检索结果-南通市图书馆

基于混合特征和XGBoost算法的微博转发预测

在线全文

学校读者我要写书评

暂无评论

云南大学学报（自然科学版） 2020年第5期42卷 836-845页

作者：张林森包崇明周丽华孔兵云南大学信息学院云南昆明650500 云南大学软件学院云南昆明650500

微博转发是微博信息传播的重要途经.影响微博转发的因素主要是用户属性、微博内容、用户社交和用户兴趣.已有的微博转发预测模型仅考虑部分因素,实际上4个因素对用户转发行为都有影响,此外也应该关注预测模型的计算时间.基于此,提出一... 详细信息

微博转发是微博信息传播的重要途经.影响微博转发的因素主要是用户属性、微博内容、用户社交和用户兴趣.已有的微博转发预测模型仅考虑部分因素,实际上4个因素对用户转发行为都有影响,此外也应该关注预测模型的计算时间.基于此,提出一种基于混合特征和XGBoost算法的微博转发预测模型.首先根据4个因素分别提取用户特征、微博特征、社交特征以及兴趣特征;然后基于PageRank算法计算用户影响力,基于隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)模型和KL距离计算兴趣相似度,定义用户转发活跃度和用户交互影响力的计算公式;最后利用XGBoost算法构建预测模型,对转发预测进行分析.实验结果表明,新的预测方法在准确率和时间等评价指标上有较好的表现,同时也验证了综合考虑4个因素的重要性和有效性.

关键词：微博转发行为特征提取混合特征 XGBoost 转发预测

在线全文

学校读者我要写书评

暂无评论

融合多种转发习惯的微博转发预测

情报杂志 2020年第3期39卷 123-129,155页

作者：徐建民韩康康何丹丹吴树芳河北大学网络空间安全与计算机学院保定071002 河北大学管理学院保定071002

[目的/意义]微博转发预测对热点话题检测、网络营销及舆情监控等具有重要意义。[方法/过程]针对现有方法未充分考虑转发者个体差异的不足,提出一种融合多种转发习惯的微博转发预测方法。该方法依据转发者的历史数据从转发行为习惯、转... 详细信息

[目的/意义]微博转发预测对热点话题检测、网络营销及舆情监控等具有重要意义。[方法/过程]针对现有方法未充分考虑转发者个体差异的不足,提出一种融合多种转发习惯的微博转发预测方法。该方法依据转发者的历史数据从转发行为习惯、转发对象习惯和转发内容习惯三个方面挖掘其转发习惯,并利用具体的待预测微博及发布者的信息对转发习惯进行量化,得到对应的预测分量,最后利用逻辑回归算法实现微博转发预测。[结果/结论]在真实新浪微博数据集上的实验结果表明,相对于现有的经典方法,该转发预测方法的最大F值提高了约2.7%。

关键词：新浪微博转发预测转发习惯个体差异

在线全文

学校读者我要写书评

暂无评论

融合热点话题的微博转发预测研究

中文信息学报 2015年第6期29卷 150-158页

作者：陈江刘玮巢文涵王丽宏北京航空航天大学计算机学院北京100191 国家计算机网络应急技术处理协调中心北京100029 中国科学院计算技术研究所北京100190 中国科学院大学北京100049

微博转发行为是实现信息传播的重要方式,微博转发预测对微博影响力分析、微博话题分析具有重要价值。现有微博转发预测研究大多围绕消息属性、用户属性等微博自身特征,该文提出融合热点话题的微博转发预测方法,对背景热点话题内容和传... 详细信息

微博转发行为是实现信息传播的重要方式,微博转发预测对微博影响力分析、微博话题分析具有重要价值。现有微博转发预测研究大多围绕消息属性、用户属性等微博自身特征,该文提出融合热点话题的微博转发预测方法,对背景热点话题内容和传播趋势对用户转发行为的影响进行量化分析,提出融合背景热点信息的转发兴趣、转发活跃度、行为模式等特征,并基于分类算法建立了面向热点话题相关微博的转发预测模型,在真实数据上的实验结果表明,该方法的预测准确性达到96.6%,提升幅度最高达到12.14%。

