特定事件意見領袖挖掘

闕文暉，黃永峰，李 星

(清華大學 電子工程系，北京 100084)

0 引 言

意見領袖在信息傳播和輿情控制中起著重要作用，吸引了國內外學者的廣泛關注，并相應地提出了結合不同互聯網內容進行意見領袖挖掘的方法，如微博[1]、論壇[2]、新聞報道[3]、新聞評論[4]等。然而，目前這些方法多集中在通用意見領袖的挖掘上，對于所需要分析的不同的特定事件的適用性并不好，對此本文提出一種采用特定事件相關的新聞文本構建人物關系網絡，結合社會網絡分析方法挖掘意見領袖的方法。該方法的整體框架如圖1所示。不同于微博、論壇回復等顯式存在的人物關系網絡，本文使用新聞文本的人物共現關系構建人物關系網絡，即認為存在共現關系的人物之間存在隱式的互相影響的關系，文獻[3]中意見領袖的挖掘工作正是基于此開展。同時，新聞文本內容豐富，表述規范，便于判斷和事件的相關程度，和事件相關的新聞文本的數據集較易獲取。因此，相比于微博、論壇等更適合特定事件的意見領袖挖掘?；谏鲜鰳嫿ǖ娜宋镪P系網絡，本文采用改進的LeaderRank算法計算人物的影響力排名，充分考慮相鄰人物節點之間關于特定事件的影響強弱信息以及人物節點受非鄰居人物節點的影響強弱信息，提高意見領袖識別的準確性。

圖1 特定事件意見領袖挖掘框架

1 相關研究

現有意見領袖的挖掘方法主要分為兩類：用戶屬性分析法和社會網絡分析法。

用戶屬性分析法主要基于用戶的各種特征屬性來衡量用戶的影響力，如文獻[1]從用戶影響力和用戶活躍度兩個方面考慮構建了微博意見領袖指標體系。同時，使用用戶屬性結合聚類的方法也被使用于意見領袖的挖掘[5]。但這類方法只考慮了用戶自身的屬性，并沒有使用用戶之間的關系信息。

社會網絡分析法基于人物關系網絡，使用節點在網絡中的位置和結構信息，量化節點在網絡中的重要性。相比于用戶屬性分析法，該方法得到了意見領袖挖掘研究者的更多關注。如Bai等[6]指出網絡中的意見領袖可以是度最大的節點，通過對其施加影響可以控制網絡中信息的傳播。Aral等[7]的研究證明意見領袖在網絡信息傳播中起著核心作用。文獻[8-10]將社會網絡分析法應用到了多種復雜網絡的意見領袖挖掘工作中。此外，大量的衡量節點在網絡中傳播能力和影響力的其它指標不斷被提出用于挖掘網絡中的意見領袖[11-13]。

目前，在網絡節點影響力排序上，常見的衡量方法有度中心性，介數中心性[14]，緊密度中心性[15]，局部中心性[16]，K-Shell[17]，LeaderRank[18]等方法。度中心性方法實現簡單，但僅使用了較少的局部信息來衡量節點的重要性，因此其效果并不是很好。介數中心性和緊密度中心性使用了網絡的全局信息，效果較好，但是計算復雜度太高。局部中心性在計算復雜度和效果上進行了綜合考慮，使用更多的局部信息獲得了更好的效果。K-Shell方法能夠有效地找到核心的節點集合，但是可能存在多個節點都屬于一個集合，集合內節點影響力無法區分。LeaderRank作為一種PageRank[19]的改進算法，在網絡中加入ground節點的方式對節點跳轉信息進行控制，有效地提高了排序準確性，并且其迭代收斂性較好。Xu等[20]針對LeaderRank算法進行改進，提出加入用戶間情感傾向和用戶活躍度的改進LeaderRank算法，并通過實驗驗證了改進算法的準確性和抗干擾能力都得到了提升。但此改進方法僅適用于微博等少數場景，對于其它如新聞文本等場景并不能適用。

