基于多维特征的信息传播预测研究

作     者：胥文 

作者单位：重庆邮电大学 

学位级别：硕士

导师姓名：贾朝龙;桑春艳

授予年度：2022年

学科分类：050302[文学-传播学] 12[管理学] 05[文学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0503[文学-新闻传播学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：社交网络分析 信息传播预测 深度学习 注意力机制 特征表示 

摘      要：与传统媒体相比,社交网络在传播新闻、思想、观点等方面发挥着突出的作用,同时也是传播谣言、虚假新闻等负面信息的最佳途径。因此,社交网络中信息传播过程的准确预测和有效控制已成为重要的研究话题。利用信息传播模型研究信息传播过程,不仅可以理解信息传播模式和用户行为,而且能够有效控制有害信息的传播。论文以信息传播过程的多维特征为切入点,以用户和传播序列两个层面对信息传播驱动因素进行研究,主要工作内容概述如下:1.针对信息传播过程中的用户关系特征对信息传播过程的影响,提出一种基于用户关系特征的信息传播预测模型。旨在探究社交网络中用户对信息传播过程中的影响来预测信息的传播过程。首先,利用基于长短时记忆神经网络(Long Shot-Term Memory,LSTM)的网络架构来获取信息传播的轨迹特征。其次,考虑到信息传播和用户行为的复杂性,利用注意力机制来挖掘用户关系特征来预测真实的信息传播过程。最后,综合考虑影响信息传播的驱动因素,得到一种基于用户关系特征的信息传播预测模型(Attention Diffusion Neural Network,ADNN)。2.为进一步分析在信息传播过程中多维驱动因素信息,提出一种基于多层面特征的信息传播预测模型。首先,针对用户层面中用户关系数据复杂多样的特质,考虑到注意力机制能够描述复杂关系的特点,扩展注意力机制来提取用户关系和位置信息的高阶组合特征。其次,利用时域卷积神经网络(Temporal Convolutional Network,TCN)提取传播序列层面的序列特征,融合信息传播过程的多层面特征,进一步提高模型的学习能力。最后,综合在信息传播过程中时间衰减因素,构建基于多层面特征的信息传播预测模型(Multi-Level Features Networks,MFN),更真实的刻画用户在信息传播过程中的轨迹。实验结果表明,所提信息传播预测模型能够有效利用传播过程不同层面的潜在驱动因素,更加准确地预测社交网络中信息的传播趋势。为讨论信息传播预测模型的应用价值,论文将提出的模型MFN应用到消息推送应用中,实现消息的个性化推送功能。