CN104123377A - 一种微博话题热度预测系统及方法 - Google Patents
一种微博话题热度预测系统及方法 Download PDFInfo
- Publication number
- CN104123377A CN104123377A CN201410368076.XA CN201410368076A CN104123377A CN 104123377 A CN104123377 A CN 104123377A CN 201410368076 A CN201410368076 A CN 201410368076A CN 104123377 A CN104123377 A CN 104123377A
- Authority
- CN
- China
- Prior art keywords
- topic
- user
- represent
- energy
- relevant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000009825 accumulation Methods 0.000 claims description 15
- 235000010627 Phaseolus vulgaris Nutrition 0.000 claims description 13
- 244000046052 Phaseolus vulgaris Species 0.000 claims description 13
- 230000000050 nutritive effect Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000013016 damping Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000005526 G1 to G0 transition Effects 0.000 claims description 3
- 108010074506 Transfer Factor Proteins 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 235000016709 nutrition Nutrition 0.000 claims description 3
- 230000035764 nutrition Effects 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 2
- 230000006855 networking Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及社交网络技术领域，特别是一种微博话题热度预测系统及方法，所述方法包括如下步骤：首先，根据用户关系及话题因素计算用户影响力；接着根据话题相关的微博和用户影响力，计算话题能量值，量化话题热度；最后结合小波变换与ARIMA回归模型，预测话题热度。所述系统和方法可以实现社交网络热点话题的热度预测，挖掘话题被关注的情况及变化趋势，从海量微博信息中了解并预测出用户所关注话题的热度趋势，并且具有较高的准确度。
Description
技术领域
本发明涉及社交网络技术领域，特殊涉及一种微博话题热度预测系统及方法。
背景技术
微博已成为互联网的一种时尚，随着微博的快速发展，微博信息呈现一种爆炸式的增长态势，大量的微博信息导致微博平台成为当今社会重要的舆论场。如何从海量微博信息中了解并预测出用户所关注话题的热度趋势成为一个具有挑战性的研究课题。
近年来，基于社交媒体的总统选举预测、票房预测、话题热度预测等预测问题的研究引起了学者们的关注。其中话题热度预测旨在挖掘话题被关注的情况及变化趋势，而如何量化话题的热度是话题热度预测的重要前提。高热度话题是指在一段时间内频繁出现在网络上，并被用户广泛关注并讨论的话题。因此，话题相关微博数及其相关用户共同决定着话题的热度。然而，现有的微博话题热度预测方法大都只考虑微博信息而忽略了用户社会关系，如很多方法只考虑当前时间片的微博数作为新闻热度，忽略了不同用户对于话题知名度的贡献的区别。已有部分方法将用户关系考虑在内，但忽略用户同预测话题之间的相关性。此外，话题的热度不仅受当前时间片产生的微博和相关用户影响，也受到话题的历史热度值的影响。因此有研究人员引进老化理论计算话题的能量值，刻画话题生命周期。
从统计的思想出发，话题热度的预测可以看成是在已有的历史时间序列数值情况下，对未来某个时刻的话题的能量值的预测。现有时间序列值的预测大多基于回归预测模型，如自回归或者自回归滑动预测模型(ARMA)、基于神经网络的预测模型等。采用基于回归的预测模型适用于值在时间上的波动较为平稳的情况。而话题在演化过程中具有突发性，表现出明显的多尺度特性。而基于神经网络的预测模型能够较好地预测非线性的时间序列，但模型训练和计算的复杂度过高。
综上，现有的话题热度预测系统及方法尚有很大的提升空间。面对海量微博话题数据，现有方法无论是在效果和效率上都难以满足要求。