本文從特定事件的意見領袖挖掘的需求出發，對Lea-derRank算法進行了改進，加入了人物之間關于特定事件的影響強弱信息，并且在ground節點進行影響力分配的過程中考慮接收節點的鄰居節點和二度鄰居節點的局部結構信息，來計算人物節點的影響力排名，突出排名靠前的人物節點的區分度，提高意見領袖識別的有效性和準確性。

2 特定事件人物關系網絡構建

本文分別實現了使用中文新聞文本和英文新聞文本構建特定事件人物關系網絡。中文新聞文本的特定事件人物關系網絡構建過程將結合“天津爆炸”事件進行介紹，而英文新聞文本對應的構建過程則將在中文新聞文本的特定事件人物關系網絡構建過程的基礎上進行補充介紹。

2.1 使用中文新聞文本構建人物關系網絡

2.1.1 特定事件相關新聞文本獲取

從中文新聞網站爬取一段時間內的大量的新聞文本，然后通過關鍵詞過濾的方式得到和特定事件相關的新聞文本集合。比如“天津爆炸”事件中，我們爬取了大量從2015年8月13日至2015年9月13日內的新聞文本，通過關鍵詞“天津”和“爆炸”對爬取的新聞文本進行過濾，得到1599篇和“天津爆炸”事件相關的新聞文本。

2.1.2 新聞文本和特定事件的相關性計算

考慮到特定事件相關的新聞文本集合中各篇新聞文本和事件的相關性并不相同，我們計算每一篇新聞文本和特定事件的相關度來表征新聞文本和事件相關性的強弱。首先，使用ICTCLAS工具[21]將特定事件相關的新聞文本集合D={D1,D2,…}進行分詞，去除停用詞后統計詞頻。取詞頻排序靠前的VN個詞作為特定事件的描述詞，構成事件描述向量V={v1,v2,…vVN}，其中vi均為對應描述詞歸一化后的詞頻。則一篇文檔和事件的相關度可以采用以下公式進行計算

(1)

其中，vEp對應事件的描述向量，而vip對應新聞文本Di的表示向量。

2.1.3 新聞文本人名識別及優化

采用ICTCLAS工具對中文新聞文本進行人名識別，但識別結果并不完全準確。為構建更為準確的人物關系網絡，我們采用人工校正和規則的方式對人名識別結果進行優化。

人工校正主要是為了解決人名切分錯誤、人名拼寫錯誤、以人名打頭的地名企業名誤識為人名等情況。如“天津爆炸”事件中，人名“邵俊強”被切分為“邵俊”，人名“楊剛”錯寫為“楊鋼”，“萬科”、“安監”、“黃煙”等識別為人名。

規則主要包括單篇新聞文檔中的人名消歧和多篇文檔中的人名消歧。單篇新聞文檔中的文檔消歧我們主要考慮兩種情況，一是人物的姓名和名共同出現的情況，如“黃艷榮”和“艷榮”，這種情況我們把姓名和名統一合并到姓名進行處理；二是姓名和“姓+先生”或“姓+女士”同時出現的情況，如“董社軒”和“董先生”，這種情況我們首先找到離“姓+先生”或者“姓+女士”最近的相同姓的姓名，然后合并到對應的姓名。多篇新聞文檔中的人名消歧主要是解決人物的姓名和名出現在不同新聞文本中的問題。這種情況我們把姓名和名統一合并到姓名進行處理。

2.1.4 特定事件人物共現關系網絡構建

對事件相關的每一篇新聞文本按段落進行人名識別和優化，每個段落對應一個人名序列Sp={name1,name2,…}，每篇新聞文本對應一個人名序列的順序集合Sd={Sp1,Sp2,…}。事件相關的所有新聞文本對應的人名序列集合中的所有人名構成了人物關系網絡的節點集合。對于一篇新聞文本中出現的任意兩個人名，并不一定存在互相影響的關系，即在人物關系網絡中并不是一定存在邊。本文考慮人名在文中的位置關系，采用以下兩個規則確定人物之間的是否存在影響關系，構建人物關系網絡中的邊，使得所構建的人物關系網絡更為精準。

