基于關(guān)注者貢獻(xiàn)量化的傳播行為特征分析與影響力判斷方法研究

摘要："通過分析短視頻網(wǎng)站的視頻轉(zhuǎn)發(fā)數(shù)據(jù)，提出一種用戶個(gè)體影響力的判斷和計(jì)算方法，進(jìn)行了活躍用戶群體的轉(zhuǎn)發(fā)特征統(tǒng)計(jì)實(shí)驗(yàn)，對(duì)分析電商用戶行為和社交輿情傳播具有重要意義。結(jié)果表明，高影響力和低影響力個(gè)體的粉絲數(shù)和追隨者數(shù)量幾乎沒有相關(guān)性；當(dāng)影響力達(dá)到一定值時(shí)，粉絲和追隨者的數(shù)量具有強(qiáng)相關(guān)性；高影響力的用戶轉(zhuǎn)發(fā)相同短視頻的頻率一般都比較低，其轉(zhuǎn)發(fā)對(duì)象的分布律一般較高。與粉絲互動(dòng)的頻率因個(gè)人認(rèn)證名人用戶、企業(yè)、媒體機(jī)構(gòu)和其他認(rèn)證用戶的需求而異；當(dāng)短視頻形成廣泛傳播趨勢時(shí)，轉(zhuǎn)發(fā)數(shù)量非常接近評(píng)論數(shù)量，甚至顯著超過評(píng)論數(shù)量，而對(duì)評(píng)論的答復(fù)數(shù)量與個(gè)人影響力之間沒有顯著相關(guān)性。

關(guān)鍵詞：個(gè)體影響力""群體行為""關(guān)注者"""粉絲"""傳播行為特征

中圖分類號(hào)：TP393.092

Research"on"the"Dissemination"Behavior"Characteristics"Analysis"and"Influence"Judgment"Methods"Based"on"Followers'"Contribution"Quantification

HUANG"Haojing""LU"Fei""CAO"De’an

Guangdong"Open"University（Guandong"Polytechnic"Institute），"School"of"Engineering"and"Technology"Guangzhou，"Guangdong"Province，"510091"China

Abstract："By"analyzing"video"forwarding"data"from"short"video"websites，"this"paper"proposes"a"method"to"assess"and"calculate"the"individual"influence"of"users，"conductes"a"statistical"experiment"on"the"forwarding"characteristics"of"active"user"groups，"which"is"of"great"significance"for"analyzing"e-commerce"user"behavior"and"social"public"opinion"dissemination."The"results"reveal"that"there"is"virtually"no"correlation"between"the"number"of"fans"and"followers"of"individuals"with"high"or"low"influence;"When"the"influence"reaches"a"certain"threshold，"there"is"a"strong"correlation"between"the"number"of"fans"and"followers;"Users"with"high"influence"generally"exhibit"a"lower"frequency"of"forwarding"the"same"short"video，"yet"their"distribution"of"forwarding"targets"tends"to"be"more"diverse."The"frequency"of"interaction"with"fans"differs"based"on"the"needs"of"individual"verified"celebrity"users，"businesses，"media"organizations，"and"other"verified"entities."When"short"videos"form"a"trend"of"widespread"dissemination，"the"number"of"forwards"is"very"close"to"the"number"of"comments，"or"even"significantly"surpasses"it，"while"there"is"no"significant"correlation"between"the"number"of"replies"to"comments"and"personal"influence.

