基于社交网络的社交行为分析

第３９卷第９期　２０１７年９月　电子与信息学报　Ｖｏ１．３９ＮＯ．９　Ｊｏｕｒｎａｌ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　Ｓｅｐｔ．２０１７　基于社交网络的社交行为分析　李磊　汪萌　吴信东㈣　２３０００９）　７０５０３）　拉斐特ｆ合肥工业大学计算机与信息学院合肥ｆ路易斯安那州立大学计算机与信息学院摘要：近来，社交网络类应用得到了迅猛发展。其中，社交网络相关的社交行为是最主要的发展方向之一，得到　了学术界研究者的广泛关注。该文从行为的成因、行为的表现及行为的影响３个方面对社交网络行为进行全面分析。　具体来说，在分析了社交网络行为的基础概念之后，首先引入了社交网络行为的３个最重要的原因：用户采纳、用　户忠诚和用户信任。然后，基于这些原因，从一般使用行为，内容生成行为和内容消费行为３个常用行为方面分析　了用户在社交网络上的行为表现方式。最后，该文分析了社交网络行为的影响，包括行为影响力衡量和行为引导两　个最重要角度。社交行为的系统性分析为下一步相关研究指明了方向。　关键词：用户行为；社交行为；行为建模；行为成因；行为表现；行为影响　中图分类号：ＴＰ３９３　ＤＯＩ：１０．１１９９９／ＪＥＩＴ１６１２７３　文献标识码：　Ａ　文章编号：１００９—５８９６（２０１７）０９—２１０８—１１　Ｓｏｃｉａｌ　Ｎｅｔｗｏｒｋ　Ｂａｓｅｄ　Ｓｏｃｉａｌ　Ｂｅｈａｖｉｏｒ　Ａｎａｌｙｓｉｓ　ＬＩ　Ｌｅｉ①　ＷＡＮＧ　Ｍｅｎｇ①　ＷＵ　Ｘｉｎｄｏｎｇ①②　（Ｓｃｈｏｏｌ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｅｆｅｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｈｅｆｅｉ　２３０００９，Ｃｈｉｎａ）　（Ｓｃｈｏｏｌ　ｆ　ｏＣｏｍｐｕｔｉｎｇ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｃｓ，Ｕｎｉｖｅｒｓｉｔｙ　ｆ　ｏＬｏｕｉｓｉａｎａ　ａｔ　Ｌａｆａｙｅｔｔｅ，Ｌａｆａｙｅｔｔｅ　７０５０３，ＵＳＡ）　Ａｂｓｔｒａｃｔ：Ｒｅｃｅｎｔｌｙ，ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ａｐｐｌｉｃａｔｉｏｎｓ　ｄｅｖｅｌｏｐ　ｄｒａｍａｔｉｃａｌｌｙ．Ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｒｅｌａｔｅｄ　ｓｏｃｉａｌ　ｂｅｈａｖｉｏｒｓ　ａｒｅ　ｏｎｅ　ｏｆ　ｔｈｅ　ｍｏｓｔ　ｉｍｐｏｒｔａｎｔ　ａｒｅａｓ，ｗｈｉｃｈ　ｒｅｃｅｉｖｅ　ｂｒｏａｄｌｙ　ａｔｔｅｎｔｉｏｎｓ　ｆｒｏｍ　ｒｅｓｅａｒｃｈｅｒｓ　ｉｎ　ａｃａｄｅｍｉｃｓ．Ｔｈｉｓ　ｓｕｒｖｅｙ　ｐａｐｅｒ　ａｎａｌｙｚｅｓ　ｔｈｅ　ｓｏｃｉａｌ　ｂｅｈａｖｉｏｒｓ　ｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙ　ｗｉｔｈ　ｒｅｓｐｅｃｔ　ｔｏ　ｔｈｅ　ｃａｕｓｅｓ　ｏｆ　ｓｏｃｉａｌ　ｂｅｈａｖｉｏｒｓ，ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ｓｏｃｉａｌ　ｂｅｈａｖｉｏｒｓ　ａｎｄ　ｔｈｅ　ｉｎｆｌｕｅｎｃｅ　ｏｆ　ｓｏｃｉａｌ　ｂｅｈａｖｉｏｒｓ．Ｍｏｒｅ　ｓｐｅｃｉｆｉｃａｌｌｙ，ａｆｔｅｒ　ａｎａｌｙｚｉｎｇ　ｔｈｅ　ｂａｓｉｃ　ｃｏｎｃｅｐｔｓ　ｏｆ　ｂｅｈａｖｉｏｒｓ　ｉｎ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ，ｔｈｅ　ｔｈｒｅｅ　ｍｏｓｔ　ｉｍｐｏｒｔａｎｔ　ｃａｕｓｅｓ　ｏｆ　ｂｅｈａｖｉｏｒｓ　ｉｎ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ　ａｒｅ　ｆｉｒｓｔｌｙ　ｉｎｔｒｏｄｕｃｅｄ，　ｓｕｃｈ　ａｓ　ｕｓｅｒ　ａｄｏｐｔｉｏｎ，ｕｓｅｒ　ｌｏｙａｌｔｙ　ａｎｄ　ｕｓｅｒ　ｔｒｕｓｔ．Ｗｉｔｈ　ｔｈｅｓｅ　ｃａｕｓｅｓ，ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ｕｓｅｒ　ｂｅｈａｖｉｏｒｓ　ｉｎ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ　ｃａｎ　ｂｅ　ａｎａｌｙｚｅｄ　ｗｉｔｈ　ｒｅｓｐｅｃｔ　ｔｏ　ｔｈｒｅｅ　ｃｏｍｍｏｎ　ｂｅｈａｖｉｏｒｓ，ｉｎｃｌｕｄｉｎｇ　ｇｅｎｅｒａｌ　ｕｓａｇｅ　ｂｅｈａｖｉｏｒｓ，ｃｏｎｔｅｎｔ　ｃｒｅａｔｉｏｎ　ｂｅｈａｖｉｏｒｓ　ａｎｄ　ｃｏｎｔｅｎｔ　ｃｏｎｓｕｍｐｔｉｏｎ　ｂｅｈａｖｉｏｒｓ．Ｆｉｎａｌｌｙ，ｔｈｅ　ｒｅｓｅａｒｃｈ　ｏｎ　ｔｈｅ　ｉｎｆｌｕｅｎｃｅ　ｏｆ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｂｅｈａｖｉｏｒｓ　ｉｓ　ｐｒｅｓｅｎｔｅｄ，ｗｈｉｃｈ　ｉｎｃｌｕｄｅｓ　ｔｈｅ　ｍｏｓｔ　ｉｍｐｏｒｔａｎｔ　ａｓｐｅｃｔｓ，ｓｕｃｈ　ａｓ　ｉｎｆｌｕｅｎｃｅ　ｅｖａｌｕａｔｉｏｎ　ａｎｄ　ｂｅｈａｖｉｏｒ　ｉｎｄｕｃｔｉｏｎ．Ｔｈｅ　ｓｙｓｔｅｍａｔｉｃａｌ　ａｎａｌｙｓｉｓ　ｏｆ　ｓｏｃｉｌ　ｂｅｈａｖｉｏｒｓ　ｐｏｉａｎｔｓ　ｏｕｔ　ｔｈｅ　ｆｕｔｕｒｅ　ｄｉｒｅｃｔｉｏｎｓ　ｏｆ　ｒｅｌａｔｅｄ　ｒｅｓｅａｒｃｈ　ｉｎ　ｎｅｘｔ　ｓｔｅｐｓ．　Ｋｅｙ　ｗｏｒｄｓ：Ｕｓｅｒ　ｂｅｈａｖｉｏｒｓ；Ｓｏｃｉａｌ　ｂｅｈａｖｉｏｒｓ；Ｂｅｈａｖｉｏｒ　ｍｏｄｅｌｉｎｇ；Ｃａｕｓｅ　ｏｆ　ｂｅｈａｖｉｏｒｓ；Ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ｂｅｈａｖｉｏｒｓ；　Ｉｎｆｌｕｅｎｃｅ　ｏｆ　ｂｅｈａｖｉｏｒｓ　１　引言　近些年，社交网络类应用，例如在线社交网络，　微博，博客，ＢＢＳ，维基，出现并迅速发展起来。　信息检索和网页浏览，到社交关系的构建和维护，　以及基于社交关系的信息创建，交流和共享。基于　互联网的社交网络成为了社交关系维护和信息共享　的重要渠道和载体【１】ｏ一般来说，社交网络是一种由　这导致了互联网使用方式的重大改变，即从简单的　收稿日期：２０１６—１１－２４；改回日期：２０１７—０４－２８：网络出版：２０１７—０６—１４　通信作者：李磊ｌｉｌｅｉ＠ｈｆｕｔ．ｅｄｕ．ｃｎ　基金项目：国家９７３规划项目（２０１３ＣＢ３２９６０４），国家重点研发计划　多个节点和节点之问关系构成的社会结构［　。其中，　节点表示一个人或者社交网络的一个参与者。利用　节点间的社交关系，社交网络可以链接各种各样的　社会关系，不仅有偶然相识说过几句话的陌生人，　也有紧密血缘关系的家庭成员。　和传统的网络应用【。］或者信息媒体相比，在线社　（２０１６ＹＦＢ１０００９０１），国家自然科学基金（６１５０３１１４）　Ｆｏｕｎｄａｔｉｏｎ　Ｉｔｅｍｓ：Ｔｈｅ　Ｎａｔｉｏｎａｌ　９７３　Ｐｒｏｇｒａｍ　ｏｆ　Ｃｈｉｎａ　（２０１３ＣＢ３２９６０４），Ｔｈｅ　Ｎａｔｉｏｎａｌ　Ｋｅｙ　Ｒｅｓｅａｒｃｈ　ａｎｄ　Ｄｅｖｅｌｏｐｍｅｎｔ　Ｐｒｏｇｒａｍ　ｏｆ　Ｃｈｉｎａ（２０１６ＹＦＢ１０００９０１），Ｔｈｅ　Ｎａｔｉｏｎａｌ　Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｆｏｕｎｄａｔｉｏｎ　ｏｆ　Ｃｈｉｎａ（６１５０３１　１４）　交网络具有特别的特性：在通过社交网络简单发布　第９期　李磊等：基于社交网络的社交行为分析　２１０９　或者收到信息之后，社交网络的每个参与者都有权　利散布自己的观点，不同的观点每时每刻都在社交　网络中发布。一旦信息发布出去，就有可能以“核　爆炸”的方式几何扩散出去，从而形成具有类似兴　趣的虚拟社区的形成［２Ｉ４１　５】。因此，社交网络可以快速　组织线下人员到真实的社会群体活动，从而形成了　一定的社会动员力。随着社交网络的快速发展，在　线社交网络和线下社交网络的融合对人类社会的行　为影响越来越大。因此，对社交网络，特别是社交　网络中的行为，进行研究具有重大的理论价值、应　用价值和实际意义。　为了解决国家安全和社会发展的重大需求，例　如网络舆情分析和引导，突发事件的监控和响应，　和在线群体交互等，本文调研并分析了社交网络中　社交行为成因，社交行为的表现及社交行为的影响　等社交行为分析与挖掘的相关理论及模型。　２社交网络中的行为　随着在线社交网络的快速发展和在线用户的快　速增长，以交友和信息共享为目标的社交网络成为　了信息传递、商品推荐、观点表达和影响力产生的　理想平台。对于不同类型的社交网络技术，服务和　应用，网络用户选择合适的行为以满足他们对于社　交，娱乐和信息获取的需求。　２．１用户行为与语义行为　社交网络的用户行为是指基于个人需求，社会　影响力和社交网络技术等影响用户意愿的因素而采　用某种社交网络服务的行为及各种相关活动的总　和。典型的社交网络用户行为包括一般用户行为，　内容创建行为和内容消费行为。这也是基于社交网　络行为分析的主要研究内容。例如，我们可以研究　内容创建或者内容消费的模式，从而发现下次内容　创建或者内容消费的时间。　另外一个基于社交网络行为分析的重要研究方　向是关于社交网络的语义行为。社交网络中语义行　为是指基于社交网络中的用户行为，一般是基于社　交网络用户发布的内容，推导出其在现实生活中的　用户行为。