規則一：給定滑動窗口大小WS，序列Sd中任意WS大小窗口內的人名之間存在邊。

規則二：同一個段落內任意兩個人名之間存在邊。

規則一考慮了新聞文本中出現位置相近的人名之間關系較強，相隔太遠的人名之間的關系較弱而忽略置為零。規則二考慮了新聞文本段落的內容聚合性，新聞作者往往會把相關的內容放在一個段落，因此我們認為同一個段落內的人物之間具有較強的影響關系。

每一條邊的權值，即由此條邊相連的兩個人物關于特定事件的互相影響的強弱程度，由邊相連的兩個人物所共同出現的新聞文本集合決定

(2)

其中，Гi,j表示人物i和j所共同出現的新聞文本集合，R(d)表示新聞文本d和特定事件的相關度。

2.1.5 最大連通子圖獲取

考慮到實驗中采用SI(susceptible-infected)[24]模型進行結果評估，我們從上述構建的網絡中獲取最大連通子圖，作為下文計算人物節點影響力得分的網絡。

2.2 使用英文新聞文本構建人物關系網絡

使用英文新聞文本構建特定事件人物關系網絡的過程和使用中文文本的流程很類似，為避免描述過多重復的內容，以下主要描述兩者的不同之處。

在特定事件新聞文本數據的獲取上，我們從英文新聞網站進行數據采集。在新聞文本和特定事件相關度的計算上，首先將英文文本的大寫字母轉換為小寫字母，采用空格和標點符號等分隔符對文本進行切分，去除停用詞，然后采用Porter Stemmer[22]進行詞干提取，之后的計算步驟和中文新聞文本的處理方式類似。人名識別和優化上，英文文本的人名識別我們采用的是Stanford Named Entity Recognizer[23]，在優化方面與中文新聞文本的處理方式類似。在網絡構建和最大子圖獲取上與中文新聞文本的處理方式類似，在此不再贅述。

3 改進LeaderRank算法

3.1 LeaderRank算法

LeaderRank算法是Lv等[18]提出的一種PageRank的改進算法。記無向網絡為G=，其中V為節點的集合，N=|V|表示集合內節點個數，E為邊的集合，M=|E|表示集合內邊的個數。LeaderRank對PageRank的改進主要是在網絡中增加了一個ground節點，記為g。g節點和網絡中所有普通節點(網絡中除g外的其它節點)相連。則網絡中包含N+1個節點和M+2N條邊。LeaderRank算法的核心公式如式(3)、式(4)所示

(3)

(4)

3.2 改進LeaderRank算法

Lv等[18]通過實驗證明LeaderRank算法相比PageRank算法具有更高的準確性和更強的穩定性。但是在特定事件的意見領袖挖掘中，構建的人物關系網絡中人物之間影響強弱不同，或是某一人物節點受非相鄰人物節點的影響各不相同，都會影響意見領袖排名的準確性，而LeaderRank算法會受到這兩方面因素的影響。因此，改進的LeaderRank算法對上述兩方面因素進行了考察優化。

3.2.1 人物之間關于特定事件的影響強弱

在人物關系網絡中，LeaderRank算法認為任意兩個人物節點之間的影響關系強弱是相同的，即網絡中所有邊的權值相同，人物節點的影響力在傳播過程中是均勻地向鄰居節點傳播的。LeaderRank算法沒有考慮到人物之間關于特定事件的影響關系強弱是各不相同的，影響關系強的人物之間受到彼此的影響更強，而關系弱的人物之間受到彼此的影響更弱。針對上述問題，改進的LeaderRank算法加入了人物關系網路中人物之間關于特定事件的影響強弱信息，具體體現在考慮了網路中邊的權值信息。網絡中任意兩個普通節點之間的權值如式(2)所述。