发明内容
本发明的目的在于克服现有技术的不足，提供一种微博话题热度预测系统及方法，该系统及方法可有效预测话题热度。
为实现上述目的，本发明的技术方案是：一种微博话题热度预测系统，所述系统包括：
用户影响力计算模块，用于计算话题相关的用户影响力；
话题能量值计算模块，用于根据与话题相关的微博和用户影响力计算话题能量值，量化话题热度；
话题热度预测模块，用于根据计算得到的话题能量值，利用小波变换和ARIMA回归模型，预测话题热度。
本发明还提供一种微博话题热度预测方法，所述方法包括如下步骤：
步骤A：计算话题相关的用户影响力；
步骤B：根据话题相关的微博和用户影响力，计算话题能量值，量化话题热度；
步骤C：根据计算得到的话题能量值，利用小波变换和ARIMA回归模型，预测话题热度：对能量曲线进行小波分解，然后分别对得到的逼近信号与各层的细节信号进行ARIMA回归预测，再对预测的分量进行重构，得到预测的话题热度。
进一步的，所述步骤A中，计算话题相关的用户影响力，包括以下步骤：
步骤A1：定义话题依存度，表示两个用户在话题tp下的相关程度，计算公式为：
其中，TDR j,i 表示用户v i 和v j 的话题依存度；VC j,i 表示用户v i 和v j 共同关注用户集合，VC j,i = FOL(v j )∩FOL(v i )，FOL(v i )表示用户v i 关注的用户集合，FOL(v j )表示用户v j 关注的用户集合；表示第t个时间片内发布与话题tp相关的微博的用户集合，定义为话题内用户；表示第t个时间片内没有发布与话题tp相关的微博的用户集合，定义为话题外用户；ξ为一系数，用于削弱话题外用户对用户v i 和v j 之间相关程度的贡献，0≤ξ≤1；
步骤A2：根据话题依存度，模拟随机游走过程，迭代更新用户影响力，为使得影响力从一个用户以更大的概率转移到与之依存度更高的关注用户，定义用户影响力计算的迭代过程中的概率转移公式为：
步骤A3：引入系数ξ削弱话题外的粉丝的影响力贡献，则相应的用户影响力更新公式为：
Inf(v i )=
其中，FAN(v i )表示用户v i 的粉丝集合，d∈[0,1]为阻尼因子，用于修正用户影响力的计算；
迭代过程中的初始影响力Inf (0)(v i )定义为用户与其所有粉丝的依存度总和，即：
每一步迭代计算用户影响力为：
Inf (k)(v i )=
步骤A4：设定阈值ε，当前后两次迭代得到的用户影响力值相差小于阈值ε，满足迭代终止条件，话题相关的用户影响力计算结束。
进一步的，所述步骤B中，计算话题能量值，量化话题热度，包括以下步骤：
步骤B1：定义话题能量值是由话题在当前时刻的营养的累积（累计支持度）转换而来，而当前时刻的累积支持度是话题的历史累积支持度经衰减之后同当前摄入的营养值之和；计算在第t个时间片，话题tp所获取的营养值，其取决于当前时间片与该话题相关的微博数及话题的影响力，计算公式为：
其中，表示第ｔ个时间片话题tp的营养值，表示第t个时间片与话题tp相关的微博集合，表示微博集合大小；表示第t个时间片的话题tp的影响力，其为当前时间片内发布了与话题相关微博的用户对话题tp的影响力的总和，计算公式如下：
其中，Inf (user(tw i ))表示发布与话题tp相关的第i条微博的用户tw i 在这个话题上的影响力；
步骤B2：采用指数衰减方案，计算话题在第t个时间片的累积支持度S t ：
其中S 0 = 0，参数α∈[0,1]为支持度转移因子，决定着营养值对话题生命的贡献；参数β∈[0,1]为支持度衰减因子，用于控制话题的衰减速度；
步骤B3：采用sigmoid函数定义能量函数将S t 从无限的范围[0,∞)转化到[0,1)之间的能量值：
能量函数还要满足以下两个条件：
其中，S t 表示累积支持度，E(S t )表示能量函数，1≥e 2≥e1≥0；e 1表示话题能量值的最低阈值，e 2表示话题能量峰值的最小阈值；通过以上两个限制条件，保证得到的能量计算公式能够使得话题在其稳定期有足够大的能量值表示话题高度活跃，同时话题在其生命周期内的能量值总和要远大于生命周期外的能量值总和。
进一步的，所述步骤C中，结合小波变换和ARIMA回归模型，预测话题热度，包括以下步骤：
步骤C1：将从第1~t个时间片的能量序列看做能量信号；对能量信号X(t)进行J尺度小波分解后得到一个小波逼近信号A J 及各层的细节信号D j ，j∈[1,J]；再通过小波重构即可得到无损的原始信号：
步骤C2：通过以上的小波分解得到各个分量A J 与D j ；利用ARIMA回归方法分别预测第t+1个时间片的分量预测值与，再根据步骤C1得到第t+1个时间片的话题能量值的预测值：
。
相较于现有技术，本发明的有益效果是：根据用户关系及话题因素计算用户影响力进而定义话题影响力，并考虑话题影响力和话题相关微博数定义话题能量值，更合理地量化话题的热度，接着结合小波变换与ARIMA回归模型，预测话题热度（能量值）。所述系统和方法可以实现社交网络热点话题的热度预测，挖掘话题被关注的情况及变化趋势，从海量微博信息中了解并预测出用户所关注话题的热度趋势，并且具有较高的准确度。
