仿真，2012，29(5):363-366.(REN J F, ZHANG X X. Research on e-business customer churning modeling and prediction[J]. Computer Simulation, 2012,29(5): 363-366.)

[13] 徐翔斌，王佳強(qiáng)，涂歡，等. 基于改進(jìn)RFM模型的電子商務(wù)客戶細(xì)分[J]. 計算機(jī)應(yīng)用，2012，32(5):1439-1442.)(XU X B, WANG J Q, TU H, et al. Customer classification of e-commerce based on improved RFM model[J]. Journal of Computer Applications, 2012,32(5):1439-1442.)

[14] 郭崇. 基于大數(shù)據(jù)分析的網(wǎng)購客戶忠誠度建模仿真[J]. 計算機(jī)仿真, 2015, 32(10):239-242.(GUO C. Modeling and simulation of online customer loyalty based on analysis of big data[J]. Computer Simulation, 2015, 32(10):239-242.)

[15] 谷斌，徐菁. 基于知識共享的專業(yè)虛擬社區(qū)用戶忠誠度挖掘[J]. 情報科學(xué)，2015, 33(1):105-110.(GU B, XU J. Mining of professional virtual community user’ loyalty based on knowledge sharing[J]. Information Science, 2015, 33(1):105-110.)

[16] 唐胡鑫. 電子商務(wù)客戶忠誠度模型仿真研究[J]. 計算機(jī)仿真, 2016, 33(1):413-415.(TANG H X. Simulation research on loyalty model on e-commerce customer[J]. Computer Simulation, 2016, 33(1):413-415.)

[17] KREUZER S, HOEBEL N. Fuzzy clustering of Web user profiles for analyzing their behavior and interests[J]. Fuzzy Methods for Customer Relationship Management and Marketing: Applications and Classifications, 2012, 49: 307-313.

[18] SANCHEZ-FRANCO M J, RONDAN-CATALUNA F J. Virtual travel communities and customer loyalty: customer purchase involvement and Web site design[J]. Electronic Commerce Research and Applications, 2009, 9(2): 16-22.

[19] GUO Y, NIU D. An analysis model of power customer satisfaction based on the decision tree[J]. International Journal of Business and Management, 2009, 2(3): 30-35.

[20] MIGLAUTSCH J R. Thoughts on RFM scoring[J]. Journal of Database Marketing & Customer Strategy Management, 2000, 8(1): 67-72.

[21] GRIFFIN J. Customer Loyalty: How to Earn and How to Keep it[M]. New York: Jossey-Bass Inc.,1995: 32-38.

[22] GOLDIN D G, KANELLAKIS P C. On similarity queries for time-series data: constraint specification and implementation[C]// Proceedings of the 1st International Conference on Principles and Practice of Constraint Programming. London: Springer-Verlag, 1995: 137-153.

[23] BLONDEL V D, GUILLAUME J L, LAMBIOTTE R, et al. Fast unfolding of communities in large networks[J]. Journal of Statistical Mechanics Theory and Experiment, 2008, 10:155-168.

[24] AL-GARADI M, VARATHAN K D, RAVANA S D. Identification of influential spreaders in online social networks using interaction weighted K-core decomposition method[J]. Physica A: Statistical Mechanics and Its Applications, 2016, 468: 80-89.

[25] LI Q, ZHOU T, LYU L, et al. Identifying influential spreaders by weighted LeaderRank[J]. Physica A: Statistical Mechanics and its Applications, 2014,404(24): 50-55.

[26] 馬寅. 社會網(wǎng)絡(luò)影響力最大化算法及傳播模型的研究[D]. 蘭州: 蘭州大學(xué)，2012:20-23.(MA Y. Research on the maximum algorithm and propagation model of social network influence[D]. Lanzhou: Lanzhou University, 2012: 20-23.)

[27] 黎雷. 社會網(wǎng)絡(luò)影響力模型及其算法研究[D]. 北京: 北京交通大學(xué)，2010: 30-35.(LI L. Research on social network influence model and its algorithm[D]. Beijing: Beijing Jiaotong University, 2010: 30-35.)

