基于社会网络分析的论文引用研究

2 008年10月北京邮电大学学报(社会科学版)Journal of BUPT ( Social Sciences Edition)Vol110, No15Oct1 2008收稿日期: 2008 - 07 - 23作者简介: 杨学成(1977 - ) , 山东平度人, 北京邮电大学经济管理学院讲师、管理学博士。·管理科学·客户的关系属性及其对沟通行为的影响———以移动通信的集团客户为例杨学成, 张晓航, 石文华(北京邮电大学经济管理学院, 北京 100876)摘 要: 预测客户行为是客户关系管理的中心命题。采用客户的人口特征信息、消费数据等指标来预测客户行为, 忽视了客户之间的互动, 尤其是客户的关系属性。文章研究关系属性对移动集团客户沟通行为的影响。为突破以往研究的局限性, 将集团客户看作是相互连接的社会网络, 客户在这个社会网络中通过语音通话、短信、彩信等方式进行互动和沟通。研究结果显示, 关系属性是客户沟通行为的重要预测变量, 但在不同的沟通水平上存在着一些差异。结论对移动运营商的营销实践具有重要的借鉴意义。关键词: 关系属性; 社会网络分析; 客户关系管理; 集团客户一、引 言由于政府管制的放开, 更为激烈的竞争环境以及新技术和市场的发展, “流失率”成为电信运营商非常关心的问题, 他们比以往任何时候都更重视客户关系管理。然而, 客户关系管理也有其自身的局限性。其中最大的局限是客户关系管理普遍将客户视为相互独立的, 认为他们的购买决策独立于其他任何人。实际上, 客户是有意识或无意识地相互连接在一起的[ 1 ] , 也就是说客户是处在自身的社会网络之中的。造成这一局限的一大原因是分析人员通常缺乏有关客户互动的信息, 因而就无法理解客户的社会网络属性及其结构。幸运的是, 随着移动通信行业信息化水平的提升, 大量的通话记录保留了下来, 因此通过移动运营商的信息系统平台很容易获得客户相互之间进行沟通和互动的数据, 这为基于社会网络的营销机会分析和活动推广提供了良好的基础。本文阐述客户的关系属性对其沟通行为的影响力。以中国移动某省分公司的一个集团客户作为研究对象, 首先描述集团客户内部成员之间的互动特征; 进而计算各个成员的关系属性; 最后研究这些关系属性对其沟通行为(语音通话) 的影响程度。二、作为社会网络的移动通信网伴随着新技术的发展, 类似于手机、电子邮件、即时通信这样的沟通模式和沟通设备已经把人们带到了一个“随时随地交往”的时代。[ 2 - 3 ]移动通信为人们的日常沟通打开了方便之门。通过语音通话、短信等形式, 客户可以很方便地咨询产品信息和消费建议, 诉说自己的消费经历和提供购买参考。从这个角度上来讲, 客户实际上是连接在一起的, 他们的购买决策通常受到家人、朋友、熟人、业务伙伴等的强烈影响。根据社会网络分析的观点, 一个社会网系统是由大量的行动者(或称节点) 和将他们连接在一起·43·的关系模式构成。[ 4 ]社会网络分析就是一套基于网络系统中的关系来研究社会结构的方法。[ 5 ]网络分析的目的是检验行动者委身于什么样的关系系统, 并进而分析关系结构的属性如何影响行为。因而研究的焦点是行动者之间的相互依赖, 以及他们在社会网的位置如何影响他们的机会、约束和行为。[ 6 ]基于此, 社会网视行动者是镶嵌在关系系统之中的, 他们的特征由其所处的结构环境决定。社会网分析在宏观和微观之间架起了一座桥梁, 既可以考察宏观效应(如网络结构、网络演化等) , 也允许考察微观效应(如个体的目标) , 还允许研究宏观和微观两个层面的混合效应(如网络结构对个体推荐动机的影响)。近年来的研究已经显现出了客—客互动( customer - to - customer interaction) 对客户行为愈益重要的影响力。例如, 有的学者研究了客—客互动对顾客推荐行为的研究[ 7 ] ; 有的研究了交易关系在社会网络中的镶嵌性[ 8 ] ; 还有学者研究了客户互动对销售终端系统( POS, point of sale) 使用行为的影响[ 9 ] 。此外, 大量有关社会网络分析的文献也探讨了顾客在各种各样的组织中的行为问题, 从而推动社会网络分析理论发展到了一个相对成熟的阶段。然而, 这一领域的实证研究没有跟上理论的发展,鲜见考虑客户之间的相互连接性所带来的行为结果的研究出现。文献[ 10 ] 认为, 作为一种研究方法, 社会网络分析可以用于研究通信网络中的客户关系管理问题。最近, 很多研究人员开始利用社会网络分析的方法研究移动通信网络。对这些研究人员来说, 移动通信网络并非单纯的产业背景, 而是一种新出现的社会网络渠道。手机用户就是社会行动者, 而他们的沟通行为代表了一种关系结构或社会连带。从这种意义上讲, 移动通信网是由相互缠绕在一起的社会连带构成的, 由此大量的信息得以传递。在这个过程中, 手机用户作为网络的节点传递信息, 根据对通话对象的挑选决定他们的通信联系。目前, 已经有一些学者研究了移动通信网络中的手机用户。