3.2.2 人物節點受非鄰居人物節點的影響

人物關系網絡中，人物節點不僅受到鄰居節點的影響，還受到非鄰居節點影響，表現在PageRank算法中是一個用戶訪問一個網頁時，除了可以通過點擊節點網頁中的鏈接跳轉到其它網頁外，還會以一個跳轉概率c通過地址欄隨機跳轉到其它網頁。對應到LeaderRank算法中，一個節點收到的影響不僅來自其鄰居節點，還來自其它非鄰居節點，而非鄰居節點的影響力是通過ground節點傳遞實現的。但是LeaderRank算法認為某一節點受到非鄰居節點的影響強弱相同，沒有考慮到影響力強的節點相比于影響力弱的節點對其非鄰居節點的具有更強的影響力。針對上述問題，改進的LeaderRank算法加入了人物節點受到非鄰居節點的影響強弱信息。從節點的局部結構信息出發，考慮兩個因素：節點的鄰居節點局部結構信息和節點的二度鄰居節點局部結構信息。如果一個節點的鄰居節點的加權信息和二度鄰居節點的加權信息越豐富，則這個節點對其非鄰居節點產生的影響越大。之所以考慮二度鄰居節點局部結構信息，是為了能夠更多地使用節點的局部結構信息，避免將一些鄰居節點較多但又不是真正位于網絡核心位置的節點識別為重要節點，如圖2所示，節點14的鄰居節點較多，但是其二度鄰居節點很少，并不處于網絡的核心位置，因此不能將其識別為重要節點。具體改進體現在對LeaderRank算法中ground節點到普通節點的邊的權值ωgi進行了優化，即

ωgi=α·WDi+(1-α)∑j∈ΓiWDj

(5)

其中，WDi=∑j∈Гiωij，Гi表示節點i的所有相鄰普通節點的個數，α是一個取值于[0,1]的一個可調參數。

圖2 網絡節點影響力分析樣例

3.2.3 算法的改進

從上述的人物之間關于特定事件的影響強弱和人物節點受非鄰居人物節點的影響兩個因素出發，對LeaderRank算法進行改進，改進的LeaderRank算法核心公式如式(6)、式(7)所示

(6)

(7)

其中，ωji的取值規則為：若j為ground節點，則ωgi=1/SZi·∑j∈Гiωij，其中ωij表示任意一對普通節點的邊的權重，Гi表示節點i的所有相鄰普通節點，SZi表示Гi集合的大小，ωgi如式(5)所述；若j為普通節點，則ωgi如式(2)所述；其它變量含義同式(3)、式(4)。

4 實驗結果及分析

4.1 實驗數據

為驗證文本提出的方法，我們在兩個數據集上進行了實驗。一個是“天津爆炸”數據集。我們采集了2015年8月13日至2015年9月13日之間大量的中文新聞文本，通過關鍵詞過濾得到和“天津爆炸“事件相關的新聞文本1599篇，以此數據集構建“天津爆炸”事件的人物關系網絡，記為PCNTEE。另一個是“巴黎襲擊”數據集。我們采集了2015年11月13日至2015年12月3日之間大量的英文新聞文本，通過關鍵詞過濾得到和“巴黎襲擊“事件相關的新聞文本1083篇，以此數據集構建“巴黎襲擊”事件的人物關系網絡，記為PCNPAE。兩個數據集的基本統計情況如表1所示。其中，N表示網絡中節點個數，M為邊的個數，節點平均度為，最小權重值為EMIN，最大權重值為EMAX，平均權重值為。

