鮑媛媛+易成岐+薛一波

Precision Marketing Strategies and Methods Based on Social Networks

中圖分類號：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號：1009-6868 （2014） 01-0020-006

摘要：在深入分析社會網(wǎng)絡(luò)用戶行為的基礎(chǔ)上，構(gòu)建了一個用戶信任網(wǎng)絡(luò)。基于該用戶信任網(wǎng)絡(luò)，通過GN（Girvan和Newman提出）算法進行群體劃分，并在群體劃分基礎(chǔ)上，利用文本分析技術(shù)實現(xiàn)群體興趣發(fā)現(xiàn)，確定群體營銷內(nèi)容；基于用戶信任網(wǎng)絡(luò)最大生成樹確定關(guān)鍵傳播路徑，并依據(jù)關(guān)鍵傳播路徑上節(jié)點信任度指標(biāo)確定營銷關(guān)鍵點，從而依據(jù)營銷內(nèi)容和營銷關(guān)鍵點推動差異化、精確化營銷。

關(guān)鍵詞： 精確營銷；用戶信任網(wǎng)絡(luò)；群體劃分；信息傳播；社會網(wǎng)絡(luò)

Abstract： This paper describes user behaviors and the construction of a user-trusted network. This network uses a GN algorithm to detect communities and text analysis to determine the interests of different communities. By obtaining the maximum spanning tree of the network， we find the most probable propagation path， and we use trust indicators to target key users. By directing marketing content to key users， differentiation and precision marketing is achieved.

Key words： precision marketing； user-trusted network； community detection； information dissemination； social networks

精確營銷是指在精確定位的基礎(chǔ)上，針對小眾群體，甚至是一對一群體，依托現(xiàn)代信息技術(shù)手段建立個性化的顧客溝通服務(wù)體系，準(zhǔn)確地管理和滿足顧客消費需求，用最小的成本、最低的風(fēng)險、最短的路徑，贏得最大化的利潤[1]。精確營銷的關(guān)鍵在于如何精準(zhǔn)地找到產(chǎn)品的目標(biāo)人群，使?fàn)I銷活動精確化、深入化、細(xì)致化，以便利用有限的資源獲得最大的收益。精確營銷現(xiàn)有傳播途徑主要有電子郵件、電話、短信、直返式廣告、網(wǎng)絡(luò)推廣等，此類傳播途徑中顧客一般都處于被動的信息接受狀態(tài)，缺乏獲取信息的主動性，不利于消息的裂變傳播；另外，由于此類傳播方式在一定程度上都涉及到對顧客隱私侵犯的情況，被大部分顧客所抵觸，因此，精確營銷亟需全新的、有效的傳播途徑的參與及推動。

隨著Web2.0技術(shù)的不斷成熟，以論壇、博客、微信、微博為代表的新媒體不斷涌現(xiàn)，特別是以社會網(wǎng)絡(luò)為平臺的新媒體，主要包括Facebook、Twitter、新浪微博、騰訊微博等的出現(xiàn)，更是改變了人們交流溝通、分享信息的方式，社會網(wǎng)絡(luò)在人們生活中扮演著愈加重要的角色，成為人們獲取信息、展現(xiàn)自我、營銷推廣的重要窗口，諸多企業(yè)已經(jīng)意識到社會網(wǎng)絡(luò)作為精確營銷手段的潛力，如何利用社會網(wǎng)絡(luò)的海量數(shù)據(jù)對目標(biāo)用戶進行準(zhǔn)確定位，利用社會網(wǎng)絡(luò)工具建立溝通渠道進行精確營銷，是很值得研究的問題，具有重要的理論價值和實際意義。

1 精確營銷的傳播途徑：

社會網(wǎng)絡(luò)

