CN106600071A - 一种基于主题的微博转发预测方法与系统 - Google Patents
一种基于主题的微博转发预测方法与系统 Download PDFInfo
- Publication number
- CN106600071A CN106600071A CN201611185198.0A CN201611185198A CN106600071A CN 106600071 A CN106600071 A CN 106600071A CN 201611185198 A CN201611185198 A CN 201611185198A CN 106600071 A CN106600071 A CN 106600071A
- Authority
- CN
- China
- Prior art keywords
- microblogging
- forwarding
- follower
- microblog
- weight
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000009193 crawling Effects 0.000 claims abstract description 10
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims description 3
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims 1
- 238000012546 transfer Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于主题的微博转发预测方法与系统,所述的方法包括以下步骤:爬取相应的微博,并根据时间窗D的大小分别存储相应的微博转发关系及微博内容;对爬取的微博进行主题分类,重新按微博主题对爬取的微博转发关系进行存储,针对每个微博主题建立微博转发关系网络;根据每个微博主题转发库中的转发关系,计算每条边的权重;对待测微博进行微博转发预测;所述的系统包括数据爬取模块、微博库、转发关系库、分析模块、预测关系库、用户前端模块和用户后端模块;本发明针对不同的微博主题转发关系进行预测,基于对不同微博主题转发关系的转发预测,提高了预测准确度。
Description
技术领域
本发明涉及微博预测领域,具体是一种基于主题的微博转发预测方法与系统。
背景技术
微博是一种基于用户关系的实时信息交流、分享、传播的社交平台,与Facebook、Twitter等社交网络一样影响了人类的生活交流方式。在微博平台上,随着用户数量以亿万级为单位数量的增加,大量的图片、文本等海量信息的背后反映的是人们的生活想法、知识和有趣的事情。微博的出现除了产生有益影响,也带来了很多问题,例如不良言论的无约束传播等严重破坏了社会生活风气。所以,对微博用户的活动状态进行预测,对于政府、企事业单位、、个人都有重要的意义。
在现有的微博转发预测解决方案中,公开号为CN104933622A的中国专利公开了一种基于用户和微博主题的微博流行度预测方法及系统,该方法包括:获取预设时间段内的微博数据和用户数据,根据所述微博数据和所述用户数据,获取用户属性特征和微博主题特征,将所述用户属性特征进行归一化处理,以处理后的所述用户特征进行用户聚类,并根据聚类结果,获取用户的类别信息;根据所述微博主题特征和所述用户的类别信息,获取用户聚类在所述微博主题下的转发特征,并计算所述用户聚类在所述微博主题下的权重系数;根据所述微博主题特征、所述用户属性特征、所述权重系数,构建微博流行度预测模型,通过所述微博流行度预测模型对微博流行度进行预测。该专利利用不同时间间隔的影响权重进行流行度预测模型的构建与本发明基于主题转发关系的有向图网络进行节点权重刻画不同的转发概率的方案不同。
公开号为CN105159905A的中国专利公开了一种基于转发关系的微博聚类方法,该方法针对微博文本特征稀疏造成的微博文本聚类效果不佳的问题,提出一种基于微博转发关系的微博文本聚类方法。该方法根据微博之间存在的转发关系以及转发文本之间的主题相似性,构建了微博转发关系有向图。该图将转发关系作为单向边,使用微博作为节点构成图,将相互连通的部分视作一个小簇,称之为转发关系簇,在这个小簇中所有微博有同一个最初的转发源。本发明方法将转发关系簇作为聚类的初始对象,采用基于最大最小距离和SSE的自适应聚类算法进行微博文本聚类,提高了文本特征稀疏的微博文本的聚类准确率。该专利虽然也是基于微博转发关系进行的预测,但是其利用文本相似性、最大距离、最下距离计算和SSE的自适应聚类算法进行相似性度量的方案与本发明基于边权重进行转发概率刻画的原理不同。
公开号为CN105550275A的中国专利公开了一种微博转发量预测方法,用于解决现有技术中对微博转发量预测的方法准确性较低的问题,该方法包括:获取训练微博数据和待预测微博数据;根据训练微博的转发量,将训练微博划分为对应的类别;提取训练微博特征,包括转发网络特征、内容特征和时序特征;建立所述微博特征和转发量类别之间的多分类模型;提取待预测微博特征,根据所述的待预测微博特征,基于多分类模型,预测待预测微博的转发量类别。本发明在微博内容特征和时序特征的基础上,加入多种转发网络特征,综合利用三类特征来预测转发量,提高了预测的准确性。该发明与本发明所要解决的问题相同,但是其通过训练微博数据并提取特征、建立模型的方法虽然在一定程度上提高了微博转发预测的准确度,但是对于多级层的微博转发关系网,无法做到精确预测其中的级层之间的转发情况,并且对于多种主题类型的微博转发预测,准确度并不高。
