基于多任务学习和深度学习的微博预测流行度
发布时间：2021-12-11 12:50
随着信息技术和网络技术的迅猛发展及广泛应用,使得在线社交网络成为了社会信息的主要载体。人们的获取和传播信息的方式已经被微博、微信、博客、论坛、社交网站等社交媒体彻底改变。其中微博因信息传播的随意性和实效性深受用户的喜欢,已经成为人们发布和传播社会信息的主要平台。在舆情监控、企业营销、热点推送等方面对信息传播的研究有重大的意义,因此,微博流行度预测已经成为了现在研究的热门方向。近几年,深度学习在语音识别、机器翻译、图像识别等领域取得了令人瞩目的成绩,受到了学者们广泛关注。当前对微博流行度预测的研究大多基于浅层模型,鲜有采用深度学习方法。本文尝试将深度学习技术应用到微博流行度预测,同时本文也改进了浅层模型,对比深度学习和改进的浅层模型的性能,分析哪种方法能得到更好的预测结果。本文的主要工作如下:（1）改进浅层模型当前对微博流行度预测的研究主要是在所有用户的微博数据上建立统一模型,未考虑不同影响力用户的差异。然而标签、提及以及微博长度等对不同影响力用户在流行度预测的影响呈现出明显的差异,在研究中充分考虑这些差异,可以得到更好的预测结果。如果针对不同的影响力的用户建立多个独立的模型,不仅降低了...
【文章来源】：河南大学河南省
【文章页数】：47 页
【学位级别】：硕士
【部分图文】：
SVM模型示意图
图 3-4 WMD 应用图解知，针对 F 值相对较低的三种模型 Na ve Bayes、SVM 和 Logis相似性特征时，可以明显提高预测性能，例如对于 Na veBayes 和容相似性特征的使用可以将 F 值提高 4%左右。对于 F 值相对较L 模型，微博内容相似性特征也可以进一步提高预测性能。总之，容相似性特征时 F 值都有一定的提高。这说明内容相似性特征与相关性，可以提高流行度预测的性能。章小结构建了基于多任务学习的 SVM 模型：SVM+MTL。这一模型将，将每个用户组的流行度预测问题作为一个任务，对这些任务进中同时考虑所有用户的共同特性和不同用户组的独有特征，从而一步提高准确率，除了预测常用的用户属性和微博发布行为等基
本章的主要工作是采用深度学习方法对微博流行度进行预测。首先简单地介绍了经网络模型；然后描述了基于深度神经网络模型的流行度研究，主要说明了在深网络训练过程中容易出现的问题，并采用 Dropout 方法和小批量梯度下降法解决题；最后进行微博流行度预测实验，并对实验结果进行分析。4.1 深度神经网络模型4.1.1 人工神经元模型人工神经网络(Artificial Neural Networks, ANNs)是受生物体神经元的启发，由很似生物神经细胞的神经元相互连接组成的网络结构，因其有大量的神经元而有很据存储和数据计算能力。同时因为神经网络是对动物神经系统的模拟和抽象，其自组织、自学习和非线性的特点，适合处理大量复杂的非线性数据的问题。人工络中最小的单元是神经元，其模型如图 4-1 所示。
【参考文献】：
期刊论文
[1]微博个性化转发行为预测新算法[J]. 唐兴,权义宁,宋建锋,邓凯,朱海,苗启广. 西安电子科技大学学报. 2016(04)
[2]基于转发层次分析的新浪微博热度预测研究[J]. 翟晓芳,刘全明,程耀东,胡庆宝,李海波. 计算机工程. 2015(07)
[3]基于动态演化的讨论帖流行度预测[J]. 孔庆超,毛文吉. 软件学报. 2014(12)
[4]新浪微博网信息传播分析与预测[J]. 曹玖新,吴江林,石伟,刘波,郑啸,罗军舟. 计算机学报. 2014(04)
[5]面向多媒体社交网络的访问控制模型[J]. 陈庆丽,张志勇,向菲,王剑. 西安电子科技大学学报. 2014(06)
[6]在线社会网络中信息扩散[J]. 李栋,徐志明,李生,刘挺,王秀文. 计算机学报. 2014(01)
