• 主题
高级搜索  >
历史搜索 清空历史
首页> 中文期刊> 《软件学报》 >一种基于RNN的社交消息爆发预测模型

一种基于RNN的社交消息爆发预测模型

         
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Outbreak prediction in social networks is a part of popularity dynamic analysis of social networks,and it is an active research topic in the domain of social computing.This study proposes a social messages outbreak prediction model based on recurrent neural network (SMOP) by modeling the message propagation process.Compared with the traditional models on machine learning,SMOP directly models the arrival process of message without the need of tedious feature engineering in traditional methods.When it comes to point process models,SMOP is able to automatically learn the rate functions of propagation process,making it adaptable to a variety of scenarios.Moreover,time vector and user vector,which contain the periodicity of time and the user profile,are used as input to improve the performance of outbreak prediction.Experimental results on real word data sets such as Twitter and Sina Weibo show that SMOP has excellent data adaptability,and it is able to predict whether a message would outbreak with higher F1 score in the beginning of the message spread (within 0.5h).%社交网络中,消息的爆发预测属于社交网络流行动态分析的范畴,是社会计算领域的研究热点之一.通过利用基于深度循环神经网络对社交消息的传播过程进行建模,提出了SMOP(social messages outbreak prediction model based on recurrent neural network)模型与传统的基于机器学习的模型相比,SMOP直接对消息转发的到达过程进行建模,避免了传统方法中繁琐的特征工程;与基于点随机过程的模型相比,SMOP可以自动学习消息传播过程的速率函数,不需要手动定义消息传播速率的特征函数,具有较强的数据场景适应性.另外,SMOP采用了时间向量和用户向量的输入表示方法,将时间的周期性和用户的兴趣偏好建模到传播过程之中,提升了SMOP的预测效果.在Twitter和新浪微博数据集上的实验结果均表明,SMOP具有优良的数据适应能力,可以在消息传播的早期(0.5h),以较高的F1值预测某条社交消息是否爆发,验证了模型的有效性.

著录项

  • 来源
    《软件学报》 |2017年第11期|3030-3042|共13页
  • 作者

    笱程成; 秦宇君; 田甜; 伍大勇; 刘悦; 程学旗;

  • 作者单位

    中国科学院网络数据科学与技术重点实验室(中国科学院计算技术研究所);

    北京 100190;

    中国科学院大学;

    北京 100049;

    中国科学院网络数据科学与技术重点实验室(中国科学院计算技术研究所);

    北京 100190;

    中国科学院大学;

    北京 100049;

    中国人民解放军61755部队;

    北京 100857;

    中国科学院网络数据科学与技术重点实验室(中国科学院计算技术研究所);

    北京 100190;

    中国科学院网络数据科学与技术重点实验室(中国科学院计算技术研究所);

    北京 100190;

    中国科学院网络数据科学与技术重点实验室(中国科学院计算技术研究所);

    北京 100190;

  • 原文格式 PDF
  • 正文语种 chi
  • 中图分类 程序设计、软件工程;
  • 关键词

    循环神经网络; 点随机过程; 爆发预测; 机器学习; 社交网络;

相似文献

  • 中文文献
  • 外文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号