例如，基于一个用户发布的图片的背景，　我们可以推断出用户的家庭住址，每天的行进路线，　或者个人爱好。这些信息可以被社会工程学中用来　攻击用户，从而导致用户的经济损失。　社交网络的用户行为是社交网络行为的狭义形　式，这也是当今社交网络行为研究的核心，大部分　关于社交网络行为研究的论文都是关于这个方面　的。社交网络的语义行为是社交网络行为的广义形　式，这是社交网络行为研究的未来。这是因为语义　行为可以覆盖更多的信息，可以对用户工作和生活　有更大的影响。但是，由于社交网络语义行为可以　较容易地伪造［。，　】，导致得出信息的可信度比较　低【８１９】，因此我们需要引入新的理论和方法来确定社　交网络语义行为的可信度，获得社交网络语义行为　的真实信息，从而获得社交网络用户在真实生活中　的行为信息。　２．２个体行为与群体行为　社交网络的个体行为分析是指针对社交网络中　的一个参与者基于其个人需求，社会影响和社交网　络技术综合分析衡量所采用的服务和所有相关的行　为【　。而社交网络的群体行为是由某种条件激发，　之后多个个体加入到一个群体中并彼此产生行为交　互［１ｌ】ｆ例如共享信息），以达到某种程度的一致，从　而表现出一种群体行为［２】ｏ简单来说，社交网络的个　体行为是指分析一个人的行为，而社交网络的群体　行为是指分析一群人的行为。因此，个体行为研究　是群体行为研究的基础，相对得到了更广泛的研究。　所以，本文主要将从微观角度分析社交网络个体行　为，基本不涉及宏观角度的社交网络群体行为分析。　３社交网络的行为成因　对于社交网络行为成因，即什么导致了社交网　络的行为，我们基于社交网络的技术性质和用户的　心理经验研究了用户的采纳、忠诚和信任对用户行　为的影响。　３．１社交网络中的用户采纳　社交网络中的用户采纳是指用户基于他们自己　的需求，社会影响和社交网络技术来采纳某种社交　网络服务的意愿和行动。到目前为止，对于社交网　络用户的采纳行为的原理的研究，已经有了很多的　理论和模型。在实际应用中，我们用的比较多的有　技术接受模型（Ｔｅｃｈｎｏｌｏｇｙ　Ａｃｃｅｐｔａｎｃｅ　Ｍｏｄｅｌ，　ＴＡＭ）和计划行为理论（Ｔｈｅｏｒｙ　ｏｆ　Ｐｌａｎｎｅｄ　Ｂｅｈａｖｉｏｕｒ，ＴＰＢ）。　对于技术接受模型，文献［１２］研究了在线社交网　络的用户接受行为，并证实了临场感（ｔｅｌｅｐｒｅｓｅｎｃｅ）　和利他主义ｆａｌｔｒｕｉｓｍ）通过可用性感知和有用性感　知对感受到的容易性有着间接作用，而社会角色对　感受到的有用性和感受到的鼓励有着直接的显著作　用。文献『１３１在基础技术接受模型上增加了一些新的　变量、包括移动性、大多数的选择、使用背景、社　会影响力和习惯。而文献［１４］在基础技术接受模型上　增加了感受到的有趣性，感受到的规范压力，信任　和大多数的选择作为使用意愿的直接影响因子。实　验结果证实了这４个变量都对使用意愿有着直接影　２１１０　电子与信息学报　第３９卷　响，并且感受到的有趣性对使用意愿有着显著的直　接影响。针对电子服务质量的研究，Ｗｕ等人［１５］指　出最重要的影响使用意愿的是品牌的信誉，网站的　安全和社交媒体上用户的交互。同时，用户的评论　和用户的交流也影响用户的使用意图。　对于计划行为理论，文献［１６】研究了在线社交网　络中的用户采纳，并观察到态度和感受到的行为控　制都对青少年在社交网络的使用意愿有着显著的直　接作用。同时，主观规范对青少年在社交网络的使　用意愿没有显著的直接作用。但是，这和早期关于　计划行为理论的研究结果相矛盾。这很可能是由于　新加入的社团规范性比主观规范性在衡量社会规范　性对于采用的影响更有效。这可以由当社团规范性　进入回归模型的时候主观规范性对使用意愿的影响　从显著变化为微弱这个事实证实。　在计划行为理论的基础之上，文献『１７１增加了新　的变量，例如自我认知，从属性，性别，年龄和过　去使用史，并构建一个新的社交网络用户使用意愿　预测模型。实验结果显示态度，主观规范性和自我　认知全都对使用意愿有着显著的正面作用。文献『１８］　利用计划行为理论模型，聚焦了中国的社交网络采　用行为，并构建了５种使用意愿模型。分析结果显　示，信息，娱乐，交友和一致性都对社交网络使用　意愿有着显著影响，并且用户态度，感受到的行为　控制和主观规范都对社交网络采用意愿有着显著影　响。采用计划行为理论模型，文献＿１９１针对伊朗学生　对于有机食物购买的研究指出最主要的因素是学生　的态度，自我认知和道德规范。　３．２社交网络中的用户忠诚　在用户开始使用在线社交网络之后，如何使用　户继续使用该服务成为社交网络服务提供商的一个　核心难题。随着新的社交网络服务产生的压力，保　持用户的忠诚变得越来越困难。因此，我们需要引　入理论和方法来研究社交网络中用户忠诚的原理。　到目前为止，关于社交网络用户忠诚的研究中，期　望确认理论ｆＥｘｐｅｃｔａｔｉｏｎ　Ｃｏｎｆｉｒｍａｔｉｏｎ　Ｔｈｅｏｒｙ．　ＥＣＴ）和心流体验理论（ｆｌｏｗ　ｔｈｅｏｒｙ）是在实际应用中　采用最多的理论。　对于期望确认理论，Ｋａｎｇ等人　聚焦了韩国最　大的社交网络Ｃｙｗｏｒｌｄ的用户行为，并试图发现社　交网络中用户忠诚的关键因素。实验结果揭示了期　望确认对满意度没有显著的作用；满意度对持续意　愿有着微弱的作用；后悔对满意度没有显著的作用，　这可能是由于负面作用只在期望确认值比较低的时　候显现，而Ｃｙｗｏｒｌｄ的数据集中期望确认值很高；　利用期望确认理论，文献［２１］引入了感受到的容易　性，感受到的有趣性和感受到的变换代价。该文证　实了感受到的容易性，感受到的有用性，感受到的　有趣和变换代价都对社交网络的持续意愿有着直接　显著作用。文献［２２］￥１Ｊ用创新扩散理论中感受到的创　新性代替期望确认理论中感受到的容易性，并观察　到感受到的创新性对社交网络的持续使用有着显著　影响。Ｚｈａｎｇ等人　对于期望确认模型进行了扩展，　指出决定消费者的满意度的是感受到的网站质量，　感受到的价格优势和确认度，决定消费者持续意图　的是感受到的网站质量，信誉，满意度和大多数的　选择。基于心流体验理论（ｌｆｏｗ　ｔｈｅｏｒｙ），Ｚｈｏｕ等人【２４】　研究了移动社交网络的用户忠诚。分析结果显示移　动社交网络的信息质量和系统质量都对信任和心流　体验经历有相关作用，信任对心流体验经历和用户　忠诚有相关作用，心流体验经历对用户忠诚有显著　作用。除此之外，和信息质量相比，系统质量对用　户信任有重大作用。文献ｆ２５１结合了技术接受和使用　统一理论（Ｕｎｉｉｆｅｄ　Ｔｈｅｏｒｙ　ｏｆ　Ａｃｃｅｐｔａｎｃｅ　ａｎｄ　Ｕｓｅ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，ＵＴＡＵＴ１，期望失验理论（Ｅｘｐｅｃｔａｔｉｏｎ　Ｄｉｓｃｏｎｆｉｒｍａｔｉｏｎ　Ｔｈｅｏｒｙ，ＥＤＴ１和心流体验理论　ｆｆｌｏｗ　ｔｈｅｏｒｙ１，针对Ｆａｃｅｂｏｏｋ用户提出了一个持续　意愿模型。在分析了４８２个样本数据之后，他们得　出心流体验经历不仅通过满意度对持续使用有着间　接作用，而且对持续意愿有着直接显著作用。另外，　Ｗｕ等人　和Ｃｈａｎｇ［。　］采用心流体验理论解释了社　交网络中社交游戏或者娱乐应用的持续行为。基于　心流体验理论，Ｗｕ等人［２６］验证了感受到的兴趣是　用户对社交网络娱乐应用变得忠诚的直接原因，并　且感受到的兴趣性可以被社交网络的娱乐应用的设　计的影响（例如内在社会性，应用之间的交互）。　Ｃｈａｎｇ［　］利用心流体验理论以验证交互作用，用户　价值和满意性是心流体验理论的先验变量，并且心　流体验经历和满意度是社交网络游戏中持续行为的　先验变量。Ｈｕａｎｇ等人　指出随着Ｆａｃｅｂｏｏｋ中熟悉　的用户增加，用户倾向于不参与Ｆａｃｅｂｏｏｋ中的游　戏。同时，他们利用心流体验理论得出在设计社交　网络游戏中最需要注意的是用户的心理满意度，主　要因素包括游戏运行的感受，游戏过关的难度，获　得的经验值和选择的队友。　３．３社交网络中的信任　在社交网络平台上，参与者进行各种活动，例　如寻找员工和电影推荐［２９１。在这些活动中，信任是　参与者决策时最重要的指标之　［３０，３１］。然而在线社　交网络中，大多数参与者先前并没有直接交互历史　ｆ例如雇主和雇员之间以前并没有互动，在电影推荐　者和接受推荐的人之间以前并没有交互）。因此在两　第９期　李磊等：基于社交网络的社交行为分析　名未知参与者之间评估信任变得重要和必要。在介　绍具体的应用方法之前，我们首先介绍如何利用各　种和信任相关的不同信息源来确定信任。　研究人员尝试确定引导信任出现的原因，包括　信任值。　在面向信任的推荐系统研究中，Ｗａｌｔｅｒ等人［３９】　提出了一个面向社交网络的推荐系统。在他们的模　型中，参与者可以给推荐人一个信任值，该值是根　心理，社会和组织等因素，这些因素会影响个人对　他人的信任和对交易中行为的期望［３０，３１］。ｆ１１倾向性　信任：每个人对不同的人所表现的信任也是不同的，　具有一定的倾向性ｆ３０】，并且这种倾向相对稳定［３２】。　（２）基于历史的信任：人们选择信任的人很大程度上　依赖于对他过去的了解［３。】。ｆ３１基于第三方渠道的信　任：最简单的基于第三方渠道的信任的例子就是八　卦和口碑。这些渠道可以为我们提供关于他人重要　的二手消息。（４）基于类别的信任：人们更倾向于给　予其他群内成员正面属性特征【３２Ｉ叫，这将导致人们　与组内的其他成员之间建立一种组织信任。ｆ５）基于　角色的信任：基于角色的信任侧重于对待估者在组　织中的特定角色来进行信任评估，而不是信托人对　待估者的性格，意图和动机都有特定认知之后进行　信任评估　。（６）基于规则的信任：基于规则的信任　不是有意识的对后果进行估算，而是对适当行为规　则的共同理解。