表1 兩個真實數據集的基本統計情況

4.2 實驗結果

4.2.1 有效性評估

SI模型[24]作為網絡節點影響力度量的一種方式被廣泛使用。在上述兩個數據集上分別采用SI模型計算節點的標準影響力得分。SI模型中，所有節點僅有兩種狀態：Susceptible(S)和Infected(I)。初始時刻，網絡中某一節點置為I狀態而其它節點都為S狀態。每一次迭代過程中，處于I狀態的節點以概率β感染相鄰的處于S狀態的節點。實驗過程中發現，將感染概率設置為0.1時，效果較好。定義F(t)代表時刻t網絡中處于I狀態的節點個數，隨著t的增加，F(t)不斷增大，最后收斂到一個穩定的值，此時網絡中幾乎所有的節點都處于I狀態。定義F(tc)作為節點的標準影響力得分，其中tc為使得F(tc)和F(tc)的斜率均較大的某一時刻。對F(tc)重復計算100次取平均，平均值越大，代表此節點影響力越大越可能是意見領袖。根據具體實驗情況，天津爆炸實驗中，設定tc=9；巴黎襲擊實驗中，設定tc=10。采用本文提出的改進LeaderRank(local weighted LeaderRank，LWLR)算法，以及度中心性(degree centrality，DC)、介數中心性(betweenness centrality，BC)[14]、緊密度中心性(closeness centrality，CC)[15]、局部中心性(local centrality，LC)[16]、K-Shell(KS)算法[17]、LeaderRank(LR)算法[18]、人物在特定事件相關的新聞文本中被提及次數(Mentions)等各個對比方法計算節點影響力得分。圖3和圖4為兩個數據集上節點標準影響力得分和采用上述方法計算的節點影響力得分的相關性。

圖3 “天津爆炸”數據集上8種方法對應的相關性結果

圖4 “巴黎襲擊”數據集上8種方法對應的相關性結果

從圖3中我們觀察到，在PCNTEE中，采用DC、BC、KS和Mentions方法得到的排名和采用SI得到的標準影響力排名之間的相關性較差，而CC、LC、LR和LWLR方法相關性較好，并且LWLR取得了最好的相關性，尤其是在影響力得分較低的那部分節點。這是因為LWLR考慮了更多的局部信息，提高了區分得分在中后位置的那部分節點的排名的能力。由圖4可知，在PCNPAE中，DC、BC、KS以及Mentions方法和其在PCNTEE中的表現相似，都較差，而LC和LWLR比其它方法的表現都好?？梢奓C和LWLR方法是本文中所考慮的最好的兩種方法。因此，可以說本文提出的LWLR方法可以有效地找到網絡中的最具影響力的人物。

為了定量地評估采用各種方法計算得到網絡節點影響力得分的準確性，我們采用Kendall’sτ系數進行衡量，其定義詳見文獻[25]。表2為兩個數據集上采用8種方法計算得到的節點影響力排名對應的Kendall’sτ的值。在PCNTEE，我們的方法取得了最好的τ值，即我們的方法得到的節點影響力排名比其它方法的得到的排名要更為接近標準排名。在PCNPAE中，LC方法取得了最好的τ值，但本文方法的τ值很接近LC的τ值，并且比其它方法的τ值要好許多，即本文方法在這個網絡中表現也很好。結合兩個數據集的實驗結果，可知本文方法要比除LC之外的方法都好，并且和LC的效果相當，但是在不同網絡中效果要比LC更為穩定。

