基于用户行为特征的微博转发预测研究

微博转发预测对微博话题检测和微博影响力评估具有重要意义,引起了学界和产业界的广泛关注.现有方法主要集中在微博属性及微博传播网络特征的研究,没有充分考虑转发行为的动态性和用户历史行为的规律性.文中从微博能见度和用户行为特征角度研究微博转发预测问题,(1)提出了基于用户活跃期和时间窗的转发行为、忽略行为、未接收行为识别方法,为模型训练和效果分析提供了更为准确的数据基础;(2)提出了基于时间衰减的用户兴趣计算模型,有效度量用户兴趣及其变化特性对用户转发行为的影响程度;(3)提出了用户转发率、交互频率等用户行为特征,有效度量了用户历史行为模式和用户影响力传递效应的差异性对用户转发行为的影响,最后融合上游用户特征、微博特征、转发用户兴趣和历史行为特征,提出了基于分类模型的转发行为预测方法.在真实数据上的实验结果表明,该方法能够有效提升预测准确性,并且能够在较小规模的训练集上取得好的预测效果.

融合热点话题的微博转发预测研究

微博转发行为是实现信息传播的重要方式,微博转发预测对微博影响力分析、微博话题分析具有重要价值。现有微博转发预测研究大多围绕消息属性、用户属性等微博自身特征,该文提出融合热点话题的微博转发预测方法,对背景热点话题内容和传播趋势对用户转发行为的影响进行量化分析,提出融合背景热点信息的转发兴趣、转发活跃度、行为模式等特征,并基于分类算法建立了面向热点话题相关微博的转发预测模型,在真实数据上的实验结果表明,该方法的预测准确性达到96.6%,提升幅度最高达到12.14%。

基于逻辑回归模型的微博转发预测

随着在线社交网络的快速发展,越来越多的人开始利用微博等交流工具来传播信息或分享观点.微博已经成为一个表达公共舆论的重要传播媒体,研究微博中的信息转发规律对于热点挖掘、舆情监控、品牌营销等有着重要意义.以新浪微博为例,从发布用户、接受用户、微博内容三个方面进行特征提取,结合支持向量机SVM分类器进行用户去重、垃圾用户滤除,将提取的特征输入到预测算法中,建立逻辑回归模型,实现对微博转发预测.与传统同类预测模型进行对比试验,验证本文方法的正确性与有效性.

微博机制和转发预测研究

摘要微博机制和转发预测是当前学术研究的一个热点，具有重要的科学研究意义和经济社会价值。本文总结了基于图论的微博机制，对微博转发优化查询算法和预测技术的最新进展进行了系统归纳，明确指出了微博转发预测中用户特征所涉及的用户关系、用户影响力和用户兴趣算法等关键问题；以微博内容特征为切人点，分析了统计学方法、机器学习方法和网络拓扑分析方法的最新模型和技术应用框架；最后，提出了“六度分隔”理论范式、多层耦合网络中的微博用户行为预测、面向微博的“大数据”算法创新与知识挖掘等微博转发预测亟待突破的前沿性研究课题。

融合异常检测与随机森林的微博转发行为预测方法

针对目前微博转发行为预测具有的特征选择任意性、准确率不高的问题,提出了融合异常检测与随机森林的微博转发行为预测方法。首先,提取用户基本特征、博文基本特征、博文内容主题特征,并基于相对熵计算用户活跃度、博文影响力;其次,通过结合过滤式与封装式特征选择方法筛选出关键特征组;最后,融合异常检测与随机森林算法,依据筛选后的关键特征组进行微博转发行为预测,并利用袋外数据误差估计设置随机森林中的决策树和特征数。在真实新浪微博数据集上与基于逻辑回归、决策树、朴素贝叶斯、随机森林等算法的微博转发行为预测方法进行实验对比,结果表明所提方法的预测准确率(90.5%)高于基准方法中最优的随机森林方法的预测准确率,同时验证了特征筛选方法的有效性。

基于转发传播过程的微博转发量预测

微博已经成为日常生活中最流行的信息分享工具.转发是微博中信息传播的核心方法,所以转发量预测不仅是一个有趣的研究问题,也有较大的实际意义.然而,当前大部分研究只是把问题视为分类或回归问题,没有考虑转发的传播过程.本文中,我们提出一个符合转发传播过程的转发量预测模型.本文认为转发信息来自两方面:直接粉丝和间接粉丝,而粉丝带来的转发量由转发意愿和影响力决定.我们用历史行为和内容相关性来估算一名直接粉丝的转发意愿,并用他/她的影响力来估算通过他/她的间接粉丝的转发量.新浪微博上的实验表明我们的模型比其他已有的方法效果好.

