基于SVM的微博转发规模预测方法

为了评价微博的传播效果,在分析影响用户转发行为因素的基础上,提出了采用用户影响力、用户活跃度、兴趣相似度、微博内容重要性和用户亲密程度五项特征进行转发行为预测的SVM算法,以及基于该算法的转发规模预测算法。最后给出了传播规模预测的评价方法。针对新浪微博用户数据的实验表明,预测精度达到了86.63%。

我国政务微博转发规模分类预测

[目的/意义]政务微博是政府发布公共信息、与民众互动的重要平台,是创新社会治理的重要内容。因此,政务微博信息发布之后的转发规模对于预测网络舆情有重要意义。[方法/过程]从政务微博用户特征、内容特征、时间特征三个维度,提取特征体系,构建政务微博信息转发规模预测模型,用来刻画影响政务微博转发规模的政务用户权力层级、职能领域、传播形式等影响因素,通过比较多种机器学习算法测算政务微博转发规模分类预测的性能。[结果/结论]研究结果表明,随机森林算法在预测分类中表现最优;在对影响政务微博转发规模的特征重要性排序实验中发现信息发布时间、政务微博活跃度、社会影响力、政务微博行政级别等对预测精度的影响最为显著。

基于深度融合特征的政务微博转发规模预测模型

【目的】预测政务微博的转发规模,研究及评估影响政府微博传播规模的重要特征,把握政务微博的信息舆论走向。【方法】针对政务微博的特点,提出一种深度融合特征的政务微博转发预测方案,引入卷积神经网络(CNN)和梯度提升决策树(GBDT)将发布者特征、时间特征及内容特征深度融合,预测政务微博的转发规模并对影响转发规模的特征进行重要性排序,找出影响政务微博转发规模的最重要特征。【结果】引入文本语义特征显著提升了转发规模的预测准确率,所提模型将政务微博转发规模的预测准确率提升至0.933。特征重要性实验结果表明,文本语义特征在影响政务微博转发规模的所有特征中最为重要。【局限】未考虑间接转发对整体转发规模的影响。【结论】深度融合发布者特征、时间特征及内容特征的CNN+GBDT模型能够显著提高政务微博转发规模预测的准确率。

基于行为分析的微博信息传播效果

微博的传播效果研究对于提高市场营销效率、加强舆情监控和准确发现热点具有重要作用。针对以前传播效果研究中未考虑用户个体差异的问题,提出一种基于行为分析的微博转发规模和传播深度预测方法。从微博用户自身、用户关系和微博内容3个方面提取9个相关特征,结合逻辑回归(LR)方法提出一种转发行为预测模型,并基于此模型结合信息沿用户传播特点,通过逐级对相邻用户迭代统计分析得到转发规模和传播深度预测方法。在新浪微博数据集上的实验结果表明,所提方法对转发规模和传播深度预测的正确率分别约为87.1%和81.6%,能较好地预测出信息传播效果。

基于内容和信任度的舆情扩散研究

为提高微博网络中预测舆情转发规模和扩散深度的准确度,提出一种基于内容和信任度的舆情扩散预测算法。首先,依据微博网络中用户和舆情的内容信息,提取影响舆情扩散的特征指标,同时,结合用户间的信任关系,建立在单一邻居已转发舆情情况下用户转发行为的预测模型。继而,基于该模型和线性阈值模型,对多邻居已转发舆情的情况进行深入分析,最终完成对舆情转发规模和扩散深度的预测。实验结果表明,该算法显著提高了转发规模和扩散深度的预测准确性。