关键词：转发行为转发预测热点话题

在线全文

学校读者我要写书评

暂无评论

基于逻辑回归模型的微博转发预测

小型微型计算机系统 2016年第8期37卷 1651-1655页

作者：王振飞刘凯莉郑志蕴李钝郑州大学信息工程学院郑州450001

随着在线社交网络的快速发展,越来越多的人开始利用微博等交流工具来传播信息或分享观点.微博已经成为一个表达公共舆论的重要传播媒体,研究微博中的信息转发规律对于热点挖掘、舆情监控、品牌营销等有着重要意义.以新浪微博为例,从发... 详细信息

随着在线社交网络的快速发展,越来越多的人开始利用微博等交流工具来传播信息或分享观点.微博已经成为一个表达公共舆论的重要传播媒体,研究微博中的信息转发规律对于热点挖掘、舆情监控、品牌营销等有着重要意义.以新浪微博为例,从发布用户、接受用户、微博内容三个方面进行特征提取,结合支持向量机SVM分类器进行用户去重、垃圾用户滤除,将提取的特征输入到预测算法中,建立逻辑回归模型,实现对微博转发预测.与传统同类预测模型进行对比试验,验证本文方法的正确性与有效性.

关键词：微博特征提取 SVM分类器逻辑回归模型转发预测

基于网络拓扑结构视角的社交媒体用户转发预测算法

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2016年第12期33卷 3705-3708页

作者：方冰缪文渊上海大学管理学院上海200444

为预测某条微博的具体转发者,在微博是否会被转发的研究基础上,提出了基于社交网络拓扑结构、用户行为及用户间关联三个层面的逻辑回归分类算法,并针对该算法进行真实数据集检测。实验结果表明,该预测算法与未考虑网络拓扑结构的算法相... 详细信息

为预测某条微博的具体转发者,在微博是否会被转发的研究基础上,提出了基于社交网络拓扑结构、用户行为及用户间关联三个层面的逻辑回归分类算法,并针对该算法进行真实数据集检测。实验结果表明,该预测算法与未考虑网络拓扑结构的算法相比性能显著提升,为实现社交媒体信息传播轨迹精准预测打下了重要基础。

关键词：转发预测社交媒体拓扑结构分析社交影响力逻辑回归

在线全文

学校读者我要写书评

暂无评论

社交网络中转发预测的研究

社交网络中转发预测的研究

作者：任天功哈尔滨理工大学

学位级别：硕士

随着信息技术的迅猛前进，以及世界范围内宽带的普及、移动终端的智能化，越来越多的人通过社交媒体（Social Media）获取、发布信息。各种社交媒体的应运而生，在很大程度上改变了人们的交流方式，凭借其超高的用户参与性，将大量用户... 详细信息

随着信息技术的迅猛前进，以及世界范围内宽带的普及、移动终端的智能化，越来越多的人通过社交媒体（Social Media）获取、发布信息。各种社交媒体的应运而生，在很大程度上改变了人们的交流方式，凭借其超高的用户参与性，将大量用户聚集在社交网络中。同时微博平台的迅速兴起，社交网络中传播的信息量也迅速膨胀，掌握信息在社交网络中的传播规模对舆情预警、企业宣传都有重大影响，因此，如何有效的预测社交网络中信息的传播规模、掌握传播规律成为各界关心的热点问题。转发预测是指通过预测信息在社交网络中的转发次数来推测目标信息的传播规模，当前在转发预测研究领域，主要有基于传播树建模以及基于机器学习理论建模两种不同的研究角度，其中基于机器学习理论建模的方法在处理海量信息方面拥有巨大优势，因此本文从这一角度出发进行转发预测的研究，主要研究内容有以下几个部分：首先，根据调研结果，选用了用户特征、文本特征、时间特征以及元特征四种微博信息特征，并着重研究了基于LDA主题模型微博文本主题的提取方法。由实验结果得到，针对本文实验数据集，LDA主体模型的最优主题个数为80。其次，鉴于构建传播树的时间复杂度和空间复杂度都非常高，提出了将社交网络中的信息“串行化”后进行转发预测。分别基于逻辑回归和支持向量机建立了二项分类转发预测模型，由于训练集较大，在建模过程中均进行了并行化处理。实验结果显示，基于逻辑回归的分类模型预测精度比支持向量机分类模型稍高。最后，为了更加精准的预测信息在社交网络中的传播规模，本文提出了基于回归分析算法构建回归分析预测模型的方法，直接对微博的转发次数进行预测，并构建了基于岭回归的回归分析预测模型和基于逻辑回归的多分类预测模型。在转发次数的预测中，回归模型的均方误差比多分类模型降低了29.44%。

