基于用戶特征的社交網(wǎng)絡(luò)信息傳播的研究.pdf

1、隨著信息技術(shù)和社交網(wǎng)絡(luò)的快速發(fā)展，在線社交網(wǎng)絡(luò)已經(jīng)成為互聯(lián)網(wǎng)信息發(fā)布和傳播的主要渠道。為更好的研究用戶行為模式，掌握輿論熱點，挖掘用戶興趣并構(gòu)建用戶畫像，信息傳播逐漸成為當前社交網(wǎng)絡(luò)的研究熱點。
　　當前，信息傳播研究分為針對信息傳播性質(zhì)的分析型研究、面向信息傳播過程建模的解釋型研究以及面向信息傳播參與者行為選擇建模的預(yù)測型研究。分析型方法側(cè)重對信息傳播模式的分析而缺乏對信息傳播本質(zhì)的深層探討;解釋型方法嘗試對尚未明了的信息傳播機

2、制建模，因而在適用性方面受到一定限制;預(yù)測型方法嘗試對用戶轉(zhuǎn)發(fā)選擇行為進行預(yù)測，但由于靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)的假設(shè)而缺少對社交網(wǎng)絡(luò)增量特性的支持。因此，全面、動態(tài)、增量地處理社交網(wǎng)絡(luò)數(shù)據(jù)成為預(yù)測信息傳播亟待解決的問題。
　　當前，機器學習技術(shù)在眾多領(lǐng)域取得了重大突破，排序?qū)W習模型(Learning To Rank，簡稱LTR模型)作為機器學習和信息檢索領(lǐng)域最重要的模型之一，受到越來越多的關(guān)注。排序?qū)W習以及其他機器學習模型被用于解決信息傳播問

3、題后，取得了較好的效果，但仍然存在一定缺陷:第一，由于信息傳播機制尚未明了，導致特征生成方法不夠明確，而現(xiàn)有特征也不足以體現(xiàn)信息傳播的本質(zhì);第二，社交網(wǎng)絡(luò)動態(tài)結(jié)構(gòu)給研究信息傳播帶來難度，動態(tài)的跟蹤用戶拓撲關(guān)系變化比較困難，另外增量變化的社交數(shù)據(jù)也要求增量的構(gòu)建多維復(fù)合特征;第三，由于社交網(wǎng)絡(luò)用戶和信息數(shù)量過大，排序?qū)W習的候選集生成方案在社交網(wǎng)絡(luò)環(huán)境下的復(fù)雜度較高，并且排序?qū)W習缺乏對數(shù)據(jù)和模型的增量性的支持。
　　因此，本文針對基于

4、排序?qū)W習的信息傳播預(yù)測算法進行了相關(guān)研究，主要工作包括:
　　(1)通過選取分析型、解釋型和預(yù)測型方法中的典型特征，在機器學習算法框架內(nèi)，從三個方面進行了特征擴展:用戶屬性特征、用戶關(guān)系特征及微博與事件特征，實驗結(jié)果表明擴展后的特征有助于提高信息傳播預(yù)測的精度。
　　(2)采用信息流入流出的動態(tài)結(jié)構(gòu)代替靜態(tài)拓撲結(jié)構(gòu)，在此基礎(chǔ)上并提出了基于時間窗的增量混合特征生成算法（Incremental Mix Feature Gener

5、ation，簡稱I-MFG算法），該方法基于社交網(wǎng)絡(luò)特征擴展以及增量學習思想改進了社交網(wǎng)絡(luò)特征生成方法。實驗結(jié)果表明I-MFG算法可以提高混合特征的預(yù)測準確率，較好的適應(yīng)增量的數(shù)據(jù)，較準確的反映用戶行為特征的動態(tài)性和復(fù)雜性。
　　(3)針對社交網(wǎng)絡(luò)數(shù)據(jù)和預(yù)測模型增量性的需要，本文基于LTR模型提出了新的基于數(shù)據(jù)點的增量排序?qū)W習算法（Incremental pointwise Learning To Rank，簡稱I-pLTR算法）