1.1 社會網(wǎng)絡(luò)作為精確營銷手段的

潛力

社會網(wǎng)絡(luò)作為精確營銷的傳播手段具有得天獨厚的優(yōu)勢，首先，社會網(wǎng)絡(luò)中用戶數(shù)逐年暴增，社會網(wǎng)絡(luò)已經(jīng)成為覆蓋用戶最廣、傳播影響最大、商業(yè)價值最高的Web2.0業(yè)務(wù)。在世界范圍內(nèi)，最著名的社會網(wǎng)絡(luò)代表是Facebook、Twitter，用戶量分別達(dá)到12億、5億；中國使用人數(shù)最多的社會網(wǎng)絡(luò)工具是新浪微博和騰訊微博，其中新浪微博用戶達(dá)到5億，騰訊微博用戶超過8億。大量的用戶必然產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)包含了用戶屬性數(shù)據(jù)、用戶關(guān)系數(shù)據(jù)、用戶行為數(shù)據(jù)，能夠為目標(biāo)用戶的精確定位提供強力支撐；另外，社會網(wǎng)絡(luò)傳播具備“點對點”的人際傳播和“點對面”的大眾傳播的雙重功能，能夠確保精確營銷中要求的個性化傳播以及將信息精確傳遞到用戶并形成雙向溝通的要求，其本身具有傳播成本低、效率高的特點，也完全符合精確營銷“利用有限的資源獲得最大的收益”的終極目標(biāo)；此外，社會網(wǎng)絡(luò)中的消息傳播建立在好友互相信任的基礎(chǔ)之上[2]，被動接受信息的情況大大降低，增加了用戶交流的主動性以及用戶之間深入溝通的可能，非常有利于精確營銷的深入化。

1.2 基于社會網(wǎng)絡(luò)的精確營銷策略

設(shè)計

目前，市場中的營銷活動都是利用電話、短信、電子郵件等傳播方式對所有用戶，進行無側(cè)重的營銷，例如若某公司意欲對圖1中用戶群A進行iPHONE產(chǎn)品的營銷，按照現(xiàn)有的營銷手段，會同等對待圖1中的所有用戶，將iPHONE產(chǎn)品信息的營銷短信或者郵件發(fā)送給所有用戶，往往會造成高成本、低收益的結(jié)果。

在實際情況中，用戶群A中并不是所有用戶都是活躍用戶，部分非活躍用戶對于消息傳播沒有直接貢獻(xiàn)，為了達(dá)到精確營銷的目的，此類用戶應(yīng)該去除；同時，在活躍用戶中也并非都是iPHONE產(chǎn)品的潛在用戶，精確營銷應(yīng)該做到對潛在目標(biāo)群體的準(zhǔn)確定位；另外，在潛在目標(biāo)群體中，所有用戶并不是處于相同的傳播地位，為了將營銷成本降至最低，需要確定潛在目標(biāo)群體中傳播地位最高的用戶作為營銷關(guān)鍵點，進行營銷活動?；谏鲜鲈O(shè)計思想，本文充分考慮到對消息傳播有實際影響的關(guān)系（信任網(wǎng)絡(luò)）、群體劃分情況、群體興趣情況、傳播最大化情況，提出了基于社會網(wǎng)絡(luò)的精確營銷策略，最終將營銷活動精確到對目標(biāo)產(chǎn)品最感興趣、且對傳播最具有影響力的用戶進行，實現(xiàn)營銷的精確化、細(xì)致化。以上述對用戶群A進行iPHONE精確營銷為例，對本文的精確營銷策略進行說明，其實現(xiàn)如下：endprint

（1）識別出用戶群A中對消息傳播有貢獻(xiàn)的活躍用戶是對目標(biāo)用戶準(zhǔn)確定位的第一步，如圖1所示，通過去除對消息傳播沒有貢獻(xiàn)的用戶，將目標(biāo)用戶群A縮小到用戶群B的范圍。

（2）在明確了對消息傳播有貢獻(xiàn)的群體后，為了將營銷目標(biāo)精確到對iPHONE產(chǎn)品感興趣的群體，需要進行群體劃分，并進一步確定群體興趣。如圖1所示，根據(jù)群體劃分以及群體興趣，將營銷目標(biāo)縮小到對iPHONE感興趣的更小的用戶群F。

（3）為了達(dá)到利用最低成本達(dá)到最優(yōu)的傳播效益，需要進一步確定目標(biāo)用戶群中的關(guān)鍵營銷點。如圖1所示，通過一定算法能夠確定用戶群F中用戶c是關(guān)鍵點，則精確營銷活動只需針對此目標(biāo)用戶c即可。

這樣，基于社會網(wǎng)絡(luò)的精確營銷策略能夠?qū)⒃紶I銷活動的成本大大降低，同時又提高了營銷效率，達(dá)到低成本、高收益的目的，實現(xiàn)營銷的精確化、細(xì)致化。

