CN104915392B - 一种微博转发行为预测方法及装置 - Google Patents
一种微博转发行为预测方法及装置 Download PDFInfo
- Publication number
- CN104915392B CN104915392B CN201510275479.4A CN201510275479A CN104915392B CN 104915392 B CN104915392 B CN 104915392B CN 201510275479 A CN201510275479 A CN 201510275479A CN 104915392 B CN104915392 B CN 104915392B
- Authority
- CN
- China
- Prior art keywords
- user
- microblogging
- behavior
- attribute
- content
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008451 emotion Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种微博转发行为预测方法及装置,包括:基于微博的用户属性、内容属性和用户行为属性来预测用户是否转发该微博,本发明通过在转发预测中引入用户个人行为,即用户行为特征以及用户兴趣特征,从而有效提高了微博转发行为预测的准确性。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种微博转发行为预测方法及装置。
背景技术
我国微博应用于2009年正式发布,迅速以其内容简洁、交互便捷和快速传播等特点,发展成为人们表达观点、抒发情绪、传递信息的重要社会媒体。截至2014年6月底,我国微博用户规模为2.75亿,用户之间结成复杂的关注关系,每天发送微博近1亿条,信息沿着用户间的关注关系进行传播,形成传播扩散网络。微博转发是消息在微博网络中得到持续传播的重要方式,微博转发预测能够有效估计消息是否能获得转发及其转发规模,及早发现可能引发大规模爆发的微博,对微博突发性检测和微博影响力评估具有重要意义。
目前对微博的转发主要是根据用户静态属性或消息本身特征来进行预测,预测的结果并不准确,还有就是基于转发关系的因子图模型方法进行预测,而该方法需要建立完整的微博转发树、前一时刻节点状态以及前后两个时刻的邻居节点状态,这需要获得完整的转发关系和历史转发日志数据,但是在实际转发预测问题中,大部分情况下只能获取到部分用户转发数据和局部日志数据,建立完整的转发树和节点状态是很困难的,并且计算复杂度较高。
发明内容
鉴于上述的分析,本发明旨在提供一种微博转发行为预测方法及装置,用以解决现有技术中微博转发预测不准确的问题。
为解决上述问题,本发明主要是通过以下技术方案实现的:
本发明一方面提供了一种微博转发行为预测方法,该方法包括:
接收微博;
基于所述微博的用户属性、微博内容属性和用户行为属性来预测用户是否转发该微博;
其中,所述用户行为属性包括用户行为特征以及用户兴趣特征,所述用户行为特征进一步包括:用户的转发帖数、用户转发率和互动频率,所述用户兴趣特征进一步包括:用户兴趣标签和历史微博内容所构成的特征向量。
优选地,该方法还包括:
基于用户活跃期和时间窗的转发行为、忽略行为以及未接收行为构建该用户的行为模型;
根据所述行为模型的训练数据集确定所述微博内容属性和所述用户行为属性。
优选地,所述微博内容属性进一步包括:情感词数量和实体词数量,其中,所述情感词数量为微博内容所含情感词个数;所述实体词数量为微博的实体词个数;
所述用户转发帖数为用户在预定时间段内转发帖子的总数;
所述用户转发率为用户发帖数量中转帖子的比例;
所述互动频率为:
其中,∑nuv为用户从其关注用户v所转发的帖子数,为用户转发帖子的总数量。
优选地,该方法还包括:
计算所述微博与用户兴趣向量的相似度:其中,Iu(t)为用户兴趣
特征,
且Iu(t0)为微博的标签关键词,α为权重因子,T为预设的时间段,V为微博内容关键词的特征向量。
优选地,所述微博内容属性包括:
用户属性为用户加V为0,不加V为1;
微博结构特征为是否含有url、以及是否含有图片和视频链接。
优选地,所述基于所述微博的用户属性、微博内容属性和用户行为属性来预测用户是否转发该微博的步骤具体包括:
将所述微博的用户属性、微博内容属性和用户行为属性带入分类器,根据所述分类器的结果预测用户是否转发该微博。
本发明再一方面提供了一种微博转发行为预测装置,包括:
接收单元,接收微博;
处理单元,基于所述微博的用户属性、微博内容属性和用户行为属性来预测用户是否转发该微博;