例如, 文献[ 11 ] 根据社会网络分析方法研究了如何在客户关系管理中利用社会网络效应, 发现客户的短信使用行为依赖于他所处的社会网络的短信使用行为; 文献[ 12 ] 研究了手机使用时网络效应的重要性, 以及社会网络结构对用户采用决策的影响。但这些文献大多探讨移动通信网的网络效应问题, 很少考虑客户的互动特性。三、研究方法与数据收集1. 研究程序首先, 笔者对拟采集数据的移动公司高层管理者和集团客户的客服经理分别进行了两次深度座谈,访谈的目的是了解哪些关系属性可能对集团客户的通话行为产生比较大的影响。对访谈结果的详细梳理形成了本研究关系属性的构成维度, 并为各个维度的具体测量方法选择奠定了基础。然后, 深入检查了该公司集团客户的名单目录, 初步分析了各个集团客户的关系网络特征和关系属性, 以便选择一个恰当的数据集。最后, 通过运行UC INET610和SPSS1210进行相关的数据分析和模型检验。2. 数据收集① 中心度是指某集团客户成员在该集团中所拥有的关系数量的总和。② 捷径距离是指捷径距离矩阵中列的捷径距离之和。③ 中介性衡量的是一个人作为媒介者的能力,也就是占据在其他两人快捷方式上重要位置的人。占据这样位置越多,就越代表他具有很高的中介性。 第一步, 从某地市移动公司的2 000个集团客户中选择一个集团客户作为分析对象, 这个集团客户必须满足两个条件: ①集团规模适中, 即集团用户数在100～150之间, 这样的用户规模最具代表性;②集团内成员之间的联系较为紧密, 即平均度在所有集团平均度的均值以上。在满足这两个条件的集团中通过简单随机抽样选出一个集团客户作为分析对象, 所抽取的集团客户拥有139名成员, 即社会网络中有139个节点。第二步, 基于集团内成员的通话记录详单, 构造集团成员间的关系矩阵A139 ×139 , A 中的项aij表示节点i和节点j之间的联系强度。对联系强度的处理, 采用简单二元对称关系矩阵, 即aij ∈aji , aij = aji。如果节点i和j之间产生过通话, 那么aij = 1; 否则aij = 0。第三步, 基于成员间的关系矩阵A139 ×139 , 计算各成员的中心度( degree) ①、捷径距离( farness) ②、中介性( betweenness) ③等指标。统计集团内各个成员网络内通话量, 记为通话总时长( dur) 。·44·北京邮电大学学报(社会科学版) 2008年第5期最后, 以成员的通话总时长为因变量, 中心度、捷径距离、中介性等指标为自变量构造回归模型,并估计回归模型的各个参数, 进而研究变量之间的关系。为了保护用户的隐私, 没有任何有关识别个体用户的信息, 如姓名、地址、性别、年龄等。为了防止逆向工程, 用户的呼入呼出号码、用户号码等信息由运营商编码后分两步传送过来。此外, 运营商的员工在个体层面上无法接触到本文的研究结果, 且所有通话内容都不在分析范围之内。3. 数据分析本研究的目标是通过实证研究深入理解关系属性如何影响集团客户的沟通行为。为此, 选择了三个网络指标测量手机集团客户的关系属性。与此同时, 选择某一特定时间段的通话时长作为因变量(通话行为) 。然后, 通过回归分析检验这些关系属性对沟通行为的影响程度。构建的回归模型如下Y =α +β1 X1 +β2 X2 +β3 X3 +ε式中, Y表示对沟通行为的测量, 定义为在选定的1个月时间里(2008年7月1日至7月31日) 某用户呼入呼出电话的通话分钟数的总和; X1、X2、X3 分别表示客户的社会网络指标中心度、捷径距离、中介性; α、β1 、β2 、β3 是待估计的参数; ε表示系统误差。四、研究结果在整理完毕的网络数据集中, 共有139个节点(个体客户) , 这些节点共形成了1 306条网内联系。实际联系数量与理论上最大联系数量的比例(网络密度) 为01066 2, 网络的中心度为17119% , 网络的平均距离为21786。表1归纳了研究模型中主要变量的均值(mean) 、标准差( s1e1) 和变量( varia2ble) 之间的Pearson相关系数。由表1可以看出, 所有相关系数均显著小于1, 而且膨胀系数均小于15, 因此不存在明显的共线性问题。表1 描述性统计和相关矩阵variable mean s. e. range 1 2 3dur 112179 99176 605degree 9134 8134 32 01713 3farness 389174 75153 464 - 01573 3 - 01793 3betweenness 253116 405117 2 528 01673 3 01783 3 - 01563 3 注: 3 3 p < 0101。然后分析自变量( degree、farness和betweenness) 与因变量通话时长的关系。通过运行SPSS1310的回归( regression) 模块, 得出如表2所示的结果。T值检验的结果显示有两条路径( degree到dur和betweenness到dur) 是显著的( p < 0101) 。