在线社交网络中组织声誉的混合模型及其应用实证

沙特国王大学学报在线社交网络中组织声誉的混合模型Sami Ali Al-Yazidi，Jawad BerriHassan，Mohammad Mehedi Hassan计算机与信息科学学院，沙特国王大学，利雅得11543，沙特阿拉伯阿提奇莱因福奥文章历史记录：收到2021年2021年11月20日修订2022年1月17日接受2022年1月24日在线提供关键词：声誉Twitter在线社交网络MCDMA B S T R A C T本研究提出一个测量在线社会网络中组织声誉的混合模型。该模型结合了定量和定性特征，分析OSN链接结构、交互和用户建议的声誉模型是新颖的，因为它引入了几个新的功能和一套全面的指标来计算声誉和排名的组织。该模型采用多准则决策技术，将不同的特征集成到一个综合的代表性度量中。该模型已被实施并应用于计算47个著名的全球公司的声誉，使用的数据集超过140万个职位和760万个配置文件从Twitter收集。实验表明，所提出的模型优于其他现有的模型和技术，因为它得分最小的错误和最高的相关性（高精度）相比，世界上最受尊敬的10家版权所有©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在当今竞争激烈、信息丰富的世界中，组织的声誉是一项宝贵的资产。公司努力建立自己的声誉，并花费相当大的努力来维护它。现在，随着信息的可用性和社交媒体在我们的社交互动中的普及，维护声誉已经转移到数字世界（Walker，2010）。员工、客户、供应商和用户可以提供影响公司声誉的实时反馈。近年来，在线社交媒体成为研究消费者行为的自然环境。特别是，特维特-缩略语：MCDM，多标准决策; AHP，层次分析法; TOPSIS，与理想解的顺序偏好相似性技术; HRM，混合声誉模型; CRITIC，通过标准间相关性的标准重要性; URWF，基于用户声誉的权重框架; RBCA，声誉可信度分析; PCC，皮尔逊*通讯作者。电子邮件地址：jberri@ksu.edu.sa（J. Berri）。沙特国王大学负责同行审查ter更有趣，因为它通过API（应用程序接口）为用户提供对其数据库的开源访问，以研究和分析消费者行为、交互和反馈（Curran等人，2011年）。关于在线社交媒体平台中测量组织声誉的现有研究主要由“情感分析”方法驱动，其中通过各种自然语言处理方法分析内容以揭示用户对组织的情感（Al-Yazidi等人，2020; Bae，2012; Chung等人，2019年）的报告。仅依赖于社交网络的单个方面或少数特征会导致结果的不可避免的偏差，因为OSN发起了丰富的交互，产生了大量的原始数据，这些数据被许多人的文化、社会和行为所丰富。本文提出了一种混合声誉模型，利用从Twitter社交网络收集的信息对组织进行测量和排名。该模型依赖于一组26个基于图形（定量）和基于内容（定性）的特征，这些特征已被归类为一个分类系统。所提出的模型的独创性在于它结合了三种类型的特征：i）基于在线图的特征，这些特征可以通过Twitter API访问，例如追随者的数量或朋友; ii）离线的基于图形的特征，诸如由验证或未验证的用户对组织的推文的回复的数量;以及iii）由处理推文的内容以推断用户的情绪而产生的基于内容的（定性）特征。基于离线图形的功能是最有趣的功能，因为它们https://doi.org/10.1016/j.jksuci.2022.01.0061319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comSami Ali Al-Yazidi，J.贝里和穆罕默德·迈赫迪·哈桑沙特国王大学学报5306提供更多关于用户行为的洞察，从而允许路由出垃圾邮件、有偏见和恶意的推文。