基于用戶特征的社交網(wǎng)絡信息傳播的研究.pdf_第1頁
已閱讀1頁,還剩78頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、隨著信息技術和社交網(wǎng)絡的快速發(fā)展,在線社交網(wǎng)絡已經(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,挖掘用戶興趣并構建用戶畫像,信息傳播逐漸成為當前社交網(wǎng)絡的研究熱點。
  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測型研究。分析型方法側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;預測型方法嘗試對用戶轉發(fā)選擇行為進行預測,但由于靜態(tài)網(wǎng)絡結構的假設而缺少對社交網(wǎng)絡增量特性的支持。因此,全面、動態(tài)、增量地處理社交網(wǎng)絡數(shù)據(jù)成為預測信息傳播亟待解決的問題。
  當前,機器學習技術在眾多領域取得了重大突破,排序學習模型(Learning To Rank,簡稱LTR模型)作為機器學習和信息檢索領域最重要的模型之一,受到越來越多的關注。排序學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)絡動態(tài)結構給研究信息傳播帶來難度,動態(tài)的跟蹤用戶拓撲關系變化比較困難,另外增量變化的社交數(shù)據(jù)也要求增量的構建多維復合特征;第三,由于社交網(wǎng)絡用戶和信息數(shù)量過大,排序學習的候選集生成方案在社交網(wǎng)絡環(huán)境下的復雜度較高,并且排序學習缺乏對數(shù)據(jù)和模型的增量性的支持。
  因此,本文針對基于

4、排序學習的信息傳播預測算法進行了相關研究,主要工作包括:
  (1)通過選取分析型、解釋型和預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、用戶關系特征及微博與事件特征,實驗結果表明擴展后的特征有助于提高信息傳播預測的精度。
  (2)采用信息流入流出的動態(tài)結構代替靜態(tài)拓撲結構,在此基礎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)絡特征擴展以及增量學習思想改進了社交網(wǎng)絡特征生成方法。實驗結果表明I-MFG算法可以提高混合特征的預測準確率,較好的適應增量的數(shù)據(jù),較準確的反映用戶行為特征的動態(tài)性和復雜性。
  (3)針對社交網(wǎng)絡數(shù)據(jù)和預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)點的增量排序學習算法(Incremental pointwise Learning To Rank,簡稱I-pLTR算法)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論