其中,所述用户行为属性包括用户行为特征以及用户兴趣特征,所述用户行为特征进一步包括:用户的转发帖数、用户转发率和互动频率,所述用户兴趣特征进一步包括:用户兴趣标签和历史微博内容所构成的特征向量。
优选地,该装置还包括:
建模单元,用于基于用户活跃期和时间窗的转发行为、忽略行为以及未接收行为构建该用户的行为模型;
所述处理单元还用于,根据所述行为模型的训练数据集确定所述微博内容属性和所述用户行为属性。
优选地,所述微博内容属性进一步包括:情感词数量和实体词数量,其中,所述情感词数量为微博内容所含情感词个数;所述实体词数量为微博的实体词个数;
所述用户转发帖数为用户在预定时间段内转发帖子的总数;
所述用户转发率为用户发帖数量中转帖子的比例;
所述互动频率为:
其中,∑nuv为用户从其关注用户v所转发的帖子数,为所述用户转发帖子的总数量。
优选地,所述处理单元还用于,将所述微博的用户属性、微博内容属性和用户行为属性带入分类器,根据所述分类器的结果预测用户是否转发该微博。
本发明基于用户兴趣特征以及用户行为特征对转发与否进行预测,即,本发明在转发预测中充分考虑了用户个人行为,从而有效提高了微博转发行为预测的准确性,并解决了现有技术中微博转发预测不准确的问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明实施例的一种微博转发行为预测方法的流程示意图;
图2为本发明实施例的另一种微博转发行为预测方法的流程示意图;
图3为本发明实施例的再一种微博转发行为预测方法的流程示意图;
图4为本发明实施例的一种微博转发行为预测装置的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。为了清楚和简化目的,当其可能使本发明的主题模糊不清时,将省略本文所描述的器件中已知功能和结构的详细具体说明。
为了解决现有技术中现有技术中微博转发预测不准确的问题,本发明提供了一种微博转发行为预测方法,以下结合附图以及几个实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不限定本发明。
方法实施例
本发明实施例提供了一种微博转发行为预测方法,参见图1,该方法包括:
S101、接收微博;
S102、基于所述微博的用户属性、内容属性和用户行为属性来预测用户是否转发该微博;
本发明实施例中所述的接收微博也可以是预先选定微博,基于预定的某个或某些微博进行转发与否的预测。
其中,本发明实施例所述用户行为属性包括用户行为特征以及用户兴趣特征,所述用户行为特征进一步包括:用户的转发帖数、用户转发率和互动频率,所述用户兴趣特征进一步:用户兴趣标签和历史微博内容所构成的特征向量(或者可称为微博内容关键词的特征向量)。本发明实施例所述微博内容属性包括:微博内容所含情感词个数和微博的实体词个数。
本发明通过在转发预测中引入用户个人行为,即用户行为特征以及用户兴趣特征,从而有效提高了微博转发行为预测的准确性。
需要说明的是,本发明在进行转发预测前,先基于用户活跃期和时间窗的转发行为、忽略行为以及未接收行为构建该用户的训练模型,再根据所述训练模型内的数据确定所述微博内容属性和所述用户行为属性。
下面将对本发明所涉及到的各个属性、特征和向量进行详细的说明:
本发明实施例所述用户属性为用户加V为0,不加V为1;
本发明实施例所述微博内容属性包括:微博结构特征为是否含有url、以及是否含有图片和视频链接,还包括微博内容所含情感词个数和微博的实体词个数。其中,本发明实施例所述情感词数量为微博内容所含情感词个数;情感词数量表明微博内容用词的激烈程度,有统计数据表明,用词激烈的微博更容易得到转发;本发明实施例所述实体词数量为微博的实体词个数;实体词数量表明微博内容的丰富程度,有统计表明,微博内容越丰富越容易得到转发。
本发明实施例所述的用户兴趣标签为用户自己在微博中所标注的,例如,设置的体育、娱乐等等,根据该标签可以从一定程度上得出用户所倾向转发的微博;
本发明实施例所述的历史微博内容所构成的特征向量为根据用户历史的微博内容而统计的用户所倾向于转发的微博,如,根据统计标明用户更倾向于转发历史转发过的微博主题等等;
本发明实施例所述用户行为特征主要包括以下几个方面:
用户转发帖数为用户在预定时间段内转发帖子的总数,转发帖子越多表明用户越可能转发新贴;
用户转发率为用户发帖数量中转帖子的比例,转发帖子比例越高表明用户越可能转发新贴;
互动频率为:
其中,∑nuv为用户从其关注用户v所转发的帖子数,为用户转发帖子的总数量。该指标表明了用户从其某个上游用户(即关注用户)转发微博的概率,概率越大,用户越倾向于从该关注用户转发微博。例如:用户u关注了5个好友(a、b、c、d和e),用户u总转帖数为100,从a用户转发过5条微博,从b转发过10条微博,从c转发过50条微博,从d转发过35条微博,从e转发过0条微博。则u和a之间的互动频率计算为5/100=0.05,同样的,u与bcde的互动频率以此为0.1,0.5,0.35,0。通过该指标的计算,可以得出用户u最倾向于转发好友c的微博,该指标可以表明用户u转发好友微博的概率大小。