表2 回归分析结果variable standardized coefficients t - Value 014443 3 3 31444 01001farness - 01054 - 01554 01581betweenness 012903 3 31075 01003R - Square = 01540; F = 521911 (P < 01001) 注: 3 3 p < 0101; 3 3 3 p < 01001。如表2所示, 在对用户通话总时长的影响方面, 中心度比中介性更具解释能力。中心度指标代表了一个用户与其他用户之间的社会联系。如果一个用户具有更高的中心度, 那么他可能拥有更多与其他人沟通的机会, 并因此获得更多的利益。由此可以看出, 具有较高中心度的用户是需要运营商重点·45·杨学成等: 客户的关系属性及其对沟通行为的影响关注的, 因为他们往往能为运营商带来更多的收入。中介性指标是能够解释通话总时长的另一个重要指标, 具有较高中介性的人是指那些在社会网络中占据有利位置或处在其他人联络的捷径距离中间的人。也就是说, 这些人担当了其他用户之间的中间人( broker) 角色, 并居间平衡, 成为其他人相互联络的媒介者。因此, 这样的用户也会频繁通话。捷径距离指的是一名用户联系到网络中另一名用户所要经过的最短路径。然而, 结果显示, 捷径距离对通话时长的回归系数没有通过t检验。造成这一现象的原因可能是捷径距离只能解释成员在组织中的社会影响力, 而这种社会影响力可以通过其他一些渠道得以传达, 不一定表现为通话时长。为了进一步研究这些指标对不同类型用户的影响, 要对回归结果进行深入分析。实际上, 通过表1的数据可以得到这样一个印象: 通话总时长数据的分布范围非常大( range为605) , 而且通过计算发现偏度指标也超过了1100的临界值( skewness为11856) 。这说明通话总时长数据并不服从标准的正态分布, 而是向低水平的通话总时长偏离(mean为112179, s1e1为99176) 。因此, 中位数(88) 是对中心趋势的一个更好的判断指标。为了更深入的研究, 按照通话总时长的中位数进一步将样本区分为两个样本数接近但更有意义的小样本。在区分出来的两个小样本中, 分别对回归模型进行估计, 结果如表3所示。表3 分样本回归结果variable 低分组( dur≤88) 高分组( dur > 88) 整体模型(overallmodel)dependent durdegree 0146633 01012 11015333farness - 01065 01001 01019333betweenness 01161 01633333 0102333R - Square 01376 01412 01797F - Value 131484333 141964333 177183333 注: 33 p < 0101; 333 p < 01001。从表3可以看出, 两个回归模型均通过了统计检验, 说明具有较好的解释能力。对于不同水平的因变量, 回归模型表现出了显著的不同。在低分组( dur≤88) 中, 中心度指标是最具解释能力的预测变量; 而在高水平组( dur > 88) 中, 中介性指标的解释能力最大。下面讨论这些分析结果对于运营商营销和管理的实践意义。五、实践建议过去运营商仅通过个体用户的属性理解用户的行为, 忽视用户的网络属性, 而网络属性对于理解用户的行为至关重要。运营商有必要从网络的角度来看待客户。由于中心度、中介性等网络属性能在一个组织的范围内很好地解释用户的行为, 因此为运营商提供了了解客户的另一窗口。在营销实践过程中, 运营商除了关注客户人口特征、消费特征指标外, 还应该重视客户的关系属性。首先, 运营商在向集团客户推广新产品和开展促销活动时, 应该将集团客户看作是一个相互连接的社会网络, 而非一群相互独立的客户; 其次, 借助社会网络分析等手段, 分析集团客户的社会网络结构, 从中找出集团客户中那些占据有利网络位置的个体客户; 最后, 重点向这些占据有利网络位置的个体客户开展营销活动, 以使营销信息能借助客户自身的社会网络传播, 从而达到节约营销费用的目的。预测客户的行为是顾客关系管理中的核心命题。传统的预测模型仅仅包含了个体的信息, 而没有顾及客户的互动特征, 也就是关系属性, 这大大限制了预测的准确性。本文在论述关系属性的重要性的同时, 建立了运用关系属性预测顾客行为的模型, 并运用实证数据进行了检验。研究结果表明, 客户的关系属性能对用户的沟通行为产生显著的影响, 这对于运营商提高营销效率具有重要的实践意义。·46·北京邮电大学学报(社会科学版) 2008年第5期参考文献:[ 1 ] Algesheimer R, Florian V M. A network based app roach to customer equity management[ J ]. Journal of Relationship Marke2ting, 2006, 5 (1) : 39～57.