关键词：社交网络转发预测机器学习回归分析

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多因素特征的微博转发预测研究

基于多因素特征的微博转发预测研究

作者：马啸伦中南财经政法大学

学位级别：硕士

随着信息时代的发展,网络社交逐渐成为人们日常传递信息、交流情感思想的重要途径。在国内,以微博为代表的社交网络平台拥有着巨大的社会影响力,其在重大热点事件、广告投放和推荐方面都发挥了重要作用,故受广泛关注和研究。微博平台信... 详细信息

随着信息时代的发展,网络社交逐渐成为人们日常传递信息、交流情感思想的重要途径。在国内,以微博为代表的社交网络平台拥有着巨大的社会影响力,其在重大热点事件、广告投放和推荐方面都发挥了重要作用,故受广泛关注和研究。微博平台信息传播过程中,用户的转发行为对传播行为影响最大,是信息扩散的主要路径。而用户对于推送的博文内容是否引起兴趣、博文的发布时间、用户自身信息以及信息源的影响力大小等因素都会使用户的转发行为造成影响。因此,把影响用户的转发行为要素尽可能的从收集到的数据中用合适的指标量化,并有效的组合以提高预测的准确性,成为微博转发预测的关键。本文从两个方面展开:首先通过微博API接口将大量微博数据进行获取,并对获取下来的微博数据进行文本特征的预处理和其他特征的预处理。分别使用TF-IDF方法和加权情感word2vec算法对文本进行两种词向量转化,使文本数据信息按两种方法进行向量化。对于微博用户属性数据则进行数据选取、清洗、整理等预处理操作,使模型有更好的预测结果。在清洗整理收集的微博数据时,筛选、衍生影响用户转发的混合特征。从四个类别的特征,与微博转发量的关系上梳理出各个变量之间的联系和方向。其次利用本文提取的混合特征,通过模型内的特征参数大小和特征在模型预测效果提升的贡献度大小来刻画各类特征的重要性。而且通过对四个方面特征的相关性研究验证混合特征是有效的。最后基于构建出的混合特征的特点和特性提出两阶段预测方法,并与不同的模型进行对比。通过实证分析得出如下结论:用户的基本信息特征里,用户的双向关注,粉丝数,被关注数,历史以来发博数均对微博转发量有显著的正向影响,用户在北上广地区要比其他用户转发量更高;而微博文本特征里,积极情感微博有更高的转发量,不同的微博主题内容对微博的转发量也有不一样的影响,图片和视频数对微博转发也有正向的影响;用户的影响力特征里,用户的粉丝影响力和同类标签粉丝比例对微博转发有着正向影响;最后在时间特征里,首次微博转发时间间隔和平均微博转发时间间隔对微博转发量有显著的负面影响。混合特征比单类特征包含信息更全面和有效,而且对于微博转发量影响大的影响因素,依次是基础信息、微博内容、转发时间和用户影响力。依据混合特征的特点和特性所提出的两阶段预测方法,比传统的机器学习预测模型也有一个更好的预测结果。

关键词：微博数据处理混合特征转发预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于微博的信息转发预测模型研究

基于微博的信息转发预测模型研究

作者：姚耿重庆理工大学

学位级别：硕士

海量的用户群体使得以微博为代表的在线社交网络拥有日益庞大的社会影响力,在众多社会热点信息、重大舆情事件的传播上都发挥了重要作用。然而目前由于在线社交网络较为复杂,影响传播的因素比较丰富,社会对在线社交网络上信息传播的核... 详细信息

