1、基于 K- means 聚类的微博用户活跃度研究 摘要：以新浪微博用户为例，分析用户的相关数据，根据用户的粉丝数量、关注数量、发博文数量三个基本属性，采用 K- means 聚类算法对用户进行聚类分析，构建出用户活跃度聚类模型，为进一步的如何提升用户活跃度研究及采取相应措施保持、提高用户活跃度提供依据。 下载 关键词：微博 K- means 聚类算法 用户活跃度 社交网络平台 中图分类号： TP311.1； F49 文献标识码： A 在现今的日常生活中，微博作为一种新型的社交网络平台以其简单易用的用户平台、普遍的用户群、海量的实时信息和爆发式的传播方式，越来越受到人们的欢迎，也日益成为绝大多数
2、用户生活中必不可少的一部分。微博最重要的特征和职能之一就是允许每一位用户更新、分享和传输丰富多彩的信息。如何激励用户发布新的内容，激励用户积极分享自己喜欢的内容，使得整个微博社区更加活跃、信息更加丰富多彩， 构建更加良好的微博生态，对微博平台的不断发展起着至关重要的作用。针对这个问题，根据用户的粉丝数、关注数、博文数这三个基本属性，采用 K-means聚类算法对用户进行聚类分析，构建用户活跃度聚类模型，为上述问题的解决提供依据。 对用户活跃度的定义：第一是分析用户在网站上会有什么行为；第二是分析用户在网站上具有哪些属性。以新浪微博用户为例，用户可以发微博文章、转发博文、评论博文、被其他用户关注
3、、关注其他用户，用户有发布的微博文章数量、转发博文数、评论博文数、粉丝数、关注数。两个方面结合到一起就可以对活跃 用户特征做出定义。 本文针对微博用户活跃度合理聚类问题，以新浪微博为例，运用K-means 聚类算法构建合适的用户活跃度聚类模型，以期提高微博社区的活跃度及信息服务质量。 1 K- means 聚类算法 1.1 K- means 聚类算法简介 K-means 聚类算法是由 Steinhaus1995 年、 Llovd1957 年、 Ball & Hall1965年、 McQueen1967年分别在各自的不同的科学研究领域独立的提出。K-means 聚类算法被提出来后，在不同的学科领
4、域被广泛 研究和应用，并发展出大量不同的改进算法，虽然 K-means 聚类算法被提出已经超过 50 年了，但目前仍然是应用最广泛的划分聚类算法之一。 K-means 聚类算法是在无监督的情况下，将研究对象分为相对同质的群组的统计分析技术。聚类分析与分类分析有较大差别，分类分析是有监督的学习，而聚类分析是无监督的学习。无监督学习需要由聚类学习算法自动确定标记，不依赖于带类标记或有预先定义的类的训练实例，是观察式学习，而分类学习的实例或数据对象有类别标记，是示例式的学习。 1.2 K- means 聚类算法操作 步骤 K-means聚类算法是把含有 n个对象的集合划分成指定的 K个簇，每个簇中的
5、对象的平均值称为该簇的聚点（中心），两个簇的相似度就是根据两个聚点而计算出来的。其操作步骤如下。 输入：数据集 X=xm|m=1， 2， ， total，其中的数据样本只包括描述属性，没有类别属性，聚类的个数为 K。输出：使误差平方和准则最小的 K个聚类。 第一步，从数据集 X 中随机地选择 K 个数据样本作为聚类的初始代表点，每一个代表点表示一个类别。第二步，对于 X中的任一数据样本 xm（ 1mtotal ），计 算它与 K个初始代表点的距离，并且将它划分到距离最近的初始代表点所表示的类别中。第三步，完成数据样本的划分之后，对于每一个聚类，计算其中所有数据样本的均值，并且将其作为该聚类的新
6、的代表点，由此得到 K个均值代表点。第四步，对于 X中的任一样本数据xm（ 1mtotal ）， ?算它与 K 个均值代表点的距离，并且将它划分到距离最近的均值代表点所表示的类别中。 反复执行第三步和第四步直至各个聚类不再发生变化为止，即误差平方和准则函数的值达到最优。 2 微博用户活跃度聚类模型构建 2.1 数据采 集与预处理 本文用户数据来源于新浪微博，通过利用网络爬虫实现用户相关数据的获取，主要收集了 2018年 1月 16日的一些用户数据，提取了用户的粉丝数、关注数、博文数属性，共得到 17283条数据，得到的数据中有些数据的部分属性存在缺失，考虑到本文样本中每条数据属性值之间存在关联
7、，常规的缺失值处理方法在此不太适用，并且存在缺失的数据量也不大，故直接将此类数据剔除，最终得到 15518条数据，为对用户进行聚类分析做好准备。 2.2 K- means 算法对用户活跃度分类的具体实现 本文使用 WeKa工具中的 K-means算法对预处理后的数据进行聚类分析，经过比较分析，聚类数量为 4时聚类效果较好，最终得到的用户活跃度聚类模型如图 1所示。 图 1上半部分中列出了各个簇中心的位置，本文中用到的属性的值均为数值型，故簇中心就是它的均值，图 1的中部则给出了各个簇中的实例数及其占总体的比例，图 1的下半部分则是各个簇的柱状图表示。 2.3 结果分析及小结 从图 1中可以看出
8、，使用 K-mean聚类算法最终将微博聚为了四个类，根据每个类的类中心位置将这四个类分别定义为极度活跃用户、活跃用户 、中度活跃用户、普通活跃用户，其中极度活跃用户平均粉丝数量约为 7945人、平均关注数量约为 1415人、平均发博文数量约为 1002篇，此类用户在微博中极度活跃，不仅粉丝众多、积极贡献信息，而且关注的信息也较多，约占整体用户的 1%；活跃用户平均粉丝数量约为 1188 人、平均关注数量约为 543人、平均发博文数量约为 602篇，此类用户在微博中较为活跃，拥有一定的粉丝量并且比较频繁的发布信息，约占整体用户的 3%；中度活跃用户的平均粉丝数量、平均关注数量及平均发博文数量则分
9、别约为 649 人、187 人、 288 篇，此类用户在整 体用户中占比 20%；在整体中占比最多的是普通活跃用户，此类用户的粉丝数、关注数、发博文数量都很少，潜在原因可能是他们更加习惯随意浏览信息，没有太多特意关注的领域或个人，也没有特意关注的信息，对于在整个社区分享信息、分享自己的想法也没有兴趣，此类用户占总体用户的 76%。 3 结束语 从以上的分析可以看出，极度活跃用户、活跃用户甚至是中度活跃用户在总体用户中占比都很小，而粉丝数量、关注数量、发博文数量都少的普通活跃用户在总体用户中占比高达 76%，可以得出结论：从总体上来看，微博用户的活跃度不 足，激励用户积极分享，使得整个微博社区更
10、加活跃、信息更加丰富多彩，构建更加良好的微博生态这个问题必须得到重视，而怎样激励普通活跃用户则是解决这个问题的关键。 参考文献： Liu B， Chang K C C.Sepecial issue on web content mining.Data clustering： 50 years beyond K - M eansJ .Pattern R ecognition Letters， 2010， 31（ 8）： 651- 666. 廉捷，周 欣，曹伟，等 .新浪微博数据挖掘方案 J.清华大学学报：自然科学版， 2005， 51（ 10）： 1300- 1305. 吴夙慧，成颖，郑颜宁，等 .K- means 聚类算法研究综述 J.知识管理与知识组织：现代图书情报技术版， 2011（ 5）： 28- 35. R adicchi F.Human activity in the