[ 2 ] Katz J E, AakhusM A. Perpetual contact: mobile communication, p rivate talk, public performance [M ]. Cambridge: Cam2bridge University Press, 2002.[ 3 ] Wellman B. Computer networks as social networks[ J ]. Science, 2001, 293 (14) : 2031～2034.[ 4 ] IacobucciD. Interactive marketing and the megaNet: networks of networks[ J ]. Journal of InteractiveMarketing, 1998, 12: 5～16.[ 5 ] Rogers EM, Kincaid D L. Communication networks: toward a new paradigm for research[M ]. New York: Free Press, 1981.[ 6 ] Wasserman S, Galaskiewicz J. Advances in social network analysis[M ]. London: Sage, 1994.[ 7 ] Wangenheim F, Bayon T. The impact ofword ofmouth on service switching: measurement and moderating variables[ J ]. Eu2ropean Journal ofMarketing, 2004, 38 (9 /10) : 1173～1185.[ 8 ] Grove S J, Fisk R P. The impact of other customers on service experiences: a critical incident examination of“GettingAlong”[ J ]. Journal of Retailing, 1997, 73 (1) : 63～85.[ 9 ] Wathne K H, Biong H, Heide J B. Choice of supp lier in embedded markets: relationship and marketing p rogram effects[ J ].Journal ofMarketing, 2001, 65: 54～66.[ 10 ] Algesheimer R, Wangenheim F. A network based app roach to customer equitymanagement[ J ]. Journal of RelationshipMar2keting, 2005, 5 (1) : 39～57.[ 11 ] Kiss C, BichlerM. Leveraging network effects for p redictive modeling in customer relationship management[ C ] / / Proceed2ings of the 15 th AnnualWorkshop on Information Technologies & System (W ITS). LasVegas: [ s. n. ] , 2005.[ 12 ] Birke D, Swann GM P. Network effects and the choice of mobile phone operator[ J ]. Journal of Evolutionary Economics,2006, 16 (1～2) : 65～ impact of rela tiona l a ttr ibutes on mob ile phone user’commun ica tion behav iorYANG Xue - cheng, ZHANG Xiao - hang, SH IWen - hua( School of Economics andManagement, BUPT, Beijing 100876, China)Abstract: Predicting customers’behavior is a major analytical task in Customer Relationship Management(CRM). While the CRM analysts takes a large number of customer attributes such as demography information,consump tion characteristics