基于网络表示学习的新闻用户影响力预测

[目的/意义]现有新闻用户影响力预测研究大部分是利用微博社交网络中的全局特征进行分析,忽略了社交网络中异构节点的局部特征以及节点本身所包含的属性和文本信息。为融合更丰富的社交网络特征,提升新闻用户影响力预测性能,本文提出一种基于异构网络表示学习的新闻用户影响力预测模型。[方法/过程]文章以新闻评论网络为研究对象,首先构建了评论信息网络、用户关注网络以及用户-评论网络三个基础网络,然后将三个异构网络进行联合学习,使得三个网络中的异构节点在向量空间中的分布近似于其在真实网络中的分布,并采用KL散度来刻画两种分布之间的关系。经过异构网络表示学习之后,用户、评论以及新闻文章被表征到一个低维的向量空间当中,通过保存网络中的局部结构使得具有相似潜在影响力的节点在低维的向量空间中的距离更近,从而通过计算节点间的相似度来构建节点影响力的概率转移矩阵,最后使用多变量随机游走算法进行迭代,预测用户的未来影响力。[结果/结论]实验结果表明,在不同的Top-K下算法性能稳定,K取值20、50、100和200时,准确率分别达到85%、82%、80%和77%。