海量的用户群体使得以微博为代表的在线社交网络拥有日益庞大的社会影响力,在众多社会热点信息、重大舆情事件的传播上都发挥了重要作用。然而目前由于在线社交网络较为复杂,影响传播的因素比较丰富,社会对在线社交网络上信息传播的核心规律的认识仍有不足,对信息传播规律深入研究进而预测传播行为和趋势,已成为亟待解决的热点问题。本文的主要工作是针对微博平台中以转发为主要机制的传播预测,目的是研究微博信息在网络中传播的趋势和规模,预测信息的流行程度。主要从两方面展开:首先是基于传染病模型和级联模型,研究微博传播的内在规律,建立回归模型,预测微博的转发量;另外,分析影响微博转发的因素,构建特征空间,利用机器学习算法对微博的转发量进行分类预测。主要内容如下:1.建立回归方程,预测微博转发量。首先结合传染病建模理论,将微博用户划分为两个仓室,传播者的粉丝作为微博的潜在关注者,建立一个微博关注者与转发者之间的数量关系方程,然后根据两个仓室之间的状态转移规律,建立传播者数量的预测模型,最后通过拟牛顿法,利用微博传播初期的转发数据对模型中的参数进行拟合。在数据集上进行的实验分析了各种参数设置下的误差,与基准模型进行了对比实验,验证了该模型的有效性和可靠性。2.利用微博初期转发数据和用户行为数据,建立分类模型,预测微博的转发规模。首先引入时序特征,统计微博在传播过程中形成的转发网络,从而扩充了微博转发的特征空间。然后利用双向GRU神经网络提取微博文本特征,从而提高了语义特征描述的精确程度,并与微博的发布特征进行融合,建立了更全面的特征工程。将特征归一化后,输入到梯度提升树(GBDT)进行分类。最终经过训练得到基于多维度特征的微博流行度预测模型。实验表明,与同类型相比,该模型能够更加准确的预测微博的流行程度。此外对特征重要性的分析表明,本文加入的时序特征、改进的语义特征能够有效的提高预测的效果。

关键词：微博流行度转发预测信息传播

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

社交网络中信息转发预测技术的研究与实现

社交网络中信息转发预测技术的研究与实现

作者：谢天钰北京邮电大学

学位级别：硕士

社交网络中信息转发是指社交网络中的某一信息,被不同用户转发最终形成信息传播的过程。随着社交网络深入人们的日常生活,微博等在线社交网络已逐渐成为信息传播和扩散的基本平台。这让一些虚假信息等有了传播渠道,给社交网络正常秩序... 详细信息

社交网络中信息转发是指社交网络中的某一信息,被不同用户转发最终形成信息传播的过程。随着社交网络深入人们的日常生活,微博等在线社交网络已逐渐成为信息传播和扩散的基本平台。这让一些虚假信息等有了传播渠道,给社交网络正常秩序带来了威胁。因此,对社交网络中的信息转发行为进行预测具有重要的实际意义。当前社交网络信息转发预测方法中,经典信息传播模型并不适用于针对用户的转发预测,人工智能分类算法没有同时考虑用户网络关系及节点属性特征。针对这些问题,本文通过对社交网络中节点常用属性特征进行研究及实验,证明了主题特征对信息转发预测的影响。并在此基础上,提出了一种基于加权异构信息网络的社交网络信息转发预测方法。首先引入主题分布特征作为节点权重构建加权异构信息网络,再生成该加权异构信息网络进行低维向量表示并进行转发预测。此外,考虑到经典异构网络低维向量表示生成算法MetaPath2Vec在随机游走过程受元路径限制网络覆盖率不够,本文进行了优化合并了多条元路径下的随机游走结果。通过一系列在新浪微博数据集上的实验,与未考虑节点特征且使用MetaPath2Vec算法的预测结果相比,本文方法的准确率提升了至少6%,证明了其有效性。同时,本文设计并实现了社交网络信息转发预测系统,该系统包括了离线数据库、数据处理模块、低维向量表示模块、信息转发预测模块四个模块。论文详细描述了各模块的主要功能及流程,并对社交网络信息转发预测系统的功能和性能进行测试,测试结果显示,本系统可以有效地实现社交网络信息转发行为预测。

关键词：转发预测加权异构信息网络低维向量表示 MetaPath2Vec