into account, the customers’interaction with each other, and in particular relationalattributes have been ignored, although it iswell known that customers are consciously or unconsciously connectedto each other. This article focuses on the impact of relational attributes on mobile phone users’communication be2havior. Instead of viewing a market as a set of independent entities, we view it as a social network in which thecustomer interact with each other via mobile communication app lications such as voice calling, SMS, MMS, blue- tooth, etc. The results show that relational attributes are powerful p redictors of customers’ voice calling, butthere exists differences between relatively higher calling level and lower calling level. The article concludes bydiscussing marketing imp lications for the mobile telecommunications words: relational attributes; social network analysis; customer relationship management; enterp rise cus2tomer·47·杨学成等: 客户的关系属性及其对沟通行为的影响

社会网络分析理论： 在社会网络[63]由人类学家Barnes最早提出的概念，他在社会网络的分析基础上统地研究挪威一个小渔村的跨亲缘与阶级的关系。在社会网络分析中，存在一些经典的理论。这些理论主要包括:六度分割理论、弱关系理论、150法则、小世界网络理论、马太效应等。基于社会网络有关的研究方向和内容，在不同的领域着发挥着各自的作用，例如，社会影响力分析，社区发现，信息传播模型，链接预测，基于社会网络的推荐。 150法则是指一个人能保持稳定社交关系的人数上限通常为150人。1929年由英国罗宾•邓巴教授(Robin Dunbar)提出了经典的”150定律”理论，该定律同时也被称为“邓巴数字”[64]。这个定律在我们的实际日常生活中的应用是相当普遍的，SIM卡中只能存储150个联系人的电话，微软的MSN中也只可以最多把150位联系人的信息添加到自己的名单中[64]等等。 小世界网络是一种具有特殊结构的复杂网络，在这种网络中大部份的节点是不相邻的，但绝大部份节点之间是连通的且距离很短。六度分割理论也是小世界网络理论的一种体现。在多数现实世界的社会网络中，尽管网络中的节点数量巨大，网络中相邻的节点相对较少，但每两个节点间往往只需要很短的距离便能连通。 六度分割就是指一个人与其他任何一个人之间建立起联系，最多都只需要经过六个人。所以，即便邓巴数字告诉我们，我们是能力上维持一个特别大的社交圈的，但是六度分割理论却可以告诉我们，通过我们现有的社交人脉圈以及网络可以无限扩张我们的人脉圈，在需要的时候都能够和地球中想要联系的任何人取得联系。 弱关系理论弱关系(Weak Tie)是指需要较少或不需要情感联系的人们之间的社会联系，这种联系几乎不需要耗费个人的时间或精力来维系，但这种联系却很有作用。美国社会学家Mark Granovetter在研宄人们在求职过程中如何获取工作信息时发现[65]，由家人、好友等构成的强关系在获取工作信息过程中起到的作用很有限，而那些关系较疏远的同学、前同事等反而能够提供更加有用的求职信息。 马太效应可以理解为达尔文进化论中适者生存的理念。在社交网络的发展过程如同生物进化的过程，存在强者越强、弱者越弱的现象。也就是说，在社交网络中越是处于网络核心的节点很大可能会变来越核心，而那些处于社交网络中边缘地带的节点或许会越来越不重要甚至直至消失。那些在社交网络中相比其他节点拥有更大影响力的节点，其带给该网络的影响也要比那些拥有弱影响力的节点所带来的影响要强。 从不同角度探索节点影响力挖掘算法： 1.基于邻节点中心性的方法。这类方法最简单最直观，它根据节点在网络中的位置来评估节点的影响力。