本发明所述的方法还包括:计算所述微博与用户兴趣向量的相似度:
其中,V为微博内容关键词的特征向量,Iu(t)为用户兴趣特征:
Iu(t0)为微博的标签关键词,T为预设的时间间隔,t=t0+T,例如设置T为30天,则Iu(t)表示用户注册一个月后的兴趣,t0表示用户注册时间,通常记为0时刻,起始时间的用户兴趣以用户自己的标签关键词表示,如{旅游、聚会、运动、音乐},而用户在t时刻的兴趣由初始兴趣标签关键词和历史微博内容关键词共同表示,α为权重因子,通过调整权重因子,可以调节用户当前兴趣与初始兴趣和动态兴趣之间的关系。例如用户t时刻发布过的微博共有5条,经过分词和词频统计后,得到按词频由高到低排序的兴趣特征向量,例如{度假、酒店、……},使用知网等外部知识库,计算兴趣特征向量里的关键词(如度假)与兴趣标签集合{旅游、聚会、运动、音乐}中的词的相似度之和,相似度之和大于一定阈值,则将在兴趣特征向量中对该词词频+1,全部特征词计算完毕后,重新对兴趣特征向量特征词按词频进行排序,得到最终的兴趣特征向量。如果想减小计算代价,可以按照一定规则截取前200个特征词作为兴趣特征词集合。(也可以按照词频设置阈值,比如只取词频大于5的特征词)。
具体实施时,本发明通过将上述微博内容属性和用户行为属性一一带入分类器,根据所述分类器的结果预测用户是否转发该微博。
需要说明的是,本发明实施例所述的分类器可以是决策树等能够根据各个数据得到预测结果的相关装置。
由于本发明所述的方法考虑了用户自身的各种属性,因此本发明通过分类器计算得到的用户转发的预测结果更准确。
下面将结合图2和图3以一个具体的例子对本发明所述的方法进行详细的说明:
(1)正负样本标注
(a)正样本:通过用户显示的转发标记识别,具体方法是提取微博转发标志,若rid不等于空表明该条微博为转发微博,提取微博内容中的“//@UserScreenName:”,获取转发上游用户;
(b)负样本:统计微博转发时延获取分布函数,计算用户的关注好友数量,根据用户关注好友数量计算微博停留的时间区间;
(2)用户转发行为特征计算
(a)用户属性:标记用户是否加V以及用户粉丝数,加V为0,不加V为1;
(b)用户发帖数:计算用户发帖总数;
(c)用户转发率:计算用户发帖数量中转帖的比例;
(d)微博内容特征:
微博的情感词数量:基于情感词典,计算微博内容所含情感词个数;
微博的实体词数量:对微博消息进行分词,根据词性标注结果提取类别为机构名、人名、地名、时间词的词,计算实体个数;
(e)微博结构特征:是否含有url、是否含有图片和视频链接,该属性为二值属性;
(f)用户兴趣与微博的相似性特征:
计算用户兴趣属性:
计算微博与用户兴趣向量的相似度:
(g)互动频率特征:
(3)微博转发行为预测;
具体为,基于C4.5决策树建立分类模型,在训练数据集上对模型参数进行训练,在待测数据上进行分类,实现用户对微博转发行为的预测。
具体来说,本发明通过基于用户活跃期和动态时间窗的转发行为、忽略行为以及未接收行为构建模型训练数据,并基于用户动态兴趣度量其变化对用户转发行为的影响程度,还通过用户转发率、交互频率等用户行为特征,衡量了用户历史行为模式和用户影响力传递效应的差异性对用户转发行为的影响,最后通过扩展特征空间,建立分类模型实现转发行为预测方法。
装置实施例
本发明实施例提供了一种微博转发行为预测装置,参见图4,该装置包括相互连接的接收单元和处理单元,具体的,
接收单元,接收微博;
处理单元,基于所述微博的微博内容属性和用户行为属性来预测用户是否转发该微博;
其中,所述用户行为属性包括用户行为特征以及用户兴趣特征,所述用户行为特征进一步包括:用户的转发帖数、用户转发率和互动频率,所述用户兴趣特征进一步包括:用户兴趣标签和历史微博内容所构成的特征向量。
优选地,该装置还包括:
建模单元,用于基于用户活跃期和时间窗的转发行为、忽略行为以及未接收行为构建该用户的行为模型;
所述处理单元还用于,根据所述行为模型的训练数据集确定所述微博内容属性和所述用户行为属性。
本发明实施例所述情感词数量为微博内容所含情感词个数;
所述实体词数量为微博的实体词个数;
所述用户转发帖数为用户在预定时间段内转发帖子的总数;
所述用户转发率为用户发帖数量中转帖子的比例;
所述互动频率为:
其中,∑nuv为用户从其关注用户v所转发的帖子数,为所述用户转发帖子的总数量。
本发明实施例所述处理单元还用于,将微博的用户属性、内容属性和用户行为属性带入分类器,根据所述分类器的结果预测用户是否转发该微博。
本发明实施例的所述的方法中的相关内容可参考系统实施例部分的相关内容进行理解,在此不再赘述。
本发明所述的方法及装置至少能够达到以下的有益效果:
首先,本发明是基于动态时间窗的转发行为、忽略行为以及未接收行为识别方法,能够准确构建用户转发和非转发微博数据集,为模型验证和效果分析提供更为精确的数据基础和测试环境;
其次,本发明有效融合了用户长期兴趣、短期兴趣特征,解决了社交网络信息传播过程中,用户兴趣及其变化特性对用户转发行为影响程度的量化问题;
再次,本发明的转发率等用户行为特征,以及交互频率等用户交互特征,有效度量了用户历史行为模式、用户影响力传递效应的差异性对用户转发行为的影响;
最后,本发明融合上游用户特征、微博特征、转发用户兴趣和历史行为特征从而能够准确预测微博转发与否。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (8)
1.一种微博转发行为预测方法,其特征在于,包括:
接收微博;
基于所述微博的用户属性、微博内容属性和用户行为属性来预测用户是否转发该微博;
其中,所述用户行为属性包括用户行为特征以及用户兴趣特征,所述用户行为特征进一步包括:用户的转发帖数、用户转发率和互动频率,所述用户兴趣特征进一步包括:用户兴趣标签和历史微博内容所构成的特征向量;
基于用户活跃期和时间窗的转发行为、忽略行为以及未接收行为构建该用户的行为模型;
根据所述行为模型的训练数据集确定所述微博内容属性和所述用户行为属性。
2.根据权利要求1所述的方法,其特征在于,
所述微博内容属性进一步包括:情感词数量和实体词数量,其中,所述情感词数量为微博内容所含情感词个数;所述实体词数量为微博的实体词个数;
所述用户转发帖数为用户在预定时间段内转发帖子的总数;
所述用户转发率为用户发帖数量中转帖子的比例;
所述互动频率为:
其中,∑nuv为用户从其关注用户v所转发的帖子数,为用户转发帖子的总数量。
3.根据权利要求2所述的方法,其特征在于,还包括:
计算所述微博与用户兴趣向量的相似度:其中,Iu(t)为用户兴趣特征,
且,Iu(t0)为微博的标签关键词,α为权重因子,T为预设的时间段,V为微博内容关键词的特征向量。
4.根据权利要求2所述的方法,其特征在于,所述微博内容属性包括:
用户属性为用户加V为0,不加V为1;
微博结构特征为是否含有url、以及是否含有图片和视频链接。
5.根据权利要求2或3所述的方法,其特征在于,所述基于所述微博的用户属性、微博内容属性和用户行为属性来预测用户是否转发该微博的步骤具体包括:
将所述微博的用户属性、微博内容属性和用户行为属性带入分类器,根据所述分类器的结果预测用户是否转发该微博。
6.一种微博转发行为预测装置,其特征在于,包括:
接收单元,接收微博;
处理单元,基于所述微博的用户属性、微博内容属性和用户行为属性来预测用户是否转发该微博;
其中,所述用户行为属性包括用户行为特征以及用户兴趣特征,所述用户行为特征进一步包括:用户的转发帖数、用户转发率和互动频率,所述用户兴趣特征进一步包括:用户兴趣标签和历史微博内容所构成的特征向量;
建模单元,用于基于用户活跃期和时间窗的转发行为、忽略行为以及未接收行为构建该用户的行为模型;
所述处理单元还用于,根据所述行为模型的训练数据集确定所述微博内容属性和所述用户行为属性。
7.根据权利要求6所述的装置,其特征在于,
所述微博内容属性进一步包括:情感词数量和实体词数量,其中,所述情感词数量为微博内容所含情感词个数;所述实体词数量为微博的实体词个数;
所述用户转发帖数为用户在预定时间段内转发帖子的总数;
所述用户转发率为用户发帖数量中转帖子的比例;
所述互动频率为:
其中,∑nuv为用户从其关注用户v所转发的帖子数,为用户转发帖子的总数量。
8.根据权利要求7所述的装置,其特征在于,
所述处理单元还用于,将所述微博的用户属性、微博内容属性和用户行为属性带入分类器,根据所述分类器的结果预测用户是否转发该微博。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510275479.4A CN104915392B (zh) | 2015-05-26 | 2015-05-26 | 一种微博转发行为预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510275479.4A CN104915392B (zh) | 2015-05-26 | 2015-05-26 | 一种微博转发行为预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915392A CN104915392A (zh) | 2015-09-16 |
CN104915392B true CN104915392B (zh) | 2019-03-26 |
Family