Key"Words："Individual"influence;"Group"behavior;"Followers;"Fans;"Dissemination"behavior"characteristics

在短視頻站點(diǎn)中，個(gè)體的影響力是個(gè)體之間互動(dòng)產(chǎn)生的相互作用，也是一種個(gè)體能夠影響其他個(gè)體，使之進(jìn)行分享、轉(zhuǎn)發(fā)和評(píng)論等傳播行為的能力，是造成信息傳播的先決條件之一。具有高影響力的真實(shí)用戶個(gè)體，在短視頻站點(diǎn)中對(duì)信息的傳播有重要的推動(dòng)作用，一般是信息傳播的源節(jié)點(diǎn)或骨干轉(zhuǎn)發(fā)節(jié)點(diǎn)。如果能準(zhǔn)確地判斷用戶的影響力，就能預(yù)測信息的傳播的方向、路徑和范圍，為社會(huì)輿論的傳播預(yù)測、企業(yè)的精準(zhǔn)營銷策略、主題的傳播范圍等應(yīng)用提供真實(shí)有效的數(shù)據(jù)和結(jié)論支持。對(duì)群體數(shù)據(jù)深入挖掘和統(tǒng)計(jì)分析，是獲得個(gè)體興趣愛好與行為規(guī)律的主要方法。本文面向短視頻站點(diǎn)，對(duì)于關(guān)注與粉絲群體的數(shù)量、比例、轉(zhuǎn)發(fā)、評(píng)論等數(shù)據(jù)進(jìn)行實(shí)證分析，研究群體的傳播行為和過程，總結(jié)出群體行為特征與個(gè)體影響力的關(guān)系，分析判斷個(gè)體影響力的幾個(gè)關(guān)鍵因素，提出了用戶影響力判斷方法，最后進(jìn)行實(shí)驗(yàn)分析。

1""相關(guān)研究

國內(nèi)外對(duì)網(wǎng)絡(luò)個(gè)體影響力判斷方法以及對(duì)社交信息傳播的影響，進(jìn)行了豐富而卓有成效的研究。王璿等人[1]提出，影響力最大化的研究，是在某種社交網(wǎng)絡(luò)傳播模型中，如何選取一組種子用戶，使信息通過這些用戶實(shí)現(xiàn)最大范圍的傳播?，F(xiàn)有算法主要存在兩個(gè)問題：一是由于影響范圍有限，時(shí)間復(fù)雜度高，難以適用于大規(guī)模社交網(wǎng)絡(luò)；二是僅局限于特定傳播模型，只能解決單一類型社交網(wǎng)絡(luò)下的影響力最大化問題，當(dāng)使用在不同類型社交網(wǎng)絡(luò)上時(shí)效果較差。劉小洋等人[2]提出了一種基于局部節(jié)點(diǎn)以及度折扣的社交網(wǎng)絡(luò)節(jié)點(diǎn)影響力推薦系統(tǒng)，包括網(wǎng)絡(luò)節(jié)點(diǎn)獲取模塊、計(jì)算篩選模塊和擴(kuò)散推薦模塊，可以用于向節(jié)點(diǎn)進(jìn)行產(chǎn)品推薦。劉鑫哲等人[3]提出了一個(gè)基于圖表示學(xué)習(xí)的框架，可以解決競爭場景下的群體影響力識(shí)別問題。張海粟等人[4]融合拓?fù)鋭莺鸵蜃訄D，提出影響力因子圖模型，可以推斷網(wǎng)絡(luò)用戶節(jié)點(diǎn)間影響力，并對(duì)每個(gè)節(jié)點(diǎn)分配不同影響參數(shù)。葉佳鑫等人[5]提出了一種基于影響力傳播的社交網(wǎng)絡(luò)群推薦方法，綜合考慮個(gè)體興趣與其受核心群體影響而產(chǎn)生的興趣，從而進(jìn)行社交網(wǎng)絡(luò)群推薦服務(wù)。Mikolov"T等人[6]提出一種學(xué)習(xí)網(wǎng)絡(luò)中節(jié)點(diǎn)隱藏表達(dá)式的算法，它通過隨機(jī)行走模型獲得網(wǎng)絡(luò)中的節(jié)點(diǎn)序列，然后使用Word2Vec的思想將節(jié)點(diǎn)轉(zhuǎn)換為低維向量并用于分類。楊杰等人[7]提出了一種融合覆蓋范圍和結(jié)構(gòu)洞的影響力的最大化算法NCSH，解決了傳統(tǒng)算法只考慮單一的網(wǎng)絡(luò)中心性，沒有綜合考慮節(jié)點(diǎn)特性和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的問題。Thakoor"S等人[8]使用對(duì)比學(xué)習(xí)的思想從圖中隨機(jī)刪除邊緣，以進(jìn)行數(shù)據(jù)增強(qiáng)。毋東等人[9]提出了一種基于時(shí)間約束的影響力最大化方法。Pandit."S等人[10]提出了在給定鄰居節(jié)點(diǎn)可以相互影響的網(wǎng)絡(luò)中，把一條信息可以分布到k個(gè)節(jié)點(diǎn)，可以通過找到k個(gè)節(jié)點(diǎn)來最大化信息傳播效果，并通過現(xiàn)有的傳輸模型來判斷信息傳輸量。Jingxuan"L"I等人[11]提出了一種有利于提高信息傳播量并且可擴(kuò)展的多項(xiàng)式時(shí)間算法，其優(yōu)點(diǎn)是它不明顯依賴于任何類型的調(diào)諧參數(shù)，還提出了一種用于預(yù)測社交網(wǎng)站用戶的基于連續(xù)時(shí)間馬爾可夫過程的動(dòng)態(tài)信息傳輸模型。