度中心性[13]考察网络中节点的直接邻居数目，半局部中心性[14]考察网络中节点四层邻居的信息，ClusterRank[15]同时考虑了网络中节点的度和聚类系数。 2.基于路径中心性的方法。这类方法考察了节点在控制信息流方面的能力，并刻画节点的重要性。这类方法包括子图中心性[16]、数中心性[17]（一些演化算法包括：路由介数中心性[18]，流介数中心性[19]，连通介数中心性[20]，随机游走介数中心性[21]等）及其他基于路径的挖掘方法。 3.迭代寻优排序方法。这类方法不仅考虑了网络中节点邻居的数量，并且考虑邻居质量对节点重要性的影响，包括了特征向量中心性[13]，累积提名[22]，PageRank算法[23]及其变种[24-32]。 4.基于节点位置的排序算法。这类方法最显著的特点是，算法并没有给出一个计算节点重要性的定义，而是通过确定节点在网络中的位置，以此来确定节点的重要程度。在网络核心位置的节点，其重要性就相对较高，相反的，若节点处于网络边缘，那么它的重要性就会比较低。基于节点位置的以及不同应用场景的推荐算法具有重要的研究意义[34-37]。 节点影响力评估方法： 在社交网络节点影响力的评估方法主要可以分为三类，基于静态统计量的评估方法、基于链接分析算法的评估方法，基于概率模型的评估方法。 众学者在静态统计量的方法上，结合不同社交网络中相关信息，借鉴链接分析法以及建立概率模型来评估节点影响力，对社交网络节点影响力可以做到更有效的评估[66]。 1)基于静态统计量度量方法 主要是通过网络中节点的一些静态属性特征来简单直接地体现节点的影响力，但面对社交网络中复杂信息以及不同平台，并不能有效地度量不同社交网络中节点影响力。如度中心性，主观认为节点的重要性取决于与其他节点连接数决定，即认为一个节点的邻居节点越多，影响力越大。在有向网络中，根据边的方向，分为入度和出度，在有权网络中，节点的度可以看作强度，即边的权重之和。度中心性刻画了节点的直接影响力，度中心性指标的特点是简单、直观、计算复杂度低，也具有一定合理性。 但针对不同平台的网络结构中，度中心性的影响力效果未必能达到目标效果，而且社交网络中用户间关系的建立具有一定的偶然性，而且不同的用户间的关系强度也不同。度中心性没有考虑了节点的最局部信息，虽然对影响力进行了直接描述，但是没有考虑周围节点处所位置以及更高阶邻居。众学者在静态统计量的方法上，结合不同社交网络中相关信息，借鉴链接分析法以及建立概率模型来评估节点影响力，对社交网络节点影响力可以做到更有效的评估[66-67]。 2)基于链接分析算法的方法 链接分析算法(Link Analysis)主要应用在万维网中用来评估网页的流行性。通过超链接，万维网中的网页连接成一个网络，同时这个网络也具备了小世界网络的特征，且微博平台中的关注和粉丝关系与网页的链入与链出十分相似，因此链接分析法的思想也被应用在了微博社交网络中节点影响力的评估中。经典的算法是PageRank[68]和HITS算法[69](Hyperlink-Induced Topic Search)。 PageRank算法模型，是Google在搜索引擎结果中对网站排名的核心算法，核心思想通过计算页面链接的数量和质量，来确定网站的重要性的粗略估计，即节点的得分取决于指向它的节点的数量和这些节点的本身得分。即有越多的优质节点指向某节点时它的得分越高。 HITS算法是由Jon Kleinberg于1997年提出的。HITS算法模型中，有两类节点，权威(Authority)节点，和枢纽(Hub)节点。权威节点在网络中具有高权威性，枢纽节点具有很个指向边的节点。通过计算网络中每个节点的Authority权威值和Hub枢纽值来寻找高权威性的节点。即求值过程是在迭代中计算Authority和Hub值，直到收敛状态。Hub值和Authority值计算公式。 通过多数研究者发现，将链接分析法结合社交网络特性可以更好的对用户影响力进行评估，由于技术的快速发展，社交网络的多变性，因此如何将社交网络中的复杂数据和用户行为与相关算法进行结合，仍是需要我们继续研究的方向。 3)基于概率模型的方法 主要是建立概率模型对节点影响力进行预测。这么多学者将用户影响力作为参数对社交网络中的节点用户行为建立概率模型，并根据社交网络中已有的用户数据求解概率模型，得出用户影响力。 文献[70]认为用户间影响力越大、被影响用户的活跃度和转发意愿越高，则其转发另一个用户的信息的概率越大，所以利用用户影响力、转发意愿和活跃度等构建转发概率模型。通过用户发布的tweet数量、转发的tweet数和用户的历史转发行为数据，计算出用户活跃度、转发意愿和转发概率，进而社交网络中用户影响力。 文献[71]在度量影响力时融合了用户发布信息的主题生成过程，认为兴趣相似或经常联系的用户间影响力较强，用户的行为受其朋友的影响也受其个人兴趣的影响。基于这些假设，结合文本信息和网络结构对LDA模型进行扩展，在用户发布信息的基础上建立模型，通过解模型计算得出用户间基于主题的影响力。 文献[72]认为转发概率同样可以体现用户间的影响力，根据用户间的关注关系。