小型微型计算机系统 2011年1月第1期
JournalofChineseComputerSystems V01．32No．12011
客户信任网络下病毒式营销核心群体的挖掘
夏秀峰，赵秀涛
(沈阳航空航天大学计算机学院，辽宁沈阳110136)
E·mail：xiaxiufeng@syiae．edu．cn
摘要：目前，国内外对利用数据挖掘实现智能化制定病毒式营销策略的研究亟待深入．为了挖掘客户网络中的核心群体，定
义了一种基于信任关系的客户信任网络CTN(CustomerTrustNetwork)，在此基础上创建了产品信息扩散模型CTNBDPI(CTN
BasedDiffusionofProductInformation)，提出了核心群体挖掘算法VMCGM(ViralMarketingComGroupMining)与连续病毒式
营销策略的制定方法．CTNBDPI模型引入客户特征与环境因素解决了孤立点的接受与推荐问题，实验证明可以更好地反映病
毒式营销中产品信息扩散的规律，与已有研究相忧，VMCGM算法具有较低的时间复杂度和较高的准确性．
关键词：病毒式营销；社会网络；客户信任网络；核心群体挖掘
中圈分类号：TP311 文献标识码：A 文章编号：1000-1220(2011)014)056-05
MiningtheCoreGroupBasedonCustomerTrustNetworkforViralMarketing
Ⅻ～Xiu-feng。ZHAO)(iU。tao
(SchoolofComputer。ShenyangAerospacetlnivers毋。Shenyang110136-China)
Abstract：Atpresent-thereislittleworkbeingdoneonchoosingthebestviralroarkefingstrategyintelligentlybyusingdatamining．
InordertominingtheCOregroupinacustomernetwork。thispaperdefinesaCustomerTrustNetwork(CTN)basedontrustState-
mentsbetweencustomers，buildsaC【NBasedDiffusionofProductInformation(CTNBDPI)model-andthenpresentsaminingal—
gorithmcalledVMCGM(VimlMarketingCoreGroupMining)。alongwithanapproachtodesignsequentialmarketingactions．ne
modeldoesresearchonisolatedcustomers’recommendationbehaviorbytakingtheircharacteristicsandenvironmentalfactorsintoac·
count．TheexperimentalresultsshowthattheproposedmodelCanbetterreflectthediffusionofproductinformationinviralmarket-
ing。anddemonstratesthealgorithmhashigheraccuracyaswellaslowertimecomplexitythanpreviouswork．
Keywords：viralmarketing；socialnetwork；customertrustnetwork；COregroupIIliIling
1引言
在电子商务系统中，传统的营销手段忽略了客户之间的
相互影响，导致不能达到最优的营销效果．对于某些类型的商
品或服务，如电话业务、电子邮件服务等，客户的购买行为常
常会受周围人群的强烈影响⋯．病毒式营销(ViralMarket-
ing)利用了客户之间的影响作用，通常可以获得比传统营销
方式更多的收益，因此得到广泛的应用口4J．
利用数据挖掘技术智能地选取适当的客户作为”种子”
有助予制定最优的病毒式营销策略，目前对该问题的研究尚