他们需要开发一个特定的爬虫工具，以收集必要的数据。在处理数据之后，使用本研究中开发的特殊测量公式计算特征值。该模型还使用了多准则决策技术，它集成了不同的功能到一个综合的度量度量在OSN的企业和组织的声誉。该模型已经使用大约140万个不同类型的提取帖子的数据集进行了测试和评估（即，推文、回复、转发和提及）7，682，490个简介、61，709个经验证的账户以及许多其他关系和活动。实验表明，该模型具有最小的误差和最高的相关性（高精度）相比，其他现有的模型和技术。2. 背景2.1. Twitter的声誉和影响力声誉的概念根据其使用的背景而有不同的解释（剑桥，2015;辛格，2016; Yaman，2014）。在这项研究中，声誉被认为是核心的无形资源，代表了对组织的情感或情感评价，作为社会建设过程的一个方面，无论是在时间上还是在单一的时间点上（Singh，2016）。影响公司声誉的因素有几个Twitter用户出于不同的原因寻求影响他人，包括政治原因、谣言传播、金钱收益以及与人类流动性、交通或流行病学有关的原因（Al-Yazidi et al.，2020; Ebner，2013）。在线社交网络（OSN）中的信息传染现象值得研究，特别是最初活跃的用户小组如何在整个网络中传播想法、规则、时尚、趋势和数据的问题。在文献中，研究人员试图解决的关键问题之一是有影响力的Twit- ter的用户识别和声誉测量（Al-Yazidi等人，2020年）。目前，存在许多标准和排名技术用于有影响力的用户识别和声誉测量。考虑到Twitter等OSN产生的大量不同数据，以及人类数据分析过程的易错性和易出错性，组织正在寻求使用自动化声誉管理系统来帮助在理解和管理社交媒体声誉问题方面（ElMarrakchi等人，2015年）。这些系统试图通过各种类型的定量分析来识别“重要的”反馈，从而使企业了解有关声誉问题的最新情况。毫无疑问，社交媒体，特别是推特，在维持本组织的地位方面发挥着非常重要的作用。虽然社交媒体在许多方面都有帮助，但如果不认真对待，它也可能是对公司声誉的最直接威胁。2.2. 多准则决策著 名 的 多 标 准 决 策 （ MCDM ） 方 法 之 一 是 层 次 分 析 法（AHP），由Saaty（1980）开发，这是一种功能强大的多标准决策工具，已用于由总体目标，标准和替代方案组成的众多应用程序（Singh和Malik，2014）。AHP方法可用于决策，需要优先化和预测，并且它利用成对比较来进行排序（Macharis等人，2004年）。它是处理复杂和非结构化问题的有效技术，这些问题可能在各种目标和目的之间具有相关性和关联性（Werenb等人，2011年）。 AHP支持决策者将问题的基本方面组织成树状层次结构（Zaim等人，2012年）。它以专家通过对确定的标准进行成对比较而作出的判断为基础，这些标准用于确定权重，以评估备选方案的业绩得分。层次分析法是由顺序的程序步骤，需要完成，以计算决策（见第5.1节的更多细节层次分析法）。TOPSIS（Technique ofOrder Preference Similarity to the Ideal Solution）是另一种强大的MCDM技术。它最初由Hwang和Yoon（1981）它是MCDM的数值方法之一，具有简单的数学计算，广泛适用。在TOPSIS法中，所选方案必须与负理想解的距离最大，与正理想解的距离最短进一步TOPSIS法的细节见5.2节。3. 相关工作衡量组织在社交网络中的声誉仍处于早期阶段，因为没有专门的模型能够系统地使用OSN中的丰富信息来基于组织的声誉对组织进行排名（Al-Yazidi等人，2020年）。在影响力、信任和可信度等与声誉密切相关的领域已经做了一些研究工作。本节重点介绍为计算组织在社交网络中的声誉而开发的技术解决方案和系统。 