【摘要】：隨著互聯(lián)網(wǎng)的迅速發(fā)展,社交網(wǎng)絡(luò)信息預(yù)測(cè)成為信息內(nèi)容管理的重要研究?jī)?nèi)容之一。此前的社交網(wǎng)絡(luò)信息預(yù)測(cè)研究中,對(duì)社交網(wǎng)絡(luò)中信息表示與量化計(jì)算研究不足,難以有效的支撐社交網(wǎng)絡(luò)信息傳播建模和預(yù)測(cè)的研究,同時(shí),當(dāng)前的社交網(wǎng)絡(luò)信息傳播模型,大都沒(méi)有考慮信息傳播過(guò)程中的記憶效應(yīng)對(duì)信息傳播的影響或者考慮不全面,導(dǎo)致預(yù)測(cè)結(jié)果與實(shí)際值之間存在較大誤差。首先,利用樸素貝葉斯文本分類(lèi)算法將采集到的微博文本劃分為十五個(gè)領(lǐng)域,對(duì)用戶發(fā)布微博數(shù)、微博平均被點(diǎn)贊數(shù)、用戶注冊(cè)時(shí)間等影響到用戶影響力的指標(biāo),建立一套科學(xué)、合理的指標(biāo)體系,利用專(zhuān)家打分法、層次分析法(Analytic Hierarchy Process)法等對(duì)各級(jí)指標(biāo)賦予權(quán)重,量化分析用戶各個(gè)領(lǐng)域影響力和綜合影響力。接著,針對(duì)社交網(wǎng)絡(luò)信息熱度進(jìn)行預(yù)測(cè),考慮信息傳播過(guò)程中用戶記憶效應(yīng)的興趣累積和實(shí)效衰減兩方面,利用遺傳算法求出記憶曲線,分析用戶的記憶效應(yīng)對(duì)社交網(wǎng)絡(luò)信息傳播的影響。同時(shí),獲取社交網(wǎng)絡(luò)主頁(yè)或用戶中的強(qiáng)弱連接用戶,分析弱連接用戶與信息傳播的關(guān)系,進(jìn)而得到弱連接用戶對(duì)社交網(wǎng)絡(luò)信息傳播范圍的影響。最后,對(duì)信息傳播的范圍、趨勢(shì)和速度等進(jìn)行定量分析,揭示用戶特征、內(nèi)容相關(guān)性等對(duì)社交網(wǎng)絡(luò)用戶行為的影響。從特定主貼、話題兩個(gè)層次來(lái)分析,通過(guò)提取用戶各個(gè)領(lǐng)域影響力、弱連接、記憶效應(yīng)、主貼評(píng)論數(shù)、主貼點(diǎn)贊數(shù)、主貼轉(zhuǎn)發(fā)數(shù)等多維特征,采用機(jī)器學(xué)習(xí)方法GBDT(Gradient Boosting Decision Tree)建立預(yù)測(cè)模型,對(duì)社交網(wǎng)絡(luò)信息傳播熱度進(jìn)行預(yù)測(cè),得到信息傳播的范圍和熱度變化趨勢(shì)。在實(shí)驗(yàn)中,根據(jù)單一變量原則,比較了不同特征對(duì)社交網(wǎng)絡(luò)信息熱度預(yù)測(cè)的影響。實(shí)驗(yàn)結(jié)果表明,除了熱度值低于10的主貼外,綜合考慮用戶影響力、弱連接、記憶效應(yīng)、轉(zhuǎn)發(fā)數(shù)、點(diǎn)贊數(shù)、評(píng)論數(shù)等特征,能夠得到準(zhǔn)確率較高的預(yù)測(cè)結(jié)果,平均絕對(duì)百分誤差值MAPE(Mean Absolute Percent Error)遠(yuǎn)低于30。
【圖文】：

用戶數(shù)占比越大，最終的信息熱度越低；弱連熱度越高。絡(luò)信息傳播熱度預(yù)測(cè)模型中，均不考慮轉(zhuǎn)發(fā)者僅對(duì)非熱門(mén)話題效果較好，對(duì)粉絲轉(zhuǎn)發(fā)量大的論代表了情感力量、親密程度和相互關(guān)系的線是比較熟悉、社會(huì)地位對(duì)等、關(guān)系親密的人，的圈子比較一致，接觸到的信息重疊率也比較難接觸到自己之前沒(méi)有接觸過(guò)的新的信息，而較有意義。與此相對(duì)，在弱關(guān)系中，個(gè)體可以信息，往往是新的，自己的圈子沒(méi)有的信息，流向其他群體[39]。所以，弱連接關(guān)系擴(kuò)大了信的速度，使信息很難被局限在某一個(gè)圈子中。個(gè)重要的因素，納入社交網(wǎng)絡(luò)特定話題的預(yù)測(cè)率。

接收到的信息越多，用戶越易產(chǎn)生認(rèn)同轉(zhuǎn)發(fā)或拒絕轉(zhuǎn)發(fā)新聞的傳播隨接觸增多而降低。這種記憶效應(yīng)對(duì)于傳考慮傳播過(guò)程中的記憶效應(yīng)并兼顧社交網(wǎng)絡(luò)中用戶間網(wǎng)絡(luò)中的信息傳播行為進(jìn)行詳細(xì)的理論建模，從而極準(zhǔn)確率，是一個(gè)具有挑戰(zhàn)性的問(wèn)題。線社交網(wǎng)絡(luò)上的實(shí)證研究，已經(jīng)驗(yàn)證記憶效應(yīng)在社交律性[41][42]。本文借鑒 SIR 模型，將社交網(wǎng)絡(luò)中節(jié)點(diǎn)的一時(shí)間步，每一個(gè)體處于如下四種狀態(tài)之一：知態(tài) U（Unknown）--沒(méi)有接觸過(guò)消息的人群，類(lèi)似于人群；蓄態(tài) C（Cumulative）--用戶接觸過(guò)信息，但是由于不或者已經(jīng)變得不感興趣而不愿意產(chǎn)生傳播行為；播態(tài) I（Infected）--個(gè)體接受了該消息并將該信息擴(kuò)散勞態(tài) R（Resistant）--個(gè)體已經(jīng)傳播了信息，，并且不再題的行為，相當(dāng)于 SIR 模型中的免疫態(tài)。移示意圖如下所示：
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP393.092;TP391.1

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 李洋;陳毅恒;劉挺;;微博信息傳播預(yù)測(cè)研究綜述[J];軟件學(xué)報(bào);2016年02期

2 邵明星;顏志軍;;弱連接關(guān)系在SNS平臺(tái)中影響作用的實(shí)證研究[J];北京理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2015年02期

3 張勝兵;;弱連接對(duì)不同類(lèi)型在線社交網(wǎng)絡(luò)信息傳播范圍的影響研究[J];計(jì)算機(jī)工程與科學(xué);2015年01期

4 劉詠梅;彭琳;趙振軍;;基于小世界網(wǎng)絡(luò)的微博謠言傳播演進(jìn)研究[J];復(fù)雜系統(tǒng)與復(fù)雜性科學(xué);2014年04期

5 魏春梅;盛小平;;弱關(guān)系與強(qiáng)關(guān)系理論及其在信息共享中的應(yīng)用研究綜述[J];圖書(shū)館;2014年04期

6 田占偉;劉臣;王磊;隋s

本文編號(hào)：2574891