[发明专利]一种基于ICS-SVM分析用户转发行为的预测方法及系统

说明书

本发明请求保护一种基于ICS‑SVM分析用户转发行为的预测方法及系统，属于社交网络分析领域。首先获取数据集。其次，定义影响因素。利用从真实社交网络‑腾讯微博中获取的数据，提取用户内部影响机制和外界影响机制。优化CS算法。根据推导公式，使搜索步长能够自适应的动态调整。针对用户的转发行为随时间变化的特点，本发明利用时间切片的方法，并利用ICS‑SVM模型预测用户转发行为，这样能够弥补传统布谷鸟算法优化SVM参数的缺点，且提高传统支持向量机的预测精度。本发明能够更加精确地预测用户转发行为，并分析热点话题的传播趋势。

技术领域

本发明属于社交网络领域，涉及布谷鸟算法优化SVM算法参数，是一种更加精确预测用户转发行为的方法。

背景技术

近年来，随着Twitter、Facebook、微博等社交网络的不断普及，社交网络逐渐成为国内外学者们研究用户行为规律和分析话题热度变化趋势的主要平台。社交网络中用户之间建立关注关系及用户对热点话题的转发和评论行为有利于热点话题的传播，海量的用户行为数据也创造了巨大的财富。因此，分析用户转发行为对于舆情管控、网络营销、话题检测等方面具有重要意义，引起了学界和产业界的广泛关注。

目前对热点话题的用户行为预测主要集中在话题特征、网络结构特征和用户本身特征这三个方面。

目前，基于话题特征的用户行为预测方法主要是针对某些具有更高转发量的话题，通过话题特征预测用户转发行为。Yang等人基于Twitter微博转发的特征，提出了一个因子图预测模型。文献模拟在线社交网络中兴趣驱动的信息传播，分析用户根据自己的兴趣是否参与话题讨论。但是，这种预测方法很容易忽略用户个体兴趣对转发行为的影响，在真实的社交网络中，用户的转发行为受很多方面的影响，仅通过用户自身特征预测用户转发行为是不够准确。

目前，基于网络结构特征的用户行为预测方法，通常使用动力学模型进行预测，Wang等人提出了一种新颖的SIR模型，并通过平均场理论分别研究了均匀网络模型和非均匀网络模型中的动态行为，实验表明网络中间媒介的存在对于信息传播具有一定的影响力。但构建这样的网络结构计算量特别大，并且得到完整的转发网络和节点状态是比较困难的。

目前，基于用户本身特征的用户行为预测方法，比如粉丝数量、是否为活跃用户、微博数量等来预测用户行为。利用时间序列或朴素贝叶斯等方法评估话题的影响力，从而对用户行为进行预测，但预测结果不够精确，存在误差，大部分学者利用优化SVM参数的模型对用户行为进行预测，但优化参数的算法大部分是基于种群迭代的算法，容易实现，能够解决SVM参数优化问题。但是，这些算法收敛速度慢，容易形成局部最优的情况，使预测结果不稳定。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高用户转发行为的精度，并能够感知热点话题的变化趋势的基于ICS-SVM分析用户转发行为的预测方法及系统。本发明的技术方案如下：

一种基于ICS-SVM分析用户转发行为的预测方法，其包括数据获取的步骤、定义影响因素的步骤、改进CS算法的步骤以及构建ICS-SVM模型的步骤，具体包括：

S1：数据获取的步骤：从基于web研究型的推荐系统下载或利用成熟的社交平台的API获取，并对数据进行清洗、查重等预处理；

S2：定义影响因素的步骤：从步骤S1获取的已有数据中提取用户兴趣标签、用户历史转发率、外界影响三个属性，通过多元线性回归的方法定义影响力；

S3：改进CS算法的步骤：改进的布谷鸟CS搜索算法改进在于：在传统的布谷鸟CS搜索算法基础上，采用推导算法产生步长，使搜索步长能够自适应的动态调整；

S4：构建ICS-SVM模型：将步骤S3的改进布谷鸟算法与SVM(支持向量机)进行结合，使用改进布谷鸟算法优化SVM的参数，利用最优参数作为SVM的参数训练预测模型，采用时间切片的方法预测用户转发行为，分析热点话题传播趋势。