[發(fā)明專利]一種熱點(diǎn)話題下多消息互影響的用戶行為預(yù)測(cè)系統(tǒng)及方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711380240.9
• 申請(qǐng)日: 2017-12-20
• 公開（公告）號(hào): CN108229731B
• 公開（公告）日: 2021-03-23
• 發(fā)明（設(shè)計(jì)）人: 肖云鵬;李凈樺;劉紅;李暾;李茜;劉宴兵
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27
• 代理公司: 重慶市恒信知識(shí)產(chǎn)權(quán)代理有限公司 50102
• 代理人: 李金蓉

本發(fā)明請(qǐng)求保護(hù)一種熱點(diǎn)話題下用戶參與行為的預(yù)測(cè)系統(tǒng)及方法。屬于社交網(wǎng)絡(luò)分析領(lǐng)域。首先，提出了多消息影響機(jī)制，包括內(nèi)部影響因素和外部影響因素；然后考慮到BP(error BackPropagation，誤差逆?zhèn)鞑?神經(jīng)網(wǎng)絡(luò)高度的自學(xué)習(xí)和自適應(yīng)能力以及能充分逼近任意復(fù)雜非線性關(guān)系的特性，采用神經(jīng)網(wǎng)絡(luò)構(gòu)建用戶參與行為預(yù)測(cè)模型。同時(shí)使用模擬退火算法，解決了BP算法局部極小的問(wèn)題，從而保證算法穩(wěn)定和準(zhǔn)確。最后，定義了多消息相關(guān)性指標(biāo)，用來(lái)衡量多消息之間的互影響強(qiáng)度，同時(shí)可以更加準(zhǔn)確的表征話題對(duì)用戶參與行為的影響。

技術(shù)領(lǐng)域

本發(fā)明屬于網(wǎng)絡(luò)話題分析領(lǐng)域，涉及多消息相互影響分析，是一種用戶參與熱點(diǎn)話題預(yù)測(cè)系統(tǒng)及方法。

背景技術(shù)

隨著社交網(wǎng)絡(luò)的不斷普及與發(fā)展，它在人們生活中扮演的角色越來(lái)越重要，而微博就是其中非常具有代表性的社交網(wǎng)絡(luò)之一。利用微博這個(gè)社交網(wǎng)絡(luò)平臺(tái)，用戶可以自主選擇自己感興趣的其他用戶進(jìn)行關(guān)注或者自由發(fā)布自己的消息，且消息是所有人都能夠看到的。所以，微博不僅具有社交的功能，同時(shí)它作為一種新的輿論媒介，吸引了我國(guó)大部分的網(wǎng)民參與，就出現(xiàn)了熱點(diǎn)話題。與以往的傳統(tǒng)媒介相比，微博給予每個(gè)用戶自由表達(dá)交流的渠道，所以針對(duì)某熱點(diǎn)話題，用戶可以自由發(fā)表消息，而消息之間的相互影響又在一定程度上可以預(yù)測(cè)用戶是否參與消息，在輿論傳播與控制上具有非常重要的意義。

由于熱點(diǎn)話題會(huì)很快擴(kuò)散成為整個(gè)社會(huì)的熱點(diǎn)事件，社會(huì)影響力也隨之激增，所以對(duì)熱點(diǎn)話題的分析也逐漸成為研究熱點(diǎn)，包括用戶參與行為、信息傳播等方向。目前對(duì)用戶參與行為的預(yù)測(cè)所使用的方法包括基于用戶文本興趣的分析、基于用戶過(guò)往行為的分析和基于用戶所受外界影響的分析等。在針對(duì)熱點(diǎn)話題的用戶行為預(yù)測(cè)中，多數(shù)研究以用戶自身屬性特點(diǎn)為切入點(diǎn)進(jìn)行用戶行為預(yù)測(cè)，忽略了熱點(diǎn)話題下多條消息之間的相互影響，考慮因素略顯單一，并不能很好的擬合出實(shí)際情況，導(dǎo)致了不能取得良好的預(yù)測(cè)效果。本發(fā)明綜合以上各層面因素，將多消息之間的相互影響考慮在內(nèi)，提出了一種用戶參與熱點(diǎn)話題預(yù)測(cè)模型。

