本文關鍵詞：微博用戶轉發(fā)行為及情感預測研究

  更多相關文章： 用戶行為分析 轉發(fā)行為預測 主題模型 微博情感預測

【摘要】：在社會計算的研究中,用戶行為分析主要是針對被觀察對象的歷史行為并預測其未來行為,這項研究在社會計算應用中發(fā)揮了關鍵作用。微博中的轉發(fā)行為是用戶行為中一種出現(xiàn)頻度很高的行為,也是微博平臺上信息傳播的最主要方式,因此研究微博用戶的轉發(fā)行為對理解重要信息的傳播方式、熱點事件的發(fā)現(xiàn)、個性化的信息推薦等都有著重要意義。本文以微博用戶的轉發(fā)行為作為研究對象,模擬用戶轉發(fā)微博時的閱讀習慣,從微博、用戶和用戶與微博的關系三個角度分析了影響轉發(fā)行為的因素,利用這些影響因素作為特征,建立分類模型,預測用戶對哪些信息進行轉發(fā)。我們進行特征組合實驗驗證各類影響因素對轉發(fā)行為預測的作用,其中,用戶歷史發(fā)布的微博體現(xiàn)了用戶的興趣,對轉發(fā)行為預測起到了關鍵的作用,本文利用用戶歷史與微博的關系提出了兩種預測方法:基于詞向量笛卡爾積的方法和基于主題模型的相似度計算方法。實驗結果表明兩種方法對于轉發(fā)請問預測均起到一定效果。其中,笛卡爾積方法預測轉發(fā)行為的F1值最高為71.33%。我們還嘗試了在基于主題模型的特征表示法中融入情感特征,實驗結果表明,該方法對轉發(fā)行為預測也可以起到一定的作用,預測結果F1值為69.97%。本文進一步提出了轉發(fā)情感預測的問題,并提出了一個初步的解決方法。我們對轉發(fā)微博的情感極性進行自動標注,并利用用戶轉發(fā)情感和微博評論情感相對穩(wěn)定的特點,預測用戶在轉發(fā)微博后,附加的評論內容的情感極性。實驗結果表明,該方法對轉發(fā)信息的情感預測取得了較好的效果,預測正確率為64.11%。
【關鍵詞】：用戶行為分析 轉發(fā)行為預測 主題模型 微博情感預測
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP393.092;TP391.1
【目錄】：

• 摘要4-5
• ABSTRACT5-8
• 第1章 緒論8-16
• 1.1 課題背景及研究的目的和意義8-9
• 1.2 國內外研究現(xiàn)狀9-14
• 1.2.1 基于微博的預測研究9-10
• 1.2.2 微博轉發(fā)行為預測10-12
• 1.2.3 情感分析技術在微博預測中的應用12-14
• 1.3 本文的主要研究內容14-16
• 第2章 用戶轉發(fā)行為影響因素研究16-28
• 2.1 引言16
• 2.2 微博用戶轉發(fā)行為預測16-20
• 2.2.1 研究問題定義16-17
• 2.2.2 研究方法概述17-18
• 2.2.3 特征分析18-20
• 2.3 實驗結果和分析20-27
• 2.3.1 實驗數(shù)據及實驗設置20-23
• 2.3.2 實驗結果及分析23-27
• 2.4 本章小結27-28
• 第3章 基于主題模型的用戶轉發(fā)行為預測研究28-38
• 3.1 引言28
• 3.2 LDA模型簡介28-30
• 3.3 基于LDA模型的用戶轉發(fā)行為預測30-33
• 3.3.1 研究方法概述30-31
• 3.3.2 特征抽取31
• 3.3.3 情感標注31-32
• 3.3.4 LDA建模32-33
• 3.3.5 用戶歷史與微博相似性33
• 3.4 實驗結果和分析33-37
• 3.4.1 實驗數(shù)據及實驗設置33-34
• 3.4.2 實驗結果及分析34-37
• 3.5 本章小結37-38
• 第4章 微博用戶轉發(fā)情感預測研究38-47
• 4.1 引言38-39
• 4.2 用戶轉發(fā)信息的情感預測39-42
• 4.2.1 研究問題定義39
• 4.2.2 方法概述39-40
• 4.2.3 情感分類40-41
• 4.2.4 特征分析41-42
• 4.3 實驗結果和分析42-45
• 4.3.1 實驗數(shù)據及實驗設置42-43
• 4.3.2 實驗結果及分析43-45
• 4.4 本章小結45-47
• 結論47-49
• 參考文獻49-55
• 攻讀碩士學位期間發(fā)表的論文55-57
• 致謝57

【參考文獻】

中國博士學位論文全文數(shù)據庫 前1條

1 韓毅;社會網絡分析與挖掘的若干關鍵問題研究[D];國防科學技術大學;2011年

中國碩士學位論文全文數(shù)據庫 前1條

1 姚海波;微博熱點話題檢測與趨勢預測研究[D];華南理工大學;2013年

，

本文編號：657934