Tedeschi（2015）介绍了一个基于云的情感分析应用程序，用于品牌监测，监测社交网络中品牌的情感极性。Pérez-Tellez的作者等人（2015）记录并比较了四种增强短文本叙述的方法，以提高确定给定推文是否引用特定公司的任务的性能。进行这项研究的动机是需要确定一条推文是否提到了一家公司，特别是当公司的名称不清楚或隐藏时。 作者强调，由于客户反馈和在线对话，企业做出回应至关重要及时进行负面讨论，并以此为契机改进产品和服务。为了实现这一点，对公司基于数据挖掘和统计推断技术，Joshi等人（2018）提出了一种用于商业品牌的智能摄像系统。这涉及到企业主确定他们的市场地位，评估它，并随后做出基于证据的决策。作者还提到了情感分析领域的一些挑战，包括隐藏情感识别、多义词处理和俚语映射。智能系统的目标是在指定的周期内整理推文，并根据文本数据中的用户情绪来TexRep系统，由Salaman等人开发。（2017），被设计为一个灵活 的 文 本 挖 掘 框 架 ， 以 从 在 线 存 储 库 中 获 取 文 本 （ 例 如 ，Twitter），识别目标实体，并对情绪强度和极性进行作者使用情感类别并通过考虑给定用户获得的正面/负面文本的数量来衡量声誉布哈里等人开发的情感分析框架。（2017）使用基于文本的分类，并通过计算用户声誉因子，将高影响力的微帖子与Sami Ali Al-Yazidi，J.贝里和穆罕默德·迈赫迪·哈桑沙特国王大学学报5307ð Þ¼n低影响的帖子。除了情绪，作者还应用了六个特征来建立声誉的结构。Shad Manaman等人（2016）提出的方法基于公司的相关推文来衡量公司该方法使用机器学习方法和推文数据集来构建公司对推文进行分析，并将其分类为对公司声誉具有积极或消极影响。然后将推文与公司的简介进行比较，以检查它们对公司声誉的影响。Abdullah等人（2021）提出的研究提出了一种基于阿拉伯推文情感分析计算声誉分数的方法。作者使用从推文中提取的Retweet和Favorite数据来确定用户的意见，然后使用机器学习算法将推文分类为积极或消极。这些措施相结合，使作者能够计算电信公司在沙特阿拉伯的受欢迎程度。受欢迎程度然后被用来计算这些公司的声誉。Alrubaian等人（ 2017 年）通过关注信誉良好的人来解决在Twitter社交网络用户中找到可靠和可信的信息来源的问题，以防止虚假信息，帐户伪造/虚假身份以及其他恶意活动的传播。重点是通过识别Twitter上的可信用户来寻找来源可信度他们使用情绪分析以及Twitter的其他计数来计算Twitter帐户的声誉水平。所有论文的讨论焦点都是关于如何通过在线社交媒体平台来帮助衡量任何组织的声誉他们提出了不同的技术、方法、统计数据、方法论、度量标准、算法等。用于计算和导出某些结果，特别是显示社交媒体如何影响试图改进、跟踪客户、维护其本地或全球声誉的组织的角色所使用的方法可能会帮助一些因素，而他们可能会忽略一些关键方面被认为是必要的实际结果的一个组织所依赖的分析消费者的观点可以提供有关他们的看法的产品，服务，主题和组织，这是以往的研究重点从论文中不难理解，与衡量企业声誉相关的句子中的讽刺，表情符号检测，表情符号，情感中的虚假评论检测是少数几个仍然难以分析和评估的项目一个文本包含积极的话，但批评性地给予负面的反馈是很难检测到的。此外，Twitter的关注度、缺少大写字母、拼写错误、标点符号和语法错误也需要更多的关注。许多论文也强调了Twitter限制280个字符的缺点因此，必须有其他方面/特征可以加强情感分析，同时手动纠正和纠正可能仅由情感分析导致的偏见表1描述了本节中介绍的工作摘要。4. 特色工程功能.定性特征是那些与帖子内容及其情感分析相关的特征，这些特征将推文标记为积极，消极或中立。