基于马尔科夫随机场的微博用户转发行为预测

微博用户转发行为预测是微博社交网络消息扩散模型构建的基础,在图书阅读推广、舆情监控与市场营销等领域有着广泛的应用。为了提高用户转发行为预测的精度,该文在马尔科夫随机场框架下综合分析了用户属性与微博内容特征、用户转发行为约束等因素对用户转发行为的影响,并在逻辑回归模型的基础上构造了相应的能量函数对用户转发行为进行了全局性的预测。实验结果表明,微博用户转发行为不仅取决于用户属性、微博内容等特征,而且也受到与其相邻用户转发行为的约束。相对于传统算法该文算法可以更准确地对用户转发行为进行建模,因而可获得更好的预测结果。

面向阅读推广的微博用户转发行为预测

微博社交网络是大数据时代阅读推广的一个重要平台,对微博用户(即读者)转发行为进行准确的预测对提高微博平台下的阅读推广效果有着决定性的作用。为了提高用户转发行为预测的精度,根据阅读推广的特征,本文在马尔可夫随机场框架下综合分析了用户转发行为特征(即用户属性与微博内容特征)、用户转发行为约束等因素对用户转发行为的影响,并在逻辑回归模型的基础上构造了相应的用户转发行为预测算法进行全局性的预测。实验结果表明,相对于传统算法,本文算法可以更准确地对用户转发行为进行预测,因而更有助于提高阅读推广的可靠性。

面向不平衡微博数据集的转发行为预测方法

针对微博转发预测方法研究中的数据集不平衡问题,提出了一种融合过采样技术和随机森林(RF)算法的微博转发行为预测方法。首先,定义了个体信息、社交关系和微博主题3类与微博转发行为相关的特征,并基于信息增益算法实现了关键特征选取;其次,综合微博特征数据的特点来改进少数类样本合成过采样技术(SMOTE),对原始数据集进行非参数概率分布估计,并根据近似概率分布对数据集进行过采样处理,从而使正反例数据量达到平衡;最后,利用随机森林算法,依据微博转发关键特征进行分类器训练,并利用袋外(OOB)数据误差估计来分析和设置随机森林算法的相关参数。通过与基于决策树(DT)、支持向量机(SVM)、朴素贝叶斯(NB)和随机森林等算法的微博转发预测方法进行对比,所提方法整体性能优于基准方法中性能最优的SVM方法,召回率提高了8%,F值提高了5%。实验结果表明,所提方法在实际应用中能够有效提高微博转发行为预测的准确率。

基于网络拓扑结构视角的社交媒体用户转发预测算法

为预测某条微博的具体转发者,在微博是否会被转发的研究基础上,提出了基于社交网络拓扑结构、用户行为及用户间关联三个层面的逻辑回归分类算法,并针对该算法进行真实数据集检测。实验结果表明,该预测算法与未考虑网络拓扑结构的算法相比性能显著提升,为实现社交媒体信息传播轨迹精准预测打下了重要基础。

基于逻辑回归的信息转发预测模型研究

面向社会化媒体数据信息的传播及预测,是当前研究热点。提出基于逻辑回归的用户转发行为预测模型,采用F-measure和ROC曲线作为评价标准验证了该模型的有效性。在Twitter数据集上的结果表明,所提模型能够很好地预测用户的信息转发行为。

基于混合特征和XGBoost算法的微博转发预测

微博转发是微博信息传播的重要途经.影响微博转发的因素主要是用户属性、微博内容、用户社交和用户兴趣.已有的微博转发预测模型仅考虑部分因素,实际上4个因素对用户转发行为都有影响,此外也应该关注预测模型的计算时间.基于此,提出一种基于混合特征和XGBoost算法的微博转发预测模型.首先根据4个因素分别提取用户特征、微博特征、社交特征以及兴趣特征;然后基于PageRank算法计算用户影响力,基于隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)模型和KL距离计算兴趣相似度,定义用户转发活跃度和用户交互影响力的计算公式;最后利用XGBoost算法构建预测模型,对转发预测进行分析.实验结果表明,新的预测方法在准确率和时间等评价指标上有较好的表现,同时也验证了综合考虑4个因素的重要性和有效性.