This work is partially supported by the National High Technology Research and Development Program (863 Program) of China (2009AA062802), the National Natural Science Foundation of China (60473125,71572015), the CNPC Innovation Foundation (05E7013), the National Science and Technology Major Project (G5800- 08- ZS-WX), the Science Foundation of China University of Petroleum-Beijing at Karamay (RCYJ2016B- 03- 001).

XUEYun, born in 1977, Ph.D. candidate, associate professor. Her research interests include data mining, knowledge discovery.

LIGuohe, born in 1965, Ph.D., professor. His research interests include artificial intelligence, machine learning, knowledge discovery.

WUWeijiang, born in 1971, Ph.D. candidate, associate professor. His research interests include artificial intelligence, knowledge discovery.

HONGYunfeng, born in 1965. His research interests include enterprise resource planning, data management.

ZHOUxiaoming, born in 1965, senior engineer. His research interests include information management system, decision support.

Userdiscoverybasedonloyaltyinsocialnetworks

XUE Yun1,2,3*, LI Guohe1,2,4, WU Weijiang1,2,4，HONG Yunfeng4，ZHOU Xiaoming4

(1.BeijingKeyLabofDataMiningforPetroleumData,ChinaUniversityofPetroleum,Beijing102249,China;2.CollegeofGeophysicsandInformationEngineering,ChinaUniversityofPetroleum,Beijing102249,China;3.BusinessCollege,BeijingUnionUniversity,Beijing100025,China;4.PanPassInstituteofDigitalIdentificationManagementandInternetofThings,Beijing100029,China)

Aiming at improving the users’ high viscosity in social networks, an algorithm based on user loyalty in social network system was proposed. In the proposed algorithm, double Recency Frequency Monetary (RFM) model was used for mining the different loyalty kinds of users. Firstly, according to the double RFM model, the users’ consumption value and behavior value were calculated dynamically and the loyalty in a certain time was got. Secondly, the typical loyal users and disloyal users were found out by using the founded standard curve and similarity calculation. Lastly, the potential loyal and disloyal users were found out by using modularity-based community discovery and independent cascade propagation model. On some microblog datasets of a social network, the quantitative representation of user loyalty was confirmed in Social Network Service (SNS), thus the users could be distinguished based on users’ loyalty. The experimental results show that the proposed algorithm can be used to effectively dig out different loyalty kinds of users, and can be applied to personalized recommendation, marketing, etc. in the social network system.

social network; user discovery; loyalty; Recency Frequency Monetary (RFM); community division

2017- 05- 16;

2017- 06- 07。

國家863計劃項目(2009AA062802)；國家自然科學(xué)基金資助項目(60473125,71572015)；中國石油(CNPC)石油科技中青年創(chuàng)新基金資助項目(05E7013)；國家油氣重大專項子課題(G5800- 08- ZS-WX)；中國石油大學(xué)(北京)克拉瑪依校區(qū)科研啟動基金資助項目(RCYJ2016B- 03- 001)。

薛云(1977—)，女，山西平遙人，副教授，博士研究生，主要研究方向：數(shù)據(jù)挖掘、知識發(fā)現(xiàn)； 李國和(1965—)，男，福建漳州人，教授，博士，博士生導(dǎo)師，主要研究方向：人工智能、機(jī)器學(xué)習(xí)、知識發(fā)現(xiàn)； 吳衛(wèi)江(1971—)，男，河北唐山人，副教授，博士研究生，主要研究方向：人工智能、知識發(fā)現(xiàn)； 洪云峰(1966—)，男，福建龍巖人，主要研究方向：企業(yè)資源計劃、數(shù)據(jù)管理； 周曉明(1963—)，男，湖北武漢人，高級工程師，主要研究方向：信息管理系統(tǒng)、決策支持。

1001- 9081(2017)11- 3095- 06

10.11772/j.issn.1001- 9081.2017.11.3095

(*通信作者電子郵箱yun.xue@buu.edu.cn)

TP393

A