关于规则对自我认识和对组织中其　他成员预期的影响，它可以在组织中创建和保持一　个高水平的信任［３５］。　为了评价社交网络中两个未知参与者之间的信　任，已有文献中提出了以下几种信任管理方法。在　信任传播的研究中，Ｇｏｌｂａｃｋ等人【３６ｌ通过添加合适　人选的办法来扩大一个朋友的朋友列表（Ｆｒｉｅｎｄ　Ｏｆ　Ａ　ｒＦｉｅｎｄ，ＦＯＡＦ），该方法是利用参与者过去交往的　经验来判断一个人是否可信。这个功能已经被采用　在ＦｉｌｍＴｒｕｓｔ上，其中每个参与者都可以对另一个　参与者指定一个从１（表示非常小的信任）～１０（表示　非常高的信任１的信任度，而信任度的值是基于参与　者电影推荐的质量。然后他们提出了建立信任关系　的信任推理机制，该机制在源参与者和与其没有直　接交互的目标参与者之间使用［　。在此模型中，被　源节点所信任的那些邻居节点的态度ｆ已获得源节　点的高信任值１在推断他们的邻居节点的信任值时　要考虑进去。他们平均这些由源节点的邻居赋给他　们邻居的信任值，此过程将重复直到目标节点为止。　这种信任推理模型也在ＦｉｌｍＴｒｕｓｔ上得到了进一步　的采用。Ｇｕｈａ等人［３８】提出了一种信任传播模式来推　断出两个没有直接交互的参与者之间的信任或不信　任。在他们的模型中，传播的跳数以及在源节点和　目标节点之间社会信任路径上中间节点的信任情况　都要被考虑。他们采用了加权求和的方法来合计以　上每个部分对信任传播的影响力，由此计算推断出　据推荐人过去的推荐行为。这种信任值是可见且可　为其他参与者的选择提供参考建议。参与者通过将　源节点和目标节点之间的信任值乘以中间任何在信　任路径上的参与者的信任值以计算目标参与者的信　任值。文献［４０】针对在线社交网络的卖家和买家提出　了一个随机游走模型。在他们的模型中，买家在社　交网络中沿着他的购买路径执行固定跳数的随机游　走来得到评分，该值是由买家评分给卖方的，用以　评价该卖方的产品。而卖方的置信度是由随机游走　路径的数量，跳数及卖方在各路径上的评分来计算　得到的。　上述信任评价方法考虑了社会信任路径中间节　点间的信任值，它可以帮助在两个未知参与者之间　建立信任关系。　到目前为止，已有工作对于社交网络行为成因　的研究还处于各个原因的单独分析阶段。因此，在　下一步工作中我们需要综合分析采纳、忠诚和信任　对于社交网络行为形成的影响。这种综合分析将揭　露社交网络中一个行为成因，从而可以有目的地控　制社交网络中的行为。　４社交网络的行为表现　对于社交网络行为的表现，我们对社交网络中　不同的行为进行了分类，并使用数据网络技术对行　为表现进行了研究。　，　４．１一般使用行为　随着在线社交网络应用的发展，利用社交网络　中用户的大规模数据已经成为可能　。举例来说，　Ｇｏｙａｌ等人【　］收集了４２０万用户发布的３．６２亿条日　志信息，并且分别按照每天和每月作为时间单位分　析社交网络用户的日常行为。Ｇｙａｒｍａｔｉ等人［４。］分析　了常用的社交网络，包括Ｂｅｂｏ，ＭｙＳｐａｃｅ，Ｎｅｔｌｏｇ，　Ｔａｇｇｅｄ等中的８００００个用户，并发现社交网络中用　户的使用时间满足Ｗｅｉｂｕｌ１分布，社交网络中用户　的持续使用时间满足幂律分布。现在我们以这份工　作为例详细解释我们对于社交网络用户行为研究的　思路。首先，我们描述了收集８００００个用户的方法。　之后，社交网络用户的使用时间的模式可以被挖掘　出来。最后，我们可以指出社交网络用户的持续使　用时间的模式。其中，社交网络中一个用户的持续　使用时间是指一个用户从登录系统到使用结束花费　的总时间。通常有两种方法结束使用行为：一方面，　２１１２　电子与信息学报　第３９卷　用户可以自己退出系统；另一方面，用户可以关闭　浏览器。　Ｇｙａｒｍａｔｉ发现通过统计拟合分析，获得的数据曲线　近似于Ｗｅｉｂｕｌ１分布（图１（ｂ）），即社交网络中用户的　ｆ１）数据收集：　因为一般来说很难获得从社交　网络服务提供商处直接获得数据，Ｇｙａｒｍａｔｉ从社交　网络网站，包括Ｂｅｂｏ，ＭｙＳｐａｃｅ，Ｎｅｔｌｏｇ和Ｔａｇｇｅｄ，　在线时间分布符合Ｗｅｉｂｕｌ１分布。　ｆ３）社交网络中的用户持续使用时间的模式：　社交网络Ｔａｇｇｅｄ和ＭｙＳｐａｃｅ中用户的持续使用时　间分布见图２，其中　轴和Ｙ轴的数据已经对数化。　从图中数据可以观察到持续使用时间遵循幂律分　一一一　一¨¨㈠¨¨㈠¨㈠¨¨　布。具体来说，它是两个幂律分布的叠加，其中的　跳跃点就是两个幂律分布的函数的分界点。这是由　于社交网络的服务器的最长响应时间的设置造成的　ｆＴａｇｇｅｄ和ＭｙＳｐａｃｅ的最大响应时间都被设置为２０　爬取了８００００个用户的公共信息（包括用户的个人信　息和发布的状态信息）。对应的时间段从２００９年３　月１５日到５月２日。　在数据收集过程中，我们需要不时地下载用户　的公共信息。因此，选择合适的时间窗口以监控用　户公共信息的变化是很重要的。在总资源有限（只有　５００个节点用于爬取）的约束下，当时间窗口较小的　ｍｉｎ）。当一个用户关闭了浏览器之后，用户使用时　间会再持续计算一段时间。因此，当一个用户退出　系统的时候，对应的用户使用时间比直接关闭浏览　器要稍微短一点。退出系统对应的是第１个幂律分　布，而第２个幂律分布对应的是退出系统和关闭浏　览器的叠加。　４．２内容创建行为　随着Ｗｌｅｂ　２．０技术的快速发展，社交网络应用　情况下，可以获得细粒度的数据，同时下载到更多　的用户公共信息网页。但是，这只能监控到有限数　量的用户。而更大的时间窗口对应更多的被监控的　用户。根据经验，时间窗口被取为１　ｍｉｎ。每隔１　ｍｉｎ，　社交网络中一个用户的持续使用时间可以通过下载　网页的变化估计出来。举例来说，如果～个网页发　生了变化，那么可以估计用户仍然在线。　（２）社交网络中用户使用时间的模式：　在监控　的时间区间中，社交网络中的用户的累积在线时间　逐渐兴起，基于Ｉｎｔｅｒｎｅｔ的交互作用和自媒体等相　关属性成为了研究热点。和Ｗｅｂ　１．０相比，Ｗｅｂ　２．０　分布函数示于图１（ａ）。我们可以观察到４种不同的　社交网络都有着相似的性质ｆ其中ｘ轴的数据都已经　被对数化），即在监控的６周中大部分用户的在线时　间都小于１０００　ｍｉｎ或者每天的在线时间都小于１　ｈ。　１　Ｏ０　中的用户的主动性和交互性得到了增强。例如，用　户不再被动地接受媒体发布的消息，他们更倾向于　加入到社交网络中从而成为信息的制造者，发布者，　交流者和传播者，从而导致了大量的用户生成内容　Ｏ・７５　闭　姜ｏ．５０　．，　ｉ　ｉ＂”　“ｉ　躐０　２５　ｌ　１０１　１０２　１０８　１０４　１０８　Ｏ　１００　总计在线时Ｉｈ］（ｍｉｎ）　（ａ）在线时间分布　实际累积概率　（ｂ）期望累积概率与实际累积概率的关系　图１社交网络中用户的在线时间分布　囊　博　＊　在线时ｆ￣（ａｉｒｎ）　（ａ）Ｔａｇｇｅｄ　在线时间（ａｉｒｎ）　（ｂ）ＭｙＳｐａｃｅ　图２用户的持续使用时间分布　第９期　李磊等：基于社交网络的社交行为分析　（Ｕｓｅｒ－Ｇｅｎｅｒａｔｅｄ　Ｃｏｎｔｅｎｔ，ＵＧＣ）。　近些年，很多学者研究了ＵＧＣ中披露的个人　信息的行为，包括文学素养，娱乐兴趣，政治倾向、　个人或社会生活特点等。相关的研究表明，虽然透　露个人信息有很多潜在的麻烦，用户仍然继续在　ＵＧＣ中透露个人信息。此外，对个人信息披露的偏　好也进行了研究。例如，Ｗａｎｇ等人【４３］指出，女性　用户更喜欢创建与自己相关的内容，如家庭问题，　而男性用户更喜欢创建与公众话题相关的内容，如　政治和体育。此外，对一些研究人员，特别是从心理　学，开始进行对ＵＧＣ的表达行为的研究。Ｑｉｕ等　人　分析１４２名参与者在一个月内发布的所有微　博，并发现一些模式，如外向型用户更喜欢用带有　积极情绪的词。　对于自我呈现的模式，Ｂｏｙｌｅ等人【４５］指出和在网　页上的真实呈现（５９．７％）对比来说，用户倾向通过上　传照片（７５．７％），创建座右铭（７４．７％），列出个人兴　趣（７９．９％）进行自我呈现。研究显示用户不倾向于创　建博客（３３．３％），发布视频（２３．９％），和上传幻灯片　ｆ２３．９％），只要５％的用户倾向于发布个人或者家庭　录像。而ＭｙＳｐａｃｅ的用户喜欢上传幻灯片以记录他　们的朋友和家庭（ｉｉ．６％），或者和朋友相关的事情　（４．８％）。然而，不同的用户对个人信息的披露有着　不同的态度。几乎所有的用户都愿意提供他们的婚　姻状况（９９．２％），家乡（９７％）和邮政编码（９９．２％）。大　多数用户希望分享他们的种族（８３．３％），性取向　（８２．５％），生育控制倾向（７９．９％）和教育状况（７９．９％）。　虽然７９．９％的用户列出他们的个人兴趣，只有相对　较少的人愿意分享他们最喜欢的歌曲（６９．１％），电影　（６０．２％），电视节目（５９．４％），书籍（５３％）和偶像　（５７．８％）。很少有用户愿意透露他们的收ｆｔ．（１９．１％）　和所属社区（１９％１。　对于基于照片的自我呈现，文献【４６】研究了性别　对于资料照片和封面图片的影响。资料指的是在个　人页面的头像照片，其中男性的照片往往彰显身份　（如正式的西装１和户外冒险，而女性的照片倾向于　强调家庭关系（如家庭照片）和情绪的表达（如目光接　触、微笑的力量）。封面图片是指在主页顶部的背景　图片。研究结果表明，性别对封面图片没有显着的　影响，唯一的区别是，女性用户倾向于在封面图片　上显示家庭照片。　４．３内容消费行为　社交网络中的内容消费可以分为两类：传统内　容消费，例如浏览，和主动内容消费，即在社交网　络中积极提出他们的问题并期待别人的回答，而不　是采用传统的搜索引擎，如谷歌。　对于传统内容消费，基于照片分享网站Ｆｌｉｃｋｒ　的真实数据，从时间、社会和地理的维度，Ｖａｎ　Ｚｗｏｌ［　７】分析社交网络用户的访问日志，并描述关于　用户浏览的一些性质，用以回答何时何地及为什么　浏览网站。