一种基于RNN的社交消息爆发预测模型

• 作者: 伍大勇 刘悦 田甜 秦宇君 程学旗 笱程成
• 来源期刊: 软件学报
• 学科: 工学
• 关键词: 循环神经网络 点随机过程 爆发预测 机器学习 社交网络
• 年，卷（期）: 2017,（11）
• 所属期刊栏目: 复杂环境下的机器学习研究专刊
• 页码范围: 3030-3042
• 页数: 13页
• 分类号: TP311
• 字数: 9448字
• 语种: 中文
• DOI: 10.13328/j.cnki.jos.005333

摘要

社交网络中,消息的爆发预测属于社交网络流行动态分析的范畴,是社会计算领域的研究热点之一.通过利用基于深度循环神经网络对社交消息的传播过程进行建模,提出了SMOP(social messages outbreak prediction model based on recurrent neural network)模型与传统的基于机器学习的模型相比,SMOP直接对消息转发的到达过程进行建模,避免了传统方法中繁琐的特征工程;与基于点随机过程的模型相比,SMOP可以自动学习消息传播过程的速率函数,不需要手动定义消息传播速率的特征函数,具有较强的数据场景适应性.另外,SMOP采用了时间向量和用户向量的输入表示方法,将时间的周期性和用户的兴趣偏好建模到传播过程之中,提升了SMOP的预测效果.在Twitter和新浪微博数据集上的实验结果均表明,SMOP具有优良的数据适应能力,可以在消息传播的早期(0.5h),以较高的F1值预测某条社交消息是否爆发,验证了模型的有效性.