[发明专利]一种训练用于预测社交网络用户转发消息的模型的方法

说明书

一种训练用于预测社交网络用户转发消息的模型的方法，包括：1)获得所述社交网络中的历史数据，所述历史数据包括不同用户对同一条消息进行发布、转发的次序；2)根据所述历史数据，求解使得损失函数取值最小时各名用户的影响力和易感性；其中，所述影响力用于描述该名用户发布的消息被转发的概率，所述易感性用于描述该名用户受到发布消息的源发用户的影响而对所述消息进行转发的概率，所述损失函数是发布消息的源发用户的影响力、除所述源发用户之外的其他用户的易感性的函数；以及其中，所述用户的影响力和易感性作为所述用于预测社交网络用户转发消息的模型的参数。

技术领域

本发明涉及对社交网络用户所期望转发的消息的预测。

背景技术

近年来，在线社交网络以其在信息传播与共享、人际交流与沟通方面的重要作用而发展迅猛，典型代表包括Facebook、Twitter、微博、微信等。这些在线社交网络已经成为人们获取信息、人际交流的主要平台，很大程度上改变了人们的生活方式和社交方式并成为主要的信息传播平台。以微博为例，其基于用户关系进行信息获取、传播，用户可以通过WEB、WAP以及各种客户端组建个人社区，以140字以内的文字，图片和视频发布信息，并实现即时分享。诸如微博的在线社交网络可以满足用户对兴趣信息的需求，是帮助用户获取和分享新闻热点、兴趣内容、专业知识、舆论导向的重要平台。

社交网络的上述特点可以被应用到许多领域，例如病毒营销、媒体广告和热点提取等，由此出现了许多关于预测用户所感兴趣的社交网络消息的研究。最普遍的传播预测模型有两种，第一种是基于显式或隐式的社交网络结构构建概率预测模型，然而在实际社交网络的场景中，社交网络结构很可能是随时间动态变化的，这使得此种方式需要不断地依据社交网络结构而更新所构建的概率预测模型才能保证预测的准确率；第二种是基于抽取用户、内容、时间序列等特征的机器学习模型，然而特征抽取的处理复杂度相对较高，并且不能保证特征的完全性和有效性。因此，如何设计一个既不需要社交网络结构信息，又不需要繁琐特征工程的预测模型是一个亟待解决的问题。

针对上述问题，Bourigault等人在最近的研究中提出了用于社交网络中消息传播预测的用户表达学习模型(CDK Model)，该模型将先后参与消息传播的社交网络用户映射到表达空间中，然后利用先转发用户比后转发用户在欧式空间中距离消息源发用户更近、和转发用户比未转发用户在欧式空间中距离消息源发用户更近这两个约束条件，构建损失函数的表达式，通过最小化损失函数，确定用户空间表达的具体参数。在该模型中，只根据转发序列时间戳先后信息自动学习用户空间表达，既不需要社交网络结构关系，也不需要代价高的特征工程。

然而，上述CDK模型所基于的假设是理想状态下的，致使其仍存在需要改进的地方。例如，在CDK模型中假设社交网络中消息传播是对称的，即社交网络中的任意用户a向用户b传播信息的能力等同于用户b向用户a传播信息的能力。然而，在进行预测时，还应考虑不同的用户对其他用户的影响力和易感力是不同的，这是由于用户往往更倾向于转发微博明星、网络达人等影响力高的用户所发布的微博。基于上述理想状态下的假设，将会对预测的准确性造成影响，可见上述CDK模型的预测准确度仍有待改善。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种训练用于预测社交网络用户转发消息的模型的方法，包括：

1)获得所述社交网络中的历史数据，所述历史数据包括不同用户对同一条消息进行发布、转发的次序；

2)根据所述历史数据，求解使得损失函数取值最小时各名用户的影响力和易感性；

其中，所述影响力用于描述该名用户发布的消息被转发的概率，所述易感性用于描述该名用户受到发布消息的源发用户的影响而对所述消息进行转发的概率，所述损失函数是发布消息的源发用户的影响力、除所述源发用户之外的其他用户的易感性的函数；以及

其中，所述用户的影响力和易感性作为所述用于预测社交网络用户转发消息的模型的参数。