[发明专利]在线社交网络的增量式组水平的话题流行度预测方法

说明书

本发明提供了一种在线社交网络的增量式组水平的话题流行度预测方法。所述预测方法包括如下步骤：收集数据；根据收集到的用户网络结构数据及用户转发行为数据将用户划分不同的用户组，并根据收集到的历史话题传播数据计算话题之间的相似度，为被预测的目标话题选择Top‑K个相似话题；根据所述Top‑K个相似话题、所述用户组及不同时间的流行度值构建组水平的流行度张量；针对所述组水平的流行度张量采用增量式CP分解进行增量式预测；重启CP分解减少累积误差。与相关技术相比，本发明的在线社交网络的增量式组水平的话题流行度预测方法的预测效率和预测精度更高。

技术领域

本发明涉及社交网络分析技术领域，尤其涉及一种在线社交网络的增量式组水平的话题流行度预测方法。

背景技术

随着科技的进步，在线社交网络逐渐成为人们获取和共享信息的重要平台，在线社交网络因其信息的即使共享性、实时性、互动性以及传播方式的多样性，使得许多新闻事件和热点话题在在线社交网络上得以快速、广泛地传播，深刻的影响了人们的日常生活和工作。

但是在线社交网络时刻都在产生大量的话题信息，在线社交网络中的话题在传播过程中用户对其的响应数目称之为流行度，如转发数目、点赞数目。而流行度预测则是根据一个话题在可观测时间t_i的传播信息，预测该话题在目标时间t_r(t_i＜t_r)的流行度。

现有的流行度预测方法设计，通常根据信息传播的静态特征。其中有的技术是基于分类方法将话题的流行度状态分为{流行，不流行}或者{低度流行，中度流行，高度流行}等离散集合；有的技术根据排序方法选择Top-K潜在的流行话题；有的技术则是根据回归方法等预测话题流行度的精确值。在流行度的精确值预测中，大多的技术方法是从宏观角度和微观角度考虑的，分别是预测总共有多少用户会对一个消息(转发/点赞)，通过用户的行为设计方法计算话题从一个用户传播到另一个用户的传播概率，很少有技术从用户分组的角度出发。

不同于传统的静态预测方法，近年来的技术设计动态的流行预测方法，然而这些预测通常假定在不同时间段内新增加的流行度是相互独立的，或者各个话题的流行动态是相互独立的。这些方法需要为每个话题训练特定参数而不使用其他话题的传播动态，并且这些预测方法都是从宏观角度的，属于粗粒度预测方法。因此，这些方法的适用性不强，不能根据实际动态信息传播的演化，在预测方法中加入演化特征，更新预测结果。此外，粗粒度的预测方法提供信息较少，不能应用于推荐系统等其他应用。

因此，有必要提供一种新的在线社交网络的增量式组水平的话题流行度预测方法来解决上述问题。

发明内容

针对相关技术的流行度预测方法适用性不强，且预测精度不佳的技术问题。本发明提供了一种可以有效提升预测效率和预测精度的在线社交网络的增量式组水平的话题流行度预测方法。

一种在线社交网络的增量式组水平的话题流行度预测方法，其包括如下步骤：

S1、收集数据，所述数据包括历史话题传播数据、用户网络结构数据及用户转发行为数据；

S2、根据所述用户网络结构数据及所述用户转发行为数据将用户划分不同的用户组，并根据所述历史话题传播数据计算话题之间的相似度，为被预测的目标话题选择Top-K个相似话题；

S3、根据所述Top-K个相似话题、所述用户组及不同时间的流行度值构建组水平的流行度张量；

S4、针对所述组水平的流行度张量采用增量式CP分解进行增量式预测；

S5、重启CP分解减少累积误差。

优选的，所述步骤S2中根据所述用户网络结构数据及所述用户转发行为数据将用户划分不同的用户组包括如下划分方法：基于用户关系的组划分、基于用户行为的组划分、基于用户关系和用户行为的组划分及随机组划分。