附图说明
图1是本发明系统的模块结构示意图。
图2是本发明方法的流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的说明。
图1是本发明的微博话题热度预测系统的模块结构示意图。如图1所示，所述系统包括：用户影响力计算模块100、话题能量值计算模块200和话题热度预测模块300。
用户影响力计算模块100综合考虑微博用户的粉丝数、粉丝影响力及特定话题因素，计算话题相关的用户影响力；话题能量值计算模块200考虑话题相关微博和用户影响力计算话题能量值，用于量化话题热度；话题热度（能量值）预测模块300根据历史的话题能量值，结合小波变换和ARIMA回归模型，预测话题热度（能量值）。
图2是本发明的微博话题热度预测方法的流程图。如图2所示，所述方法包括如下步骤：
步骤A：考虑微博用户的粉丝数、粉丝影响力及特定话题等因素，计算话题相关的用户影响力。
计算话题热度时，需要考虑不同用户影响力的差别，计算话题相关的用户影响力，包括以下步骤：
步骤A1：定义话题依存度TDR，表示两个用户在话题tp下的相关程度，计算公式为：
其中，TDR j,i 表示用户v i 和v j 的话题依存度；VC j,i 表示用户v i 和v j 共同关注用户集合，VC j,i = FOL(v j )∩FOL(v i )，FOL(v i )表示用户v i 关注的用户集合，FOL(v j )表示用户v j 关注的用户集合；表示第t个时间片内发布与话题tp相关的微博的用户集合，定义为话题内用户；表示第t个时间片内没有发布与话题tp相关的微博的用户集合，定义为话题外用户；ξ为一系数，话题外用户对用户v i 和v j 之间的话题依存度的贡献要小于话题内用户，因此利用ξ削弱话题外用户对用户v i 和v j 之间相关程度的贡献，0≤ξ≤1；
步骤A2：根据话题依存度，模拟随机游走过程，迭代更新用户影响力，用户之间的依存度越高，表明其在话题上的相似度越高，为使得影响力从一个用户以更大的概率转移到与之依存度更高的关注用户，定义用户影响力计算的迭代过程中的概率转移公式为：
步骤A3：不同的粉丝对于用户v i 在话题tp下的影响力的贡献是不一样的；若用户v i 的粉丝v j 也讨论该话题，则其对该话题的影响力越大，对用户v i 的影响力的贡献就越大，因此同样引入0≤ξ≤1削弱话题外的粉丝的影响力贡献，则相应的用户影响力更新公式为：
其中，FAN(v i )表示用户v i 的粉丝集合，d∈[0,1]为阻尼因子，用于修正用户影响力的计算，通常设为0.85；
迭代过程中的初始影响力Inf (0)(v i )定义为用户与其所有粉丝的依存度总和，即：
每一步迭代计算用户影响力为：
步骤A4：设定阈值ε，当前后两次迭代得到的值相差小于阈值ε，满足迭代终止条件，话题相关的用户影响力计算结束。
步骤B：根据话题相关的微博和用户影响力，计算话题能量值，量化话题热度。具体包括以下步骤：
步骤B1：定义话题能量值是由话题在当前时刻的营养的累积（累计支持度）转换而来，而当前时刻的累积支持度是话题的历史累积支持度经衰减之后同当前摄入的营养值之和。计算在第t个时间片，话题tp所获取的营养值，其取决于当前时间片与该话题相关的微博数及话题的影响力，计算公式为：
其中，表示第ｔ个时间片话题tp的营养值，表示第t个时间片与话题tp相关的微博集合，表示微博集合大小；表示第t个时间片的话题tp的影响力，其为当前时间片内发布了与话题相关微博的用户对话题tp的影响力的总和，计算公式如下：
其中，Inf (user(tw i ))表示发布与话题tp相关的第i条微博tw i 的用户在这个话题上的影响力；
步骤B2：定义营养值之后，采用指数衰减方案，计算话题在第t个时间片的累积支持度：
其中S 0 = 0，参数α∈[0,1]为支持度转移因子，决定着营养值对话题生命的贡献；参数β∈[0,1]为支持度衰减因子，用于控制话题的衰减速度；
步骤B3：为便于通过能量值较为直观地看出话题所处状态，采用sigmoid函数定义能量函数将S t 从无限的范围[0,∞)转化到[0,1)之间的能量值：
能量函数还要满足以下两个条件：
其中，S t 表示累积支持度，E(S t )表示能量函数，1≥e 2≥e 1≥0；e 1表示话题能量值的最低阈值，e 2表示话题能量峰值的最小阈值；通过以上两个限制条件，保证得到的能量计算公式能够使得话题在其稳定期有足够大的能量值表示话题高度活跃，同时话题在其生命周期内的能量值总和要远大于生命周期外的能量值总和。
步骤C：根据计算得到的话题能量值，利用小波变换和ARIMA回归模型，预测话题热度：对能量曲线进行小波分解，然后分别对得到的逼近信号与各层的细节信号进行ARIMA回归预测，再对预测的分量进行重构，得到预测的话题热度。
结合小波变换和ARIMA回归模型，预测话题热度，具体包括以下步骤：
步骤C1：将从第1~t个时间片的能量序列看做能量信号；对能量信号X(t)进行J尺度小波分解后得到一个小波逼近信号A J 及各层的细节信号D j ，j∈[1,J]；再通过小波重构即可得到无损的原始信号：
