基于多任务学习的微博流行度预测

• 作者: 王欢 肖春静 韩凤娟
• 来源期刊: 河南大学学报（自然科学版）
• 学科: 工学
• 关键词: 微博 流行度 预测 多任务学习
• 年，卷（期）: 2017,（5）
• 所属期刊栏目: 自动化基础理论与信息技术
• 页码范围: 544-551
• 页数: 8页
• 分类号: TP393
• 字数: 6474字
• 语种: 中文

摘要

以短文本内容发布为主要特点的微博,已经成为重要的信息传播媒介,预测微博流行度对舆情监测、企业营销、热点推送等都具有重要意义.当前对微博流行度预测的研究主要侧重于对所有用户的微博数据进行统一建模预测,鲜有研究考虑不同影响力用户之间的差异.而微博数据的分析显示标签、提及和微博长度等对微博流行度的影响会随发布者的影响力变化显示出明显差异,在流行度预测中充分考虑这些差异,有助于取得更好的预测结果.为此,在流行度预测中引入多任务学习(Multi-Task Learning,简称MTL),并结合SVM构建SVM+ MTL模型,此模型通过同时考虑所有用户的共同特性和不同用户的具体特性来提高预测性能.此外,除了预测常用的用户属性和微博发布行为等特征外,还引入微博内容相似性这一新特征,该特征能明显提高预测准确率.基于微博数据的实验表明,SVM+ MTL模型可以有效提高微博流行度预测性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王欢	河南大学计算机与信息工程学院	28	46	4.0	5.0
2	肖春静	河南大学计算机与信息工程学院	2	0	0.0	0.0
3	韩凤娟	河南大学计算机与信息工程学院	1	0	0.0	0.0