影响力计算
　　在社区发现中，使用微博中的关系网络可以提高相似度计算的精确度。但关系网络能做的事情还有很多，影响力计算便是其中比较重要的应用。
　　说到影响力的计算，这里借鉴了网页排名中的算法。网页排名中广为人知的算法当属PageRank了，该算法由google创始人拉里·佩奇和谢尔盖·布林发明，随着google在商业上的成功而声名鹊起。该算法根据网页之间的链接来确定网页的排名，其核心在于一个假设，质量高的网页所指向的网页的质量必定也高。
　　根据PageRank的思想，可以得到微博上影响力的假设，称之为假设七：
　　影响力高的用户关注的用户的影响力必定也高。
　　将用户看成是PageRank中的网页，将关注关系看做是网页中的链接关系。从而，可以根据PageRank的算法流程得到在微博关注网络上的影响力计算算法：
　　1)赋予所有用户相同的影响力权重;
　　2)将每个用户的影响力权重按照其关注的人数等量分配;
　　3)对每个用户来说，其影响力等于其粉丝分配给他的权重之和;
　　4)第2步和第3步迭代，直到权重不再发生大的变化为止。
　　在网页排名中，基于网络关系的算法还有HITS、HillTop算法等，这些算法也可以借鉴到影响力计算中来。
　　上面的算法有什么缺点呢?
　　如果只是基于关系网络的话，那么很容易造成，粉丝数目多的人影响力必然会很高。这样导致有些用户去购买一些僵尸粉可以达到很高的影响力了。这样的算法显然是不能应对实际情况的，因为还有太多的信息没有用到。
　　用户的影响力除了他的微博关系之外，还与他的个人属性有很大的关系，比如用户的活跃度、微文的质量等。用户的活跃度可以使用其发表微博的频度来衡量，微文的质量可以采用其被转发的数目、被回复的数目来得到。通过对这些值进行衡量，再加上上面算法的结果，可以得到更加精确的影响力结果。
　　当然，也可以这样考虑，用户之间的回复关系、转发关系、@关系均可以构成网络，它们也有相应的假设，分别为假设八、假设九、假设十：
　　影响力越高的用户回复的微博的影响力越高，从而使该微博主人的影响力变高。
　　影响力越高的用户转发的微博的影响力越高，从而使该微博原创作者的影响力变高。
　　影响力越高的用户倾向于在其微博中@影响力高的用户。
　　这样又得到了转发网络、回复网络、@网络三种网络，借鉴PageRank算法，可以得到另外的三种影响力结果。将它们与关系网络的影响力结果进行融合，可以终的影响力结果了。这里的融合可以简单的考虑成结果的加权和，复杂的融合方法不在本文的范围之内。
　　话题因素和领域因素
　　得到了影响力的计算方法之后，可以做些什么呢?
　　可以对当前的热点话题进行影响力分析，得到谁在微博上成为当前热点话题的意见。具体做法是这样，找到和当前热点话题相关的微文，从而找到参与当前热点话题的用户。如何找到和当前热点话题相关的微文呢?有话题标签的微文自不必说，对于没有话题标签的微文来说，可以使用上文中介绍的LDA算法，它可以在用户的所有微文中找到用户的主题分布，也可以对一条微文找到主题分布，一般来说，由于微文的字数限制在140以内，比较短，因而一条微文包含的主题数目不会太多，取该微文的主题分布中概率高的主题当做其主题即可。
　　找到话题对应的微文与用户之后，运行影响力计算算法，可以得到该话题中影响力较大的用户了。这也是舆情监测、社会热点监控的一个方面。
　　对于标签传播算法得到的结果，对同一标签下的用户运行影响力计算算法，可以得到该标签下的影响力排名，即领域内影响力排名。比如，李开复在全部领域内的影响力或许不是高的，但在IT领域，其影响力是数一数二的。
　　垃圾用户识别
　　在影响力计算中，提到要避免僵尸用户对影响力计算的干扰。在算法中，如果可以识别这样的用户，在计算影响力时将其排出在外，不仅可以提高效果，还可以降低计算量。
　　与影响力计算相似，垃圾用户的识别要同时考虑用户属性与链接关系两方面的因素。
　　对于垃圾用户来说，有一些统计上的特征与正常用户不同。比如如下几点：
　　垃圾用户一般发微文具有一定的时间规律性，可以使用熵值对此进行衡量，熵是衡量随机性的一种量度，随机性越大，熵值越小。具体做法为将一定的粒度进行时间切片统计，得到每个时间片内的博文概率，然后依照概率进行熵值的计算。熵值越大代表用户发微文的时间越有规律，越有可能是垃圾用户。
　　垃圾用户有些倾向于在微文中恶意的@其他人，因而有些垃圾用户的微文中@使用的比例比一般用户高。
　　有些垃圾用户的微文中为了进行广告的推广，添加大量的URL。可以通过微文中的URL比例进行衡量。也有些用户为了骗取URL的点击，微文中的内容与URL对应界面的内容不一致，这时需要判断微文与URL内容的一致程度，简单的做法可以使用词袋法将微文与URL对应界面表示成词语向量，查看微文中的词语在URL对应网页中出现的频度。
　　对于那些为做广告推销的用户，还可以对其微文进行文本分类，判断其微文是否是广告，如果某用户的相当一部分微文是广告，则该用户可能是垃圾用户。
　　垃圾用户一般随意的关注用户，故其粉丝数目与好友数目的比例与正常用户会有差别。而且正常用户一般是通过好友关系添加好友的，这样会形成关注三角形，如A看到其好友B关注了C，那么若A也去关注C，形成了A关注B、C，B关注C的三角形。一般来说，由于垃圾用户关注的随意性，其关注三角形的比例与正常用户不同。
　　当然，垃圾用户与正常用户的不同之处不止这些，本文不再一一枚举。垃圾用户的识别本质上是一个二分类问题，获得了这些属性之后，可以将这些信息输入到一个机器学习的分类模型中，比如逻辑斯蒂回归(LR)、决策树、朴素贝叶斯等，可以对其进行分类了。
　　当然，还没有用到链接信息。一般来说，垃圾用户会去关注正常用户，而正常用户不会关注垃圾用户。这即是假设十一：
　　正常用户不倾向于关注垃圾用户。
　　这样可以再次使用PageRank算法来对用户是否是垃圾用户的概率进行计算。这里需要注意的是，算法初始化时采用上面的分类器结果，将垃圾用户的概率设为1，正常用户的概率设为0。在PageRank计算过程中，不能通过简单的求和公式计算，比如如果一个用户关注了多个垃圾用户的时候，求和后概率可能大于1;因而需要使用一些归一化方法或指数族函数进行概率的更新。
　　结语
　　本文对微博中常见的问题的对应算法进行了简单的介绍，在实际应用中的算法比介绍的要复杂的多。当然，本文覆盖的主题并不全，比如好友推荐、热点跟踪等没有涉及到。但古人云“窥一斑而见全豹”，希望本文的介绍能帮助大家更好的理解微博这样的社交网络应用。
　　在文中，可以看到黑体标出的假设，这些假设看起来都与我们的直观感觉一致。而根据这些可以引申出很多有效的算法。所以有时候，只要你肯发现，算法在身边。