步骤C2：通过以上的小波分解得到各个分量A J 与D j ；利用ARIMA回归方法分别预测第t+1个时间片的分量预测值与，再根据步骤C1得到第t+1个时间片的话题能量值的预测值：
。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (5)
1.一种微博话题热度预测系统，其特征在于，所述系统包括：
用户影响力计算模块，用于计算话题相关的用户影响力；
话题能量值计算模块，用于根据与话题相关的微博和用户影响力计算话题能量值，量化话题热度；
话题热度预测模块，用于根据计算得到的话题能量值，利用小波变换和ARIMA回归模型，预测话题热度。
2.一种微博话题热度预测方法，其特征在于，所述方法包括如下步骤：
步骤A：计算话题相关的用户影响力；
步骤B：根据话题相关的微博和用户影响力，计算话题能量值，量化话题热度；
步骤C：根据计算得到的话题能量值，利用小波变换和ARIMA回归模型，预测话题热度：对能量曲线进行小波分解，然后分别对得到的逼近信号与各层的细节信号进行ARIMA回归预测，再对预测的分量进行重构，得到预测的话题热度。
3.根据权利要求2所述的一种微博话题热度预测方法，其特征在于，所述步骤A中，计算话题相关的用户影响力，包括以下步骤：
步骤A1：定义话题依存度，表示两个用户在话题tp下的相关程度，计算公式为：
其中，TDR j,i 表示用户v i 和v j 的话题依存度；VC j,i 表示用户v i 和v j 共同关注用户集合，VC j,i = FOL(v j )∩FOL(v i )，FOL(v i )表示用户v i 关注的用户集合，FOL(v j )表示用户v j 关注的用户集合， 表示第t个时间片内发布与话题tp相关的微博的用户集合，定义为话题内用户；表示第t个时间片内没有发布与话题tp相关微博的用户集合，定义为话题外用户；ξ为一系数，用于削弱话题外用户对用户v i 和v j 之间相关程度的贡献，0≤ξ≤1；
步骤A2：根据话题依存度，模拟随机游走过程，迭代更新用户影响力，为使得影响力从一个用户以更大的概率转移到与之依存度更高的关注用户，定义用户影响力计算的迭代过程中的概率转移公式为：
步骤A3：引入系数ξ削弱话题外的粉丝的影响力贡献，则相应的用户影响力更新公式为：
Inf(v i )=
其中，FAN(v i )表示用户v i 的粉丝集合，d∈[0,1]为阻尼因子，用于修正用户影响力的计算；
迭代过程中的初始影响力Inf (0)(v i )定义为用户与其所有粉丝的依存度总和，即：
每一步迭代计算用户影响力为：
Inf (k)(v i )=
步骤A4：设定阈值ε，当前后两次迭代得到的用户影响力值相差小于阈值ε，满足迭代终止条件，话题相关的用户影响力计算结束。
4.根据权利要求2所述的一种微博话题热度预测方法，其特征在于，所述步骤B中，计算话题能量值，量化话题热度，包括以下步骤：
步骤B1：定义话题能量值是由话题在当前时刻的营养的累积，即累计支持度转换而来，而当前时刻的累积支持度是话题的历史累积支持度经衰减之后同当前摄入的营养值之和；首先计算在第t个时间片，话题tp所获取的营养值，其取决于当前时间片与该话题相关的微博数及话题的影响力，计算公式为：
其中，表示第ｔ个时间片话题tp的营养值，表示第t个时间片与话题tp相关的微博集合，表示微博集合大小；表示第t个时间片的话题tp的影响力，其为当前时间片内发布了与话题相关微博的用户对话题tp的影响力的总和，计算公式如下：
其中，Inf (user(tw i ))表示发布与话题tp相关的第i条微博tw i 的用户在这个话题上的影响力；
步骤B2：采用指数衰减方案，计算话题在第t个时间片的累积支持度S t ：
其中S 0 = 0，参数α∈[0,1]为支持度转移因子，决定着营养值对话题生命的贡献；参数β∈[0,1]为支持度衰减因子，用于控制话题的衰减速度；
步骤B3：采用sigmoid函数定义能量函数将S t 从无限的范围[0,∞)转化到[0,1)之间的能量值：
能量函数还要满足以下两个条件：
其中，S t 表示累积支持度，E(S t )表示能量函数，1≥e 2≥e 1≥0；e 1表示话题能量值的最低阈值，e 2表示话题能量峰值的最小阈值；通过以上两个限制条件，保证得到的能量计算公式能够使得话题在其稳定期有足够大的能量值表示话题高度活跃，同时话题在其生命周期内的能量值总和要远大于生命周期外的能量值总和。
5.根据权利要求2所述的一种微博话题热度预测方法，其特征在于，所述步骤C中，结合小波变换和ARIMA回归模型，预测话题热度，包括以下步骤：
步骤C1：将从第1~t个时间片的能量序列看做能量信号；对能量信号X(t)进行J尺度小波分解后得到一个小波逼近信号A J 及各层的细节信号D j ，j∈[1,J]；再通过小波重构即可得到无损的原始信号：
步骤C2：通过以上的小波分解得到各个分量A J 与D j ；利用ARIMA回归方法分别预测第t+1个时间片的分量预测值与，再根据步骤C1得到对第t+1个时间片的话题能量值的预测值：