ID=54084455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510275479.4A Active CN104915392B (zh) | 2015-05-26 | 2015-05-26 | 一种微博转发行为预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915392B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326481A (zh) * | 2016-08-31 | 2017-01-11 | 中译语通科技(北京)有限公司 | 一种基于突发特征的微博热点话题检测方法 |
CN106557551A (zh) * | 2016-10-27 | 2017-04-05 | 西南石油大学 | 基于微博事件聚类建模的微博传播规模预测方法和系统 |
CN106503858A (zh) * | 2016-10-28 | 2017-03-15 | 中国科学院计算技术研究所 | 一种训练用于预测社交网络用户转发消息的模型的方法 |
CN106777162A (zh) * | 2016-12-20 | 2017-05-31 | 西南石油大学 | 一种高精度微博转发预测方法 |
CN106600071A (zh) * | 2016-12-20 | 2017-04-26 | 西南石油大学 | 一种基于主题的微博转发预测方法与系统 |
CN107180106B (zh) * | 2017-06-06 | 2021-01-01 | 中国人民解放军国防科学技术大学 | 一种基于用户行为序列的相互影响力快速度量方法 |
CN107633326A (zh) * | 2017-09-14 | 2018-01-26 | 北京拉勾科技有限公司 | 一种用户投递意愿模型的构建方法和计算设备 |
CN108229731B (zh) * | 2017-12-20 | 2021-03-23 | 重庆邮电大学 | 一种热点话题下多消息互影响的用户行为预测系统及方法 |
CN108596205B (zh) * | 2018-03-20 | 2022-02-11 | 重庆邮电大学 | 基于地域相关因子与稀疏表示的微博转发行为预测方法 |
CN109063927B (zh) * | 2018-08-28 | 2021-12-07 | 成都信息工程大学 | 一种基于ts-lstm和dnn的微博转发量预测方法 |
CN109993586B (zh) * | 2019-04-10 | 2021-12-07 | 秒针信息技术有限公司 | 一种营销产品的方法和装置 |
CN110033353A (zh) * | 2019-04-15 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 用户对象推荐方法、装置、计算机可读存储介质和计算机设备 |
CN110825948B (zh) * | 2019-11-05 | 2022-10-18 | 重庆邮电大学 | 基于促谣-辟谣消息和表示学习的谣言传播控制方法 |
CN110991742A (zh) * | 2019-12-04 | 2020-04-10 | 清华大学 | 一种社交网络信息转发概率预测方法及系统 |
CN111062449A (zh) * | 2019-12-26 | 2020-04-24 | 成都终身成长科技有限公司 | 预测模型的训练方法、兴趣度预测方法、装置和存储介质 |
WO2021139255A1 (zh) * | 2020-07-27 | 2021-07-15 | 平安科技(深圳)有限公司 | 基于模型的预测数据变化频率的方法、装置和计算机设备 |
CN112015726B (zh) * | 2020-08-21 | 2024-04-12 | 广州欢网科技有限责任公司 | 一种用户活跃度预测方法、系统及可读存储介质 |
CN113592058B (zh) * | 2021-07-05 | 2024-03-12 | 西安邮电大学 | 一种定量预测微博转发广度与深度的方法 |
CN117078362B (zh) * | 2023-10-17 | 2023-12-29 | 北京铭洋商务服务有限公司 | 一种个性化差旅路线推荐方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102394798A (zh) * | 2011-11-16 | 2012-03-28 | 北京交通大学 | 一种基于多元特征的微博信息传播行为预测方法及系统 |
CN103984701A (zh) * | 2014-04-16 | 2014-08-13 | 北京邮电大学 | 微博转发量预测模型生成方法及微博转发量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120042020A1 (en) * | 2010-08-16 | 2012-02-16 | Yahoo! Inc. | Micro-blog message filtering |