量化特征表示Twitter提供的基数度量（例如推文数量或关注者数量）或必要的计算（例如组织提到的用户数量）。Twitter平台是以推文为中心的，这意味着它是所有关于推文（短消息），用户发布和显示在他们的个人资料/墙。与推文本身一起，记录其他重要的元数据信息，例如推文是否被喜欢，喜欢的数量和喜欢它的用户等。此外，配置文件信息显示关于用户配置文件的信息，例如配置文件用户名，屏幕名称，验证状态，没有追随者，没有朋友等。上述数据可以在Twitter中获得，并可以通过使用API收集这类数据表示基本信息;它是关于原始/原始特征的。第二类数据需要更多的处理，因为它需要由特定的爬虫提取，并且还需要计算以获得在计算代表中使用的必要测量值表2显示了拟议模型中使用的基于图表/定量特征及其水平和类型的综合列表。4.1. 基于图形/定量特征定量（或基于图形的）特征被定义为使用计数或数字表示的特征，每个特征具有唯一的数值。这类数据可以被认为是可量化的，适用于数学计算和计算。在这项研究中，定量特征被分为活动、影响和流行组，这些将在下面的章节中描述。4.1.1. 活动组活动分数衡量组织在OSN中的活跃程度。它显示了他们的推文，转发，回复其他人以及回复的平均时间。该度量显示了组织在与他人互动方面的活跃程度。只要该组织在社交网络中的参与随着时间的推移是频繁的，则该组织可以被认为是活跃的，而不管其他OSN用户对他们参与的努力做出响应的程度如何。它包括以下三个分数：活动水平，创意Pre-ence和平均回复时间。活动水平（AL）：衡量组织在OSN中的活跃程度，包括推文，转推，回复其他用户以及支持其他用户AL聚合等式中的树特征（1）衡量一个组织的活动：ALEQUIPMENTPstRP-RP-Lk-Lk-Lk-Lk-Lk1原创性存在（OP）：展示了该组织在网络中的声音在推特原创性方面有多强。 它计算了一个组织撰写的原始推文与该组织Twitter墙中出现的推文总数的比率。对于组织i，如果所有tweet都是原创的，则OP等于1在这项研究中提出的声誉模型是基于一个OP iTw Pstð2Þ一套全面的衡量OSN声誉的指标为企业和组织。该模型集成了使用从Twitter提取的数据收集和/或计算的一组27个特征。与以往主要依赖于在线功能的作品不同，该模型依赖于一组离线交互基于图表的功能，可以提供有关组织平均回复时间（TTR）：TTR衡量组织i回复发送到其帐户的推文所需的平均时间。TTR是以分钟为单位的时间，计算为组织i作为帖子j的回复而发布的n个回复的平均值。Pj<$n Timeofj-父母时间 f j名声该模型将要素分为两个子区域：基于图形的定量特征和基于内容的定性特征TTRð3Þ表1相关作品摘要参考研究目的研究设计建议局限性（Tedeschi，2015）（Pérez-Tellez等人，（2015年）（Joshi等人，2018年）（Salsman等人，（2017年）（布哈里等人，（ 2017年）（ShadManaman等人，（2016年）（Abdullah等人，2021年）（Alrubaian等人，（2017年）（Vidya等人，（2015年）设计一个基于云的大数据应用程序，包括用于品牌监测的情感分析。开发在线声誉管理流程，识别涉及特定公司的Twitter帖子。收集特定时间段内的推文，并根据用户情绪对其进行评估。调查和分类的挑战，使用非结构化的文本数据从不同的网络源在线声誉监测（ORM）。阐明情绪分析的框架。根据公司的相关推文来衡量公司根据阿拉伯语推文的情感分析计算声誉分数。通过识别Twitter上的可信用户来发现来源可信度。衡量移动供应商在社交媒体上的品牌声誉。SBM-社交品牌监控（基于云）。识别推文--是否涉及某个特定的公司，并改进微博文本的聚类分析客户对产品的感受，了解市场定位。TexRep-实现文本挖掘技术以执行在线声誉监控（ORM）的框架。确定各种因素以计算微型员额的权重。使用公司机器学习算法将推文分类为积极或消极。评估OSN链接结构和用户情绪，以评估主题相关和可信的信息源使用RapidMiner在处理数据方面，Tableau也发挥了重要作用，以衡量品牌声誉。与各种社交媒体流的比较并不存在，只分析技术领域。需要进一步的先进技术来排除数据歧义，因为它使公司名称的聚类成为一项非常复杂的任务。用户行为和组可以进一步详细说明以进行识别TexRep可以应用于政治和金融领域，并且有机会将一般实体与某些行业（例如，银行、音乐、大学）值得为每个影响因素定义不同的百分比权重。只使用N-gram学习方法，但可以使用其他机器学习算法。数据集可以更大，然后每个公司只有5000条推文。基于声誉的技术有助于发现可信度水平，并在传播之前过滤被忽视的信息。通过进行领域适应来关系数据库可能对大数据效率低下。新的情感分析算法以及其他社交媒体流需要进一步分析处理公司名称中的歧义并不容易，因为它们可能用于不同的上下文论文中未提及评价过程为深度学习库和实体检索提供支持，使用户能够通过应用自然语言查询来搜索实体。未来将为中性推文定义不同的情感评分，并进一步对中性推文进行细分本文提出的机制应该在其他微博网站上进行评估，以确保其在其他平台上的可靠性和适用性。基于图形的方法可以增强研究中考虑的流行IT公司的结果。该方法主要依赖于推文的情感分析。不建议考虑垃圾推文。评价基准，以比较的结果，没有提到。此外，建立比较的人类判断可能不公平，因为对句子的理解可能会有所不同。从不同行业的社交媒体活动中收集更多数据，而不仅仅是电信行业。Sami Ali Al-Yazidi，J.贝里和穆罕默德·迈赫迪·哈桑沙特国王大学学报5308Sami Ali Al-Yazidi，J.贝里和穆罕默德·迈赫迪·哈桑沙特国王大学学报5309表2基于图形的功能列表。IDDesc特征级类型TW按组织发布的推文计数。基本在线PST帖子计数出现在组织页面中，无论是推文还是转推。推导/计算线下Rp组织撰写的答复的计数推导/计算线下RP_Tw由该组织撰写并得到其他帐户回复的推文计数推导/计算线下RP_usr回复组织推文的用户计数推导/计算线下RT组织的转推计数推导/计算线下RT_tw其他帐户转发的推文计数。推导/计算线下RT_usr使用转推传播组织推文的用户计数推导/计算线下LK组织喜欢的推文计数基本在线LK_tw该组织的推文被其他帐户点赞的次数衍生/提取线下LK_usr喜欢组织推文的帐户计数衍生线下MN该组织提及的次数。衍生/提取线下Mn_usr组织提到的账户数量推导/计算线下莫其他帐户提及该组织的次数推导/计算线下Mo_usr在其帖子中提到组织的帐户计数。推导/计算线下FL跟踪组织的帐户/用户计数。基本在线Flv跟踪组织的已验证帐户/用户的计数。衍生/提取线下Fr该组织跟踪的朋友数。基本在线Fr_v该组织正在跟踪的已验证好友的计数。衍生/提取线下TTR是时候回答了。推导/计算线下Mn_v已验证用户对组织的提及计数。推导/计算线下Mn_uv未经验证的使用对组织的提及计数。推导/计算线下RP_v已验证用户对组织推文的回复计数推导/计算线下RP_uv未验证用户对组织推文的回复计数推导/计算线下RT_v已验证用户对组织推文的转推计数推导/计算线下RT_uv未验证用户对组织推文的转推计数推导/计算线下V配置文件的验证状态。基本在线4.1.2. Popularity组流行度组表示组织在OSN中的连接性、可信连接和到达网络中其他节点的潜力方面的流行度水平。它从不同的角度显示了组织的受欢迎程度以及它在网络中的连接程度。当一个组织被大量的网络用户所认可时，它就被认为是流行的。受欢迎程度包括四个分数，即：潜在覆盖率，验证连接分数，受欢迎程度和卓越程度。