基于信息熵的网络传播可预测性表示的研究

发布时间：2021-12-01 23:26

　　社交媒体的飞速发展赋予了社交网络上的信息传播快速、海量的特点,使得对社交网络上的信息传播的研究具有重要的政治、社会、经济意义。其中对信息传播预测的研究,由于其在广告营销、舆情控制等方法的重要作用,吸引了广大研究者的研究兴趣。研究者针对这一研究问题提出了大量的网络传播预测模型,而在选择适合的模型时,如何对预测模型进行比较自然成为了亟待解决的问题。当前研究者只是简单地将各个传播预测模型放在各自的传播数据集上进行实验,比较它们的预测精度。由于该方法缺少对预测任务的统一表示,导致比较结果只能成为个例,缺乏普遍性,因此,本文对该问题进行了探究,提出通过一个指标来表示传播数据集的可预测性,从可预测性的角度将不同的传播数据集统一地表示出来,使得传播预测模型在不同的数据集上的预测结果能够参考数据集的可预测性,使该结果具有可比较性。本文主要分为以下五个部分:第一部分为绪论,明确本文的选题缘由,梳理研究现状,首先对社交网络上的信息传播预测模型做了大致的总结与分类,进而提出了当前对预测模型的比较缺乏统一标准的研究需求,分析了当前模型比较方式的不足。第二部分首先介绍了信息熵的概念,在信息论中用信息熵来表示随机... 

【文章来源】：西南大学重庆市 211工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

传播序列数越大，则在传播序列中两用户间的距离能被保持到隐空间中；（2）对于固定的j-i

基于表示学习的网络传播预测模型23来自不同传播源的两条传播序列，就应将传播信息的用户分别嵌入到两个“易染隐空间”中。基于这个思路，本文提出了独立非对称嵌入（IndependentAsymmetricEmbedding，简称IAE）模型。IAE模型将网络中所有传播信息的用户分别嵌入到一个“影响隐空间”（记为“X”），和N个“易染隐空间”（记为“1,…,”）中，N为网络中节点的总数量，如此，当每一个用户发布了一条信息，即成为了一个传播源时，都能找到其对应的一个“易染隐空间”Y。图3.2反应了PAE模型和IAE模型中隐空间的区别。图3.2IAE模型和PAE模型的区别在CDK模型和PAE模型中，定义了两个条件来对传播核函数进行了限制，分别对与两个用户同在一条传播序列中，但传播的先后顺序不同；以及在序列中，而不在序列中的情况进行了分析。而在IAE模型中，由于每一条传播序列都将被单独分析，每一条传播序列都有其对应的隐空间，因此只需要考虑在传播序列中的用户，即只考虑与两个用户同在一条传播序列中的情况。因此，IAE模型中只采用了一条限制，即：(,)∈×,()<()‖00‖2<‖00‖2。其中，0表示在“影响隐空间”中，传播源用户0的坐标位置；0表示在0所对应的的“易染隐空间”0中，用户的坐标位置。根据这一条限制，IAE模型的经验风险函数可写为：()=∑((,0,),)∈，(3.12)其中，相应的铰链损失函数为：((,0,),)=

集合A、B的关系


本文编号：3527257