一种基于分支过程的信息流行度动力学模型

Web 2.0时代,建模和预测在线信息流行度是信息传播中的重要问题.本文基于社交网络系统信息传播的机制,通过假设和简化,提出了分支过程的概率模型,来描述在线社交网络信息的流行度动力学过程.对典型在线社交网络系统的信息流行度数据和网络结构数据进行了分析,统计结果表明信息流行度衰减遵循幂律分布(幂指数为1.8),微博网络的入度和出度分布也均服从幂律分布(幂指数为1.5).模型仿真结果发现,该模型能够再现真实社交网络数据的若干特征,且信息流行度与网络结构相关.对模型方程进行求解得到理论预测的结果与仿真分析和实际数据结果相符合.

在线社交网络信息流行度预测综述

随着互联网技术的迅猛发展及在线社交网络的日益成熟,在线社交网络已经成为人们进行信息获取和信息传播的不可或缺的平台。在线社交网络中的信息具有传播速度快、传播范围广、社会影响力大等特点,这使得信息流行度预测在企业营销、舆情研判等领域都具有重要意义。首先概述了信息流行度预测的研究背景及其研究意义,给出信息流行度的定义,并对相关理论机制进行介绍;然后详细阐述了当前主流预测方法的基本原理,以及国内外先进研究成果及其采用的模型,并对各种预测方法进行总结比较;最后展望了信息流行度预测领域未来的发展方向。

融合社交网络与流行度特征的POI推荐模型

随着基于位置的社交网络(老师location-based social network,LSBN)的广泛应用,POI(point-of-interest)推荐对用户越来越重要,但签到数据稀疏和用户兴趣动态性等问题均给POI推荐带来困难。为此,提出了一种基于动态异质网络的协同过滤推荐方法。该方法综合用户位置关系,用户社交关系的好友信息与区域活跃用户信息的同时,还参考兴趣点的分类流行度因素,形成了一种个性化的联合推荐方法。该方法有效缓解了数据稀疏性问题,提高了推荐效果。通过在Foursqure(NYC)数据集和Gowalla数据集上实验表明,算法在精确率与召回率上较其他当前流行算法均有明显提升。

微博信息传播预测研究综述

微博已经逐渐成为人们获取信息、分享信息的重要社会媒体,深刻影响并改变了信息的传播方式.针对微博信息传播预测问题展开综述.该研究对舆情监控、微博营销、个性化推荐具有重要意义.首先概述微博信息传播过程,通过介绍微博信息传播的定性研究工作,揭示微博信息传播的特点;接着,从以信息为中心、以用户为中心以及以信息和用户为中心这3个角度介绍微博信息传播预测相关研究工作,对应的主要研究任务分别是微博信息流行度预测、用户传播行为预测和微博信息传播路径预测;继而介绍可用于微博信息传播预测研究的公开数据资源;最后,展望微博信息传播预测研究的问题与挑战.

基于C-DGCN的信息流行度预测

提出了一种基于上下文依赖的动态图卷积网络(context dependent dynamic graph convolutional network,CDGCN)对在线社交网络进行信息流行度预测,即根据信息的历史转发动态预测将来的流行度。根据信息转发动态构建转发网络,并将转发文本嵌入作为节点属性。C-DGCN基于扩散核的图卷积网络对转发网络进行嵌入,得到空间依赖表示,并输入循环神经网络(recurrent neural network,RNN)学习实时依赖表示。在2020年1月的微博数据集上进行了实验,并将C-DGCN与传统的基于特征设计、基于生成模型、基于深度学习的方法进行了比较。CDGCN的优势在于:1)充分考虑了文本内容对信息传播的驱动作用,建模表示了语义特性变化的影响,捕获了上下文依赖特性;2)扩散核是基于时间延迟特性的,循环神经网络能够捕获实时特性,充分建模表示了信息传播的时-空依赖。

基于位置社交网络的个性化兴趣点推荐

兴趣点(point-of-interest,POI)推荐是基于位置的社交网络(location-based social networks,LBSN)中一项重要的服务。针对目前推荐算法存在的噪声数据影响推荐质量、用户个性化程度低的问题,提出了一种个性化联合推荐算法。提出了引入POI的位置因素去除不可能或可能性较小的POI,形成初步候选集;综合考虑POI的类别、流行度及用户的社会行为,增加用户个性化的程度,提高推荐结果的质量。在Foursquare真实签到数据集上的实验证明了提出的联合推荐算法与目前先进的算法相比,准确率提高11%,召回率提高8%。