2""群體行為特征數(shù)據(jù)分析

通過分析短視頻站點(diǎn)的用戶群體數(shù)據(jù)后，本文對(duì)群體的具體行為數(shù)據(jù)進(jìn)行研究和分析。研究內(nèi)容包括：對(duì)發(fā)送和轉(zhuǎn)發(fā)的短視頻，評(píng)論、粉絲和關(guān)注的分布特征等內(nèi)容進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，總結(jié)特征分布的原因和群體的行為規(guī)律。

2.1""關(guān)注與粉絲的比例

2.1.1"""群體行為分析

在短視頻站點(diǎn)中，關(guān)注是節(jié)點(diǎn)獲取其他節(jié)點(diǎn)信息的主要方法，當(dāng)A節(jié)點(diǎn)關(guān)注節(jié)點(diǎn)B后，A增加了一個(gè)關(guān)注，而B增加了一個(gè)粉絲。因此，在節(jié)點(diǎn)數(shù)量不變的情況下，在整個(gè)短視頻站點(diǎn)中，關(guān)注與粉絲的總數(shù)量是相等的。

節(jié)點(diǎn)的關(guān)注和粉絲的數(shù)量取決于節(jié)點(diǎn)自身的行為活躍度?？砂延脩舾鶕?jù)活躍度和行為分為三類節(jié)點(diǎn)：傳播源點(diǎn)，經(jīng)常更新和發(fā)送短視頻信息，較少關(guān)注或轉(zhuǎn)發(fā)他人信息；傳播節(jié)點(diǎn)，經(jīng)常閱讀關(guān)注傳播源節(jié)點(diǎn)的信息，會(huì)轉(zhuǎn)發(fā)其信息；傳播終點(diǎn)，不管是否有閱讀短視頻，均不會(huì)轉(zhuǎn)發(fā)信息的節(jié)點(diǎn)。短視頻用戶群體的行為也可以分為兩種：在線瀏覽和發(fā)送短視頻（轉(zhuǎn)發(fā)、評(píng)論等）。

通過分析短視頻站點(diǎn)用戶關(guān)注數(shù)量和粉絲數(shù)量的分布發(fā)現(xiàn)，短視頻用戶的關(guān)注數(shù)量分布沒有明顯的規(guī)律。產(chǎn)生這種現(xiàn)象的原因是，短視頻用戶之間的關(guān)系是一種單向的興趣鏈接，也就是說用戶只要對(duì)其他用戶有社會(huì)交往或?yàn)g覽短視頻等興趣，就可以單向鏈接對(duì)方，而無須經(jīng)過對(duì)方同意，也無須雙方產(chǎn)生相互的興趣。這種拓?fù)浣Y(jié)構(gòu)導(dǎo)致大量用戶的關(guān)注數(shù)量小于粉絲數(shù)量，其關(guān)注數(shù)量分布在160～450范圍內(nèi)，關(guān)注分布近似服從冪律分布。用戶的粉絲數(shù)量基本服從冪律分布，擁有大量粉絲的用戶數(shù)量少，大部分用戶的粉絲數(shù)量并不多；隨著粉絲數(shù)量增加，用戶數(shù)量呈下降趨勢。