未深入展开．已有工作没有明确定义客户网络的结构和特点，
较少考虑客户特征可能对产品信息扩散造成的影响，而且忽
略了客户网络中的孤立点．
本文针对病毒式营销的特点，首先基于信任关系构建了
客户信任网络，然后通过分析客户个体特征对产品接受模式
与推荐模式的影响，提出了基于客户信任网络的产品信息扩
散模型．该模型考虑了环境因素的影响，即所有客户对产品的
总体评价或认可程度，有助于解决客户网络中孤立点的接受
与推荐问题．此外，对制定随时问变化的营销策略进行了探
讨。最后，针对该模型提出了一种核心群体的挖掘算法，对比
实验证明了模型与算法的有效性．
2相关工作
对产品营销信息扩散的广泛研究始于20世纪70年代，
其中最具有影响力的扩散模型是由FrankBass提出的Bass
模型p1．该模型可以较好地反映产品扩散的总体趋势，但忽
略了社会网络的结构，而已有研究表明网络结构会显著影响
产品信息的扩散过程峥J．
为确定最优的病毒式营销策略，Domingos和Richardson
提出了综合考虑客户的网络价值与内在价值的概率模型¨J．
实验表明该模型有助于制定较优的病毒式营销策略，然而它
对客户特征考虑较少，而且忽略了网络的动态性与孤立点．
文献[8]利用E-mail发送产品的推荐信息，实验研究了
一个Person-to—Pe璐on的推荐系统，分析了影响病毒式营销效
果的因素．实验结果表明网络结构、客户特征及产品类型等均
会显著影响产品营销信息的扩散哺J．
最近，Ma等人提出用热扩散现象研究社会网络营销一j．
收稿日期：2009．10-26收修改稿日期：2010旬1·15作者简介：夏秀峰．男，1964年生，博士。教授，CCF高级会员，研究方向为数据库理论与
技术；赵秀涛。男，1985年生，硬士研究生，研究方向为数据库与数据仓库．
万方数据
1期 夏秀峰等：客户信任网络下病毒式营销核心群体的挖掘 57
他们建立了3个产品推荐信息的扩散模型，并提出了相应的
选取最优客户群算法．模型可以较好地反映社会网络的特点
且其算法具有较低的时间复杂度，但同样忽略了孤立点与网
络的动态性．
目前，国内对病毒式营销环境中数据挖掘技术的研究尚
未深入展开，本文通过建立基于客户信任网络的挖掘模型，对
如何运用数据挖掘选择客户网络中的核心群体进行了探索．
与已有研究的不同之处在于：根据病毒式营销原理明确定义
了客户信任网络，基于信任网络建立了产品信息扩散模型并
探讨了连续营销策略的制定．模型通过引入客户群体对产品
的总体态度解决了客户网络中孤立点的产品接受与推荐问
题．此外，本文提出了一种基于扩散模型的核心群体挖掘算
法，实验表明，与已有研究相比，该算法可以有效地发现客户
网络中的核心群体，对制定合理的病毒式营销策略具有一定
的指导作用．
3客户信任网络CTN与产品信息扩散模型
病毒式营销中核心群体的挖掘可以抽象成如下的数学问
题．给定一个含有Ⅳ个潜在客户的集合SM={y。，v2，⋯，‰}，
客户之间通过信任关系形成一个网络．在客户网络中，客户间
可能存在显式的影响，网络中的孤立客户(也称孤立点)与其
他客户之间也存在着隐式影响，称显式影响客户y。购买行为
的那些客户为v，的网络近邻，令厶={”¨，y『’2，⋯，v抽，}表示客
户v。的网络近邻的集合，则有Lf￡s．Ⅳ一{v，}．设y是适合采取
病毒式营销方式的产品，M为对v，采取的销售策略，M可以
为布尔变量，表示对v，是否采取打折或者其它的营销手段，若
对其进行营销投入，则M=1；否则Mi=0．如果采取某个营销
策略M={M，鸠，⋯，^如}可使商家所获收益最大，则此时所
有M=l的客户均认为是值得对其进行营销投入的客户，即核
心群体的成员，肘亦为最佳的病毒式营销策略．
为了简化问题以建立模型，做以下2个合理的假设．
假设1．本文研究的产品y适合进行病毒式营销，这点可
以由行业专家根据经验确定；
假设2．客户只有在购买产品之后才能对产品进行评价．
在大多数电子商务网站中，如-u-ilazon、当当网等，只有购买过
产品的注册用户才能对所购买产品做出评价，这样可在一定
程度上防止未购买产品的用户任意做出不准确的评价．
为准确描述客户间的网络关系，引入基于客户问信任关
系的客户信任网络的定义．