历史转发记录，利用贝叶斯模型预测用户间的转发概率。 文献[73]考虑了用户建立关注关系的原因，用户被关注可能是与关注者兴趣投，也可能受用户的影响力影响。将基于用户的主题建模和基于主题的影响力评估相结合，并在同一个生成模型中进行计算，提出基于LDA算法模型的扩展算法模型FLDA模型(Followship-LDA)。[13] P. Bonacich. Factoring and weighting approaches to status scores and clique identification[J]. Journal of Mathematical Sociology, 1972, 2(1): 113-120 [14]ü,[J]. Physica A, 2012, 391(4): 1777-1787 [15] D. B. Chen, H. Gao, L. Lü, et al. Identifying influential nodes in large-scale directed networks: The role of clustering[J]. PLoS One, 2013, 8(10): e77455 [16], . [J].Physical Review E, 2005, 71(5): 122-133 [17][J].Sociometry,1977, 40(1): 35-41 [18] S. Dolev, Y. Elovici, R. Puzis. Routing betweenness centrality[J].Journal of the ACM, 2010, 57(4): 710-710 [19] Y. Gang,, H. Bo,etal. Efficientroutingoncomplexnetworks[J].PhysicalReviewE, 2005, 73(4): 46108 [20] E. Estrada, D. J. Higham, N. Hatano. Communicability betweenness in complex networks[J]. Physica A, 2009, 388(5): 764-774 [21][J].Social networks, 2005, 27(1): 39-54 [22] networks[J]. Social networks, 2000, 22(3): 187-200 [23] B. S. Brin, L. Page. The anatomy of a large scale hypertextual Web search engine[J]. Computer Networks & ISDN Systems, 1998, 30: 107-117 [24] P. Jomsri, S. Sanguansintukul, W. Choochaiwattana. CiteRank: combination similarity and static ranking with research paper searching[J]. International Journal of Internet Technology & Secured Transactions, 2011, 3(2): 161-177 [13][25][D].California: University of California. 2012 [26] J. Weng, E. P. Lim, J. Jiang, et al. Twitterrank: finding topic-sensitive influential twitterers[C]. Third International Conference on Web Search & Web Data Mining, ACM, 2010, 261-270 [27]: distinguishingbetweenprestigeandpopularity[J].NewJournalofPhysics,2012,14(14): 33033-33049 [28] J. Xuan, H. Jiang, , et al. Developer prioritization in bug repositories[C]. International Conference on Software Engineering, 2012, 25-35 [29]ü,[J]. Physica A, 2013, 404(24)47-55 [30] L. Lü, Y. C. Zhang, C H Yeung, et in social networks, the delicious case[J]. PLoS One, 2011, 6(6): e21202 [31][J].Authoritative sources in a hyperlinked environmen, 