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410368076.XA CN104123377B (zh) | 2014-07-30 | 2014-07-30 | 一种微博话题热度预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410368076.XA CN104123377B (zh) | 2014-07-30 | 2014-07-30 | 一种微博话题热度预测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104123377A true CN104123377A (zh) | 2014-10-29 |
| CN104123377B CN104123377B (zh) | 2017-06-06 |
Family
ID=51768788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410368076.XA Expired - Fee Related CN104123377B (zh) | 2014-07-30 | 2014-07-30 | 一种微博话题热度预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104123377B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503209A (zh) * | 2016-10-26 | 2017-03-15 | Tcl集团股份有限公司 | 一种话题热度预测方法及系统 |
| CN106557552A (zh) * | 2016-10-27 | 2017-04-05 | 国家计算机网络与信息安全管理中心 | 一种网络话题热度预测方法 |
| CN106651016A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 一种热点话题下动态预测用户行为的系统及方法 |
| CN106779859A (zh) * | 2016-12-27 | 2017-05-31 | 南京安讯科技有限责任公司 | 一种移动终端产品实时销量预测方法 |
| CN106844426A (zh) * | 2016-12-09 | 2017-06-13 | 中电科华云信息技术有限公司 | 基于随机游走人员亲密度的计算系统及方法 |
| CN107203632A (zh) * | 2017-06-01 | 2017-09-26 | 中国人民解放军国防科学技术大学 | 基于相似关系和共现关系的话题流行度预测方法 |
| CN107609717A (zh) * | 2017-10-12 | 2018-01-19 | 南京航空航天大学 | 社交网络中一种基于Kalman滤波器的帖子转发量预测方法 |
| CN107870957A (zh) * | 2016-09-28 | 2018-04-03 | 郑州大学 | 一种基于信息增益和bp神经网络的热门微博预测方法 |
| CN108170699A (zh) * | 2017-11-13 | 2018-06-15 | 北京零秒科技有限公司 | 话题检测方法及装置 |
| CN108182239A (zh) * | 2017-12-27 | 2018-06-19 | 成都寻道科技有限公司 | 一种文章热度预测系统及预测方法 |
| WO2018125373A1 (en) * | 2016-12-29 | 2018-07-05 | Google Llc | Systems and methods for identifying and characterizing signals contained in a data stream |
| CN108596239A (zh) * | 2018-04-20 | 2018-09-28 | 南京航空航天大学 | 一种基于马尔科夫链和动态回溯的主题热度趋势预测方法 |
| TWI660283B (zh) * | 2018-02-08 | 2019-05-21 | 唐世平 | Election result prediction method based on computer simulation technology |
| US10389677B2 (en) | 2016-12-23 | 2019-08-20 | International Business Machines Corporation | Analyzing messages in social networks |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8275769B1 (en) * | 2011-04-14 | 2012-09-25 | Palo Alto Research Center Incorporated | System and method for identifying users relevant to a topic of interest |
