【摘要】：微博用戶轉(zhuǎn)發(fā)預(yù)測研究對社交網(wǎng)絡(luò)的信息傳播和推薦研究具有重要的學(xué)術(shù)價值,在公共輿論管理、個性化推薦、市場營銷等方面具有重要的應(yīng)用價值。本文主要研究微博中普通用戶轉(zhuǎn)發(fā)一條微博的重要影響因素,目的是更好的理解用戶的轉(zhuǎn)發(fā)行為,同時提高轉(zhuǎn)發(fā)預(yù)測效果。本文通過分析微博用戶轉(zhuǎn)發(fā)行為的影響因素,綜合相關(guān)文獻,匯總了影響用戶轉(zhuǎn)發(fā)行為的眾多特征,在規(guī)模較大的真實微博數(shù)據(jù)集上實現(xiàn)了特征提取與特征選擇,建立因子分解機預(yù)測模型,在測試集上對用戶的轉(zhuǎn)發(fā)行為做出預(yù)測,通過對比研究了各種特征和特征組合在微博用戶轉(zhuǎn)發(fā)行為預(yù)測上的有效性。本文的工作主要有四個方面:(1)綜合相關(guān)文獻,分析匯總了大量影響用戶轉(zhuǎn)發(fā)行為的特征,并在真實的新浪微博數(shù)據(jù)集上實現(xiàn)了特征提取。(2)通過每次使用一組類型特征訓(xùn)練建立因子分解機預(yù)測模型的方式,研究了用戶特征、作者特征、微博特征、興趣特征和社交特征五種不同類型特征對模型預(yù)測性能的影響。實驗表明,興趣特征和微博特征對模型預(yù)測性能的影響最大。(3)對微博特征全集實現(xiàn)了Filter特征選擇和Wrapper特征選擇,研究了各種特征和特征子集對模型預(yù)測性能的影響。實驗表明,轉(zhuǎn)發(fā)相似度特征與分類預(yù)測的相關(guān)性最高。Wrapper方法選擇的最優(yōu)特征子集,在幾乎保證預(yù)測效果的同時,大幅降低了特征維度,提高了運行效率。(4)利用預(yù)測性能最好的最優(yōu)特征子集建立因子分解機預(yù)測模型,對用戶的轉(zhuǎn)發(fā)行為進行預(yù)測,預(yù)測精度達到了89.0%,F1度量達到了66.8%,AUC面積達到了95.0%。
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：G206;TP391.3
【圖文】：

圖 2 特征選擇過程圖中可以看出，特征子集搜索和子集評價是特征選擇關(guān)鍵的環(huán)節(jié)，在沒有作為先驗假設(shè)的前提下進行特征選擇，需要遍歷所有可能的子集，這在計重的組合爆炸問題，特征個數(shù)稍多就難以進行，比如，含有 n 個特征的集

圖 3 不同類型特征預(yù)測 ROC 曲線以明顯看出，興趣類型特征預(yù)測的 ROC 曲線最靠近左上角8.5%，與信息檢索常用的評價指標(biāo)評價結(jié)果類似，興趣特征，說明興趣類型特征對微博用戶轉(zhuǎn)發(fā)預(yù)測的重要性最大。其

【參考文獻】

相關(guān)期刊論文 前6條

1 鄧青;馬曄風(fēng);劉藝;張輝;;基于BP神經(jīng)網(wǎng)絡(luò)的微博轉(zhuǎn)發(fā)量的預(yù)測[J];清華大學(xué)學(xué)報(自然科學(xué)版);2015年12期

2 匡沖;劉知遠;孫茂松;;微博轉(zhuǎn)發(fā)者的個性化排序[J];山東大學(xué)學(xué)報(理學(xué)版);2014年11期

3 齊超;陳鴻昶;于巖;;基于行為分析的微博信息傳播效果[J];計算機應(yīng)用;2014年08期

4 曹玖新;吳江林;石偉;劉波;鄭嘯;羅軍舟;;新浪微博網(wǎng)信息傳播分析與預(yù)測[J];計算機學(xué)報;2014年04期

5 李英樂;于洪濤;劉力雄;;基于SVM的微博轉(zhuǎn)發(fā)規(guī)模預(yù)測方法[J];計算機應(yīng)用研究;2013年09期

6 張e

本文編號：2721340