具体而言，大部分更新的照片都是在上　传之后几小时内被用户浏览的，大部分的浏览行为　都发生在用户上传图片之后两天之内。　对于主动内容消费，Ｍｏｒｒｉｓ等人【４８】研究了提问　者的人口统计信息和社交网络使用状态对于用户的　问题类型和主题类别的影响。不同性别对话题类别　的选择有显著影响。更具体地说，男性用户更喜欢　问技术相关的问题，而女性用户更喜欢提出与家庭　相关的问题。年龄与问题类型有一定的关系。特别　是，相比于老年用户，年轻的用户更喜欢问问题，　而老年用户更喜欢寻求建议。同时，研究还显示，　在Ｔｗｉｔｔｅｒ平台上，用户更喜欢问技术相关的问题，　而在Ｆａｃｅｂｏｏｋ平台上，用户更喜欢问家庭和娱乐相　关的问题。对于不是经常更新的用户，他们更倾向　于浏览罕见事件和旅游或者健康相关的事件。为了　改进问答系统的效果，Ｓｈｅｎ等人【４９１利用社交网络中　共同兴趣和共同信任构成的朋友关系以确保把提出　的问题转发给能正确回答并愿意回答的人。对于社　交网络行为表现的下一步研究可以有多个角度。首　先，社交网络中的行为表现形式是多种多样的，但　是最终行为的执行都是行为的主体发出的。因此对　于行为主体的研究将有助于对于社交网络行为表现　的理解。但是现有的工作中缺失这一部分的研究。　其次，现有的对于社交网络行为表现的研究都是集　中于对用户行为的研究，而对于语义行为的研究较　少。对于社交网络的语义行为表现的研究将有助于　理解用户的行为，从而引导社交网络用户的行为。　５社交网络的行为影响　对于社会网络行为的影响，即用户的行为对他　人的影响，我们主要结合社会认知和上下文信息　来研究基于用户行为的社会影响力衡量模型及如何　根据此模型引导社交网络中的行为。　５．１社交网络影响力的衡量　在实际应用中，我们所广泛采用的是基于网络　的拓扑结构的影响力测量［ｓｉ－５３】。然而，这些影响力　测量方法有其先天不足之处：首先，得到的社会网　络的拓扑结构是静态的，并且是原始社会网络快照，　记录从社会网络的诞生到现在的所有的社会关系，　这意味着所有的连接都被收集了，包括建于１０年前　一个的连接和建立１　Ｓ前的一次连接；其次，在拓　扑结构中，所有连接的权重都是相等的或同分布的。　２１１４　电子与信息学报　第３９卷　这意味着，在社交网络中相互作用的用户共享相同　的影响力，或者在社交网络中相互作用的用户的影　响力符合简单的概率函数。更具体地说，通过一个　响力的基本概念和与之相关的其他因素，介绍了区　分影响力和这些因素的研究工作，接着重点总结了　简单的通话所形成的连接，以及在朋友之间的热烈　讨论所形成的连接都被平等对待。上述情况显然和　实际情况有一个很大的差距，这是由于事实上，基　于网络的拓扑结构的影响测量没有考虑的相互作用　的行为和上下文信息，这导致计算结果和实际情况　影响力分析的建模和度量方法，以及与影响力传播　相关的意见领袖发现和影响力最大传播问题的研究　现状。　现有的社交网络影响力的研究工作存在下列问　题：（１）社交网络用户之间形成的关系非常复杂，在　这样的环境下对社交影响力的定性分析也受到很多　之间的偏差［５２】。　在线社交网络中用户的典型行为包括发布信　息、购买商品、评论、转发信息，建立关系，例如，　在Ｔｗｉｔｔｅｒ网络，用户Ｂ对用户Ａ有一定的影响，　可分为４种关系：（１）用户Ａ在自己的博客使用转发　标签，如“ＲＴ＠Ｂ”或者“ｖｉａ＠Ｂ”；（２）用户Ａ在　自己的博客上使用“＠Ｂ”回复用户Ｂ的博客；（３）　用户Ａ未明确使用转发标签，如“ＲＴ＠Ｂ”或者“ｖｉａ　＠Ｂ”，但复制用户Ｂ的博客；（４）用户Ａ读取用户Ｂ　的博客。因此，用户之间的影响网络是一个多关系　网络［５４］。因此，我们可以定义以下４种关系网络：　（１）转发网络；（２）回复网络；（３）复制网络；（４）阅读　网络。随着这些行为的分布规律和因果关系的分析，　我们不仅能估计行为发起者和传播者之间的影响　力，而且能预测在社会网络中的行为。　一般来说，在线社交网络会记录大量的交互活　动的信息，其中包括各种用户行为数据。分析这些　数据后，我们可以评估用户之间的影响力和它的传　输路线和范围，并建立用户之间的社会关系网络。　对于用户行为分析的重要数据源的Ｗｅｂ日志，　Ｇｏｙａｌ等人［　］计算基于Ｗｅｂ日志信息的用户和行为　的影响力：　ｉｎｆｆｆ　！！：竺　：　！三全　三二竺　（１）　ｍ“　，．…、）＝—Ｊ｛仳Ｉ—　—，Ａｔ：ｐｒ——ｏｐ（—ａ，　，　　，Ａｔ）Ａ　—０　Ａｔ——　—一，　｝　Ｉ　（２）　其中，乱和Ｖ代表不同的用户；ａ是一个行为；△　代　表行为之间的时间间隔；丁　是一个时间常数；　ｐｒｏｐ（ａ，Ｖ，　Ａｔ）代表行为ａ在用户　和Ｖ之间发生；　Ａ　是由用户　产生的行为的数量；Ｕ（ａ）是行为ａ发　生的数量；和基于拓扑的影响力衡量方法不同，这　个模型计算了基于行为的传播频率的用户影响力强　度，和基于行为执行范围的行为影响力强度。　吴信东等人【　］综合分析了在线社交网络兴起以　来社交影响力分析的主要成果，首先阐述了社交影　因素的影响和干扰。尽管有不少工作试图客观准确　地厘清影响力和其他因素之间的关系，但是最终都　无法很好地解决该问题。（２）大部分关于社交影响力　分析的工作都聚焦用户自身的影响力度量和演化，　以及用户及其邻居和所在社团之间的相互影响上，　但是以用户群体为基本目标进行影响力分析的研究　还较少。这些都是社交网络影响力研究的下一步方　向。　５．２社交网络中的行为引导　随着在线社交网络的蓬勃发展和用户量的急剧　增长，社交网络快速成为信息传播、市场营销、意见　表达的一个交流平台，为人类生活提供了方便，但同　时也对人类生活产生负面的影响。在政治方面，一些　网络恶意参与者在社交网络中散播谣言破坏国家和　社会的利益，导致一些不必要的群体事件，影响社会　安定；在经济方面，一些参与者在在线购物平台上散　布一些虚假的购物信息，以此来诱骗消费者；在文化　方面，一些犯罪团伙利用社交网络视频和即时消息发　送一些色情、暴力相关的内容。此外，恐怖分子也利　用社交网络诱导青少年参加恐怖暴力活动，影响青少　年的健康成长。虽然社交网络中的行为引导对于国家　安定和社会发展是非常重要的，但是近年来关于社交　网络中的行为引导的研究却很少。在社交网络中最普　遍的行为引导方法主要包括：利用行政手段约束，主　流媒体引导和雇佣大量人员发布正面消息等，这些手　段简单粗暴，容易造成参与者的反向认知、情绪累加　和政治冷漠等问题，并且需要大量人工参与，效果极　其低下；因此，在社交网络中引入非人为参与的自动　化的行为引导来避免恶意、负面的行为是非常必须和　重要的。特别是，在指定的一个特定的需监控的负面　群体行为下，如何引导社交网络中的参与者尽可能少　地参与到这个行为中，是社交网络群体行为引导中一　个重要的问题。为了解决上述问题，文献ｆ５５］提出了　一种基于信任智能体的行为引导方法，可以有效地引　导社交网络中的参与者尽可能避免一些负面的行为，　步骤如下。　步骤１根据社区中群体行为特征及相关背景设　计特定的信任智能体特征，从而使信任智能体被社区　第９期　李磊等：基于社交网络的社交行为分析　中的其他参与者最大程度地信任，进而使信任智能体　对社交网络中参与者的影响达到最大。　首先，采用社区发现算法将所述社交网络划分成　若干个社区【４１５］，然后对任意一个社区中所有参与者的　行为集合进行特征词语的提取及相应的文本挖掘，从　而获得所述社区中所有参与者的群体行为特征［５６，５７］；　具体来说，就是将任意一个社区中所有参与者的行为　集合进行特征词语的提取，并剔除与行为不相关的噪　音信息及一些低频行为特征，从而获得这个社区中所　有参与者的行为特征集合；进而获得该社区的群体行　为特征集合。　然后，针对对应的群体行为特征及相关背景，设　计信任智能体的行为特征信息【５ｓ］及社交背景信息［３２］。　对于行为特征的设定，信任智能体的行为特征被设置　成与社区的群体行为特征较相似，并与社区中若干参　与者的行为特征最相似。在这个基础之上，考虑对于　社交背景信息的设定，根据信任的定义，对社交背景　信息中包括的个人喜好　和社会角色［５９】等因素进行　合适的参数设定，这将使信任智能体对社交网络中的　参与者群体的影响达到最大。　步骤２研究由社交网络的网络结构　，参与者　个体行为【　和群体行为　互动构成的离散动力系统　中群体行为演化的非线性动态性质，以引入一种只需　要少量信任智能体的利用现代计算方法的社交网络　动态群体行为引导系统框架。　通过控制所述第　个社区　中的信任智能体　Ａ　的行为特征集合　和社交背景信息，引导所　述第Ｑ个社区　中所有参与者的行为集合Ｋ；进而　通过控制所述信任智能体集合Ａｇｔ中的每个信任智　能体，引导每个社区的参与者所对应的行为集合，从　而引导所述社交网络Ｇ的群体行为集合　以实现　所述社交网络Ｇ中西％的参与者不在所述监控区域　中。　但是，现有的社交网络中的行为引导的研究还处　于比较初级的阶段，导致现有方法基本无法应用到实　际应用环境中。所以，在未来的社交网络行为引导的　研究将集中于如何在一个真实的社交网络环境中引　导用户的行为。　６结论　随着社会网络应用，如论坛、博客和微博等的快　速发展，用户的在线网络行为越来越多，并呈现出与　往不同的内容和形式。在线社交网络中的行为分析与　建模是社会网络分析的关键内容。本文首先介绍了社　交网络行为的成因，包括最重要的３个原因：用户采　纳、用户忠诚和用户信任。有了这些原因，用户才在　社交网络中发生行为，例如一般使用行为、内容创建　行为和内容消费行为。最后，我们对社会网络行为的　影响衡量机器对用户行为的引导进行了研究。　