2 基于社會網(wǎng)絡(luò)的精確

營銷策略的實施

社會網(wǎng)絡(luò)中巨大的用戶群以及產(chǎn)生的海量數(shù)據(jù)為目標(biāo)群體的準(zhǔn)確定位提供了強大的支持，社會網(wǎng)絡(luò)中用戶之間基于信任的消息傳播機制也為消息的廣泛傳播提供了保證。基于此，本文設(shè)計了一套基于社會網(wǎng)絡(luò)的精確營銷策略，詳細(xì)描述如圖2所示。

基于社會網(wǎng)絡(luò)的精確營銷策略實施步驟主要包括：首先收集用戶信息，并對用戶屬性數(shù)據(jù)、關(guān)系數(shù)據(jù)以及行為數(shù)據(jù)等進行數(shù)據(jù)清洗及存儲；其次，對用戶主要行為進行分析，識別活躍用戶，構(gòu)建用戶信任網(wǎng)絡(luò)；基于社會網(wǎng)絡(luò)中用戶信任網(wǎng)絡(luò)，采用GN算法（Girvan和Newman提出）對用戶進行群體分析，并進一步分析群體內(nèi)用戶發(fā)布的內(nèi)容，通過自然語言處理的方法，確定群體的興趣；同時，通過尋找群體的最大生成樹方式，確定群體中的關(guān)鍵傳播路徑，并最終找到群體中起關(guān)鍵傳播作用的領(lǐng)袖節(jié)點，確定以此類節(jié)點作為群體精確營銷的主要突破點進行營銷活動，確保營銷的傳播最大化；最后，根據(jù)營銷內(nèi)容及營銷關(guān)鍵節(jié)點，進行差異化、精確化的營銷活動。

2.1 用戶信任網(wǎng)絡(luò)構(gòu)建

2.1.1 社會網(wǎng)絡(luò)用戶行為分析

社會網(wǎng)絡(luò)是一個基于用戶關(guān)注關(guān)系的信息發(fā)布、獲取及傳播平臺，由用戶、用戶關(guān)系、用戶行為以及用戶生成內(nèi)容組成[3]。由于所有社會網(wǎng)絡(luò)中用戶的行為趨于一致，下面以新浪微博中用戶行為為例進行說明。新浪微博中用戶最主要的行為包括關(guān)注、發(fā)布、評論、轉(zhuǎn)發(fā)及推送（@）等，詳述如下：

（1）關(guān)注：用戶通過關(guān)注功能表示對另一用戶的興趣，關(guān)注某一用戶也標(biāo)志著對該用戶生成內(nèi)容訂閱，當(dāng)該用戶發(fā)布微博時，微博內(nèi)容將自動被推送到其粉絲用戶的主頁面。

（2）發(fā)布：指用戶可以在自己的主頁面上發(fā)布個人觀點等相關(guān)內(nèi)容，此類內(nèi)容會自動被顯示到其粉絲的主頁面上。

（3）評論：指用戶可以對其他用戶發(fā)布的微博發(fā)表個人的意見，評論內(nèi)容可以選擇性的顯示在自己的主頁面上。

（4）轉(zhuǎn)發(fā)：指用戶可以對其他用戶發(fā)布的微博進行轉(zhuǎn)發(fā)，轉(zhuǎn)發(fā)內(nèi)容則會顯示在自己的主頁面上，其粉絲能接收到此轉(zhuǎn)發(fā)微博。

（5）推送：也即“@”后面跟用戶賬號的方式，表示將發(fā)布內(nèi)容推送到用戶賬號的主頁面，發(fā)起互動。

總體來說，關(guān)注是建立用戶之間關(guān)系網(wǎng)絡(luò)的，而用戶生成內(nèi)容的傳播主要則是依靠用戶的轉(zhuǎn)發(fā)和推送行為，用戶生成內(nèi)容傳播的過程如圖3所示。

2.1.2 用戶信任網(wǎng)絡(luò)構(gòu)建

用戶的關(guān)系網(wǎng)絡(luò)大多基于關(guān)注關(guān)系得到，然而由于目前大量僵尸賬號的存在，關(guān)注關(guān)系網(wǎng)絡(luò)不能很好地反映用戶之間的實際互動行為，而基于用戶實際行為的網(wǎng)絡(luò)能夠更好地表示用戶之間的親密程度及信任關(guān)系[4]。鑒于此，本文將基于用戶轉(zhuǎn)發(fā)及推送行為構(gòu)建用戶信任網(wǎng)絡(luò)，影響用戶信任程度的行為如圖4所示。

