社交网络事件热度预测的研究

发布时间：2020-01-31 01:40

【摘要】：随着互联网的迅速发展,社交网络信息预测成为信息内容管理的重要研究内容之一。此前的社交网络信息预测研究中,对社交网络中信息表示与量化计算研究不足,难以有效的支撑社交网络信息传播建模和预测的研究,同时,当前的社交网络信息传播模型,大都没有考虑信息传播过程中的记忆效应对信息传播的影响或者考虑不全面,导致预测结果与实际值之间存在较大误差。首先,利用朴素贝叶斯文本分类算法将采集到的微博文本划分为十五个领域,对用户发布微博数、微博平均被点赞数、用户注册时间等影响到用户影响力的指标,建立一套科学、合理的指标体系,利用专家打分法、层次分析法(Analytic Hierarchy Process)法等对各级指标赋予权重,量化分析用户各个领域影响力和综合影响力。接着,针对社交网络信息热度进行预测,考虑信息传播过程中用户记忆效应的兴趣累积和实效衰减两方面,利用遗传算法求出记忆曲线,分析用户的记忆效应对社交网络信息传播的影响。同时,获取社交网络主页或用户中的强弱连接用户,分析弱连接用户与信息传播的关系,进而得到弱连接用户对社交网络信息传播范围的影响。最后,对信息传播的范围、趋势和速度等进行定量分析,揭示用户特征、内容相关性等对社交网络用户行为的影响。从特定主贴、话题两个层次来分析,通过提取用户各个领域影响力、弱连接、记忆效应、主贴评论数、主贴点赞数、主贴转发数等多维特征,采用机器学习方法GBDT(Gradient Boosting Decision Tree)建立预测模型,对社交网络信息传播热度进行预测,得到信息传播的范围和热度变化趋势。在实验中,根据单一变量原则,比较了不同特征对社交网络信息热度预测的影响。实验结果表明,除了热度值低于10的主贴外,综合考虑用户影响力、弱连接、记忆效应、转发数、点赞数、评论数等特征,能够得到准确率较高的预测结果,平均绝对百分误差值MAPE(Mean Absolute Percent Error)远低于30。
【图文】：

连接关系,强弱,热度

用户数占比越大，最终的信息热度越低；弱连热度越高。络信息传播热度预测模型中，均不考虑转发者仅对非热门话题效果较好，对粉丝转发量大的论代表了情感力量、亲密程度和相互关系的线是比较熟悉、社会地位对等、关系亲密的人，的圈子比较一致，接触到的信息重叠率也比较难接触到自己之前没有接触过的新的信息，而较有意义。与此相对，在弱关系中，个体可以信息，往往是新的，自己的圈子没有的信息，流向其他群体[39]。所以，弱连接关系扩大了信的速度，使信息很难被局限在某一个圈子中。个重要的因素，纳入社交网络特定话题的预测率。

示意图,状态转移,示意图,社交

接收到的信息越多，用户越易产生认同转发或拒绝转发新闻的传播随接触增多而降低。这种记忆效应对于传考虑传播过程中的记忆效应并兼顾社交网络中用户间网络中的信息传播行为进行详细的理论建模，从而极准确率，是一个具有挑战性的问题。线社交网络上的实证研究，已经验证记忆效应在社交律性[41][42]。本文借鉴 SIR 模型，将社交网络中节点的一时间步，每一个体处于如下四种状态之一：知态 U（Unknown）--没有接触过消息的人群，类似于人群；蓄态 C（Cumulative）--用户接触过信息，但是由于不或者已经变得不感兴趣而不愿意产生传播行为；播态 I（Infected）--个体接受了该消息并将该信息扩散劳态 R（Resistant）--个体已经传播了信息，，并且不再题的行为，相当于 SIR 模型中的免疫态。移示意图如下所示：
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP393.092;TP391.1

【参考文献】