對(duì)用戶行為特征研究后，發(fā)現(xiàn)用戶觀看短視頻的在線時(shí)間越長，關(guān)注數(shù)量發(fā)生變化的概率越大。一般情況下，關(guān)注數(shù)量隨在線時(shí)間呈上升趨勢，但用戶在線時(shí)間與粉絲數(shù)量的變化并沒有明顯的相關(guān)性。其次，如果用戶經(jīng)常在線發(fā)短視頻，或者轉(zhuǎn)發(fā)其他短視頻；當(dāng)節(jié)點(diǎn)關(guān)注的數(shù)量提高時(shí)，粉絲的數(shù)量也會(huì)發(fā)生相應(yīng)的變化。因此，可以判斷短視頻的數(shù)量和質(zhì)量與粉絲數(shù)量有強(qiáng)關(guān)聯(lián)性。正常情況下，短視頻數(shù)量大，內(nèi)容質(zhì)量高的用戶，粉絲數(shù)量大。

2.1.2""四類個(gè)體行為分析

名人、媒體等高影響力賬號(hào)的關(guān)注較少，而粉絲數(shù)量很大，這是短視頻站點(diǎn)作為輿情傳播媒體的重要特征，即高影響力節(jié)點(diǎn)引發(fā)信息傳播。由于明星和媒體的粉絲數(shù)量遠(yuǎn)遠(yuǎn)大于關(guān)注數(shù)量，引發(fā)信息大面積傳播的概率也大于一般的個(gè)人。這些用戶賬號(hào)的在線時(shí)間較長，發(fā)送、轉(zhuǎn)發(fā)和評(píng)論短視頻的數(shù)量多，一般粉絲數(shù)量遠(yuǎn)遠(yuǎn)大于關(guān)注數(shù)量。大部分用戶賬號(hào)在線時(shí)，主要以閱讀關(guān)注者的短視頻為主，活躍度低，較少發(fā)送和轉(zhuǎn)發(fā)短視頻，一般粉絲數(shù)量小于關(guān)注數(shù)量。目前，還有一種針對(duì)信息傳播或提高帳號(hào)等級(jí)等行為而創(chuàng)建的賬號(hào)，這類賬號(hào)通?；钴S度極低，只轉(zhuǎn)發(fā)某些固定的廣告或信息，關(guān)注數(shù)量和粉絲數(shù)量的差距非常大，如表1所示。

關(guān)注和粉絲的比例是判斷一個(gè)用戶的影響力的關(guān)鍵因素，可以把短視頻的各種用戶總結(jié)為四類，分別是活躍用戶、普通用戶、僵尸用戶和虛假用戶。一般來說，活躍用戶包括獲得個(gè)人認(rèn)證的明星或普通人帳號(hào)、獲得機(jī)構(gòu)認(rèn)證的媒體、企業(yè)帳號(hào)、短視頻達(dá)人帳號(hào)等，他們經(jīng)常發(fā)送或轉(zhuǎn)發(fā)短視頻，是引發(fā)信息大面積傳播的傳播源點(diǎn)，擁有龐大的粉絲數(shù)量和很少的關(guān)注數(shù)量，因此關(guān)注與粉絲的數(shù)量比值非常小，影響力很大。普通用戶主要包括獲得個(gè)人認(rèn)證的用戶賬號(hào)、普通的短視頻會(huì)員賬號(hào)等，以瀏覽短視頻或轉(zhuǎn)發(fā)短視頻為主，有較多的關(guān)注和較少的粉絲，其比值較大，是傳播節(jié)點(diǎn)或傳播終點(diǎn)，引發(fā)信息廣泛傳播的概率較小，影響力低。僵尸用戶是指一些活躍度低，在線時(shí)間很少的認(rèn)證或非認(rèn)證用戶賬號(hào)，關(guān)注和粉絲數(shù)量都很少，其比值與活躍用戶相似，很難引發(fā)信息傳播，影響力很小。虛假用戶以關(guān)注其他用戶和轉(zhuǎn)發(fā)各種廣告信息為主要目的，因此粉絲數(shù)量很少，關(guān)注數(shù)量較大，其比值也大，無法引發(fā)信息傳播，幾乎沒有影響力。

