[发明专利]一种基于时间及用户的转发序列的微博流行度预测方法

说明书

本发明涉及一种基于时间及用户的转发序列的微博流行度预测模型，属于涉及社交网络中消息流行度预测领域，包括以下步骤：S1：利用循环神经网络对微博的转发序列进行建模，用来捕获消息传播过程的长距离依赖；S2：将隐藏层的输出结果进行非线性变换网络，学习在传播过程中每个时间步的速率；S3：利用速率得到的早期趋势加速度和早期的流行度，并在用户活跃度的优化下，对微博未来的流行度进行预测。本发明保证了在消息传播的早期更精准地预测其在未来的流行趋势，该模型既利用了历史传播信息，又很好地刻画了微博的传播过程。

技术领域

本发明属于涉及社交网络中消息流行度预测领域，涉及一种基于时间及用户的转发序列的微博流行度预测模型5

背景技术

Web2.0服务的普遍性和廉价性改变了内容在线生成和消费的方式。近年来，互联网技术在飞快的发展，随着互联网的迅速崛起以及普及，目前我们的生活已经离不开网络。由于网络，内容制作者可以使用传统渠道接触到难以想象规模的观众，在全球范围内实现内容生产者和消费者之间交流的服务，包括视频，照片、音乐共享，网络日志、社交书签网站、协作门户网站以及内容提交，浏览、进行内容新闻聚合器的评定和讨论等。以Facebook、Twitter、微博、微信等为代表的社交网络服务在传播突发热点事件中发挥了重要作用，用户依赖这些社交网络来接收个人和全球热门新闻的更新。

社交网络逐渐兴起，人们越来越喜欢在网上发表自己的言论、点评事件。微博等社交网络给人们获取信息、分享信息带来了极大的便利。但是，人们在享受这些社交网络带来的好处之余，也受到了社交网络的冲击，比如会有人在网上大肆传播不实消息，造谣诽谤，这些消息如果在网络中快速传播，会影响人们的判断，让人们接收到虚假信息，以至造成不可预估的损失。因此，在事件发生的早期如果可以提前预测事件的流行趋势，这对政府相关部门做好舆情控制，以及公司能够提前应对突发事件有极大的帮助。新浪微博也不会发生热点爆发时就服务器宕机的情况，流行度预测问题是一项极具价值的工作。它对网络维度(如缓存和复制)、在线营销(如推荐系统和媒体广告)或现实世界的结果预测(如经济趋势)、应急管理都具有重要意义，但也是一个非常困难的问题，因为社交网络本身的结构以及庞大的用户。

目前解决流行度预测问题一般分为三种方法。详细来说，一种是基于特征的机器学习方法，采用分类或者回归模型进行建模，问题的重点变成了特征提取上，一种是基于点随机过程的方法，它是对消息的传播过程进行建模，能够较好地刻画消息的传播过程，并学习消息的到达过程。另一种是基于传染病模型，利用动力学方程来对消息传播规律做出表示。基于分类或者回归的模型依赖于特征的提取，没有对消息的传播过程进行刻画，基于点随机过程的方法性能是有缺失的，并且由于社交网络的多样化，不能适应于每一种社交网络，并且没有利用历史消息的监督。基于上述分析，本文提出了一种基于时间及用户的转发序列的微博流行度预测模型。

发明内容

有鉴于此，本发明的目的在于提供一种基于时间及用户的转发序列的微博流行度预测模型，利用循环神经网络对微博的转发序列进行建模，用来捕获消息传播过程的长距离依赖，然后将隐藏层的输出结果进行非线性变换网络，学习在传播过程中每个时间步的速率，最后利用速率得到的早期趋势加速度和早期的流行度，并在用户活跃度的优化下，对微博未来的流行度进行预测。

为达到上述目的，本发明提供如下技术方案：

一种基于时间及用户的转发序列的微博流行度预测模型，包括

S1：利用循环神经网络对微博的转发序列进行建模，用来捕获消息传播过程的长距离依赖；

S2：将隐藏层的输出结果进行非线性变换网络，学习在传播过程中每个时间步的速率；

S3：利用速率得到的早期趋势加速度和早期的流行度，并在用户活跃度的优化下，对微博未来的流行度进行预测。

进一步，步骤S1包括以下步骤：