[7]社交网络中的用户转发行为预测[J]. 谢婧,刘功申,苏波,孟魁. 上海交通大学学报. 2013(04)
[8]基于行为预测的微博网络信息传播建模[J]. 吴凯,季新生,刘彩霞. 计算机应用研究. 2013(06)
[9]微博客中转发行为的预测研究[J]. 张旸,路荣,杨青. 中文信息学报. 2012(04)
博士论文
[1]基于排序学习的信息检索模型研究[D]. 程凡.中国科学技术大学 2012
硕士论文
[1]社交网络中转发预测的研究[D]. 任天功.哈尔滨理工大学 2015
本文编号：3534711
【文章来源】：河南大学河南省
【文章页数】：47 页
【学位级别】：硕士
【部分图文】：
SVM模型示意图
图 3-4 WMD 应用图解知，针对 F 值相对较低的三种模型 Na ve Bayes、SVM 和 Logis相似性特征时，可以明显提高预测性能，例如对于 Na veBayes 和容相似性特征的使用可以将 F 值提高 4%左右。对于 F 值相对较L 模型，微博内容相似性特征也可以进一步提高预测性能。总之，容相似性特征时 F 值都有一定的提高。这说明内容相似性特征与相关性，可以提高流行度预测的性能。章小结构建了基于多任务学习的 SVM 模型：SVM+MTL。这一模型将，将每个用户组的流行度预测问题作为一个任务，对这些任务进中同时考虑所有用户的共同特性和不同用户组的独有特征，从而一步提高准确率，除了预测常用的用户属性和微博发布行为等基
本章的主要工作是采用深度学习方法对微博流行度进行预测。首先简单地介绍了经网络模型；然后描述了基于深度神经网络模型的流行度研究，主要说明了在深网络训练过程中容易出现的问题，并采用 Dropout 方法和小批量梯度下降法解决题；最后进行微博流行度预测实验，并对实验结果进行分析。4.1 深度神经网络模型4.1.1 人工神经元模型人工神经网络(Artificial Neural Networks, ANNs)是受生物体神经元的启发，由很似生物神经细胞的神经元相互连接组成的网络结构，因其有大量的神经元而有很据存储和数据计算能力。同时因为神经网络是对动物神经系统的模拟和抽象，其自组织、自学习和非线性的特点，适合处理大量复杂的非线性数据的问题。人工络中最小的单元是神经元，其模型如图 4-1 所示。
【参考文献】：
期刊论文
[1]微博个性化转发行为预测新算法[J]. 唐兴,权义宁,宋建锋,邓凯,朱海,苗启广. 西安电子科技大学学报. 2016(04)
[2]基于转发层次分析的新浪微博热度预测研究[J]. 翟晓芳,刘全明,程耀东,胡庆宝,李海波. 计算机工程. 2015(07)
[3]基于动态演化的讨论帖流行度预测[J]. 孔庆超,毛文吉. 软件学报. 2014(12)
[4]新浪微博网信息传播分析与预测[J]. 曹玖新,吴江林,石伟,刘波,郑啸,罗军舟. 计算机学报. 2014(04)
[5]面向多媒体社交网络的访问控制模型[J]. 陈庆丽,张志勇,向菲,王剑. 西安电子科技大学学报. 2014(06)
[6]在线社会网络中信息扩散[J]. 李栋,徐志明,李生,刘挺,王秀文. 计算机学报. 2014(01)
[7]社交网络中的用户转发行为预测[J]. 谢婧,刘功申,苏波,孟魁. 上海交通大学学报. 2013(04)
[8]基于行为预测的微博网络信息传播建模[J]. 吴凯,季新生,刘彩霞. 计算机应用研究. 2013(06)
[9]微博客中转发行为的预测研究[J]. 张旸,路荣,杨青. 中文信息学报. 2012(04)
博士论文
[1]基于排序学习的信息检索模型研究[D]. 程凡.中国科学技术大学 2012
硕士论文
[1]社交网络中转发预测的研究[D]. 任天功.哈尔滨理工大学 2015
本文编号：3534711
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3534711.html