| CN103092921A (zh) * | 2012-12-26 | 2013-05-08 | 中国科学院深圳先进技术研究院 | 一种面向微博热门话题社区的动态预测方法及系统 |
-
2014
- 2014-07-30 CN CN201410368076.XA patent/CN104123377B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8275769B1 (en) * | 2011-04-14 | 2012-09-25 | Palo Alto Research Center Incorporated | System and method for identifying users relevant to a topic of interest |
| CN103092921A (zh) * | 2012-12-26 | 2013-05-08 | 中国科学院深圳先进技术研究院 | 一种面向微博热门话题社区的动态预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| MEEYOUNG CHA 等: "Measuring User Influence in Twitter： The Million Follower Fallacy", 《PROCESSING OF THE FOURTH INTERNATIONAL AAAI CONFERENCE ON WEBLOGS AND SOCIAL MEDIA》 * |
| 张思龙: "微博热点话题预判技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 李菁菲: "基于小波技术和ARIMA模型的网络流量预测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107870957A (zh) * | 2016-09-28 | 2018-04-03 | 郑州大学 | 一种基于信息增益和bp神经网络的热门微博预测方法 |
| CN106503209A (zh) * | 2016-10-26 | 2017-03-15 | Tcl集团股份有限公司 | 一种话题热度预测方法及系统 |
| CN106557552A (zh) * | 2016-10-27 | 2017-04-05 | 国家计算机网络与信息安全管理中心 | 一种网络话题热度预测方法 |
| CN106557552B (zh) * | 2016-10-27 | 2020-08-21 | 国家计算机网络与信息安全管理中心 | 一种网络话题热度预测方法 |
| CN106844426A (zh) * | 2016-12-09 | 2017-06-13 | 中电科华云信息技术有限公司 | 基于随机游走人员亲密度的计算系统及方法 |
| CN106651016A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 一种热点话题下动态预测用户行为的系统及方法 |
| CN106651016B (zh) * | 2016-12-13 | 2020-08-04 | 重庆邮电大学 | 一种热点话题下动态预测用户行为的系统及方法 |
| US10389677B2 (en) | 2016-12-23 | 2019-08-20 | International Business Machines Corporation | Analyzing messages in social networks |
| CN106779859A (zh) * | 2016-12-27 | 2017-05-31 | 南京安讯科技有限责任公司 | 一种移动终端产品实时销量预测方法 |
| WO2018125373A1 (en) * | 2016-12-29 | 2018-07-05 | Google Llc | Systems and methods for identifying and characterizing signals contained in a data stream |
| CN107203632A (zh) * | 2017-06-01 | 2017-09-26 | 中国人民解放军国防科学技术大学 | 基于相似关系和共现关系的话题流行度预测方法 |
| CN107609717A (zh) * | 2017-10-12 | 2018-01-19 | 南京航空航天大学 | 社交网络中一种基于Kalman滤波器的帖子转发量预测方法 |
| CN108170699A (zh) * | 2017-11-13 | 2018-06-15 | 北京零秒科技有限公司 | 话题检测方法及装置 |
| CN108170699B (zh) * | 2017-11-13 | 2020-11-27 | 北京零秒科技有限公司 | 话题检测方法及装置 |
| CN108182239A (zh) * | 2017-12-27 | 2018-06-19 | 成都寻道科技有限公司 | 一种文章热度预测系统及预测方法 |