通过对社会网络行为成因，社会网络行为表现和　社会网络行为影响的分析，我们不仅能从社会学的角　度加深对社交行为的理解，并为公共决策和舆论导向　提供理论依据，同时也促进政治领域，经济和文化的　交流和沟通信息，具有重要的社会意义和应用价值。　参考文献　［１］　ＧＯＹＡＬ　Ａ，ＢＯＮＣＨＩ　Ｆ，ａｎｄ　ＬＡＫＳＨＭＡＮＡＮ　Ｌ　Ｖ　Ｓ．　Ｌｅａｒｎｉｎｇ　ｉｎｆｌｕｅｎｃｅ　ｐｒｏｂａｂｉｌｉｔｉｅｓ　ｉｎ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ［Ｃ］．　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ｔｈｉｒｄ　ＡＣＭ　ｉｎｔｅｒｎａｔｉｏｎａｌ　ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｅｂ　ｓｅａｒｃｈ　ａｎｄ　ｄａｔａ　ｍｉｎｉｎｇ，Ｎｅｗ　Ｙｏｒｋ，ＮＹ，ＵＳＡ，２０１０：　２４１—２５０．ｄｏｉ：１０．１１４５／１７１８４８７．１７１８５１８．　【２】　ＦＡＮＧ　Ｂ，ＸＵ　Ｊ，ＬＩ　Ｊ，ｅｔ　ａ１．Ｏｎｌｉｎｅ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｎａａｌｙｓｉｓ［Ｊ］．　Ｐｕｂｌｉｓｈｉｎｇ　Ｈｏｕｓｅ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ　Ｉｎｄｕｓｔｒｙ，２０１５，３０（２）：　１８７—１９９．　【３］　ＮＥＷＭＡＮ　Ｍ　Ｅ　Ｊ．Ｎｅｔｗｏｒｋｓ：Ａｎ　Ｉｎｔｒｏｄｕｃｔｉｏｎ［Ｍ］．Ｏｘｆｏｒｄ，　ＵＫ，Ｏｘｆｏｒｄ　Ｕｎｉｖｅｒｓｉｔｙ，２０１０：卜７８４．　［４］　陈季梦，陈佳俊，刘杰，等．基于结构相似度的大规模社交网　络聚类算法［Ｊ】．电子与信息学报，２０１５，３７（２）：４４９—４５４．ｄｏｉ：　１０．１１９９９／ＪＥＩＴ１４０５１２．　ＣＨＥＮ　Ｊｉｍｅｎｇ，ＣＨＥＮ　Ｊｉａｊｕｎ，ＬＩＵ　Ｊｉｅ，ｅｔ　ａ１．Ｃｌｕｓｔｅｒｉｎｇ　ａｌｇｏｒｉｔｈｍｓ　ｆｏｒ　ｌａｒｇｅ－ｓｃａｌｅ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ　ｂａｓｅｄ　ｏｎ　ｓｔｒｕｃｔｕｒａｌ　ｓｉｍｉｌａｒｉｔｙ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，２０１５，３７（２）：４４９—４５４．ｄｏｉ：１０．１１９９９／ＪＥＩＴ１４０５１２．　【５】　刘世超，朱福喜，甘琳．基于标签传播概率的重叠社区发现算　法［Ｊ］．计算机学报，２０１６，３９（４）：７１７＿７２９．ｄｏｉ：ｉ０．１１８９７／　ＳＰ．Ｊ．１０１６．２０１６．００７１７．　ＬＩＵ　Ｓｈｉｃｈａｏ，ＺＨＵ　Ｆｕｘｉ，ａｎｄ　ＧＡＮ　Ｌｉｎ．Ａ　ｌａｂｅｌ－ｐｒｏｐａｇａｔｉｏｎ－　ｐｒｏｂａｂｉｌｉｔｙ—ｂａｓｅｄ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｏｖｅｒｌａｐｐｉｎｇ　ｃｏｍｍｕｎｉｔｙ　ｄｅｔｅｃｔｉｏｎ［Ｊ］．Ｃｈｉｎｅｓｅ￣ｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒｓ，２０１６，３９（４）：　７１７—７２９．ｄｏｉ：１０．１１８９７／ＳＰ．Ｊ．１０１６．２０１６．００７１７．　『６１　罗恩韬，王国军．移动社交网络中一种朋友发现的隐私安全　保护策略［Ｊ】．电子与信息学报，２０１６，３８（９）：２１６５—２１７２．ｄｏｉ：　１Ｏ．１１９９９／ＪＥＩＴ１５１４７９．　ＬＵＯ　Ｅｎｔａｏ　ａｎｄ　ＷＡＮＧ　Ｇｕｏｊｕｎ．Ａ　ｎｏｖｅｌ　ｆｒｉｅｎｄｓ　ｍａｔｃｈｉｎｇ　ｐｒｉｖａｃｙ　ｐｒｅｓｅｒｖｉｎｇ　ｓｔｒａｔｅｇｙ　ｉｎ　ｍｏｂｉｌｅ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｋｓ［Ｊ］．　￣ｕｒｎａｌ　ｏｆＥｌｅｃｔｒｏｎｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，２０１６，３８（９）：　２１６５—２１７２．ｄｏｉ：１０．１１９９９／ＪＥＩＴ１５１４７９．　［７］　张少波，ＢＨＵ￣ＡＮ　Ｚ　Ａ，刘琴，等．移动社交网络中基于代理　转发机制的轨迹隐私保护方法［Ｊ］．电子与信息学报，２０１６，　３８（９）：２１５８—２１６４．ｄｏｉ：１０．１１９９９／ＪＥＩＴ１５ｌ１３６．　ＺＨＡＮＧ　Ｓｈａｏｂｏ，ＢＨＵＩＹＡＮ　Ｚ　Ａ，ＬＩＵ　Ｑｉｎ，ｅｔ　ａ１．Ｔｈｅ　ｍｅｔｈｏｄ　０ｆ　ｔｒａｊｅｃｔｏｒｙ　ｐｒｉｖａｃｙ　ｐｒｅｓｅｒｖｉｎｇ　ｂａｓｅｄ　ｏｎ　ａｇｅｎｔ　ｆｏｒｗａｒｄｉｎｇ　ｍｅｃｈａｎｉｓｍ　ｉｎ　ｍｏｂｉｌｅ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｓｋ［Ｊ］．　￣ｕｒｎａｌ　ｏｌ　Ｅｌｅｃｔｒｏｎｉｃｓ＆　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，　２０１６，　３８（９）：　２１５８—２１６４．ｄｏｉ：１０．１１９９９／ＪＥＩＴｌ５１１３６．　２１１６　电子与信息学报　第３９卷　８］　谢柏林，蒋盛益，周咏梅，等．基于把关人行为的微博虚假信　息及早检测方法［Ｊ］．计算机学报，２０１６，３９（４）：７３０—７４４．ｄｏｉ：　１０．Ｉ１８９７／ＳＰ．Ｊ．１０１６．２０１６．００７３０．　ＸＩＥ　Ｂａｉｌｉｎ，ＪＩＡＮＧ　Ｓｈｅｎｇｙｉ，ＺＨＯＵ　Ｙｏｎｇｍｅｉ，ｅｔ　ａ１．　Ｍｉｓｉｎｆｏｒｍａｔｉｏｎ　ｄｅｔｅｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｇａｔｅｋｅｅｐｅｒｓ　ｂｅｈａｖｉｏｒｓ　ｉｎ　ｍｉｃｒｏｂｌｏｇ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒｓ，２０１６，３９（４）：　７３０—７４４．ｄｏｉ：１０．１１８９７／ＳＰ．Ｊ．１０１６．２０１６．００７３０．　张玉清，吕少卿，范丹．在线社交网络中异常帐号检测方法研　究［Ｊ］．计算机学报，２０１５，３８（１０）：２０１１—２０２７．ｄｏｉ：１０．１１８９７／　ＳＰ．Ｊ．１０１６．２０１５．０２０１１．　ＺＨＡＮＧ　Ｙｕｑｉｎｇ，Ｌ０　Ｓｈａｏｑｉｎｇ，ａｎｄ　ＦＡＮ　Ｄａｎ．Ａｎｏｍａｌｙ　ｄｅｔｅｃｔｉｏｎ　ｉｎ　ｏｎｌｉｎｅ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒｓ，２０１５，３８（１０）：２０１１—２０２７．ｄｏｉ：１０．１１８９７／ＳＰ．Ｊ．　１０１６．２０１５．０２０１１．　１０］　ＭＡＩＡ　Ｍ，ＡＬＭＥＩＤＡ　Ｊ，ａｎｄ　ＡＬＭＥＩＤＡ　Ｖ．Ｉｄｅｎｔｉｆｙｉｎｇ　ｕｓｅｒ　ｂｅｈａｖｉｏｒ　ｉｎ　ｏｎｌｉｎｅ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１ｓｔ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｓｏｃｉａｌ　Ｎｅｔｗｏｒｋ　Ｓｙｓｔｅｍｓ，Ｇｌａｓｇｏｗ，Ｓｃｏｔｌａｎｄ，　ＵＫ．２００８：１—６．ｄｏｉ：１０．１１４５／１４３５４９７．１４３５４９８．　［ｎ　张锡哲，吕天阳，张斌．基于服务交互行为的复杂服务协同网　络建模［Ｊ］．软件学报，２０１６，２７（２）：２３１—２４６．ｄｏｉ：１０．１３３２８　／Ｊ．ｃｎｋｉ．ｊｏｓ．００４８４７．　ＺＨＡＮＧ　Ｘｉｚｈｅ．ＬＵ　Ｔｉａｎｙａｎｇ．ａｎｄ　ＺＨＡＮＧ　Ｂｉｎ．Ｍｏｄｅｌｉｎｇ　ｃｏｍｐｌｅｘ　ｃｏｌｌａｂｏｒａｔｉｏｎ　ｎｅｔｗｏｒｋ　ｆｏｒ　ｓｅｒｖｉｃｅ－ｏｒｉｅｎｔｅｄ　ｓｏｆｔｗａｒｅ　ｂａｓｅｄ　ｏｎ　ｅｘｅｃｕｔｉｏｎ　ｂｅｈａｖｉｏｒｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｓｏｔｆｗａｒｅ，２０１６，　２７（２）：２３１—２４６．ｄｏｉ：１０．１３３２８／ｊ．ｃｎｋｉ．ｊｏｓ．００４８４７．　１２】　ＫＷＯＮ　Ｏ　ａｎｄ　ＷＥＮ　Ｙ．Ａｎ　ｅｍｐｉｒｉｃａｌ　ｓｔｕｄｙ　ｏｆ　ｔｈｅ　ｆａｃｔｏｒｓ　ａｆｆｅｃｔｉｎｇ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｓｅｒｖｉｃｅ　ｕｓｅ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ伽Ｈｕｍａｎ　Ｂｅｈａｖｉｏｒ，２０１０，２６（２）：２５４—２６３．ｄｏｉ：１０．１０１６／ｊ．ｃｈｂ．２００９．０４．　０１１．　ＮＩＫＯＵ　Ｓ　ａｎｄ　Ｂ０ＵＷＭＡ　Ｈ．Ｕｂｉｑｕｉｔｏｕｓ　ｕｓｅ　ｏｆ　ｍｏｂｉｌｅ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｋ　ｓｅｒｖｉｃｅｓ［Ｊ］．Ｔｅｌｅｍａｔｉｃｓ　ａｎｄ　ｎＩｆｏｒｍａｔｉｃｓ，２０１４，３１（３）：　４２２—４３３．ｄｏｉ：１０．１０１６／ｊ．ｔｅｌｅ．２０１３．１１．００２．　ｌ４】　ＳＬＥＤＧＩＡＮ０ＷＳＫＩ　Ｄ　ａｎｄ　ＫＵＬＶＩⅥ　Ｔ　Ｓ．Ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｓｉｔｅｓ：Ａｎｔｅｃｅｄｅｎｔｓ　ｏｆｕｓｅｒ　ａｄｏｐｔｉｏｎ　ａｎｄ　ｕｓａｇｅ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１４ｔｈ　Ａｍｅｒｉｃａｓ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍｓ，　Ｔｏｒｏｎｔｏ，２００８：８３—９３．ｄｏｉ：１０．４０１８／ｊａｎｔｔｉ．２０１００４０１０４．　１５】　ＷＵ　Ｙ　Ｃ　Ｊ，ＳＨＥＮ　Ｊ　Ｐ，ａｎｄ　ＣＨＡＮＧ　Ｃ　Ｌ，Ｅｌｅｃｔｒｏｎｉｃ　ｓｅｒｖｉｃｅ　ｑｕａｌｉｔｙ　ｏｆ　Ｆａｃｅｂｏｏｋ　ｓｏｃｉａｌ　ｃｏｍｍｅｒｃｅ　ａｎｄ　ｃｏｌｌａｂｏｒａｔｉｖｅ　ｌｅａｒｎｉｎｇ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ　ｉｎ　Ｈｕｍａｎ　Ｂｅｈａｖｉｏｒ，２０１５，５１（Ｂ），　１３９５—１４０２．ｄｏｉ：１０．１０１６／ｊ．ｃｈｂ．２０１４．１０．００１．　ＢＡＫＥＲ　Ｒ　Ｋ　ａｎｄ　ＷＨＩＴＥ　Ｋ　Ｍ．Ｐｒｅｄｉｃｔｉｎｇ　ａｄｏｌｅｓｃｅｎｔｓ’ｕｓｅ　ｏｆ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｉｎｇ　ｓｉｔｅｓ　ｆｒｏｍ　３４１　ｅｘｔｅｎｄｅｄ　ｔｈｅｏｒｙ　ｏｆ　ｐｌａｎｎｅｄ　ｂｅｈａｖｉｏｕｒ　ｐｅｒｓｐｅｃｔｉｖｅ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ　ｉｎ　Ｈｕｍａｎ　Ｂｅｈａｖｉｏｒ，　２０１０，２６（６）：１５９１—１５９７．ｄｏｉ：１０．１０１６／ｊ．ｃｈｂ．２０１０．０６．００６．　１７］　ＰＥＬＬＩＮＧ　Ｅ　Ｌ　ａｎｄ　ＷＨＩＴＥＫ　Ｍ．Ｔｈｅ　ｔｈｅｏｒｙ　ｏｆ　ｐｌｎａｎｅｄ　ｂｅｈａｖｉｏｒ　ａｐｐｌｉｅｄ　ｔｏ　ｙｏｕｎｇ　ｐｅｏｐｌｅ’ｓ　ｕｓｅ　ｏｆ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｉｎｇ　ｗｅｂ　ｓｉｔｅｓ［Ｊ］．　ｂｅｒＰｓｙｃｈｏｌｏｇｙ＆Ｂｅｈａｖｉｏｒ，２００９，１２（６）：　７５５—７５９．ｄｏｉ：１０．１０８９／ｃｐｂ．２００９．０１０９．　ＣＨＡＮＧ　Ｙ　Ｐ　ａｎｄ　ＺＨＵ　Ｄ　Ｈ．　Ｕｎｄｅｒｓｔａｎｄｉｎｇ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｉｎｇ　ｓｉｔｅｓ　ａｄｏｐｔｉｏｎ　ｉｎ　Ｃｈｉｎａ：Ａ　ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｐｒｅ—ａｄｏｐｔｉｏｎ　ａｎｄ　ｐｏｓｔ—ａｄｏｐｔｉｏｎ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ　ｉｎ　Ｈｕｍａｎ　Ｂｅｈａｖｉｏｒ，２０１１，２７（５）：１８４０—１８４８．ｄｏｉ：１０．１０１６／ｊ．ｃｈｂ．２０１１．０４．　００６．　［１９　ＹＡＺＤＡＮＰＡＮＡＨ　Ｍ　ａｎｄ　Ｆ０ＲＯＵＺＡＮＩ　Ｍ．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｔｈｅ　ｔｈｅｏｒｙ　ｏｆ　ｐｌｎａｎｅｄ　ｂｅｈａｖｉｏｕｒ　ｔｏ　ｐｒｅｄｉｃｔ　Ｉｒａｎｉａｎ　ｓｔｕｄｅｎｔｓ’　ｉｎｔｅｎｔｉｏｎ　ｔｏ　ｐｕｒｃｈａｓｅ　ｏｒｇａｎｉｃ　ｆｏｏｄ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｃｌｅａｎｅｒ　Ｐｒｏｄｕｃｔｉｏｎ，２０１５，１０７：３４２—３５２．ｄｏｉ：１０．１Ｏ１６／ｊ．ｊｃｌｅｐｒｏ．２０１５．　０２．０７１．　２０】　ＫＡＮＧ　Ｙ　Ｓ．ＨＯＮＧ　Ｓ．ａｎｄ　ＬＥＥ　Ｈ．Ｅｘｐｌｏｒｉｎｇ　ｃｏｎｔｉｎｕｅｄ　ｏｎｌｉｎｅ　ｓｅｒｖｉｃｅ　ｕｓａｇｅ　ｂｅｈａｖｉｏｒ：Ｔｈｅ　ｒｏｌｅｓ　ｏｆ　ｓｅｌｆ－ｉｍａｇｅ　ｃｏｎｇｒｕｉｔｙ　ａｎｄ　ｒｅｇｒｅｔ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ　ｉｎ　Ｈｕｍａｎ　Ｂｅｈａｖｉｏｒ，　２００９，２５（１）：１１１—１２２．ｄｏｉ：１０．１Ｏ１６／ｊ．ｃｈｂ．２００８．０７．００９．　ＹＡ０　Ｃ　ａｎｄ　ＳＨＡ０　Ｐ．Ａｎ　ｅｍｐｉｒｉｃａｌ　ｒｅｓｅａｒｃｈ　ｏｆ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｓｉｔｅｓ　ｃｏｎｔｉｎｕａｎｃｅ：Ｂａｓｅｄ　ｏｎ　ａ　ｍｏｄｉｉｆｅｄ　ｅｘｐｅｃｔａｔｉｏｎ－　ｃｏｎｆｉｒｍａｔｉｏｎ　ｍｏｄｅｌ［Ｊ］．Ｃｈｉｎａ　Ｊｏｕｒｎａｌ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍｓ，２０１１，８（１）：２３—３３．　２２］　ＳＨＩＮ　Ｓ　ａｎｄ　ＨＡＬＬ　Ｄ　Ｊ．Ｉｄｅｎｔｉｙｆｉｎｇ　ｆａｃｔｏｒｓ　ａｆｆｅｃｔｉｎｇ　ＳＮＳ　ｕｓｅｒｓ　ａｓ　ａ　ｔｅｍｐｏｒａｒｙ　ｏｒ　ｐｅｒｓｉｓｔｅｎｔ　ｕｓｅｒ：Ａｎ　ｅｍｐｉｒｉｃａｌ　ｓｔｕｄｙ　［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｓｅｖｅｎｔｅｅｎｔｈ　Ａｍｅｒｉｃｓａ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍｓ，Ｄｅｔｒｏｉｔ，Ｍｉｃｈｉｇａｎ，ＵＳＡ，２０１１：　３１６—４１７．　２３　ＺＨＡＮＧ　Ｈ，ＬＵ　Ｙ，ＧＵＰＴＡ　Ｓ，ｅｔ　ａ１．Ｕｎｄｅｒｓｔａｎｄｉｎｇ　ｇｒｏｕｐ—　ｂｕｙｉｎｇ　ｗｅｂｓｉｔｅｓ　ｃｏｎｔｉｎｕａｎｃｅ－ａｎ　ｅｘｔｅｎｓｉｏｎ　ｏｆ　ｅｘｐｅｃｔａｔｉｏｎ　ｃｏｎｆｉｒｍａｔｉｏｎ　ｍｏｄｅｌ［Ｊ］．Ｉｎｔｅｎｒｅｔ　Ｒｅｓｅａｒｃｈ，２０１５，２５（５）：　７６７—７９３．ｄｏｉ：１０．１ｌ０８／ＩｎｔＲ－０５—２０１４—０１２７．　２４　ＺＨＯＵ　Ｔ．ＬＩ　Ｈ．ａｎｄ　ＬＩＵ　Ｙ．Ｔｈｅ　ｅｆｆｅｃｔ　ｏｆｆｌｏｗ　ｅｘｐｅｒｉｅｎｃｅ　ｏｎ　ｍｏｂｉｌｅ　ＳＮＳ　ｕｓｅｒｓ’ｌｏｙａｌｔｙ［Ｊ］．Ｉｎｄｕｓｔｒｉａｌ　Ｍａｎａｇｅｍｅｎｔ＆Ｄａｔａ　Ｓｙｓｔｅｍｓ，２０１０，１１０（６）：９３０—９４６．ｄｏｉ：１０．１１０８／０２６３５５７１０ｌ１０　５１２６．　２５　ＨＳＵ　Ｃ　Ｌ　ａｎｄ　ＷＵ　Ｃ．Ｕｎｄｅｒｓｔａｎｄｉｎｇ　ｕｓｅｒｓ’ｃｏｎｔｉｎｕａｎｃｅ　ｏｆ　Ｆａｃｅｂｏｏｋ：Ａｎ　ｉｎｔｅｇｒａｔｅｄ　ｍｏｄｅｌ　ｗｉｔｈ　ｔｈｅ　ｕｎｉｉｆｅｄ　ｔｈｅｏｒｙ　ｏｆ　ａｃｃｅｐｔａｎｃｅ　ａｎｄ　ｕｓｅ　ｏｆ　ｔｅｃｈｎｏｌｏｇｙ，　ｅｘｐｅｃｔａｔｉｏｎ　ｄｉｓｃｏｎｆｉｒｍａｔｉｏｎ　ｍｏｄｅｌ，ａｎｄ　ｆｌｏｗ　ｔｈｅｏｒｙ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｖｉｒｔｕａｌ　Ｃｏｍｍｕｎｉｔｉｅｓ　ａｎｄ　Ｓｏｃｉａｌ　Ｎｅｔｗｏｒｋｉｎｇ，２０１　１，　３（２）：卜１６．ｄｏｉ：１０．４０１８／ｊｖｃｓｎ．２０１１０４０１０１．　２６　ＷＵ　Ｙ，ＷＡＮＧ　Ｚ，ＣＨＡＮＧ　Ｋ，ｅｔ　ａ１．Ｗｈｙ　ｐｅｏｐｌｅ　ｓｔｉｃｋ　ｔｏ　ｐｌａｙ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｓｉｔｅ　ｂａｓｅｄ　ｅｎｔｅｒｔａｉｎｍｅｎｔ　ａｐｐｌｉｃａｔｉｏｎｓ：Ｄｅｓｉｇｎ　ｆｃａｔｏｒｓ　ａｎｄ　ｆｌｏｗ　ｔｈｅｏｒｙ　ｐｅｒｓｐｅｃｔｉｖｅ［Ｃ］．Ｐａｃｉｉｆｃ　Ａｓｉａ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍｓ，Ｔａｉｐｅ，２０１０：１０４１—１０５０．　２７　ＣＨＡＮＧ　Ｃ　Ｃ．Ｅｘａｍｉｎｉｎｇ　ｕｓｅｒｓ’ｉｎｔｅｎｔｉｏｎ　ｔｏ　ｃｏｎｔｉｎｕｅ　ｕｓｉｎｇ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｇａｍｅｓ：Ａ　ｆｌｏｗ　ｅｘｐｅｒｉｅｎｃｅ　ｐｅｒｓｐｅｃｔｉｖｅ［Ｊ】．　Ｔｅｌｅｍａｔｉｃｓ　ａｎｄ　Ｉｎｆｏｍｒａｔｉｃｓ，２０１３，３０（４）：３１１—３２１．ｄｏｉ：　１０．１０１６／ｊ．ｔｅｌｅ．２０１２．１０．００６．　２８　ＨＵＡＮＧ　Ｃ　Ｈ，ＨＳＵ　Ｍ　Ｃ，ａｎｄ　ＣＨＡＮＧ　Ｈ　Ｍ．Ａｎ　ｅｘｐｌｏｒａｔｏｒｙ　ｓｔｕｄｙ　ｏｆ　ｓｏｃｉａｌ　ｇａｍｅ　ｂｙ　ｆｌｏｗ　ｔｈｅｏｒｙ　ａｎｄ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｔｈｅｏｒｙ　［ｃ］＿Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ（ＣＳＩＣ　２０１５），２０１５：４１８—４２１．　２９　韩祺神，任梦吟，文红．基于拓扑势的Ｐ２Ｐ社区推荐信任模型　第９期　李磊等：基于社交网络的社交行为分析　２１１７　［Ｊ］．电子与信息学报，２０１５，３７（６）：１２７９—１２８４．ｄｏｉ：１０．１１９９９／　ＪⅡＴ１４１３０３．　ＨＡＮ　ｑｉｙｉ，ＲＥＮ　Ｍｅｎｇｙｉｎ，ａｎｄ　ＷＥＮ　Ｈｏｎｇ．Ｔｏｐｏｌｏｇｉｃａｌ　ｐｏｔｅｎｔｉｌａ　ｂａｓｅｄ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｔｒｕｓｔ　ｍｏｄｅｌ　ｆｏｒ　Ｐ２Ｐ　ｃｏｍｍｕｎｉｔｉｅｓ　ｓｙｓｔｅｍ［Ｊ］．