根據(jù)上述的分析可知，轉(zhuǎn)發(fā)行為和推送行為是用戶間信任度的關(guān)鍵影響因素，由于行為性質(zhì)的不同，對于信任程度的影響也不盡相同，因此賦予兩個行為不同的權(quán)值，用戶之間的信任指標(biāo)可由式1表示。

[ti，j=α（Ni，j（r）+Nj，i（r））+β（Nj，i（m）+Ni，j（m））Ni+Nj] （1）

其中：Ni， j表示用戶i和用戶j之間互動行為的總次數(shù)，包括轉(zhuǎn)發(fā)行為（用上標(biāo)r表示）及推送行為（用上標(biāo)m表示）；Ni表示用戶i發(fā)起的行為總和；α和β分別表示轉(zhuǎn)發(fā)行為的權(quán)值和推送行為的權(quán)值。

考慮到推送行為中經(jīng)常包含反對意見及無意義的內(nèi)容，因此賦予轉(zhuǎn)發(fā)行為更高的權(quán)值α=0.7，而推送行為權(quán)值為β=0.3。依據(jù)上述假設(shè)，形成的用戶信任網(wǎng)絡(luò)如圖4所示，每一節(jié)點代表社會網(wǎng)絡(luò)中的一個用戶，而節(jié)點之間的連線代表用戶之間存在信任關(guān)系，連線上的權(quán)重表示用戶之間信任程度，如圖5中用戶5和用戶7之間的信任度為16。

2.2 目標(biāo)群體的精準(zhǔn)定位

由于精確營銷的核心是目標(biāo)用戶群體的精確定位，因此需要對社會網(wǎng)絡(luò)的用戶基于用戶信任網(wǎng)絡(luò)進行群體劃分；在得到的群體基礎(chǔ)上，通過自然語言處理技術(shù)研究群體內(nèi)部用戶發(fā)布微博的內(nèi)容，確定群體興趣，實現(xiàn)目標(biāo)用戶群體的精確定位。

根據(jù)往網(wǎng)絡(luò)中添加邊還是移除邊，群體劃分的算法可以分為分裂方法[5]和凝聚方法[6-7]。本文選取分裂方法中的GN算法對用戶信任網(wǎng)絡(luò)進行群體劃分，GN算法是基于去邊的社團發(fā)現(xiàn)算法，能夠?qū)⒕W(wǎng)絡(luò)分裂成任意數(shù)量的社團，由于此算法是被Girvan和Newman首次提出，因此將此基于去邊的社團發(fā)現(xiàn)算法命名為GN算法。算法的具體步驟如下：首先計算網(wǎng)絡(luò)中各邊的邊介數(shù)，即經(jīng)過每條邊的最短路徑數(shù)目；其次，通過不斷去除網(wǎng)絡(luò)中邊介數(shù)最大的邊來進行群體劃分；而經(jīng)過每一次劃分，計算此時形成的群體的模塊度情況，直到模塊度達(dá)到峰值時，得到最優(yōu)的群體劃分結(jié)果。模塊度[8]的定義是：假設(shè)網(wǎng)絡(luò)被劃分為k個群體，則有k×k維的對稱矩陣E=（eij），其中元素eij表示網(wǎng)絡(luò)中連接不同群體i和j節(jié)點的邊在所有邊中所占的比例，E的對角線元素之和Tre=∑eii，每行元素之和ai=∑eij，則模塊度定義如式（2）所示。endprint

Q=∑i（eii-a2i）=Tre-‖e2‖ （2）

按照上述GN算法的步驟對用戶信任網(wǎng)絡(luò)進行群體劃分，直到達(dá)到模塊度峰值結(jié)束，最終能夠形成如圖6所示的群體劃分結(jié)果。從圖6中可見，不同顏色節(jié)點屬于不同的群體，群體內(nèi)部互動較為頻繁，即群體內(nèi)部成員之間關(guān)系較為緊密，一般情況下群體內(nèi)部成員的興趣也趨同。

基于群體劃分的結(jié)果，對每一群體中用戶發(fā)布微博內(nèi)容進行分析，可以獲得群體的興趣。首先，根據(jù)已有的中文微博詞庫對微博進行自動分詞[9]；其次，通過詞頻統(tǒng)計的方式確定群體發(fā)布內(nèi)容的關(guān)鍵詞集；最后，在一定布局算法[10]的基礎(chǔ)上，形成每一群體的關(guān)鍵詞云圖，如圖7所示。從圖7中可以看出，該群體的興趣主要是“新iPHONE”、“crocs”等。根據(jù)群體關(guān)鍵詞云，能夠識別不同群體的不同興趣情況，以便結(jié)合群體的興趣以及精確營銷內(nèi)容選擇合適的群體進行營銷。