分析結(jié)果表明，影響力大和較小的用戶，粉絲數(shù)量和關(guān)注數(shù)量之間幾乎無相關(guān)性，影響力達(dá)到一定的數(shù)值時(shí)，粉絲數(shù)量和關(guān)注數(shù)量為強(qiáng)相關(guān)性。

2.1.3"""粉絲數(shù)量和質(zhì)量

部分研究認(rèn)為，粉絲數(shù)量大，影響力高，粉絲數(shù)量大的節(jié)點(diǎn)，容易在較短的時(shí)間達(dá)到信息傳播的最大范圍，個(gè)體的粉絲數(shù)量是判斷個(gè)體影響力的一個(gè)重要因素，用戶的粉絲越多，影響力越大。但是近年來，隨著短視頻營銷的流行，越來越多的企業(yè)機(jī)構(gòu)或個(gè)人利用信息傳播銷售產(chǎn)品或發(fā)送廣告。網(wǎng)上出現(xiàn)了許多刷粉絲、購買粉絲的行為，導(dǎo)致短視頻的虛假用戶和被盜用的僵尸用戶數(shù)量急劇增加。因此，單純計(jì)算粉絲數(shù)量無法判斷個(gè)體真實(shí)的影響力，還需要判斷粉絲的類型和活躍度，只有符合影響力判斷標(biāo)準(zhǔn)的粉絲數(shù)量才能成為計(jì)算的有效數(shù)據(jù)。

用戶活躍度是反映用戶參與社交活動(dòng)的積極程度的指標(biāo)，也是一種判斷粉絲質(zhì)量的方法。把用戶在短視頻站點(diǎn)中的活躍度定義為單位時(shí)間內(nèi)用戶發(fā)表的原創(chuàng)短視頻數(shù)量、轉(zhuǎn)發(fā)短視頻數(shù)量或評(píng)論數(shù)量的和。有的用戶經(jīng)常發(fā)送短視頻、與粉絲互動(dòng)，有的用戶只瀏覽別人的短視頻，自己很少發(fā)送或評(píng)論。如果經(jīng)常發(fā)送短視頻或者評(píng)論別人的短視頻，證明用戶具備較強(qiáng)的信息傳播能力，在網(wǎng)絡(luò)的活躍度高。

2.1.4""轉(zhuǎn)發(fā)對(duì)象分布與轉(zhuǎn)發(fā)頻率

轉(zhuǎn)發(fā)行為是最直接的信息傳播行為，用戶閱讀了感興趣的短視頻后，發(fā)送到自己的短視頻頁面中，也可同時(shí)提醒給其他用戶查看。轉(zhuǎn)發(fā)的對(duì)象是用戶的關(guān)注者following的短視頻，正常來說，用戶會(huì)轉(zhuǎn)發(fā)哪些關(guān)注者是沒有規(guī)律的，其對(duì)象的分布是離散的。如果其對(duì)象分布相對(duì)集中，可能這部分關(guān)注者對(duì)用戶產(chǎn)生了較大的影響力。對(duì)于虛假用戶，通常呈現(xiàn)出轉(zhuǎn)發(fā)分布高度集中的特點(diǎn)。