Ｊｏｕｒｎａｌ　Ｅｌｅｃｔｒｏｎｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，２０１５，３７（６）：１２７９—１２８４．ｄｏｉ：１０．１１９９９／ＪＥＩＴ　１４１３０３．　【３０】　ＫＲＡＭＥＲ　Ｒ　Ｍ．Ｔｒｕｓｔ　ａｎｄ　ｄｉｓｔｒｕｓｔ　ｉｎ　ｏｒｇａｎｉｚａｔｉｏｎｓ：　Ｅｍｅｒｇｉｎｇ　ｐｅｒｓｐｅｃｔｉｖｅｓ，ｅｎｄｕｒｉｎｇ　ｑｕｅｓｔｉｏｎｓ［Ｊ］．Ａｎｎｕａｌ　Ｒｅｖｉｅｗ　Ｄ，Ｐｓｙｃｈｏｌｏｇｙ，１９９９，５０：５６９—５９８．ｄｏｉ：１０．１１４６／ａｎｎｕｒｅｖ．　ｐｓｙｃｈ．５０．１．５６９．　【３１】　ＬＩ　Ｌ　ａｎｄ　ＷＡＮＧ　Ｙ．Ｔｈｅ　ｒｏａｄｍａｐ　ｏｆ　ｔｒｕｓｔ　ａｎｄ　ｔｒｕｓｔ　ｅｖａｌｕａｔｉｏｎ　ｉｎ　Ｗｅｂ　ａｐｐｌｉｃａｔｉｏｎｓ　ａｎｄ　Ｗｅｂ　ｓｅｒｖｉｃｅｓ［Ｊ］．　Ａｄｖａｎｃｅｄ　Ｗｅｂ　Ｓｅｒｖｉｃｅｓ，２０１４：７５—９９．ｄｏｉ：１０．１００７／９７８－１—　４６１　７５３５．４４．　—［３２】　ＬＩ　Ｌ，ＷＡＮＧ　Ｙ，ＬＩＵ　Ｇ，ｅｔ　ａ１．Ｃｏｎｔｅｘｔ—ａｗａｒｅ　ｒｅｖｉｅｗｅｒ　ａｓｓｉｇｎｍｅ叫　ｎｔ　ｆｏｒ　ｔｒｕｓｔ　ｅｎｈａ删　ｎｃｅｄ　ｐｅｅｒ删　　ｒｅｖｉｅｗ［Ｊ］．ＰＬｏＳ　ＯＮＥ，　２０１５，１０（６）．ｅ０１３０４９３．ｄｏｉ：１０．１３７１￣ｏｕｒｎａ１．ｐｏｎｅ．０１３０４９３．　【３３】　ＢＯＯＮ　Ｓ　Ｄ　ａｎｄ　ＨＯＬＭＥＳ　Ｊ　Ｇ．Ｔｈｅ　Ｄｙｎａｍｉｃｓ　ｏｆ　Ｉｎｔｅｒｐｅｒｓｏｎａｌ　Ｔｒｕｓｔ：Ｒｅｓｏｌｖｉｎｇ　Ｕｎｃｅｒｔａｉｎｔｙ　ｉｎ　ｔｈｅ　Ｆａｃｅ　ｏｆ　Ｒｉｓｋ［Ｍ］．Ｃａｍｂｒｉｄｇｅ　ＵＫ：Ｃａｍｂｒｉｄｇｅ　Ｕｎｉｖｅｒｓｉｔｙ，１９９１：　１６７－１８２．　【３４］　ＢＲＥＷＥＲ　Ｍ　Ｂ．Ｉｎ－ｇｒｏｕｐ　Ｆａｖｏｒｉｔｉｓｍ：Ｔｈｅ　Ｓｕｂｔｌｅ　Ｓｉｄｅ　ｏｆ　Ｉｎｔｅｒｒｇｏｕｐ　Ｄｉｓｃｒｉｍｉｎａｔｉｏｎ［Ｍ］．Ｎｅｗ　Ｙｏｒｋ，ＵＳＡ，Ｒｕｓｓｅｌｌ　Ｓａｇｅ　Ｆｏｕｎｄ，１９９６：１６０—１７１．　［３５】　ＭＡＲＣＨ　Ｊ　Ｇ．Ａ　Ｐｒｉｍｅｒ　ｏｎ　Ｄｅｃｉｓｉｏｎ　Ｍａｋｉｎｇ：Ｈｏｗ　ｄｅｃｉｓｉｏｎｓ　Ｈａｐｐｅｎ［Ｍ］．Ｎｅｗ　Ｙｏｒｋ，ＵＳＡ，Ｆｒｅｅ　Ｐｒｅｓｓ，２００９：卜２８９．　【３６】　ＧＯＬＢＥＣＫ　Ｊ　ａｎｄ　ＨＥＮＤＬＥＲ　Ｊ．Ａｃｃｕｒａｃｙ　ｏｆ　ｍｅｔｒｉｃｓ　ｆｏｒ　ｉｎｆｅｒｒｉｎｇ　ｔｒｕｓｔ　ａｎｄ　ｒｅｐｕｔａｔｉｏｎ　ｉｎ　ｓｅｍａｎｔｉｃ　Ｗｅｂ－ｂａｓｅｄ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｋｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　１４ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｋｎｏｗｌｄｅｇｅ　Ｍａｎａｇｅｍｅｎｔ，２００４：　１１６—１３１．ｄｏｉ：ｉ０．１００７／９７８－３－５４０－３０２０２－５—８．　【３　７］　ＧＯＬＢＥＣＫ　Ｊ　ａｎｄ　ＨＥＮＤＬＥＲ　Ｊ．Ｉｎｆｅｒｒｉｎｇ　ｔｒｕｓｔ　ｒｅｌａｔｉｏｎｓｈｉｐｓ　ｉｎ　ｗｅｂ－ｂａｓｅｄ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｓｋ［Ｊ］．ＡＣＭ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｉｎｔｅｎｒｅｔ　Ｔｅｃｈｎｏｌｏｇｙ，２００６，６（４）：４９７—５２９．ｄｏｉ：１０．１１４５／　１１８３４６３．１８３４７０．　ＧＵＨＡ　Ｒ，ＫＵＭＡＲ　Ｒ，ＲＡＧＨＡ、，ＡＮ　Ｐ，ｅｔ　ａ１．Ｐｒｏｐａｇａｔｉｏｎ　ｏｆ　ｔｒｕｓｔ　ａｎｄ　ｄｉｓｔｒｕｓｔ［Ｃ］．Ｐｒｏｃｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１３ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ，Ｎｅｗ　Ｙｏｒｋ，ＮＹ，ＵＳＡ，２００４：　４０３—４１２．ｄｏｉ：１０．１１４５／９８８６７２．９８８７２７．　【３９】　ＷＡＬＴＥＲ　Ｆ，ＢＡＴＴＩＳＴＯＮ　Ｓ，ａｎｄ　ＳＣＨＷＥＩＴＺＥＲ　Ｆ．Ａ　ｍｏｄｅｌ　ｏｆ　ａ　ｔｒｕｓｔ－ｂａｓｅｄ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｓｙｓｔｅｍ　ｏｎ　ａ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ［Ｊ］．ＡＡＭＡＳ　Ｊｏｕｒｎａｌ，２００８，１６（１）：５７－７４．ｄｏｉ：１０．　１００７／ｓ１０４５８－００７－９０２１一ｘ．　［４ｏ】　ＪＡＭＡⅡＭ　ａｎｄ　ＥＳＴＥＲ　Ｍ．Ｔｒｕｓｔｗａｌｋｅｒ：Ａ　ｒａｎｄｏｍ　ｗａｌｋ　ｍｏｄｅｌ　ｆｏｒ　ｃｏｍｂｉｎｉｎｇ　ｔｒｕｓｔ—ｂａｓｅｄ　ａｎｄ　ｉｔｅｍ－ｂａｓｅｄ　ｒｃｅｏｍｍｅｎｄａｔｉｏｎ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１５ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｄｅｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｐａｒｉｓ，　Ｆｒｎａｃｅ．２００９：３９７—４０６．ｄｏｉ：ｌＯ．１１４５／１５５７０１９．１５５７０６７．　Ｇ０ＬＤＥＲ　Ｓ　Ａ，ＷＩＬＫＩ　Ｓ０　Ｄ　Ｍ，ａｎｄ　ＨＵＢＥＲＭＡＮ　Ｂ　Ａ．　Ｒｈｙｔｈｍｓ　ｏｆ　Ｓｏｃｉｌａ　Ｉｎｔｅｒａｃｔｉｏｎ：Ｍｅｓｓａｇｉｎｇ　ｗｉｔｈｉｎ　ａ　Ｍａｓｓｉｖｅ　Ｏｎｌｉｎｅ　Ｎｅｔｗｏｒｋ／Ｃｏｍｍｕｎｉｔｉｅｓ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｉｅｓ［Ｍ］．Ｌｏｎｄｏｎ：　Ｃｏｍｍｕｎｉｔｉｅｓ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｉｅｓ，２００７：４１—６６．　ＧＹＡＲＭＡＴＩＬａｎｄＴＲＩＮＨＴＡ．Ｍｅａｓｕｒｉｎｇｕｓｅｒｂｅｈａｖｉｏｒｉｎ　ｏｎｌｉｎｅ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥ　Ｎｅｔｗｏｒｋ，２０１０，２４（５）：２６—３１．　ｄｏｉ：１０．Ｉ１０９／ＭＮＥＴ．２０１０．５５７８９１５．　ＷＡＮＧ　Ｙ　Ｃ，ＢＵＲＫＥ　Ｍ，ａｎｄ　ＫＲＡＵＴ　Ｒ　Ｅ．Ｇｅｎｄｅｒ，ｔｏｐｉｃ，　ａｎｄ　ａｕｄｉｅｎｃｅ　ｒｅｓｐｏｎｓｅ：Ａｎ　ａｎａｌｙｓｉｓ　ｏｆ　ｕｓｅｒ－ｇｅｎｅｒａｔｅｄ　ｃｏｎｔｅｎｔ　ｏｎ　ｆｃａｅｂｏｏｋ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＳＩＧＣＨＩ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｈｕｍａｎ　Ｆａｃｔｏｒｓ　ｉｎ　Ｃｏｍｐｕｔｉｎｇ　Ｓｙｓｔｅｍｓ，Ｐａｒｉｓ，Ｆｒａｎｃｅ，２０１３：　３１—３４．　ＱＩＵ　Ｌ，ＬＩＮ　Ｈ，ＲＡＭＳＡＹ　Ｊ，ｅ￡ａ１．Ｙｏｕ　ａｒｅ　ｗｈａｔ　ｙｏｕ　ｔｗｅｅｔ：　Ｐｅｒｓｏｎａｌｉｔｙ　ｅｘｐｒｅｓｓｉｏｎ　ａｎｄ　ｐｅｒｃｅｐｔｉｏｎ　ｏｎ　ｔｗｉｔｔｅｒ［Ｊ］．Ｊｏｕｒｎａｌ　ｏ／Ｒｅｓｅａｒｃｈ锄Ｐｅｒｓｏｎａｌｉｔｙ，２０１２，４６（６）：７１０—７１８．ｄｏｉ：１０．１０１６　删　／ｊ．ｊｒｐ．２０１２．０８．００８．　ＢＯｌＹＬＥ　Ｋ　ａｎｄ　ＪＯＨＮＳＯＮ　Ｔ　Ｊ．ＭｙＳｐａ删　卅　ｃｅ　ｉｓ　ｙｏｕｒ　ｓｐａ删　ｃｅ？　Ｅｘａｍｉｎｉｎｇ　ｓｅｌｆ－ｐｒｅｓｅｎｔａｔｉｏｎ　ｏｆ　ＭｙＳｐａｃｅ　ｕｓｅｒｓ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ　ｉｎ　Ｈｕｍａｎ　Ｂｅｈａｖｉｏｒ，２０１０，２６（６）：１３９２—１３９９．ｄｏｉ：１０．１０１６／　ｊ．ｃｈｂ．２０１０．０４．０１５．　　’ＴＩＦＦＥＲＥＴ　Ｓ　ａｎｄ　ＶＩＬＮＡＩ　Ｉ．Ｇｅｎｄｅｒ　ｄｉｆｅｒｅｎｃｅｓ　ｉｎ　Ｆａｃｅｂｏｏｋ　ｓｅｌｆ－ｐｒｅｓｅｎｔａｔｉｏｎ：Ａｎ　ｉｎｔｅｒｎａｔｉｏｎａｌ　ｒｎａｄｏｍｉｚｅｄ　ｓｔｕｄｙ【Ｊ］　＿Ｃｏｍｐｕｔｅｒｓ　ｍ　Ｈｕｍａｎ　Ｂｅｈａｖｉｏｒ，２０１４，３５（６）：３８８—３９９．ｄｏｉ：　１０．１０１６／ｊ．ｈｃｂ．２０１４．０３．０１６．　ＺＷＯＬ　Ｒ　Ｖ．Ｆｌｉｃｋｒ：ｗｈ０　ｉｓ　ｌｏｏｋｉｎｇ？［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＩＥＥＥ／ＷＩＣ／ＡＣＭ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｅｂ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，Ｆｒｅｍｏｎｔ，ＣＡ，２００７：１８４—１９０．ｄｏｉ：１０．１１０９／ＷＩ．　２００７．２２　ＭＯＲＲＩＳ　Ｍ　Ｒ，ＴＥＥＶＡＮ　Ｊ，ａｎｄ　ＰＡＮ（）ｖＩＣＨ　Ｋ．