[发明专利]对微博谣言或/和辟谣话题传播趋势的预测方法及装置

说明书

本发明属于用户行为预测领域，涉及对微博谣言或/和辟谣话题传播趋势的预测方法及装置；方法包括获取参与微博谣言话题或/和辟谣话题的数据源信息，提取相关属性；使用多元线性回归算法构造影响力函数；构建出转发谣言信息和转发辟谣信息的博弈策略，建立出谣言与辟谣互影响力模型，计算出谣言与辟谣的互影响力；基于表示学习的方法将用户节点映射到像素空间，构建当前时刻的用户转发图像，利用卷积神经网络预测下一时刻的用户转发图像；将互影响力与下一时刻用户转发图像相融合，建立出逻辑回归预测模型，预测用户在下一时刻是否参与谣言话题或/和辟谣话题；本发明能够有效地预测出微博谣言话题和辟谣话题的传播趋势，有利于舆情的控制和处理。

技术领域

本发明属于网络舆情分析领域，涉及用户转发分析技术，尤其是有向社交网络中的谣言和辟谣信息共同传播的分析，具体涉及对微博谣言或/和辟谣话题传播趋势的预测方法及装置。

背景技术

谣言从古至今都存在。传统上，谣言是通过人与人之间口耳相传，传播速度慢、范围小。当今互联网发展迅速，微信、微博、博客等社交媒体已经渗入到人们日常生活的方方面面。社交网络的出现给人们带来了极大的便利，却也为谣言提供了传播渠道。它可以通过社交网络在不同地区，相距很远的陌生人之间传播，这意味着谣言的传播速度和范围比以往任何时候都更远、更快。因此，开展谣言和辟谣话题传播预测模型研究，有助于掌握群体转发特性分布，对网络舆情的引导和管控都具有重要意义。

近年来，许多学者对谣言传播模型进行了大量的研究，主要是基于SIR传染病模型、机器学习算法模型和深度学习算法模型。基于SIR传染病的预测模型主要是将用户划分为三种状态：易感者(S)，感染者(I)，免疫者(R)。状态S的用户不知道谣言，因此很容易受到谣言的感染，状态I的用户知道谣言，并积极传播谣言，而状态R的用户知道谣言，但不传播谣言。基于机器学习算法模型主要是提取影响用户传播的用户特征、文本特征特征因素，将问题转化为分类或回归问题，机器学习中的算法具有处理海量数据的优势，适用于处理社交网络中复杂的问题。

虽然众多学者对话题传播预测模型进行了大量的研究，并取得了相当不错的成果，但仍存在一些技术问题：

1.用户关系的隐秘性。话题传播空间下用户关系和用户行为具有复杂性和多样性，用户参与行为不仅受到显式关注的好友影响，还会受到隐式好友参与行为的影响，因此确定用户之间的隐式关系对预测用户参与行为至关重要。

2.辟谣信息与谣言的对抗性。由于谣言和辟谣信息本身的竞争关系，一部分用户可能通过辟谣信息识破谣言，因此辟谣信息对谣言传播的影响是不容忽视的。

3.谣言话题传播的动态时限性。谣言在社交网络中的传播具有很强的时限性，谣言话题热度会随着时间的推移呈现先迅速增长而后逐渐降低的变化。

发明内容

基于现有技术存在的问题，为了更准确地预测谣言的传播趋势，本发明引入辟谣信息，针对谣言与辟谣信息之间的竞争关系，利用演化博弈量化谣言与辟谣信息之间的互影响力，结合信息内容与用户自身特征建立谣言和辟谣话题传播预测模型。提出了一种对微博谣言或/和辟谣话题传播趋势的预测方法及装置。

一种对微博谣言或/和辟谣话题传播趋势的预测方法，所述方法包括以下步骤：

S1、获取参与微博谣言话题或/和辟谣话题的数据源信息，提取出参与用户的相关属性，包括提取出用户的内部属性特征和外部属性特征；

S2、综合参与用户的内部属性特征和外部属性特征，使用多元线性回归算法，构造谣言与辟谣信息的影响力函数；

S3、构建出转发谣言信息和转发辟谣信息的博弈策略，基于影响力函数，建立出谣言与辟谣互影响力模型，计算出谣言与辟谣的互影响力；

S4、基于表示学习的方法将各个用户节点映射到像素空间，构建出当前时刻的用户转发图像，利用卷积神经网络预测出下一时刻的用户转发图像；