1999, 46(5): 604-632 [32](SALSA)andthe TKC effect[J]. Computer Networks, 2000, 33(2): 387-401 [33][J].Physical Review E, 2014, 90(5): 052808 [34] A. Banerjee, A. G. Chandrasekhar, E. Duflo, et al. Gossip: Identifying central individuals in a social network[R]. National Bureau of Economic Research, 2014. [35] percolation in social networks[J]. arXiv preprint arXiv:, 2015. [36] S. Y. Tan, J. Wu, L. Lü, et al. Efficient network disintegration under incomplete information: the comic effect of link prediction[J]. Scientific Reports, 2016, 6. [37]任晓龙,吕琳媛.网络重要节点排序方法综述[J].科学通报, 2014,59(13): 1175-1197 [63]贝克,晓冬.社会资本制胜:如何挖掘个人与企业网络中的隐性资源[M].上海交通大学出版社,2002. [64]天涯.六度分隔理论和150法则[EB/OL].|.[2010-07-14]. [65]Granovetter M Strength of Weak Ties[J]. American journal of sociology, 1973: 1360-1380. [66]王梓.社交网络中节点影响力评估算法研究[D].北京邮电大学, 2014. [67] Meeyoung Cha, Hamed Haddadi,Fabricio Benevenutoets. Measuring User Influence in Twitter: The Million Follower Fallacy[C]. Proceedings of the 4th International AAAI Conference on Weblogs and Social Media (ICWSM),2010:10-17 [3][68]  Page, Lawrence, Brin, et al. The PageRank citation ranking[C]// BringingOrder to the Web. Stanford InfoLab. 1998: 1-14. [4][69]Kleinberg J M. Authoritative sources in a hyperlinked environment[J]. Journal of the ACM, 1999, 46(5): 604-632. [70]Zibin Yin, Ya Zhang. Measuring Pair-Wise Social Influence inMicroblog[C], 2012 ASE/IEEE International Conference on SocialComputing and 2012 ASE/IEEE International Conference on Privacy,Security, Risk and Trust, 2012: 502-507. [71]Lu Liu, Jie Tang, Jiawei Han, Meng Jiang, Shiqiang Yang. Mining topic-level influence in heterogeneous networks[C]. Proceedings of the 19th ACMinternational conference on information and knowledge management, 2010: 199-208. [72] Qianni Deng, Yunjing Dai. How Your Friends Influence You: Quantifying Pairwise Influences on Twitter[C], International Conference on Cloud and Service Computing, 2012:185-192. [73] Bi, Bin, et al. Scalable Topic-Specific Influence Analysis on Microblogs[C], Proceedings of the 7th ACM international conference on Web search and data mining,2014: 513-522.