表2 8種不同方法對應的Kendall’s τ值

4.2.2 Top-L節點影響力排名分析

Kendall’sτ衡量的是所有節點影響力排名的準確性，并不能衡量排名靠前的節點影響力排名的準確性?？紤]到意見領袖挖掘中最為重要的是準確獲得排名靠前的人物，我們采用一個新的指標——排名靠前的L個節點的影響力得分的平均值，來衡量方法獲得的Top-L節點的影響力排名的準確性，記為。在PCNTEE和PCNPAE兩個數據集上，我們采用本文提出的方法和對比方法計算其，結果如圖5所示。理論上一個效果好的方法，其對應的曲線應該向右下遞減。由圖5可知，本文方法在整個L區間內比其它方法的效果都好。在4.2.1中的分析可知，LC方法在所有節點的排序上取得了很好的效果。但由圖5可知，LC在Top-L節點的排序上效果并不好，原因在于LC考慮了過多的局部信息，而排名靠前的節點之間很可能緊密連接，其局部結構和權重信息可能很類似。通過對比τ值和值，可知本文提出的方法相比于其它方法，能夠得到一個更加接近標準影響力排名的節點排序，并且能夠更好地識別出排名靠前的重要節點。

圖5 兩個數據集上8種方法Top-L節點的平均影響力

4.2.3 Top-10節點影響力傳播分析

從上述實驗結果分析中，可知LWLR方法相比其它方法能夠更好的識別出影響力排名靠前的節點。但上述結論僅僅考慮了節點在tc時刻的影響力。為了更好地分析所得到的排名靠前的節點在影響力傳播過程中的表現，本文對采用LWLR和采用LR得到的Top-10節點的影響力進行對比分析。選擇LR作為對比方法主要考慮到采用LR所得到的Top-10節點相比于其它方法要更為接近LWLR。實驗中，首先取LWLR的Top-10節點集合SLWLR，LR Top-10節點集合SLR，再分別將單獨出現在SLWLR和SLR中的節點初始化為I(infected)狀態，記錄傳播過程中到達I狀態的節點數。重復上述過程100次取平均值。實驗中沒有使用共同出現在SLWLR和SLR中的節點，因此得到的實驗結果更有利于區分兩種方法的效果。實驗結果如圖6所示。從圖中可知，在兩個數據集上，LWLR對應的曲線整體均在LR對應的曲線上方，并且在整個傳播過程中，LWLR的曲線方差都比LR的要小。這表明LWLR識別的Top-10節點具有更強的影響力傳播能力，驗證了本文方法的確能夠有效識別出最具影響力的節點。

圖6 LR和LWLR Top-10節點影響力傳播過程

5 結束語

針對特定事件的意見領袖挖掘，本文提出了一種采用新聞文本進行意見領袖挖掘的方法。該方法采用新聞文本構建特定事件的人物關系網絡，充分考慮了新聞文本與事件的相關度和新聞文本內不同位置人物之間影響關系的強弱。在改進的LeaderRank算法中，加入了人物之間關于特定事件的影響強弱信息，以及人物節點受非鄰居人物節點的影響強弱信息，提高了網絡中節點影響力度量的準確度和區分度。實驗分析結果表明，本文方法能夠有效識別特定事件的意見領袖，特別是排名靠前的意見領袖，而且相比LeaderRank等方法具有更好的效果。

[1]LIU Zhiming,LIU Lu.Identification and analysis of opinion leaders in micro-blogging network public opinion[J].Systems Engineering,2011(6):8-16(in Chinese).[劉志明,劉魯.微博網絡輿情中的意見領袖識別及分析[J].系統工程,2011(6):8-16.]

[2]Zhou Xueyan,Yang Jing,Zhang Jianpei,et al.A BBS opi-nion leader mining algorithm based on topic model[J].Journal of Computational Information Systems,2014,10(6):2571-2578.

[3]Jonnalagadda S,Peeler R,Topham P.Discovering opinion leaders for medical topics using news articles[J].Journal of Biomedical Semantics,2012,3(1):1-13.

[4]Song Kaisong,Wang Daling,Feng Shi,et al.Detecting opi-nion leader dynamically in Chinese news comments[M]//Web-Age Information Management.Berlin Heidelberg:Springer,2012:197-209.

[5]WANG Jue,ZENG Jianping,ZHOU Baohua,et al.Online forum opinion leaders discovering method[J].Computer Engineering,2011,37(5):44-46(in Chinese).[王玨,曾劍平,周葆華,等.基于聚類分析的網絡論壇意見領袖發現方法[J].計算機工程,2011,37(5):44-46.]