發(fā)明內(nèi)容

本發(fā)明針對(duì)多消息之間的相互作用對(duì)用戶參與行為具有一定的影響，同時(shí)現(xiàn)有技術(shù)中神經(jīng)網(wǎng)絡(luò)算法進(jìn)行預(yù)測(cè)時(shí)，容易陷入局部最小值并且收斂速度慢等問(wèn)題。本發(fā)明提出了一種熱點(diǎn)話題用戶參與行為預(yù)測(cè)方法。該方法研究已經(jīng)參與某話題下消息的用戶，是否會(huì)在各種因素影響下參與該話題下其他消息。同時(shí)，分別從內(nèi)部影響因素、外部影響因素兩個(gè)角度出發(fā)，通過(guò)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行用戶行為預(yù)測(cè)，進(jìn)而量化多消息的相關(guān)性。提出了一種不易陷入局部極小值，大大提高了預(yù)測(cè)準(zhǔn)確性的熱點(diǎn)話題用戶參與行為預(yù)測(cè)系統(tǒng)及方法。本發(fā)明的技術(shù)方案如下：

一種熱點(diǎn)話題用戶參與行為預(yù)測(cè)系統(tǒng)，其包括：獲取數(shù)據(jù)模塊、構(gòu)建模型模塊及預(yù)測(cè)分析模塊，其中

獲取數(shù)據(jù)模塊，用于通過(guò)社交網(wǎng)絡(luò)獲取并統(tǒng)計(jì)數(shù)據(jù)，包括某話題下的多條消息、參與了這些消息的用戶和用戶的相關(guān)屬性；

解析屬性模塊，用于將獲取到的社交網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行分析，分別從內(nèi)部影響因素和外部影響因素來(lái)提取相關(guān)屬性，內(nèi)部影響因素即用戶個(gè)人特征屬性，外部影響因素即多消息之間相互影響屬性；

構(gòu)建模型模塊，用于將用戶自身的若干屬性和多消息之間的相互影響屬性作為輸入，輸入層節(jié)點(diǎn)數(shù)為7，輸出用戶是否參與話題，故輸出層節(jié)點(diǎn)數(shù)為1。按照專家經(jīng)驗(yàn)，取輸入層節(jié)點(diǎn)數(shù)與輸出層節(jié)點(diǎn)數(shù)之積開平方作為隱含層節(jié)點(diǎn)個(gè)數(shù)最為合理，將BP神經(jīng)網(wǎng)絡(luò)中隱含層的節(jié)點(diǎn)個(gè)數(shù)設(shè)為3，這樣既不會(huì)因?yàn)殡[含層節(jié)點(diǎn)數(shù)太少，使得訓(xùn)練性能變差，也不會(huì)因?yàn)楣?jié)點(diǎn)數(shù)過(guò)多，延長(zhǎng)訓(xùn)練時(shí)間且出現(xiàn)過(guò)擬合的情況，然后不斷調(diào)整輸入層與隱含層之間的連接權(quán)重，確定好權(quán)重之后即對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到用戶是否會(huì)參與話題下多消息的參與預(yù)測(cè)模型；

預(yù)測(cè)分析模塊，將輸入數(shù)據(jù)輸入到參與預(yù)測(cè)模型進(jìn)行用戶是否會(huì)參與該話題下其他消息的預(yù)測(cè)，通過(guò)分析得到的預(yù)測(cè)結(jié)果量化熱點(diǎn)話題下消息間的相關(guān)性。

進(jìn)一步的，所述獲取數(shù)據(jù)模塊中，多條消息的相關(guān)數(shù)據(jù)包括消息發(fā)表時(shí)間、轉(zhuǎn)發(fā)路徑，以及平均消息影響力；用戶參與行為數(shù)據(jù)包括參與用戶的個(gè)人信息及歷史行為數(shù)據(jù)。