2.3 消息傳播最大化

根據(jù)式（1）對用戶信任度的描述，能夠建立用戶信任網(wǎng)絡(luò)，每條邊代表用戶之間的信任程度，即信任度越大的邊代表信息發(fā)生傳播的可能性越大，也即消息的關(guān)鍵傳播路徑。根據(jù)分析，得到如下結(jié)論：群體內(nèi)部消息傳播起到重要作用的路徑（關(guān)鍵傳播路徑）的求解問題與信任網(wǎng)絡(luò)的最大生成樹求解問題具有一致性，因此關(guān)鍵傳播路徑的求解問題即可轉(zhuǎn)化為信任網(wǎng)絡(luò)的最大生成樹求解問題。假設(shè)最大生成樹由G表示，其中G={N， E， w， T}，N表示群體中的節(jié)點集合，E表示群體中節(jié)點之間的邊集，w表示邊的權(quán)重集合，T表示群體的生成樹包含的邊集，則最大生成樹T就是使w（T）取值最大的生成樹，其中w（T）由式（3）表示。

[ w（T）=e∈Tw（e）] （3）

由于網(wǎng)絡(luò)中最大生成樹問題沒有相應(yīng)的快速求解方法，我們將用戶信任網(wǎng)絡(luò)的最大生成樹問題進一步轉(zhuǎn)化為用戶信任網(wǎng)絡(luò)G對應(yīng)的網(wǎng)絡(luò)G={N， E， w， T}的最小生成樹問題[11]，其中網(wǎng)絡(luò)G的權(quán)重為w，如式（4）所示。

[ w'（e）=e∈Ew（e）-w（e）] （4）

本文采用Kruskal算法[12]尋找網(wǎng)絡(luò)G最小生成樹，Kruskal算法是尋找關(guān)聯(lián)加權(quán)網(wǎng)絡(luò)中最小生成樹的貪婪算法，能夠找到邊的權(quán)重之和最小的邊集，得到的網(wǎng)絡(luò)G的最小生成樹也即對應(yīng)為信任網(wǎng)絡(luò)G的最大生成樹（關(guān)鍵傳播路徑），圖8是使用Kruskal算法獲得關(guān)鍵傳播路徑的詳細(xì)步驟。在圖8中，最終找到的紅色標(biāo)記的邊集即為關(guān)鍵傳播路徑。

基于獲得的關(guān)鍵傳播路徑，節(jié)點的信任度可由與節(jié)點相連的關(guān)鍵傳播路徑的信任度之和計算得到，將節(jié)點按照信任度由高到低進行排序，從而能夠確定出在消息傳播路徑上對消息傳播具有重要擴散作用的節(jié)點集序列，具有最高信任度的節(jié)點在整個群體中的傳播地位最高，對此類節(jié)點進行營銷，能夠達(dá)到使用最小的資源獲得最好的傳播效果的作用，保證精確營銷的進行。

3 基于社會網(wǎng)絡(luò)的精確

營銷策略實施案例

根據(jù)上述對于基于社會網(wǎng)絡(luò)的精確營銷策略的描述，此策略的實施主要分為構(gòu)建信任網(wǎng)絡(luò)、群體劃分、群體興趣發(fā)現(xiàn)、群體關(guān)鍵路徑發(fā)現(xiàn)、群體營銷點確定五個部分，下面以iPHONE的精確營銷為例，進行簡要說明，具體如圖9所示。