-
2015
- 2015-05-26 CN CN201510275479.4A patent/CN104915392B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102394798A (zh) * | 2011-11-16 | 2012-03-28 | 北京交通大学 | 一种基于多元特征的微博信息传播行为预测方法及系统 |
CN103984701A (zh) * | 2014-04-16 | 2014-08-13 | 北京邮电大学 | 微博转发量预测模型生成方法及微博转发量预测方法 |
Non-Patent Citations (3)
Title |
---|
"微博客中转发行为的预测研究";张旸 等;《中文信息学报》;20120731;第26卷(第4期);权利要求1-8、说明书第[0038]-[0053]段 |
"社交网络个性化推荐方法研究";邢星;《万方数据知识服务平台》;20131008;第11-12页、第5.2节 |
"社交网络中的用户转发行为预测";谢婧 等;《上海交通大学学报》;20130430;第47卷(第4期);第585-588页 |
Also Published As
Publication number | Publication date |
---|---|
CN104915392A (zh) | 2015-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915392B (zh) | 一种微博转发行为预测方法及装置 | |
CN107391760B (zh) | 用户兴趣识别方法、装置及计算机可读存储介质 | |
US10747771B2 (en) | Method and apparatus for determining hot event | |
CN106682686A (zh) | 一种基于手机上网行为的用户性别预测方法 | |
CN105608179B (zh) | 确定用户标识的关联性的方法和装置 | |
US9338047B1 (en) | Detecting content on a social network using browsing patterns | |
CN110019699B (zh) | 域间通过语法槽的分类 | |
CN106997549A (zh) | 一种广告信息的推送方法及系统 | |
Bian et al. | Predicting trending messages and diffusion participants in microblogging network | |
CN104281882A (zh) | 基于用户特征的预测社交网络信息流行度的方法及系统 | |
CN104933622A (zh) | 一种基于用户和微博主题的微博流行度预测方法及系统 | |
CN103455545A (zh) | 社交网络用户的位置估计的方法和系统 | |
CN105550275B (zh) | 一种微博转发量预测方法 | |
JP2016532943A (ja) | オンライン・ソーシャル・ネットワークにおける大規模ページ推薦 | |
CN105005918A (zh) | 一种基于用户行为数据和潜在用户影响力分析的在线广告推送方法及其推送评估方法 | |
CN103176982A (zh) | 一种电子图书推荐的方法及系统 | |
CN103761254A (zh) | 多领域服务主题匹配推荐方法 | |
CN105488092A (zh) | 一种时间敏感和自适应的子话题在线检测方法及系统 | |
CN111949848B (zh) | 一种基于特定事件的跨平台传播态势评估及分级方法 | |
CN103617146B (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
CN113569129A (zh) | 点击率预测模型处理方法、内容推荐方法、装置及设备 | |
CN112765480A (zh) | 一种信息推送方法、装置及计算机可读存储介质 | |
CN110046251A (zh) | 社区内容风险评估方法及装置 | |
CN107392392A (zh) | 基于深度学习的微博转发预测方法 | |
CN113779240A (zh) | 信息识别方法、装置、计算机系统及可读存储介质 |
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 |