基于在线社交网络事件库多因素耦合的流行度预测方法

• 作者: 于海 吕晴晴 时鹏 王铮 胡长军
• 来源期刊: 天津大学学报
• 学科: 工学
• 关键词: 流行度预测 多因素耦合 累积性因素 固有性因素
• 年，卷（期）: 2020,（12）
• 页码范围: 1272-1280
• 页数: 9页
• 分类号: TP311.5
• 语种: 中文
• DOI: 10.11784/tdxbz202005079

摘要

随着近些年新一代信息网络技术的高速发展,人们可以通过社交网络平台更快、更广地获知社会上的各类事件,这使得事件在社交网络中的传播逐步呈现出高速化、扩大化的特点.针对这种情况,为了更好地管理社交网络中的事件,提高对网络事件信息的治理水平,有必要对社交网络信息传播进行分析.流行度预测是在线社交网络事件信息传播分析中的研究重点.对事件流行度的预测能够为网络事件发生、发展、高峰、终结等提供深刻的见解.尽管流行度预测已经被广泛研究,但是事件相关信息与流行度相关联的因素缺少即时可用的指标数据、指标数据差异化等问题使得有效地预测事件流行度仍然没有得到较好的解决.有鉴于此,本文设计了一种基于在线社交网络事件库多因素耦合的流行度预测方法.具体来说,首先提出了一种基于社交网络事件库的多因素指标获取方法,利用事件库对于社交网络数据的统一存储,从多源异构数据中提取各因素指标.其次提出了一种多因素耦合的流行度预测方法,通过分组嵌入得到因素指标的可相互结合的低维表示,在预测中实现多因素指标的综合利用.最后将Twitter7数据集中3000个主题标签包含的推文作为实验对象进行平均准确率计算.实验结果表明:与已有的深层神经网络模型(DNN)、支持向量回归模型(SVR)、SH流行度预测模型等相比,本研究所提出预测方法在预测准确度上具有明显的优越性.