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%。

融合多种转发习惯的微博转发预测

[目的/意义]微博转发预测对热点话题检测、网络营销及舆情监控等具有重要意义。[方法/过程]针对现有方法未充分考虑转发者个体差异的不足,提出一种融合多种转发习惯的微博转发预测方法。该方法依据转发者的历史数据从转发行为习惯、转发对象习惯和转发内容习惯三个方面挖掘其转发习惯,并利用具体的待预测微博及发布者的信息对转发习惯进行量化,得到对应的预测分量,最后利用逻辑回归算法实现微博转发预测。[结果/结论]在真实新浪微博数据集上的实验结果表明,相对于现有的经典方法,该转发预测方法的最大F值提高了约2.7%。

基于混合特征学习的微博转发预测方法

微博转发预测是研究信息传播的关键问题之一,对于舆情监控、广告投放、商业决策具有重要意义。用户兴趣、微博作者影响力及微博内容等信息均影响信息传播过程。转发行为预测的挑战性问题在于如何捕获更多有意义的影响因素以提高预测性能。提出基于混合特征学习的转发预测方法,该方法首先引入并分析了局部社会影响力特征、用户特征、微博内容特征的计算方法;接着,基于分类器建立预测模型;最后,比较了不同类型微博的转发预测效果。在新浪微博平台数据的实验结果表明,局部社会影响力特征、用户特征、微博内容特征都对转发预测有较大影响,其中微博内容特征的影响最大。随机森林预测效果最好,准确率达到83.1%;与朴素贝叶斯、逻辑回归、支持向量机模型相比,准确率平均提高约7.4%,最高提高约10.8%。另外,该方法对自然灾害、环境、审判、维权等类型的微博进行转发预测时,效果更加明显,说明这类事件转发的规律性更强。

基于文本引导的注意力图像转发预测排序网络

转发预测在社交媒体网站(Social media sites,SMS)中是一个很有挑战性的问题.本文研究了SMS中的图像转发预测问题,预测用户再次转发图像推特的图像共享行为.与现有的研究不同,本文首先提出异构图像转发建模网络(Image retweet modeling,IRM),所利用的是用户之前转发图像推特中的相关内容、之后在SMS中的联系和被转发者的偏好三方面的内容.在此基础上,提出文本引导的多模态神经网络,构建新型多方面注意力排序网络学习框架,从而学习预测任务中的联合图像推特表征和用户偏好表征.在Twitter的大规模数据集上进行的大量实验表明,我们的方法较之现有的解决方案而言取得了更好的效果.

基于能量优化的微博用户转发行为预测

微博用户转发行为预测是微博社交网络消息扩散模型构建的基础,在舆情监控、市场营销与政治选举等领域有着广泛的应用.为了提高用户转发行为预测的精度,本文在MRF(Markov Random Field)能量优化框架下综合分析了用户属性与微博内容特征、用户转发行为约束、群体转发先验等因素对用户转发行为的影响,并在逻辑回归模型的基础上构造了相应的能量函数对用户转发行为进行了全局性的预测.实验结果表明,微博用户转发行为不仅取决于用户属性、微博内容等特征,而且也受到用户转发行为约束、群体转发先验等因素不同程度的影响.相对于传统算法,本文算法可以更准确地对用户转发行为进行建模,因而可获得更好的预测结果.

基于集成学习的微博用户转发行为预测

为了提高微博用户转发行为预测的精度,提出一种有效的基于集成学习的微博用户转发行为预测算法.首先,对影响用户转发的各种特征进行综合分析,提取出用户属性、社交关系、微博内容等影响用户转发行为的特征;然后,采用Logistic回归、支持向量机与BP(BackPropagation)神经网络等机器学习算法对用户转发行为进行预测;最后,利用"加权投票法"的集成学习方法对多个预测结果进行融合.实验结果表明,相对于BP神经网络算法,在综合评价性能的F1度量值上,集成学习算法有1.5%的性能提升.

在线社交网络信息传播建模及转发预测研究

在线社交网络技术发展迅速,为探究在线社交网络信息传播机制及规律,以动力学为基础进行建模分析,并联合应用数据挖掘技术。在建模分析中,创建兴趣加权的随机森林模型,对用户信息转发行为进行准确预测,并确定不同用户属性对信息转发行为的重要作用。

微博信息转发影响因素研究

基于社会化媒体数据研究信息的传播及预测,是当前网络舆情分析的一大热点。以Twitter数据为研究对象,以探寻影响信息转发的因素为研究目的,设计算法分析活跃邻居节点数对转发行为的影响,提出3种活跃邻居节点结构并验证三者对转发行为的影响程度,运用重启动的随机游走算法研究回复与提及关系对转发行为的影响。在Twitter数据集上实现了该算法,证明了活跃邻居节点数、活跃邻居节点结构、回复与提及关系对转发行为的影响。