定义1．(客户信任网络CTN，CustomerTrustNetwork)客
户信任网络定义为随时间t动态变化的有向图G(f)=<V
(t)，E(f)，N(f)>，其中，以f)={v，(t)lf∈Ⅳ(f)}，f为节点序
号，表示t时刻的客户集合，u(t)∈以f)均以客户特征向量表
示，即v，(t)=(F(t)，砰’(t)，尺；(t)，B；(t))，其中片(t)表示t
时刻Ⅵ(f)对产品y的内在兴趣度(即不考虑其他客户的影响
下，该客户对y的兴趣程度)，砰r(t)表示客户接受推荐而购
买y的概率，群(f)表示客户此时对y的评价分数：研(f)用
于标识t时刻客户v。(f)是否已经购买y，若该客户已购买，则
B；(t)=l，称此时客户状态为激活态，否则B；(t)=0，相应地
称此时客户状态为未激活态；E(f)={<1，，(f)，v，(t)>IfJEN
(t)}为客户之间有向边的集合，表示客户之间的显式信任声
明，<v，(f)，v，(t)>表示客户v。(t)信任客户吩(t)，对于V<
v，(t)，v，(t)>∈E(t)(为方便计，用％(t)代替<v，(t)，”，(t)
>)，勺(f)=(W口(f)，p；(t))，其中w口(t)表示t时刻客户V，
(f)对客户v，(t)的信任权重，p；(f)表示'，，(f)购买Y之后向v，
(f)做出推荐的概率；N(t)表示t时刻的客户总数．
通常，客户对不同网络近邻的信任程度也是不同的．为了
便于描述，给出信任列表的定义．
定义2．(信任列表)客户'，，的信任列表定义为随时间t
变化且长度有限的序列t(t)=(v¨，”f．2，⋯，”¨，⋯，”¨，
(t))，其中v“(1≤七≤n，(t))为v。在客户信任网络G(t)中的
网络近邻．信任列表中的元素是有序的，k越小表示客户u
对客户v“的信任程度越高．
定义3．(兴趣指数)兴趣指数是指客户对产品兴趣程度
的度量，以h；表示客户h对产品y的兴趣指数．
任意客户v，对产品y均有一个接受阈值硝，如果在时刻
t有hi≥祥，则v。将会接受产品，从而发生购买行为．
3．1 基于客户信任网络的产品信息扩散CTNBDPI(C啦·
tomerTn璐tNetworkBasedDi船嶙ionofProductIIlf'orma-
tion)模型
给定适合病毒式营销的产品y与客户信任网络c(t)．通常，
客户做出购买产品的决定既受自身的对产品兴趣的影响，又受周
围朋友们的影响．为了描述这种综合影响，对Vv，∈V(t)，v，在
时刻t对y的兴趣指数hj(f)可以用式(1)线性表示：
^j(t)=a。(f)F(t)“1一d，(t)]g；(t)(1)
其中，函数，y(t)表示v。在时刻t对y的内在兴趣度，函
数暑j(f)表示网络近邻对v。的影响，a，(t)∈(0，1)表示V。自
我信赖的程度．
1，，网络紧邻的影响函数g；(t)可以用式(2)中的线性模
型来描述：
g；(t)=。∑．wp(f)R；(f) (2)
其中，上叮为v，网络近邻的集合；W。(t)为h对厶中各客
户的信任权重，并且～(t)>10，∑加Ⅲ。wF(t)=l；碍(t)为t
时刻网络紧邻v，购买y并做出的评分(或称推荐值)，如果”，
没有对产品评分，则令R；(f)=0．
通常，孤立点占客户群体的大部分，他们没有网络近邻，
但仍会受已购买客户对产品总体评价的影响，因此对营销策
略的制定有着显著的影响，需要对式(2)进行修改以适应孤
立点的情形，如式(3)所示：
gj(t)=届㈩t．∑．w口(f)弓(t)“卜卢j(t)]e(t)(3)
其中，岛(f)表示网络近邻影响的权重，e(f)表示产品总体
评价的影响(或称环境影响)，当H是孤立客户时，届(f)=o．
当客户v，的兴趣指数满足不等式(4)时，则认为该客户
变为激活态．
矿(t)≥吼 (4)
万方数据
58 小型微型计算机系统 2011年
客户购买产品之后是否会做出评价与倾向给出的评价分
数通常都是未知的，为了获得v，受网络近邻v，的影响程度，
可以用评价分数的期望值来估计尺j(f)，如式(5)．
rm
尺；(f)=D；(X)=∑X·P(X)(5)
’
X5rmin
其中，随机变量x表示评价分数，且xE[r血，，．蚍](r血。，