為了實現(xiàn)對圖9（a）中關(guān)系網(wǎng)絡(luò)所示用戶群進行iPHONE的精確營銷，首先需要去除關(guān)系網(wǎng)絡(luò)中對消息傳播沒有貢獻(xiàn)的用戶，由圖9中（a）關(guān)系網(wǎng)絡(luò)到圖9（b）信任網(wǎng)絡(luò)實現(xiàn)的是去除關(guān)系網(wǎng)絡(luò)中僵尸用戶等對消息傳播沒有貢獻(xiàn)的用戶，依據(jù)用戶之間實際發(fā)生的行為，構(gòu)建得到信任網(wǎng)絡(luò)，例如圖9（a）中用戶a與用戶n、用戶n與用戶b等、用戶o到用戶r、用戶n到用戶p、用戶p到用戶g以及用戶c到用戶d是沒有發(fā)生實際行為的，因此在構(gòu)建信任網(wǎng)絡(luò)時，將這6條邊都去除，在圖9（b）標(biāo)記為灰色；其次，基于構(gòu)建的信任網(wǎng)絡(luò)圖9（b），對其進行群體劃分得到圖9（c）中的群體劃分結(jié)果，即被劃分為3個群體；而通過對圖9（c）不同群體中用戶內(nèi)容進行文本分析，確定群體的興趣，如圖9（d）中用戶j、k、l、m、n以及用戶o的興趣為“iPHONE”，用戶d、e、p、q以及用戶r的興趣為“減肥產(chǎn)品”，用戶f、g、h以及用戶i的興趣則是“奶粉”，明確了群體興趣，也即對不同群體的營銷內(nèi)容有了清晰的認(rèn)識；通過尋找不同群體中的最大生成樹，能夠進一步確定群體中的關(guān)鍵傳播路徑，如圖9（e）中群體中的紅色標(biāo)記的邊即為不同群體的關(guān)鍵傳播路徑；進一步，通過對傳播路徑中每個用戶根據(jù)相連邊的信任度求和，得到群體中最有傳播地位的用戶，最終確定關(guān)鍵營銷用戶，如圖9（f）中所示，“iPHONE”興趣群體中，用戶n為關(guān)鍵營銷點，“奶粉”興趣群體中，用戶h為關(guān)鍵營銷點。因此，原始營銷手段下需要對圖9（a）中所有用戶都進行的營銷活動能夠精確到只需對圖9（f）中“iPHONE”興趣群體中的關(guān)鍵營銷點n進行營銷即可，大大降低了營銷成本，提高了營銷效率，實現(xiàn)基于社會網(wǎng)絡(luò)的精確營銷。

4 結(jié)束語

由于社會網(wǎng)絡(luò)自身低成本、高效率以及個性化傳播等方面的特點，決定了其作為精確營銷手段的巨大潛力，本文在充分分析社會網(wǎng)絡(luò)特點的基礎(chǔ)上，提出了一種基于社會網(wǎng)絡(luò)的精確營銷策略，在市場營銷及社會網(wǎng)絡(luò)消息傳播方面都有一定的應(yīng)用價值。本文深入分析了社會網(wǎng)絡(luò)用戶行為，構(gòu)建了用戶信任網(wǎng)絡(luò)；基于用戶信任網(wǎng)絡(luò)，通過GN算法進行群體劃分，并在群體劃分的基礎(chǔ)上，利用文本分析技術(shù)實現(xiàn)群體興趣發(fā)現(xiàn)，確定群體營銷內(nèi)容；基于用戶信任網(wǎng)絡(luò)最大生成樹確定關(guān)鍵傳播路徑，并依據(jù)關(guān)鍵傳播路徑上節(jié)點信任度指標(biāo)確定營銷關(guān)鍵點，實現(xiàn)依據(jù)營銷內(nèi)容和營銷關(guān)鍵點進行差異化、精確化營銷活動的目的。

由于結(jié)合社會網(wǎng)絡(luò)分析進行的精確營銷技術(shù)和研究還遠(yuǎn)遠(yuǎn)不足，因此基于社會網(wǎng)絡(luò)的消息傳播及精確營銷量化模型是以后研究的重點。

參考文獻(xiàn)

[1] 呂巍. 電信業(yè)精確營銷分析與行動 [M]. 北京： 人民郵電出版社， 2007：35-36.endprint

[2] 喬秀全， 楊春， 李曉峰， 陳俊亮. 社交網(wǎng)絡(luò)服務(wù)中一種基于用戶上下文的信任度計算方法 [J]. 計算機學(xué)報， 2011，28（12）：2403-2413.

[3] RAVI K， JASMINE N， ANDREW T. Structure and Evolution of Online Social Networks [C]//Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining（KDD）， August 2006， New York， NY， USA： ACM， 2006：935-940.

[4] ALBERT L， RICARD G. Applying trust metrics based on user interactions to recommendation in social networks [C]//Proceedings of the 2012 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining （ASONAM）， 2012， Washington， DC， USA. 2012：1159-1164. doi：10.1109/ASONAM.2012.200.