这些分数发现了组织在在线社交网络中的联系程度。潜在影响力（PR）：PR揭示了连接节点之间的可达潜力，这是社交网络中通常使用的入度度量的归一化形式。对于组织i，PR被定义为追随者与组织双向网络连通性的比率。其表示如下：FSiFl=FlFr4已验证连接性得分（Verified Connectivity Score，简称CCN）：CCN衡量组织连接到的可信节点数量。它计算所有粉丝的验证粉丝总数加上所有朋友的验证朋友。当量（5）计算该分数：Flv=FlFrv=Fr5受欢迎程度（PL）：PL与入度中心度相当，它为网络中的节点中心度提供了合理的指示它是一个标准化的分数，依赖于组织的In-links数量如在Alrubaian et al. （2017年），组织i的损益计算如下：PS1-e-kFl6其中，k是默认可以等于1的常数卓越水平（PRL）：PRL衡量组织i在整个网络中的知名度。PRL表示如下：PRL_i_f_i_其中，n是指网络用户的总数4.1.3. 冲击组影响力组衡量组织在对其所连接节点的影响力及其潜在影响力方面的影响力水平。它显示了它的行为在其连接中的影响。只要微博账户的活动可以对OSN内的大量其他用户的活动产生影响/影响，微博账户就可以被认为是有影响力的账户考虑到关注的焦点是Twitter，作为一个微博平台，值得注意的是，有影响力的账户是那些最能够在网络上传播信息的账户因此，有影响力的账户往往是活跃的账户，但只有少数活跃账户是有影响力的（Al-Yazidi等人，2020年）。影响力包括六个分值，即：传播影响力、点击影响力、赞赏影响力、响应影响力、可信影响力分值和网络潜在影响力。传播影响力（SI）：SI显示了一个组织在通过其他用户传播和传播其帖子方面的影响。也就是说，SI捕捉到了那些多次转发同一帖子的热心账户的影响力。对于组织i，这可以表示如下：SliRT twωlogRTusr8点击影响力（HI）：HI反映了该组织的推文对其他网络用户提及的影响。 对于组织i，使用公式9来计算HI：高硅钼：对数正硅钼-锰：对数正锰锰9‰赞赏影响力（AI）：FI揭示了一个组织在其帖子上收到的“喜欢”方面的赞赏程度。它与SI相当，但认为喜欢动作（喜欢/喜爱）是一种有影响力的影响。AI表示如下：人工智能的应用程序LK tw：log的应用程序LK用户登录10次Sami Ali Al-Yazidi，J.贝里和穆罕默德·迈赫迪·哈桑沙特国王大学学报5310ð Þ ¼ ð Þ2--e响应影响力（RSI）：RSI衡量组织因其影响力而获得的响应与人工智能相比，RSI捕捉用户和推文在回复/响应推文方面受到组织推文影响的程度其计算如下：RSI标准版RP Tw：log标准版RP用户登录11次可信影响力得分（CIS）：CIS表示可信影响力比率，计算为可信活动总数与公司相关活动总数之比。CIS iRPvRRTvRMnv12RPvRTvMnvRP uvRT uvMn uv网络潜在影响力（NPI）：NPI衡量用户交互率和反应率。对于给定的组织i，NPI记录与该组织交互的不同用户/账户的数量，以及其引起来自潜在范围的反应的信号。2ωTwRTusrMousrFlRTtwRPTw算法1. Tweet资格检查1：程序：推文资格检查（推文T，推文所有者U，组织U）2 ：对于每个推文所有者l2U3：获取推文海报配置文件l4：如果（l已验证）5：然后返回= 1;6：否则如果（l具有到达p的潜力<）7：则返回p= 0;8：Else If（l发布的所有s都反对u;u2U）9：Thenreturnn = 0 for alls belonging tol 10：End For十一日：对于每条tweetsT12：获取tweet内容十三日：If（s）hasathreshold14：Then If（shas

下载后可阅读完整内容，剩余1页未读，立即下载