irmax)，分别为产品评价的最低分数与最高分数)；e(x)为随
机变量x的概率，x服从的分布可以通过对已有购买记录的
客户进行抽样估计得到．
3．2核心群体的挖掘
大多数情况下，商家所能付出的营销投入都是有限的，因
此可能并不会找到最优的营销策略．假定商家的营销投入为
固定值C，每个客户接受的投入至少为c／m时才会向其他客
户推荐产品，则最多只能选择含有m个成员的核心群体．
对于含有Ⅳ个节点的客户信任网络G，制定最优的病毒
式营销策略就是找到一个含有m个元素的初始子集Q0cG，
使得式(6)成立．
MaxO，=∑,diffusion(Oo)，t“1，t，](6)
其中，Q表示在t时刻处于激活态节点的集合(不包括
Q。)，diffusion(ao)表示初始子集Qo影响的传播．
4核心群体挖掘算法ⅥⅥCGlⅥ
假设需要选择，，1个客户作为病毒式营销的”种子”，核心
群体挖掘算法的目标是找到满足式(6)的初始集合Q0cG，
其元素个数为m，已有研究证明，找到最佳Qo是一个NP困
难问题¨⋯．
根据式(3)计算网络近邻影响时，需要知道客户信任列
表中各元素的信任权重，已有研究发现，客户间的信任关系近
似服从Zipfian分布n¨，这与大部分社会网络一致¨21，因此，
做如下合理假设．
假设3．客户v。对其信任列表L(t)中的客户v“(1≤七
≤％(t))的信任权重服从齐普夫(Zipfian)分布．
根据假设3，可得n对其信任列表中第七(1≤七≤一(，))
个客户v¨的信任权重为：
w。=吾 (7)
式(7)中，c与a均为大于0的常数，在不同的领域c与
d的取值都是不同的，可以通过统计数据得到．
基于以上分析，本文提出了VMCGM(ViralMarketing
CoreGroupML,ang)算法，其思想是：
(1)计算客户信任网络G中各非孤立节点v。在到达结束
条件(扩散过程终止或者指定的时间)时所激活的节点集∥‘，
并且令Ss={。s”，s鬯，⋯，s’Ⅳ}；
(2)令R=9，每次选择能够最大化{p一尺nsvy}的集合
∥(f≤JⅣ)，将节点v，加入核心群体Qo，然后使R=RUS'y，S。
=Sg—SVy，重复该过程直到集合Q。中的元素个数等于m．
算法的详细步骤如下：
算法1．病毒式营销核心群体挖掘算法VMCGM
输入：客户信任网络G，自我信任程度向量a(t)，权重向量卢
(t)，产品内在兴趣度向量，=(，l，，2，⋯，，Ⅳ)，接受阈值向量0
=(0。，晚，⋯，钆)与终止时间‘
输出：含有m个成员的核心群体Q0
1．for⋯IEGdo
z．sw=妒；／I／∥为q所激活的节点集
3． ∥={h}；／／s⋯每次循环新增的节点集
4． forf≤bd0
5． ￡=妒；／／L为每次循环受影响的节点集
6．for崎E∥do
7． 获得叶直接影响的非激活节点集‘；
8． ∥=s一一{v，}；p=印u{吩}；
9． 对于V‰E一计算vI受影响程度；
12． endfor
13． forVvJELdo
14． 计算v，的兴趣度硝(，)；
15． if^『(f)≥巩then
16．s一=s”uf醪}；
17． endif
18． endfor
19． endfor
20．∥j-S叶US4“：
21．endfor
22．p={∥I，s鬯，⋯。s’w}；足=‘p
23．for工=1到mdo
24． 选择最大化{S’y—RNS’Y}的集合S’y；
25． Qo=Oou{b}；
26． R=RUS’y；Ss=S8一S”y；
27．endfor
28．输出核心群体00；
可以证明，算法1能够达到(1—1／e)精度的近似解【。】．
对于含有Ⅳ个节点的客户信任网络G，核心群体含有tn
皿
籁
《
}P
信任网络中节点的出度
(a)
信任网络中节点的入度
(b)
图1 Epinions网站节点出度与入度的分布
Fig．1Outdegree&indegr∞distributionsofepinions
个客户，终止时间为‘，每个节点直接影响的节点平均数目为
▲正
万，分析算法1可知，时间复杂度为0(石1Y(‘n2+2ran=+‘))．
二，●
客户网络满足社会网络的幂率性【l31，因此n通常并不
大，对于实验中采用的Epinions网站的数据集，大部分节点直