[6]Bai Wenjie,Zhou Tao,Wang Binghong.Immunization of susceptible-infected model on scale-free networks[J].Physica A Statistical Mechanics & Its Applications,2007,384(2):656-662.

[7]Aral S,Walker D.Identifying influential and susceptible members of social networks[J].Science,2012,337(6092):337-341.

[8]Zhou Yanbo,Lyu Linyuan,Li Menghui.Quantifying the influence of scientists and their publications:Distinguish prestige from popularity[J].New Journal of Physics,2012,14(3):33033-33049(17).

[9]Salesses P,Schechtner K,Hidalgo CA.The collaborative image of the city:Mapping the inequality of urban perception[J].Plos One,2013,8(7):e68400.

[10]Hou Bonan,Yao Yiping,Liao Dongsheng.Identifying all-around nodes for spreading dynamics in complex networks[J].Physica A Statistical Mechanics & Its Applications,2012,391(15):4012-4017.

[11]Liu YY,Slotine JJ,Barabási A.Control centrality and hie-rarchical structure in complex networks[J].Plos One,2012,7(9):e44459.

[12]Mui L.Computational models of trust and reputation:Agents,evolutionary games,and social networks[J].Acta Paulista De Enfermagem,2014,20(4):452-457.

[13]Bakó I,Bencsura A,Hermannson K,et al.Hydrogen bond network topology in liquid water and methanol:A graph theory approach[J].Physical Chemistry Chemical Physics,2013,15(36):15163-15171.

[14]Katona Z,Zubcsek PP,Sarvary M.Network effects and personal influences:Diffusion of an online social network[J].Journal of Marketing Research,2013,48(48):425-443.

[15]Csermely P,London A,Wu LY,et al.Structure and dynamics of core/periphery networks[J].Journal of Complex Networks,2013,1(2):93-123.

[16]Chen Duanbing,Lyu Linyuan,Shang Mingsheng,et al.Identifying influential nodes in complex networks[J].Physica A Statistical Mechanics & Its Applications,2012,391(4):1777-1787.

[17]Kitsak M,Gallos LK,Havlin S,et al.Identification of influential spreaders in complex networks[J].Nature Physics,2010,6(11):888-893.

[18]Lyu Linyuan,Zhang Yicheng,Chi Hoyeung,et al.Leaders in social networks,the delicious case[J].Plos One,2011,6(6):e21202.

[20]XU Junming,ZHU Fuxi,LIU Shichao,et al.Identifying opinion leaders by improved algorithm based on LeaderRank[J].Computer Engineering & Applications,2015,51(1):110-114(in Chinese).[徐郡明,朱福喜,劉世超,等.改進LeaderRank算法的意見領袖挖掘[J].計算機工程與應用,2015,51(1):110-114.]

[21]Wang Changbo.SentiView:Sentiment analysis and visualization for internet popular topics[J].IEEE Transactions on Human-Machine Systems,2013,43(43):620-630.

[22]Cao S,Snavely N.Graph-based discriminative learning for location recognition[J].International Journal of Computer Vision,2015,112(2):239-254.

[23]Manning CD,Surdeanu M,Bauer J,et al.The stanford CoreNLP natural language processing toolkit[C]//Meeting of the Association for Computational Linguistics:System Demonstrations. Baltimore,2014.

[24]Sienkiewicz A,Gubiec T,Kutner R,et al.Dynamic structural and topological phase transitions on the Warsaw stock exchange:A phenomenological approach[J].Acta Physica Polonica,2013,123(3):615-620.

[25]Gao Shuai,Ma Jun,Chen Zhumin,et al.Ranking the spreading ability of nodes in complex networks based on local structure[J].Physica A Statistical Mechanics & Its Applications,2014,403(6):130-147.