丝数、关注数、博客地址、教育 经历，仅占所有用户中的 3.8%。 微博数-人数分析
经历以及认证等级。
但在这些用户中，近 83.2% 的用
我们通过对数据集中发微博
基本统计特征分析
户拥有本科或者研究生学历。同 数所对应的人数进行统计，绘制
在基本统计特征分析中，我 们着重研究了地理分析、性别分 析、教育和年龄分析三个指标， 从中获得了以下问题的答案 ：
观评估采用基于量表的调查问卷 转发率之间存在正相关关系。此 论中出现词频的相关性，发现二
方式，时间和经济成本较高。本 外，研究者还调查了在政治选举 者存在明显的联系。文献 [11] 利
文利用价值观和词语运用之间的 这一特殊时期有关政治的讨论 用朴素贝叶斯 (Naïve Bayes) 分
语言学联系，根据用户发表在社 是如何在那些活跃的有影响力的 类器对博客用户进行自我状态量
y = 1.9771x + 19.y0=4 y18=519855.97766x300.5122.68x 1.9771
ln(用户数)
12
10
8
6
4
2
0
0
2
4
6
8
10
12
ln(微博数)
图3 微博数和人数对数关系
y = 185766301.8xy1.=9771 1.9771x + 19.04
分 布 (2)，[494, 613070] 符 合y =幂1I8n5fl7u6e6n3c0e其1( .8中)x=，1.(97f7o1 llowers 是用•户fo的llo粉wing) / posts
了社交网络的大数据环境。针对 指从整体上来认识客观世界，快 户意图做了深入研究。
社交网络大数据的统计分析和数 速计算大数据的宏观特征与结
其次，针对用户的行为信息，
据挖掘方法成为了商业应用或科 构，是整体认识客观世界快速而 从微观层面入手，从社交网络用
学研究重要工具之一。与此同时， 又有效的方法 ；见微是指在宏观 户的行为（原创微博、转发微博、
户在现实生活中的作息规律、行 属性，采用面向用户群体的宏观 用于描述微博用户的行为活动，
为轨迹并进一步构成了用户的行 特征分析。在此，我们提出一种 并设计了行为矩阵分析法，这对
为特征。三是用户的精神特征属 “微博生态系统”，即一个包含微 加深对用户行为的理解，对于好
性，此类信息可通过用户言论的 博用户、用户发帖以及用户其他 友推荐、身份推理、群体分析以
虽然也有一些对微博行为规律的 计中所用词汇并不适用于社交网
相关工作
研究，但是主要仍停留在对整体 络的口语化语言环境。 数据的统计分析及建模阶段。如：
首 先， 宏 观 层 面 的 隐 私 挖 掘和保护最先成为社会关注的热 点。文献 [4] 研究了脸谱和推特
易兰丽揭示用户微博信息转发评 论行为的统计特征并构建理论模 型 [9]。此外，研究表明转发评论
我 们 采 用 函 数 回 归 的 方 法，
用户 )。数据集中包含多个字段，
受教育与年龄分布的统计结 对微博数、粉丝数以及关注数三
例如微博 ID、性别、昵称、生日、 果如图 2 所示。在我们的数据集 个数值特征进行分析，得出其拟
地区、自我介绍、发微博数、粉 中，大约有 66.2 万人填写了教育 合函数。
交网络上的公开言论自动对其进 用户之间进行的。与此同时，文 表 (Egogram) 性格分类预测，取
行价值观评估，从而掌握用户的 献 [4] 对新浪微博和推特上的用 得了较好的成效。IBM 数据分析
行为偏好及社会需求。
户行为进行了比较，研究了访问 师米歇尔·凯利 (Michael Kelley)
社 交 网 络 中 大 量 公 开 的 个 方式和用户的写作风格和文本特 在报告中指出，可以通过 200 条
动互联网上的快速发展，社交网 在的心理状态。
征分析、数字化特征分析以及文
络用户的大量个人信息在互联网
在大数据应对的认识论与方 本特征分析，进而充分掌握新浪
上公开，原本碎片化的信息在大 法论方面，我们提出“知著、见微、 微博用户的各种宏观信息，据此
数据环境下被整合，并由此形成 晓意”的论点 [1]，其中 ：知著是 构建了用户影响力模型，并对用
人数据为上述三种分析提供了 征，比较了两个平台上的话题和 推特，分析得到人的需求、大五
相对便利的条件。本文以新浪 情感极性 ；最后还调查研究了微 类性格特征以及价值观，不过该
微博为例，通过数据抓取、模 博用户行为的时间动态模型，例 报告并未给出具体的分析方法。
型 分 析 以 及 实 例 研 究 等 方 法， 如用户兴趣随时间变化的情况。 一项基于安然 (Enron) 邮件数据
电子商务、社交网络、组织行为 为分析展开。研究发现，针对特 与 LIWC2001（Linguistic Inquiry
分析以及舆情监控和预测等多个 殊政客或政党的积极和消极情绪 and Word Count，语言获得和词
领域得到广泛应用。传统的价值 的用词数量，在推客 (tweet) 的 汇计数）中预定义词汇在个人言
往认为的接近 1 ：1。出现这种现 人更易于接受新鲜事物。
分析所用的数据集采集自新 浪，经过大量筛选处理，清洗后 的数据规模为 1700 万 ( 摒除大量
象的主要原因可能是男女用户Fra bibliotek 业的差异性使得女性能够在微博 上花费更多的时间。
数值化特征分析及影响 力模型
机器自动生成的僵尸用户及休眠 受教育与年龄分析
90 80 70 60 50 40 30 20 10
0
79 71 56 33 21 19 16 15 14 14 11 10 8.9 8.8 8.6 7.9 7.8 6.5 5.8 5.6 5.5 5.4 5.3 5.1 4.9 4.7 4.4 4.4 4.4 4.2 4.2 4.1 4 3.9 11
可以用来在现实生活中对社交网 网络大数据的挖掘工作，从隐私 要是限于写作风格和文本特征，
络用户进行定位。二是用户的行 挖掘的角度来看社交网络隐私的 对其中某个客观因素的研究，以
为属性，包括发帖、转发、评论 保护。
及简单的统计研究等。基于上述
关注的时间和频率等，反映了用
首先，针对用户的基本社会 问题，我们提出了行为矩阵模型，
0.00%
用户 累积百分率
图2 受教育与年龄分布图
38
y = 0.5226x + 9.8307
y = 0.5226x + 9.8307y = 18595.第97 1x00 卷.522 6 第 6 期 2014 年 6 月 y = 18595.97 x y 0.5226= y0=.5212.697x7+19x.+831097.04
理状态，提出了利用语义分析自 评论数、转发数、提及数和粉丝 的 大 量 研 究 工 作 均 证 实 了 性 格
动评估社交网络用户价值观的方 数来研究用户影响力。
和词汇运用之间存在着决定性
法。价值观作为个性中表明社会
其次，从微观层面来讲，大 的 联 系。 文 献 [10] 分 析 了 参 与
需求和欲望的一个重要方面，在 量研究工作针对社交网络用户行 者 的 大 五 类 (BIG5) 人 格 1 分 数
图1 用户密度分布图
450000 400000 350000
用 300000 户 250000
200000 150000 100000
50000 0
0-10 11-20 21-30 31-40 41－50 51-60 61-
年龄
100.00%
80.00% 累 积
60.00% 百 分
40.00% 率
20.00%
宏观特征大数据挖掘
本节主要研究在宏观角度
(Twitter) 的基本统计分布，包括 数与粉丝数关系密切，粉丝数越 下对新浪微博隐私挖掘的分析结
用户的地理、性别、种族分布等； 多的用户发布的微博信息更容易 果，其中重点包括微博数据基本
文献 [5] 发现社交网络中用户的 吸引大量的转发和评论。我们在 统计信息、数值特征分析、用户
大数据的挖掘能力也威胁到了用 结构指导下，有针对性地研究有 关注微博用户、发表评论等）中
户的个人隐私保护。
代表性的微观数据，这里并不需 提取特定的行为模式 [3]。研究表
目前，按照隐私内容，社交 要对每一个微观都进行计算 ；晓 明，微博用户的群体行为表现出
网络的隐私及保护问题可分为三 意是指大数据语言内容的含义， 两段阶梯幂率分布的规律。但由
类 ：一是用户基本属性、身份及 是语义的理解与认知，属于自然 于用户行为记录的不规律性与随
社会关系信息，包括真实姓名、 语言理解的范畴。本文将从“知 意性，加上其受制于用户本人的
性别、年龄、所属机构、好友关 著、见微、晓意”这三个维度展 习惯、生活、学习或工作等客观
系以及社会影响力等，这些信息 现针对上述三类用户隐私的社交 因素，个体行为的研究目前还主
潜在语义分析进行计算，包括用 活动行为的有机整体。我们结合 及精准营销等领域的研究和应用
36
第 10 卷 第 6 期 2014 年 6 月
都有着深刻的意义。
转发树来研究用户影响力 ；文献
最 后， 从 语 义 理 解 层 面 来
最 后， 我 们 针 对 用 户 的 心 [7] 通过综合考虑用户的发帖数、 讲， 语 言 心 理 学 和 计 算 文 体 学
国家在线社交网络的总体特点。
性别分布分析的结果显示， 时， 从 年 龄 分 布 上 来 看， 从 21
从国家安全的角度来看，超大规 新浪微博中女性用户达到 55%， 岁到 40 岁的用户约占所有用户
模人群的各类统计数据存在宏观 男性用户则只占 45%，并非像以 的 75%。这些数据充分说明年轻