接影响的节点数目均小于30，如图1(b)所示，图l(a)表明大
部分节点的网络近邻数目也均小于30．另外，实验发现循环
次数‘通常小于9．因此，算法1具有较低的时间复杂度．在
计算的时候，还可以采取其他方法来进一步减少时间开销．
5连续营销策略的制定
在许多电子商务系统中商家通常希望根据市场对产品的
万方数据
1期 夏秀峰等：客户信任网络下病毒式营销核心群体的挖掘 59
接受情况制定连续的市场营销策略．假设希望将m个试用产
品免费赠给m个客户，并满足m如+m“+⋯+nl，。=，，l，要求制
定随时问变化的病毒式营销策略使尽可能多的客户接受产品．
根据核心群体挖掘算法VMCGM，按下面的过程对客户
集合&制定最优的病毒式营销策略：设在to时刻运用挖掘
算法得到含有m。个客户的核心群体瓯，t。时刻时，处于激
活态的客户集合为A。．“；在t。时刻，非激活态客户集合为&
一A。咄，此时选择含有m。．个客户的核心群体Q"f2时刻时，
处于激活态的客户集合为A。．。；在f2时刻，非激活态客户集
合为晶一A。一力，继续选择含有m，，个客户的核心群体级，ts
时刻时，处于激活态的客户集合为A。一。；重复以上过程直到
选择出m个客户．
6实验分析
本部分对CTNBDPI模型及VMCGM算法的有效性进行
实验验证．VMCGM算法用Java语言实现，实验环境为Intel
PentiumDualE21802．00GHz处理器、2G内存，操作系统平
台为WindowsXF2Professional．实验主要分析算法的时间性
能，核心节点数量对网络覆盖率的影响，孤立点对病毒式营销
效果的影响以及与已有算法的比较结果．
6．1实验数据
本文选择Epinions网站作为核心群体挖掘的数据源．在
该网站上，注册用户可以评价产品(计算机软硬件、音乐、书
表1产品评价数据表 表2信任关系表
Table1 Ratingsdata Table2 Trustdata
序号用户id产品id评价分数
1 2 253 4
2 5 362 5
3 30335089 3
1 22605
2 30152
3 2824
5052 1
3033 l
6 l
籍等)，而且用户根据其评价的质量获得相应的报酬，这一点
可以激励用户做出对产品较为准确的评价．另外，注册用户可
将其他用户添加进自己的”WebofTrust”，”WebofTrust”本
质就是信任列表．因此，Epinions网站是研究病毒式营销的理
想实验数据源．实验数据包括两部分：产品评价数据与信任关
系数据，数据格式分别如表1和表2所示．
表l中的第l条记录表示用户2对产品253评价分数为
4，表2中的第l条记录表示用户22605对用户5052具有显
式信任声明，信任声明的值为1表示具有信任关系．
实验数据包含49290个用户、139738条产品评价以及
467181条信任关系，由于该数据集中仅含有2个孤立用户，
因此为了更好地模拟实际电子商务网站中的客户群体构成，
实验中另外生成了10710个孤立用户．
6．2算法的时间性能
为了较为全面地分析算法的时间性能，随机从实验数据
集中选择出4个含有不同用户数目的子数据集，分别含有
1500、4500、7500及10500个节点．、实验得到算法消耗时间见
图2．
通过图2发现随着节点数目的增加，算法消耗的时间也
随之增加，而且越来越多的计算时问均消耗在搜索Qo的过
集
图2不同数据集的时问消耗
Fig．2Timecostofeachdataset
程中，因此可以考虑改进搜索算法进一步降低时间开销．
6．3扰对网络覆盖率及算法时间的影响
核心群体中所含节点的数量m不仅影响病毒式营销的网
0 20 40 60 80 100
核心节点数量m
(a)网络覆盖率的变化曲线
0 20 40 60 80 100
核心节点数量m
(b)算法消耗时间的变化曲线
图3 m值对网络覆盖率及算法消耗时间的影响
Fig．3Influenceofonmcoverage&timecost
络覆盖率，而且对算法消耗的时间也会有一定的影响．另外，flit
的取值还受商家所能投入的营销费用所制约．图3(a)与图3
(b)是随着m的增加，网络覆盖率与算法消耗时间的变化可