| TWI660283B (zh) * | 2018-02-08 | 2019-05-21 | 唐世平 | Election result prediction method based on computer simulation technology |
| CN108596239A (zh) * | 2018-04-20 | 2018-09-28 | 南京航空航天大学 | 一种基于马尔科夫链和动态回溯的主题热度趋势预测方法 |
| CN108596239B (zh) * | 2018-04-20 | 2021-12-31 | 南京航空航天大学 | 一种基于马尔科夫链和动态回溯的主题热度趋势预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104123377B (zh) | 2017-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104123377A (zh) | 一种微博话题热度预测系统及方法 | |
| Mi et al. | Short‐term power load forecasting method based on improved exponential smoothing grey model | |
| Yang et al. | A combined deep learning load forecasting model of single household resident user considering multi-time scale electricity consumption behavior | |
| CN111651722B (zh) | 一种针对广告主广告投放效果的风险评估方法及平台 | |
| CN111612651B (zh) | 一种基于长短期记忆网络的异常电量数据检测方法 | |
| CN112350876A (zh) | 一种基于图神经网络的网络流量预测方法 | |
| CN102075352B (zh) | 一种网络用户行为预测的方法和装置 | |
| Zhang et al. | Resource requests prediction in the cloud computing environment with a deep belief network | |
| CN110321934B (zh) | 一种检测用户用电异常数据的方法及系统 | |
| CN107644089A (zh) | 一种基于网络媒体的热门事件提取方法 | |
| Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
| CN102194015B (zh) | 根据检索信息热度统计实现检索的方法 | |
| CN103678669A (zh) | 一种社交网络中的社区影响力评估系统及方法 | |
| CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及系统 | |
| CN104182457A (zh) | 在社交网络中基于泊松过程模型的事件流行度预测方法 | |
| CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
| CN108133390A (zh) | 用于预测用户行为的方法和装置以及计算设备 | |
| CN105260615B (zh) | 一种粮食消费量预测方法 | |
| CN107944617A (zh) | 一种基于逻辑回归的疑似窃电主题影响因素权重优化方法 | |
| Zhou et al. | Network traffic prediction method based on echo state network with adaptive reservoir | |
| CN107426040B (zh) | 一种网络行为的预测方法 | |
| CN110837934B (zh) | 一种基于深度学习的智能电网短期住宅负荷预测方法 | |
| Pi et al. | Short‐Term Solar Irradiance Prediction Based on Multichannel LSTM Neural Networks Using Edge‐Based IoT System | |
| Liu et al. | Short‐term load forecasting based on LSTNet in power system | |
| CN106991496A (zh) | 一种面向移动社交环境的用户行为分层关联预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170606 Termination date: 20200730 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |