本文共 3273 字,大约阅读时间需要 10 分钟。
20090901
从海量信息中寻找专家,发掘或放大他们的影响力,在Blog 时代甚至BBS 时代,就有不少努力。当然,那时基本靠人或编辑。中国的编辑们最喜欢做这样的事情,罗列一堆的专家或写手作为导航入口。然而随着时间流逝,如果你逐个名字点击过去,要么久已不更新,要么已经变成了XX营销的软文集散地,要么还在更新但味同嚼蜡。
在Social 时代,由于传播更为迅速范围更广,用户也相对出于自愿传播,所以很多寻找专家的旧手法都可以通过更有效的数据获得验证。那些早期创了牌子后来又只打算借这块牌子赚钱的写手们,在Social 时代很容易被识破并被摒弃。
想像一下:
当你作为一个初学者,进入某一个领域时,你怎么才能知道应该向哪些人求教,或者远远地观察/订阅这些人的行为,以便更快更好地找到登堂入室的门径吗?
当你被外界宣传蛊惑,开始使用 准备享受它的个性化推荐时,你知道还要订阅 stumbleupon 里哪些用户的收藏才能让你事半功倍吗?
下面会罗列 Finding Better Experts/Friends 的五大手法,请注意,前面提到的“写手”只是Experts的一小部分,每个垂直领域都会有很多专家,或声名显赫或不为人知或因复杂系统的默不作声而被隐藏。
手法一、SPEAR模式
新手法。
什么是专家?
定义好专家的特征即可。
你可以像美剧《》那些BAU分析师们一样,给出几个可量化的变量,来衡量一个ID的所有网络行为。
比如,专家在某个领域阅读更深入,他的文章被更多本领域的专家推荐,他的话被更多人引用,等等。
SPEAR
SPEAR模式的提出者Michael G. Noll 和 Ching-man Au Yeung,主要是利用 的海量数据,通过以下两个维度测量某一个给定“Topic(领域)”用户的专业性:
这就是模式,即,一个专家分析和打分机制。
微博客的Finding Better Experts
这个机制也可以应用到微博客世界。在 Twitter上,每天有无数的人推荐链接。除了爆炸性新闻或段子外,毫无疑问:
在中国
SPEAR 通过收藏某一篇文章的时间,把用户分成了“Discoverers”和“Followers”,无疑,Followers专业性不会很高,这个特性倒是蛮符合中国,可以照搬。
但在中国是否适用“专家总是倾向于收藏更多高质量的文章”呢?
这取决于文档质量评价体系是否能在中国良好地建立。
参考:
1、RWW的《》(以及);
2、 。
3、Presentation:
手法二、Technorati模式
古老的手法。
博客的权威度和等级
我只是用 Technorati模式来涵盖这种操作手法,毕竟 Technorati 曾经很有效地给世界上大多数Blogger打过分。
点击 (需穿墙),能看到全球范围内Authority(最有影响力)的Blogs,前三名是:
16854分, 10859分, 9408分。
2007年时 Technorati Blog 曾经解释过 (需穿墙):
Technorati Authority 是过去六个月内,指向一个站点的Blogs链接数。只不过,Technorati 的计算单位是Blogs,也就是说一个博客虽然在自己的不同博客文章中把你的某个Blog链接贴了成百上千次,但在 Technorati 这里只按一次计算。
Technorati Rank 就是你在 Technorati Authority 体系中的位置,最高的 huffingtonpost 是#1,techcrunch是 #2,以此类推。
是的,通过对博客文章中的链接检测,限定时间范围,限定计算单元,确实能把Better Experts挑出来,加以良好的自动分类,至少能保证榜单上罗列的是真正的Experts。
但在中国一个博主会拥有十几个甚至几十个镜像博客是很正常的,博客正文不爱引用不加链接也是很正常的。所以,此手法难操作。
手法三、Link Popularity模式
年代久远的手法。
人气评估
在 Blog时代,根据某Blog在Google等搜索引擎里的索引量,在网摘网站中的收藏量,根据所能找到的反向链接数目,根据RSS订阅数,以权重公式调和,就可以排列出一个人气榜单。
车东很久以前写过一篇《》 ,介绍通过搜索引擎的一些隐含命令评价网站的“人气”。我在06年时据此公布了一小段程序:《》。
本手法与手法二的区别在于,虽然都属于反向链接检测,但手法三的范围更大,隐喻更多。通过对不同来源的数据区分,可以衍生出更多种类的Rank。
手法四、Twitter模式
这是 独有数据造就的手法。
Twitter数据
Twitter有很多数据维度,能较为逼真地测量一个用户。通常会有以下数据:
利用这些数据,计算用户Rank、给出用户排名的应用有:
本手法只适用于微博客。因为大约只有Twitter才会提供如此全面的开放数据,仅仅依靠 Twitter 内部数据,不需要外部链接的评价,就可以推选出 Experts 或 Better Friends。
手法五、信用模式
某些特殊领域,一个专家的网络言论可以与实际对比,建立一个虚拟信用体系。如果专家说的和实际总是一致,那么显然他的信用会越来越好。比如股票领域,有研究称,可以大规模采样用户的帖子或问答,用语义分析出他对后市的倾向性,然后与后市真正的走势做对比,从而对每一个采样用户建立信用历史,那些总是错误预测形势的、“一辈子唱空”的“伪专家”就无法遁形了。
另外一种做法是,针对收集到的用户名,在微博客中搜索提及该用户名的Tweets,语义分析人们是用什么定语或名词形容该用户的,从而建立一个评级。当然这种做法还是属于“情感分析”,也并不限定于只分析人名,项目名或公司名都可以的。比如收集开源项目评价的 ,如果在它的英文情感分析基础之上,再细分指标和评级,应该可以给出一个公式,给出开源项目的受欢迎程度排名。
好了,以上就是我所见到的 Finding Better Experts/Friends 五大手法。
北京报道 20090902
我还推荐您阅读以下文章:
1、;
2、;
3、。
转载地址:http://mjjjo.baihongyu.com/