以发现随着m的增加，网络覆盖率增长的趋势由迅速变为平
缓，而算法的时间基本上呈直线增长．在实际应用当中，可以通
过平衡网络覆盖率与时间开销来获得适当的m值．
6．4 孤立点对网络覆盖率的影响
已有研究没有考虑客户网络中的孤立节点，在实际的电
70
60
余50
嚣加
襄30
霞20
10
0
DataselIDataset2Dataset3Dataset4数据集
图4孤立节点对网络覆盖率的影响
Fig．4Influenceofisolatednodesoncoverage
子商务网站中，孤立节点的比例通常较大，因此研究病毒式营
销有必要考虑孤立节点．图4所示的是4个数据集分别在无
”∞”加：2
m，0
一％)厘苔糕甓攥蜮
∞∞砷卯∞∞加m
0
，‘讲糟群瓣匿
万方数据
60 小型微型计算机系统 2011年
孤立节点与有孤立节点两种情况下病毒式营销的网络覆盖
率．可以发现，考虑孤立节点时，网络覆盖率至少提高20％以
上，因此孤立节点对营销效果的影响是显著的．
当取nl=200时，对整个实验数据集(60000个节点，
467181条有向边)进行核心群体的挖掘，可以得到网络覆盖
率为55．6％的营销策略，表3列出部分核心节点及其直接或
间接激活的节点总数．
表3 m=200时的部分核心节点
Table3 Apartofcorenodes(m=200)
一昼曼 ! 兰 ! 堡 i 垒核心节
点id
激活节
点总数
壁曼 ! ! ! !Q !! !!
檄，9402107l4753467144212260点ld
誊嚣107103 100100 98 98
6．5与已有模型及算法的比较
为了考察CTNBDPI模型及Ⅵ屺GM算法较已有研究成
果的优势，本文选择文献[8]提出的推荐信息扩散模型及与
其对应的k-step贪婪算法进行实验对比，该模型是最近由Ma
等人基于热扩散现象建立的，在文献中他们验证了其模型较
以往研究可以更好地反映推荐信息在社会网络中的传播规
律，并且k-step贪婪算法具有良好的可扩展性，因此可以认为
他们的成果代表了已有研究的较高水平．
表4不同算法在网络覆盖率与计算时间上的比较
Table4Coverage&timeCOStcomparisonofvariousalgorithms
数据集DatasetlDataset2Dataset3Dataset4
与?71值 (州=10)(m=30)(小=50)(m=70)
k·step27．64／7．2s28．07／23．0s10．30／6．2s8．29／5．9s
VMCGM37．83／1．9s39．10／5．6s18．25／4．3s13．47／4．8s
Ⅲ{打坦
玉福裘10-19／73．6％11·03／75．7％7·95／30_7％5·18／18．6％
Ma等人的模型与之前研究一样均忽略了客户网络中的
孤立节点，因此为了更合理的对比，本文首先在不考虑孤立节
点的前提下对4个不同大小的数据集并选择相应的值分别
计算VMCGM算法与k-step贪婪算法的网络覆盖率与运行
时间，结果如表4所示，其中27．64／7．2s表示算法获得的网
络覆盖率为27．64％，并且计算消耗的时间为7．2秒．
观察表4中的实验结果，可知在不同数据集下VMCGM
算法所得到的网络覆盖率均较k-step算法要高，但在运行时
间上却比k-step算法要少，最好的结果体现在数据集2上，
VMCGM在提高网络覆盖率幅度为11．03％的同时减少了
75．7％的计算时间．在数据集3和4的结果中，两种算法的差
距较小，分析可知这是由两个数据集中客户间的信任关系较
少导致的．
以上实验是在不考虑孤立节点的基础上进行的，通过6．4
节对孤立节点影响的分析可知，如果在计算过程中考虑孤立
节点，VMCGM算法将会得到更高的网络覆盖率，这也表明了
Cm咂DPI模型较已有研究更为显著的优势．
7结论及未来工作
本文建立了一种基于客户信任网络的产品信息扩散模型咖DPI，并给出了核心群体挖掘算法VMCGM，模型可以
较好地反映病毒式营销中产品信息的传播规律．通过对Ⅵ睡
CGM算法的复杂度分析以及Epinions网站数据的检验表明，
本文提出的算法较已有研究可明显改善病毒式营销的效果并