一般情況下，用戶只會(huì)對(duì)感興趣的短視頻轉(zhuǎn)發(fā)一次，不會(huì)多次轉(zhuǎn)發(fā)同一條短視頻。用戶多次轉(zhuǎn)發(fā)相同的短視頻，極有可能是發(fā)送廣告等商業(yè)營銷行為。用戶轉(zhuǎn)發(fā)相同的短視頻頻率越高，其身份為虛假用戶或僵尸用戶的可能性越大。這類用戶雖然也會(huì)傳播信息，但大多是人為地傳播某種廣告，并不是用戶自發(fā)的信息傳播行為，會(huì)嚴(yán)重干擾預(yù)測正常的信息傳播和輿論方向。

2.1.5""信息傳播行為分析

當(dāng)個(gè)體瀏覽關(guān)注者的短視頻時(shí)，如果對(duì)這條短視頻產(chǎn)生了興趣相似性或觀點(diǎn)一致性的意見時(shí)，用戶可以對(duì)該短視頻進(jìn)行留言評(píng)論，或轉(zhuǎn)發(fā)到自己的短視頻主頁。當(dāng)自己的粉絲看到這條短視頻時(shí)，也可能做出相同的行為，從而形成了短視頻傳播的過程，這種行為可以稱為信息傳播行為。當(dāng)關(guān)注者看到粉絲的評(píng)論或留言，可以對(duì)評(píng)論進(jìn)行回復(fù)，這就產(chǎn)生了社交互動(dòng)。關(guān)注者和粉絲頻繁互動(dòng)有利于強(qiáng)化彼此的友誼以及相互的影響力。

如圖1所示，在粉絲數(shù)量和活躍度較高，短視頻內(nèi)容質(zhì)量高的前提下，用戶發(fā)送短視頻的數(shù)量越大，可能被陌生粉絲轉(zhuǎn)發(fā)和評(píng)論的概率和數(shù)量越高。從理論上看，短視頻數(shù)量與被轉(zhuǎn)發(fā)的數(shù)量有成正比的規(guī)律。有趣的是，越是熟悉的人，產(chǎn)生轉(zhuǎn)發(fā)的概率和數(shù)量卻呈下降趨勢。這與易成岐等人[12]的傳播研究得出的結(jié)論一致，越是關(guān)系好和熟悉的人，越容易形成觀點(diǎn)的封閉空間，轉(zhuǎn)發(fā)對(duì)方的視頻的概率和數(shù)量都很低。

如圖2所示，明星賬號(hào)擁有海量的粉絲，短視頻更新速度快、數(shù)量大，每條短視頻的都會(huì)產(chǎn)生大量的評(píng)論和轉(zhuǎn)發(fā)，但明星很少會(huì)回復(fù)一般粉絲的留言和評(píng)論。因此，互動(dòng)中的評(píng)論和回復(fù)，并沒有明顯的正比關(guān)系。相反，用戶與自己熟悉了解的朋友或認(rèn)識(shí)的人，產(chǎn)生互動(dòng)的頻率和概率遠(yuǎn)遠(yuǎn)高于陌生的粉絲，朋友之間的評(píng)論與回復(fù)數(shù)量幾乎完全成正比。

3"個(gè)體影響力判斷方法設(shè)計(jì)

通過對(duì)群體行為數(shù)據(jù)分析和研究，決定判斷個(gè)體影響力的若干關(guān)鍵因素，設(shè)個(gè)體影響力判斷方法如式（1）所示：

其中，設(shè)發(fā)送（含轉(zhuǎn)發(fā)）和評(píng)論短視頻的行為表示forwording，關(guān)注表示following，粉絲表示follower，N表示行為或節(jié)點(diǎn)的數(shù)量。因此fforwording表示轉(zhuǎn)發(fā)（評(píng)論）相同短視頻的頻率，Nforwording表示發(fā)送（評(píng)論）短視頻的數(shù)量，dforwording表示最近200次轉(zhuǎn)發(fā)（評(píng)論）短視頻的分布率，Nfollowing和Nfollower表示關(guān)注的數(shù)量和粉絲的數(shù)量，兩者的商為關(guān)注節(jié)點(diǎn)與粉絲節(jié)點(diǎn)的比例。Ix表示x用戶個(gè)體的影響力，?y"follows"x"."Iay→x表示x的粉絲y對(duì)x的影響力貢獻(xiàn)；（1-fforwording）.Nforwording表示發(fā)送內(nèi)容不同的短視頻數(shù)量。對(duì)于個(gè)體x的粉絲y對(duì)x的影響力貢獻(xiàn)表示?y"follows"x"."Iay→x。部分研究者認(rèn)為y的影響力是平均分配給每一個(gè)關(guān)注者的。但實(shí)際上，粉絲關(guān)注了許多朋友，并不是對(duì)所有朋友的關(guān)注程度都一致。短視頻站點(diǎn)為用戶提供了特別關(guān)注功能。該功能可以把用戶希望經(jīng)常關(guān)注的朋友進(jìn)行分組，并提供快速閱讀特別關(guān)注者的短視頻等功能。設(shè)對(duì)每一個(gè)關(guān)注者的影響力貢獻(xiàn)為一個(gè)數(shù)列，數(shù)列中的每一個(gè)數(shù)是對(duì)每一個(gè)關(guān)注者的影響力貢獻(xiàn)項(xiàng)，如：{yn}="y1，"y2，"y3，"...，yn，...，n為關(guān)注者的數(shù)量。把該影響力貢獻(xiàn)數(shù)列yn=f（n），當(dāng)n趨向于無窮大時(shí)，對(duì)應(yīng)的yn=f（n）會(huì)無限接近于某個(gè)確定的數(shù)值。根據(jù)對(duì)短視頻站點(diǎn)用戶影響力的研究和極限的定義，數(shù)列f（n）與常數(shù)k有下列關(guān)系：設(shè)k為個(gè)體的影響力值當(dāng)對(duì)于任意小的給定的正數(shù)q，總存在正整數(shù)N，使得ngt;N時(shí)一切均成立，則可以證明影響力貢獻(xiàn)數(shù)列收斂于k。因此，公式可以化為如式（2）所示：

4"實(shí)驗(yàn)分析

根據(jù)前面章節(jié)獲取的短視頻數(shù)據(jù)和總結(jié)的群體行為特點(diǎn)，對(duì)個(gè)體影響力判斷計(jì)算，進(jìn)行活躍用戶屬性與轉(zhuǎn)發(fā)特點(diǎn)數(shù)據(jù)統(tǒng)計(jì)實(shí)驗(yàn)與分析。表2是統(tǒng)計(jì)了個(gè)體的基本屬性和短視頻轉(zhuǎn)發(fā)的特點(diǎn)，對(duì)用戶的影響力進(jìn)行計(jì)算后獲得的用戶影響力排名。統(tǒng)計(jì)的個(gè)體均為活躍用戶，基本屬性包括短視頻、粉絲和關(guān)注的數(shù)量；轉(zhuǎn)發(fā)特點(diǎn)包括轉(zhuǎn)發(fā)或評(píng)論其他用戶的分布律，以及轉(zhuǎn)發(fā)或評(píng)論相同短視頻的頻率。如表2所示，數(shù)據(jù)說明，高影響力的個(gè)體轉(zhuǎn)發(fā)相同短視頻頻率的一般都比較低，其轉(zhuǎn)發(fā)對(duì)象的分布律一般較高。這與高影響力的演員、歌手、CEO和傳媒這些用戶，都是信息的傳播源點(diǎn)有關(guān)，他們較少關(guān)注其他用戶，轉(zhuǎn)發(fā)同一條短視頻的可能性非常低；而轉(zhuǎn)發(fā)他人短視頻的行為只集中在少數(shù)熟人或朋友用戶上，因此集中分布律較高。從用戶的基本屬性看，活躍用戶的影響力與短視頻和粉絲的數(shù)量有直接的關(guān)系，而關(guān)注數(shù)量通常較小，說明個(gè)體影響力與關(guān)注數(shù)量并無關(guān)聯(lián)。

5""結(jié)論

根據(jù)短視頻用戶群體傳播數(shù)據(jù)分析的結(jié)果，本文提出一種個(gè)體影響力判斷及計(jì)算方法。該方法以粉絲和關(guān)注的數(shù)量、轉(zhuǎn)發(fā)和評(píng)論的數(shù)量，轉(zhuǎn)發(fā)分布律和粉絲對(duì)節(jié)點(diǎn)的影響力貢獻(xiàn)為條件，通過影響力貢獻(xiàn)數(shù)列計(jì)算粉絲對(duì)不同的關(guān)注者不同的影響力貢獻(xiàn)。統(tǒng)計(jì)結(jié)果解釋了社交網(wǎng)絡(luò)的群體傳播現(xiàn)象，總結(jié)了個(gè)體影響力與活躍用戶自身屬性、轉(zhuǎn)發(fā)特點(diǎn)和粉絲行為的關(guān)系。本方法可以為社會(huì)輿論的傳播預(yù)測、企業(yè)的精準(zhǔn)營銷策略、主題的傳播范圍等應(yīng)用提供有效的個(gè)體影響力量化方法。但是，研究是從活躍個(gè)體的傳播行為角度進(jìn)行分析的，只能說明傳播源節(jié)點(diǎn)自身影響力的部分規(guī)律，下一步還需要從傳播群體的興趣相似性和消息主題的重疊性方面做深入分析才能發(fā)現(xiàn)更多潛在的規(guī)律。

參考文獻(xiàn)

\t
• 王璿，張瑜，周軍鋒，等.基于社交網(wǎng)絡(luò)的影響力最大化算法[J].通信學(xué)報(bào)，2022，43（8）：151-163.
\t
• 劉小洋，吳松陽，李祥.基于局部節(jié)點(diǎn)以及度折扣的社交網(wǎng)絡(luò)節(jié)點(diǎn)影響力推薦系統(tǒng)：CN112148989B[P].2021-08-24.
\t
• 劉鑫哲，方勇，賈鵬，等.基于圖表示學(xué)習(xí)的社交網(wǎng)絡(luò)群體競爭影響力識(shí)別[J].四川大學(xué)學(xué)報(bào)（自然科學(xué)版），"2024，61（3）：218-228.
\t
• 張海粟，王龍，祁超.融合拓?fù)鋭菖c因子圖的在線社交網(wǎng)用戶影響力推斷[J].小型微型計(jì)算機(jī)系統(tǒng)，2024，45（5）：1157-1162.
\t
• 葉佳鑫，熊回香，易明，等.融合影響力傳（2021-02-12）"[2024-3-27]."https：//arxiv.org/abs/2102.06514v1.
\t
• 毋東，何楠群，張霄宏.一種帶時(shí)間約束的影響力最大化方法[J].小型微型計(jì)算機(jī)系統(tǒng)，2022，43（9）：1862-1868.
\t
• "PANDIT"S，YANG"Y，CHAWLA"N"V.Maximizing"Information"Spread"through"Influence"Structures"in"Social"Networks[C]//IEEE"International"Conference"on"Data"Mining"Workshops.IEEE"Computer"Society，2012."
\t
• "JINGXUAN"LI，PENG"WEI，TAO"LI，et"al.Social"network"user"influence"sense-making"and"dynamics"prediction[J]."Expert"Systems"with"Applications，2014，41（11）：5115–5124.
\t
• "易成岐，鮑媛媛，薛一波，姜京池.新浪微博的大規(guī)模信息傳播規(guī)律研究[J].計(jì)算機(jī)科學(xué)與探索，2013，7（6）：551-561.