Ｗｈａｔ　ｄｏ　ｐｅｏｐｌｅ　ｓａｋ　ｔｈｅｉｒ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ，ａｎｄ　ｗｈｙ？：Ａ　ｓｕｒｖｅｙ　ｓｔｕｄｙ　ｏｆ　ｓｔａｔｓｕ　ｍｅｓｓａｇｅ　ｑ＆ａ　ｂｅｈａｖｉｏｒ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＳＩＧＣＨＩ　ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｈｕｍａｎ　ｆｃａｔｏｒｓ　ｉｎ　ｃｏｍｐｕｔｉｎｇ　ｓｙｓｔｅｍｓ，　Ｃａｍｂｒｉｄｇｅ，ＭＡ，ＵＳＡ，２０１０：１７３９—１７４８．ｄｏｉ：１０．１１４５／　１７５３３２６．１７５３５８７．　ＳＨＥＮ　Ｈ，ＬＩＵ　Ｇ，ＷＡＮＧ　Ｈ，　ａ１．ＳｏｃｉｌａＱ＆Ａ：Ａｎ　ｏｎｌｉｎｅ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｋ　ｂａｓｅｄ　ｑｕｅｓｔｉｏｎ　ａｎｄ　ａｎｓｗｅｒ　ｓｙｓｔｅｍ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｂｉｇ　Ｄａｔａ，２０１７，３（１）：９１—１０６．ｄｏｉ：１０．１１０９　／ＴＢＤＡＴＡ．２０１６．２６２９４８７．　高全力，高岭，杨建锋，等．上下文感知推荐系统中基于用户　认知行为的偏好获取方法【Ｊ］＿计算机学报，２０１５，３８（９）：　１７６７－１７７６．ｄｏｉ：１０．Ｉ１８９７／ＳＰ．Ｊ．１０１６．２０１５．０１７６７．　ＧＡＯ　Ｑｕａｎｌｉ，ＧＡＯ　Ｌｉｎｇ，ＹＡＮＧ　Ｊｉａｎｆｅｎｇ，ｅｔ　ａ１．Ａ　ｐｒｅｆｅｒｅｎｃｅ　ｅｌｉｃｉｔａｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｕｓｅｒｓ’ｃｏｇｎｉｔｉｖｅ　ｂｅｈａｖｉｏｒ　ｆｏｒ　ｃｏｎｔｅｘｔ－ａｗａｒｅ　ｒｅｃｏｍｍｅｎｄｅｒ　ｓｙｓｔｅｍ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　Ｄ，　Ｃｏｍｐｕｔｅｒｓ，２０１５，３８（９）：１７６７—１７７６．ｄｏｉ：１０．１１８９７／ｓＰ．Ｊ．１０１６．　２０１５．０１７６７．　王晨旭，管晓宏，秦涛，等．微博消息传播中意见领袖影响力　建模研究【Ｊ】．软件学报，２０１５，２６（６）：１４７３—１４８５．ｄｏｉ：１０．１３３２８　删　２１１８　电子与信息学报　第３９卷　／Ｊ．ｃｎｋｉ．ｊｏｓ．００４６２７．　ＷＡＮＧ　Ｃｈｅｎｘｕ，ＧＵＡＮ　Ｘｉａｏｈｏｎｇ，ＱＩＮ　Ｔａｏ，ｅｔ　ａ１．Ｍｏｄｅｌｉｎｇ　ｏｎ　ｏｐｉｎｉｏｎ　ｌｅａｄｅｒ　Ｓ　ｉｎｆｌｕｅｎｃｅ　ｉｎ　ｍｉｃｒｏｂｌｏｇ　ｍｅｓｓａｇｅ　ｐｒｏｐａｇａｔｉｏｎ　ａｎｄ　ｉｔｓ　ａｐｐｌｉｃａｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｓｏｆｔｗａｒｅ，２０１５，　２６（６）：１４７３—１４８５．ｄｏｉ：１０．１３３２８／ｊ．ｃｎｋｉ．ｊｏｓ．００４６２７．　５２】　吴信东，李毅，李磊．在线社交网络影响力分析［Ｊ］．计算机学　报，２０１４，３７（４）：７３５—７５２．ｄｏｉ：１０．３７２４／ＳＰ．Ｊ．１０１６．２０１４．００７３５．　ＷＵ　Ｘｉｎｄｏｎｇ．ＬＩ　Ｙｉ．ａｎｄ　ＬＩ　Ｌｅｉ．Ｉｎｆｌｕｅｎｃｅ　ａｎａｌｙｓｉｓ　ｏｆ　ｏｎｌｉｎｅ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒｓ，２０１４，　３７（４）：７３５—７５２．ｄｏｉ：１０．３７２４／ＳＰ．Ｊ．１０１６．２０１４．００７３５．　５３】　许宇光，潘惊治，谢惠扬．基于最小点覆盖和反馈点集的社交　网络影响最大化算法［Ｊ］．电子与信息学报，２０１６，３８（４）：　７９５—８０２．ｄｏｉ：１０．１ｌ９９９／ＪＥＩＴ１６００１９．　ＸＵ　Ｙｕｇｕａｎｇ，ＰＡＮ　Ｊｉｎｇｚｈｉ，ａｎｄ　ＸＩＥ　Ｈｕｉｙａｎｇ．Ｍｉｎｉｍｕｍ　ｖｅｒｔｅｘ　ｃｏｖｅｒｉｎｇ　ａｎｄ　ｆｅｅｄｂａｃｋ　ｖｅｒｔｅｘ　ｓｅｔ—ｂａｓｅｄ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｉｎｆｌｕｅｎｃｅ　ｍａｘｉｍｉｚａｔｉｏｎ　ｉｎ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，２０１６，３８（４）：７９５—８０２．　ｄｏｉ：１０．１１９９９／ＪＥＩＴ１６００１９．　５４】　ＲＯＭＥＲ０　Ｄ　Ｍ，ＧＡＬＵＢＡ　Ｗ，ＡＳＵＲ　Ｓ，ｅ　ａ１．Ｉｎｆｌｕｅｎｃｅ　ａｎｄ　ｐａｓｓｉｖｉｔｙ　ｉｎ　ｓｏｃｉａｌ　ｍｅｄｉａ［Ｊ］．Ｓｓｎｒ　Ｅｌｅｃｔｒｏｎｉｃ　Ｊｏｕｒｎａｌ，２０１０，　６９１３（１）：１８—３３．ｄｏｉ：１０．１００７／９７８—３—６４２—２３８０８—６—２．　５５　ＬＩ　Ｌ，ＨＥ　Ｊ，ＷＡＮＧ　Ｍ，ｅｔ　ａ１．Ｔｒｕｓｔ　ａｇｅｎｔ—ｂａｓｅｄ　ｂｅｈａｖｉｏｒ　ｉｎｄｕｃｔｉｏｎ　ｉｎ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｓｙｓｔｅｍｓ，　２０１６，３０（１）：３１—５５．ｄｏｉ：１０．１ｌ０９／ＭＩＳ．２０１６．６．　【５６　刘宇，吴斌，曾雪琳，等．一种基于社交网络社区的组推荐框　架［Ｊ］．电子与信息学报，２０１６，３８（９）：２１５０—２１５７．ｄｏｉ：１０．１１９９９　／ＪＥＩＴ１６０５４４．　ＬＩＵ　Ｙｕ，ＷＵ　Ｂｉｎ，ＺＥＮＧ　Ｘｕｅｌｉｎ，ｅｔ　ａ１．Ａ　ｇｒｏｕｐ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｆｒａｍｅｗｏｒｋ　ｂａｓｅｄ　ｏｎ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｃｏｍｍｕｎｉｔｙ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ　＆Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，２０１６，３８（９）：２１５０—２１５７．ｄｏｉ：　１０．１　１９９９／ＪＥＩＴ　１６０５４４．　５　７］　王元卓，于建业，邱雯，等．网络群体行为的演化博弈模型与　分析方法［Ｊ］．计算机学报，２０１５，３８（２）：２８２—３００．ｄｏｉ：１０．３７２４　／ＳＰ．Ｊ．１０１６．２０１５．００２８２．　ｗＡＮＧ　Ｙｕａｎｚｈｕｏ，ＹＵ　Ｊｉａｎｙｅ，ＱＩＵ　Ｗｅｎ，ｅｔ　ａ１．Ｅｖｏｌｕｔｉｏｎａｒｙ　ｇａｍｅ　ｍｏｄｅｌ　ａｎｄ　ａｎａｌｙｓｉｓ　ｍｅｔｈｏｄｓ　ｆｏｒ　ｎｅｔｗｏｒｋ　ｇｒｏｕｐ　ｂｅｈａｖｉｏｒ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒｓ，２０１５，３８（２）：　２８２—３００．ｄｏｉ：１０．３７２４／ＳＰ．Ｊ．１０１６．２０１５．００２８２．　５８　刘玮，贺敏，王丽宏，等．基于用户行为特征的微博转发预测　研究［Ｊ］．计算机学报，２０１６，３９（１０）：１９９２—２００６．ｄｏｉ：１０．１１８９７　／ＳＰ．Ｊ．１０１６．２０１６．０１９９２．　ＬＩＵ　Ｗｅｉ，ＨＥ　Ｍｉｎ，ＷＡＮＧ　Ｌｉｈｏｎｇ，ｅｔ　ａ１．Ｒｅｓｅａｒｃｈ　ｏｎ　ｍｉｃｒｏｂｌｏｇ　ｒｅｔｗｅｅｔｉｎｇ　ｐｒｅｄｉｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｕｓｅｒ　ｂｅｈａｖｉｏｒ　ｆｅａｔｕｒｅｓ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒｓ，２０１６，３９（１０）：　１９９２—２００６．ｄｏｉ：１０．１１８９７／ＳＰ．Ｊ．１０１６．２０１６．０１９９２．　５９】　邢千里，刘列，刘奕群，等．微博中用户标签的研究［Ｊ］．软件　学报，２０１５，２６（７）：１６２６—１６３７．ｄｏｉ：１０．１３３２８／ｊ．ｃｎｋｉ．ｊｏｓ．００４６５５．　ＸＩＮＧ　Ｑｉａｎｌｉ，ＬＩＵ　Ｌｉｅ，ＬＩＵ　Ｙｉｑｕｎ，ｅｔ　ａ１．Ｓｔｕｄｙ　ｏｎ　ｕｓｅｒ　ｔａｇｓ　ｉｎ　Ｗｅｉｂｏ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆｓ０　ｗａｒｅ，２０１５，２６（７）：１６２６—１６３７．ｄｏｉ：　１０．１３３２８／ｊ．ｃｎｋｉ．ｊｏｓ．００４６５５．　６０】　李慧嘉，李慧颖，李爱华．多尺度的社团结构稳定性分析『Ｊ＿．　计算机学报，２０１５，３８（２）：３０１—３１２．ｄｏｉ：１０．３７２４／ＳＰ．Ｊ．１０１６．　２０１５．００３０１．　ＬＩ　Ｈｕｉｊｉａ，ＬＩ　Ｈｕｉｙｉｎｇ，ａｎｄ　ＬＩ　Ａｉｈｕａ．Ａｎａｌｙｓｉｓ　ｏｆ　ｍｕｌｔｉ—ｓｃａｌｅ　ｓｔａｂｉｌｉｔｙ　ｉｎ　ｃｏｍｍｕｎｉｔｙ　ｓｔｒｕｃｔｕｒｅ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒｓ，２０１５，３８（２）：３０１—３１２．ｄｏｉ：１０．３７２４／ＳＰ．Ｊ．１０１６．　２０１　５．００３０】．　李磊：　男，１９８１年生，副研究员，硕士生导师，研究方向为数　据挖掘、社会计算、图计算．　汪萌：　男，１９８４年生，教授，博士生导师，研究方向为多媒体　信息处理、数据挖掘．　吴信东：　男，１９６３年生，教授，博士生导师，研究方向为数据挖　掘、知识库系统、万维网信息探索．