且具有较低的时间复杂度，可适应挖掘大型社会网络的需要，
对制定有效的病毒式营销策略具有一定的指导作用．
未来的工作包括：
(1)研究动态客户信任网络前提下的核心群体挖掘算
法，更好地符合现实世界的规律；
(2)进一步研究产品负面信息的传播与控制策略；
(3)对核心群体挖掘算法进行改进，提高算法的执行效
率与挖掘的准确度．
References：
[1]SubramaniMR，lhjagopalanB．Knowledge-sharingandiJl=fluence
inorflinesocialnetworksviaviIalmarketing[J]．C‘硼哪unicati伽s
of山cACM，2003，46(12)：301)-307．
[2]LingCX，IAC．Dataminingfordirectmarketing：problemsand
soludons[A]．Proceedingsofthe4thInte．mationalCo面ereneo011
KnowledgeDiscoveryandDataMining[c]，删Press，1998，
73-79．
[3】RichardsonMI)0mingos．Miningknowledge·sharingsitesforviral
marketing[A]．ProceedingsofACMSIGKDD[C】，AC-'MPress，
2002，61-70．
[4]YuanNing，whZhi-j咖．Usingviralnwketinginnetworks[J]．
M缸ketModernization，2005，451(34)：93-94．
[5]B8鹞F．Anewproductgrowthmodelforconsulterdu均bl髓【J]．
Manag锄cntScience。1969，15(5)：215-227．
[6]Songx，ClIiY，K0jittino，eta1．Inf．-marionflowmodeling
basedondiffusionm记forpredictionandnlld[ang[c]．1P】mceedings
oftheACMWWWCmfference，ACMPress，200r7，191-200．
[7]I)0mingosP，RichardsonM．Miningthenctworkvalueofcus啪·
efs【A]．Pmeeedingsof也c7thInt锄ati伽lalColffereneeon
KnowledgeDiscoveryandDataMimng[c]，ACMPress，200l，
57．66．
[8]Jureh8kovec．．Ikdynamicsofviralmarketing[J]．ACMTl锄妒
∞fionsontheWeb，2007。1(1)：228彩7．
[9]MaH，YangH，LyuMR，cta1．Miningsocialnetworksusing
healdif孙si叽鲫硪燃formarketingclu：Klidates∞lection[A]．啉
eeedingsoftheACMConferenceOnInf㈣fionandKhowledge
Management[C]，ACMPress，2008。233-242．
[10]KempeD，＆蜘bergJ，T鲫dosE．Maximizing灶峙spreadofinflu-
e,nct：throughasocialnetwork[A]．ProceedingsoftheAcMsi出
ddconf醯蚰。鹤[C]，ACMPress，2003。137—146．
[11]ZipfGK．Hmbel=Ia：viorandthelⅡincipleofleast锨[M]．
NewYork：Hllfne,f．1972．
[12]W戤哪髓s，FaustK．socialnetworkanalysis：methodsandap
plieations[M]．Cambridge：CambridgeUniversityPress，1994．
附中文参考文献：
[4]袁宁，吴志军．”病毒”营销在网络中的应用[J]．商场现代
化，2005，451(34)：93-94．
万方数据
