基于多特征的热门微博预测算法研究

随着微博的迅猛发展,微博舆情已经成为研究热点.以新浪微博为研究对象,分析热门微博的影响因素,提出一种基于多特征的热门微博预测算法.首先,对微博的原始特征进行分析,从中提取关键特征.其次,利用信息增益算法,根据微博的传播特征对微博的热度进行度量.最后,结合BP神经网络算法,根据微博的内容和博主特征,预测微博的传播特征,并由此推算微博的热度来预测该微博能否成为热门微博.实验表明,该算法的查准率可以达到75%以上,F1度量值保持在78%左右,能够对刚发布的微博进行热度预测,适用于微博营销和舆情引导等领域.

基于三分支神经网络的多特征微博传播预测模型

针对现如今微博传播预测的模型考虑因素不够全面的问题,提出基于三分支神经网络的多特征微博传播预测模型。该模型以三分支神经网络结构为框架,利用LDA(Latent Dirichlet Allocation)模型提取微博文本特征,利用改进后的PageRank算法分析用户影响力特征,并与微博是否带有图片、链接和视频等其他特征相融合。经实验验证,该模型在微博传播预测准确度上较已有双分支模型有显著提高,且稳定性良好。

一种基于FA-SVM的热门微博特征选择及预测方法研究

针对自媒体舆情研究中热门微博预测的问题,以新浪微博为研究对象,分析热门微博的影响因素。从微博属性、微博文本、微博博主、微博受众四个维度构建一套可量化的微博热度评价指标体系。采用因子分析法(FA)对各维度的指标进行处理,提取公共因子;以公共因子作为特征向量,采用SVM方法构建热门微博预测模型。实验采集了新浪微博中的热门微博数据验证其可行性和合理性。结果表明,该方法能有效地降低特征维度,消除噪声,提高热门微博预测的准确率。

基于主题与用户关系信息的微博热度预测算法

微博的传播热度研究对加强舆情监控、提高市场营销效率等具有重要作用。设计基于LDA算法提取微博主题特征,并融合热点话题等其他特征挖掘用户关系网络中的“隐形粉丝”信息,将传播深度和传播广度特征作为衡量微博传播效果的重要指标,最后结合BP神经网络建立微博热度预测模型。实验结果表明,加入间接用户关系网络信息和主题信息能够有效地提高微博热度预测模型的性能,在准确率、召回率等指标值上都有较好的提高,验证了算法的有效性。

基于主题模型的微博转发行为预测

在全部微博内容中,由用户转发而产生的信息占有非常大的比例。同时,内容的转发也是微博中信息传播的主要途径。因此,用户的转发行为有着重要的研究价值,可应用于社交营销、微博检索、热点事件预测等领域中。该文中,我们通过分析所收集的大量真实的新浪微博数据,发现影响用户转发行为的一些因素:微博作者、用户兴趣以及微博热度。基于这些发现,该文提出了一种新颖的基于LDA模型的方法,综合利用以上3个特征预测用户转发行为。为了对该方法进行评价,我们利用收集的大量的微博数据及对应的社交网络结构模拟真实用户环境。实验表明,该方法的性能优于目前最好的方法,F值比其他基线方法高出35%—45%。

基于灰色模型的微博舆情预测研究

近年来,微博越来越成为主导网络舆情发展的舆论阵地,其在有关事态的发展过程中起到了举足轻重的作用,而如何对微博舆情发展进行预测是当前网络舆情管理急需解决的重要问题。为此,本文在研究微博舆情事件发展规律的基础上,引入灰色系统理论,并将微博舆情事件的发展特点和灰色系统理论的优势相结合,建立了预测微博舆情发展趋势的GM(1,1)微分方程模型,以为相关部门进行微博网络舆情预测提供方法与参考。

基于特征选择的企业微博转发机制研究

为丰富微博转发机制的研究,引入企业官方微博作为研究对象,探究微博的内容文本特征、形式化特征及时间性特征对微博转发影响的大小及影响规则。分析汇总影响微博转发的全特征集合,在此基础上进行特征选择和微博转发预测,并对不同产品的微博转发预测模型进行对比分析,以期挖掘各产品自适性的转发影响因子,为企业微博营销提供策略支持。

基于用户偏好特征的微博转发预测

在线社交网络为信息的传播提供了渠道,但同时也加快了不良信息的传播速度。针对真实场景下新浪微博社交网络中的转发现象,分析了微博网络中用户之间的相互影响关系,以及微博文本内容等特征对受众用户的影响,证明了这些信息对于预测微博转发序列的有效性。提出了一种综合微博用户偏好信息及关系信息的微博转发序列预测方法,该方法使用Transformer编码器分析了微博发布之后的早期转发序列,随后,使用注意力机制处理微博文本信息和其他信息对转发过程的影响,预测下一步可能会转发的用户。从真实社交网络中提取得到微博的转发序列,共涉及14891位用户,使用提出的方法处理该数据集,实验结果表明,所提方法的概率排名TOP500的准确率达到71%,对比当前同类型预测方法,所提方法的性能提升了约10%。