社交媒体地理偏好的传播机制实证研究——以新浪微博2009-2014年水灾传播为例

随着灾害事件频发与社交媒体的普及,灾害传播已经成为社交媒体的重要议题。本文通过对新浪微博(2009-2014)五年间的数据分析,探讨社交媒体的灾害传播规律。研究表明,新浪微博呈现出一种与传统灾害传播具有显著区别的传播特征:传统灾害传播的关键影响要素(事件中的生命、财产等损失的严重程度)在社交平台影响甚微,但地理偏好却成为关键要素——经济发达地区的一般性灾害受到的关注会显著高于其他地区尤其是西部地区的严重灾害,然而一般认为最容易被忽视的农村地区所受到的关注却显著高于水灾数量最多的小城镇。因此,在基于舆论再中心化特征明显的社交媒体平台进行灾害信息传播时,需要重点关注地理偏好机制所引起的信息偏差与不平等。

基于地理位置和产品偏好的二维组合定向广告投放策略

消费者对地理位置的关注特性可能会对企业定向广告竞争策略产生影响。通过对比企业基于消费者产品偏好的一维定向广告和基于地理位置和产品偏好的二维组合定向广告,研究二维组合定向广告的应用条件以及对企业广告策略、定价策略的影响。研究表明,即使地理位置因素不是主要影响因素时,企业仍需要考虑地理位置因素并采用二维组合定向广告。二维组合定向广告的应用加剧了企业间的竞争,增加了消费者剩余,但社会总福利不一定增加。此外,两个竞争企业拥有不同广告定向能力时,只拥有一维定向能力的企业可能会支付一定的成本发展二维组合定向能力。

基于用户兴趣和地理因素的兴趣点推荐方法

在基于位置的社交网络中,协同过滤作为目前应用最广泛的推荐技术,存在数据稀疏性和冷启动等问题。针对协同过滤算法的不足,提出了一种结合用户兴趣和地理因素的兴趣点推荐算法。该方法首先通过自适应带宽的核密度分布、朴素贝叶斯算法以及兴趣点的流行度挖掘用户的地理偏好,并根据地理偏好模型筛选出一部分候选推荐兴趣点;然后,为了克服协同过滤算法的数据稀疏性问题和用户冷启动问题,结合用户签到相似性、类别信息和用户信任度构建用户偏好模型进行兴趣点推荐;最后,使用Yelp数据集进行实验分析,结果表明所提出的基于用户兴趣和地理因素的兴趣点推荐模型取得了良好的推荐效果。

一种基于评分矩阵局部低秩假设融合地理和文本信息的协同排名POI推荐模型

针对目前LBSN中,用户只对少数兴趣点进行签到,使得用户签到历史数据及其上下文信息(如评论文本)极其稀疏,同时传统的评分推荐系统只考虑用户和评分二元信息,具有一定的局限性。为此,提出一种基于评分矩阵局部低秩假设的局部协同排名兴趣点推荐算法。首先,假设用户—兴趣点矩阵在由用户—兴趣点对所定义度量空间中某些邻域内是低秩的;其次,对于地理信息建模采用一种自适应二维核密度方法;然后,对于文本信息利用潜在狄利克雷分配模型挖掘兴趣点相关的文本信息建模用户的兴趣主题;最后,基于局部协同排名模型将兴趣点的地理信息和评论文本信息有效融合。实验结果表明,该模型的性能优于主流先进兴趣点推荐算法。

基于位置社交网络的兴趣点组合推荐算法研究

随着智能手机的普及和基于用户地理位置信息服务的增多,用户数据量呈爆发式增长,海量数据之间的稀疏性成为了限制基于位置社交网络(Location-Based Social Network,LBSN)的推荐系统性能的一个主要因素。基于此,文章提出了一个基于位置社交网络的兴趣点组合推荐模型(Geographical LightGCN,GLGCN),该模型由协作偏好模块和地理偏好模块两部分组成,其中,协作偏好模块使用图卷积网络深度挖掘用户和兴趣点的嵌入表示,获取用户的协作偏好;地理偏好模块结合兴趣点的相关性和用户轨迹,使用基于门控循环单元(Gate Recurrent Unit,GRU)的序列模型捕获用户的序列偏好。文章将两个模块的推荐分数以线性加权的方式进行组合,得到最终推荐结果。实验表明,相较于现有其他算法,文章提出的组合推荐算法具有更优秀的性能。