[5] GIRVAN M， NEWMAN M E J. Community Structure in Social and Biological Networks [J]. PNAS， 2001，99（12）：7821-7826. doi：10.1073/pnas.122653799.

[6] NEWMAN M E J. Fast Algorithm for Detecting Community Structure in Networks [J]. Phys. Rev. E， 2004， 69（6）： 066133-066138. doi：10.1103/PhysRevE.69.066133.

[7] CLAUSET A， NEWMAN M E J， MOORE C. Finding Community Structure in Very Large Networks [J]. Phys. Rev. E， 2004， 70（6）： 066111-066117. doi：10.1103/PhysRevE.70.066111.

[8] NEWMAN M E J， GIRVAN M. Finding and Evaluating Community Structure in Networks [J]. Phys. Rev. E， 2004， 69（2）： 026113-026128. doi：10.1103/PhysRevE.69.026113.

[9] ICTCLAS漢語分詞系統(tǒng)：ICTCLAS簡介 [EB/OL]. [2009-05-18]. http：//ictclas.org/sub_1_1.html.

[10] VIEGAS F B， WATTENBERG M， FEINBERG J. Participatory visualization with Wordle [J]. IEEE transactions on visualization and computer graphics， 2009， 15（6）： 1137-1144. doi：10.1109/TVCG.2009.171.

[11] GRAHAM R L， HELL P. On the history of the minimum spanning tree problem [J]. Annals of the History of Computing， 1985，7（1）： 43-57. doi：10.1109/MAHC.1985.10011.

[12] JOSEPH B K. On the shortest spanning subtree of a graph and the traveling salesman Problem [J]. American Mathematical Society， 1956，7（1）： 48-50.

作者簡介

鮑媛媛，清華大學(xué)信息技術(shù)研究院博士后；主要研究領(lǐng)域為社會網(wǎng)絡(luò)、行為動力學(xué)等。

易成岐，哈爾濱理工大學(xué)計算機科學(xué)與技術(shù)學(xué)院在讀博士研究生；主要研究領(lǐng)域為社會網(wǎng)絡(luò)、信息傳播、云計算等。

薛一波，中國科學(xué)院計算技術(shù)研究院博士畢業(yè)；清華大學(xué)信息技術(shù)研究院研究員、CCF高級會員、IEEE/ACM會員；主要研究領(lǐng)域為計算機網(wǎng)絡(luò)、信息安全、并行處理、分布式系統(tǒng)；已發(fā)表論文130余篇。endprint

[2] 喬秀全， 楊春， 李曉峰， 陳俊亮. 社交網(wǎng)絡(luò)服務(wù)中一種基于用戶上下文的信任度計算方法 [J]. 計算機學(xué)報， 2011，28（12）：2403-2413.

[3] RAVI K， JASMINE N， ANDREW T. Structure and Evolution of Online Social Networks [C]//Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining（KDD）， August 2006， New York， NY， USA： ACM， 2006：935-940.

[4] ALBERT L， RICARD G. Applying trust metrics based on user interactions to recommendation in social networks [C]//Proceedings of the 2012 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining （ASONAM）， 2012， Washington， DC， USA. 2012：1159-1164. doi：10.1109/ASONAM.2012.200.

[5] GIRVAN M， NEWMAN M E J. Community Structure in Social and Biological Networks [J]. PNAS， 2001，99（12）：7821-7826. doi：10.1073/pnas.122653799.

[6] NEWMAN M E J. Fast Algorithm for Detecting Community Structure in Networks [J]. Phys. Rev. E， 2004， 69（6）： 066133-066138. doi：10.1103/PhysRevE.69.066133.

[7] CLAUSET A， NEWMAN M E J， MOORE C. Finding Community Structure in Very Large Networks [J]. Phys. Rev. E， 2004， 70（6）： 066111-066117. doi：10.1103/PhysRevE.70.066111.

[8] NEWMAN M E J， GIRVAN M. Finding and Evaluating Community Structure in Networks [J]. Phys. Rev. E， 2004， 69（2）： 026113-026128. doi：10.1103/PhysRevE.69.026113.

[9] ICTCLAS漢語分詞系統(tǒng)：ICTCLAS簡介 [EB/OL]. [2009-05-18]. http：//ictclas.org/sub_1_1.html.

[10] VIEGAS F B， WATTENBERG M， FEINBERG J. Participatory visualization with Wordle [J]. IEEE transactions on visualization and computer graphics， 2009， 15（6）： 1137-1144. doi：10.1109/TVCG.2009.171.

[11] GRAHAM R L， HELL P. On the history of the minimum spanning tree problem [J]. Annals of the History of Computing， 1985，7（1）： 43-57. doi：10.1109/MAHC.1985.10011.

[12] JOSEPH B K. On the shortest spanning subtree of a graph and the traveling salesman Problem [J]. American Mathematical Society， 1956，7（1）： 48-50.

作者簡介

鮑媛媛，清華大學(xué)信息技術(shù)研究院博士后；主要研究領(lǐng)域為社會網(wǎng)絡(luò)、行為動力學(xué)等。

易成岐，哈爾濱理工大學(xué)計算機科學(xué)與技術(shù)學(xué)院在讀博士研究生；主要研究領(lǐng)域為社會網(wǎng)絡(luò)、信息傳播、云計算等。

薛一波，中國科學(xué)院計算技術(shù)研究院博士畢業(yè)；清華大學(xué)信息技術(shù)研究院研究員、CCF高級會員、IEEE/ACM會員；主要研究領(lǐng)域為計算機網(wǎng)絡(luò)、信息安全、并行處理、分布式系統(tǒng)；已發(fā)表論文130余篇。endprint

[2] 喬秀全， 楊春， 李曉峰， 陳俊亮. 社交網(wǎng)絡(luò)服務(wù)中一種基于用戶上下文的信任度計算方法 [J]. 計算機學(xué)報， 2011，28（12）：2403-2413.

[3] RAVI K， JASMINE N， ANDREW T. Structure and Evolution of Online Social Networks [C]//Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining（KDD）， August 2006， New York， NY， USA： ACM， 2006：935-940.

[4] ALBERT L， RICARD G. Applying trust metrics based on user interactions to recommendation in social networks [C]//Proceedings of the 2012 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining （ASONAM）， 2012， Washington， DC， USA. 2012：1159-1164. doi：10.1109/ASONAM.2012.200.

[5] GIRVAN M， NEWMAN M E J. Community Structure in Social and Biological Networks [J]. PNAS， 2001，99（12）：7821-7826. doi：10.1073/pnas.122653799.

[6] NEWMAN M E J. Fast Algorithm for Detecting Community Structure in Networks [J]. Phys. Rev. E， 2004， 69（6）： 066133-066138. doi：10.1103/PhysRevE.69.066133.

[7] CLAUSET A， NEWMAN M E J， MOORE C. Finding Community Structure in Very Large Networks [J]. Phys. Rev. E， 2004， 70（6）： 066111-066117. doi：10.1103/PhysRevE.70.066111.

[8] NEWMAN M E J， GIRVAN M. Finding and Evaluating Community Structure in Networks [J]. Phys. Rev. E， 2004， 69（2）： 026113-026128. doi：10.1103/PhysRevE.69.026113.

[9] ICTCLAS漢語分詞系統(tǒng)：ICTCLAS簡介 [EB/OL]. [2009-05-18]. http：//ictclas.org/sub_1_1.html.

[10] VIEGAS F B， WATTENBERG M， FEINBERG J. Participatory visualization with Wordle [J]. IEEE transactions on visualization and computer graphics， 2009， 15（6）： 1137-1144. doi：10.1109/TVCG.2009.171.

[11] GRAHAM R L， HELL P. On the history of the minimum spanning tree problem [J]. Annals of the History of Computing， 1985，7（1）： 43-57. doi：10.1109/MAHC.1985.10011.

[12] JOSEPH B K. On the shortest spanning subtree of a graph and the traveling salesman Problem [J]. American Mathematical Society， 1956，7（1）： 48-50.

作者簡介

鮑媛媛，清華大學(xué)信息技術(shù)研究院博士后；主要研究領(lǐng)域為社會網(wǎng)絡(luò)、行為動力學(xué)等。

易成岐，哈爾濱理工大學(xué)計算機科學(xué)與技術(shù)學(xué)院在讀博士研究生；主要研究領(lǐng)域為社會網(wǎng)絡(luò)、信息傳播、云計算等。

薛一波，中國科學(xué)院計算技術(shù)研究院博士畢業(yè)；清華大學(xué)信息技術(shù)研究院研究員、CCF高級會員、IEEE/ACM會員；主要研究領(lǐng)域為計算機網(wǎng)絡(luò)、信息安全、并行處理、分布式系統(tǒng)；已發(fā)表論文130余篇。endprint