对于多种级层关系的微博转发关系网络,在不同主题类型的转发关系中,假设微博用户A的微博都是IT类的,而微博用户B的微博包括IT跟人文,微博用户C是A和B的粉丝,但是只关注IT不加主题的话,A的微博预测问题不大,但是B的微博就不会那么准确。例如,微博用户D是B的粉丝,且D只关注人文。如果B发布了一条微博,就不能很准确地预测C会转发还是D会转发的B发的微博。加上主题限定后,如果B发布的微博属于IT,那么就可以预测C会转发;反之,如果B发布的微博属于人文,那么预测D会转发。
现有的微博预测方法针对多种主题类型的微博转发关系网络存在准确度低的问题,尤其是对于多种级层关系的微博转发关系网络,无法做到准确、精确的预测某一层关注者的转发情况。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于主题的微博转发预测方法与系统,以至少实现提高预测准确性和级层预测精度的效果。
本发明的目的是通过以下技术方案来实现的:一种基于主题转发的高精度预测微博转发概率的方法,其特征在于,它包括以下步骤:
S1:爬取相应的微博,并根据时间窗D的大小分别存储相应的微博转发关系及微博内容;
S2:基于现有的主题模型对爬取的微博内容进行主题分类;
S3:根据不同的主题分类分别存储相应的微博转发关系;
S4:根据不同主题的转发关系,建立有向图网络;
S5:统计每个微博用户发布的微博被转发的总数N,以及对应的各个关注者转发的数量n1,n2,n3…ni,计算对应的每条有向边的初始权重为
S6:统计有向网络中节点个数M,并给予每个节点1/M的权重;
S7:更新每个节点的权重,以首先发布微博的用户为节点,把当前节点的权重根据有向边的权重分配到直接该微博的节点上;
S8:完成发布微博的用户和第一批关注者的节点权重更新以后,依次更新剩下的各批关注者的节点的权重;
S9:重复S8步骤,直到每个节点的权重收敛;
S10:获取待测微博的第一批关注者的权重w1,w2,…wn;
S11:根据需要设定一个权重阈值Q1,循环判断所述第一批关注者的权重w1,w2,…wn是否超过阈值Q1,如果超过,则保留;如果没有超过,则去除;如果都不超过,则去掉topK个权重值后作为下一个阶段的传播预测;
S12:重复S11,根据需要设定一个关注者个数阈值Q2,直到关注者的权重都小于Q1且注者的个数都小于Q2时,停止预测。
所述的步骤S4中,不同的主题转发关系下分别建立对应主题的转发关系有向图网络。
所述步骤S6中的网络节点个数M为涉及到转发微博的关注者个数。
所述的步骤S7中,根据关注者转发的微博数占被关注者发布的被转发的微博总数的比例进行分配权重。
所述的步骤S9中,能够根据实际需求设置迭代次数直到满足实际情况需要或者通过设定一个节点变化率阈值Q3,如果每个节点的变化率都小于Q3,则停止迭代,进行该阶段的预测。
所述的第一批关注者为直接关注首先发布微博的用户的关注者,第二批关注者为通过关注第一批关注者关注到了该转发微博,第三批关注者为通过关注第二批关注者关注到了该转发微博,依次类推,第K批关注者为通过第K-1批关注者关注到了该转发微博。
所述的步骤S9能够根据实际需求设置迭代次数,直到满足实际情况需要或者直到每个节点的权重收敛,然后停止迭代,进行该阶段的预测。
所述的步骤S10中,第一批关注者的权重为均分权重1/M。
所述的预测在每一次预测中涉及关注者和被关注者两个级层,每一个级层预测一次。
一种基于主题转发的高精度预测微博转发概率的系统,它包括数据爬取模块、微博库、转发关系库、分析模块、预测关系库、用户前端模块和用户后端模块,所述数据爬取模块用于对微博的爬取;所述微博库用于存储爬取的微博内容;所述转发关系库,用于存储数据爬取模块爬取的微博转发关系;所述分析模块主要用于对爬取的微博内容进行主题分类,对转发关系库中的转发关系进行统计分析,建立相应的有向图网络,进而计算每条边的权重;所述预测关系库保存分析模块生成的不同主题微博的转发预测信息;所述用户前端模块为用户提供界面方便其录入待测微博用户信息;所述用户后端模块用于调用分析模块的函数进行分析,根据用户输入的信息得到预测结果,预测结果存储后提供给特定网站进行调用。
本发明的有益效果是:本发明通过在在现有的主题分类下建立微博转发关系网络,然后通过均分初始权重,利用带有权重的节点迭代计算关注该节点的节点的权重,从而实现不同级层节点的权重更新,基于更新以后的节点权重进行不同微博用户转发概率的描述实现对转发情况的预测,尤其是针对选定的某一主题下的两层直接关注与直接被关注的关系,显著提高了预测准确度。
附图说明
图1为本发明的方法执行步骤流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于主题转发的高精度预测微博转发概率的方法,其特征在于,它包括以下步骤:
S1:爬取相应的微博,并根据时间窗D的大小分别存储相应的微博转发关系及微博内容;
S2:基于现有的主题模型对爬取的微博内容进行主题分类;
S3:根据不同的主题分类分别存储相应的微博转发关系;
S4:根据不同主题的转发关系,建立有向图网络,如果A关注了B,那么就有一条从B出发指向A的有向边;如果A同时关注了B,C,那么就存在两条分别从B,C出发的边,共同指向A;
S5:统计每个微博用户发布的微博被转发的总数N,以及对应的各个关注者转发的数量n1,n2,n3…ni,计算对应的每条有向边的初始权重为
S6:统计有向网络中节点个数M,并给予每个节点1/M的权重;
S7:更新每个节点的权重,以首先发布微博的用户为节点,把当前节点的权重根据有向边的权重分配到直接该微博的节点上,这一过程只涉及发布微博的用户和关注该微博的第一批关注者;
S8:完成发布微博的用户和第一批关注者的节点权重更新以后,依次更新剩下的各批关注者的节点的权重;
S9:重复S8步骤,直到每个节点的权重收敛;
S10:获取待测微博的第一批关注者的权重w1,w2,…wn;
S11:根据需要设定一个权重阈值Q1,循环判断所述第一批关注者的权重w1,w2,…wn是否超过阈值Q1,如果超过,则保留;如果没有超过,则去除;如果都不超过,则去掉topK个权重值后作为下一个阶段的传播预测;
S12:重复S11,根据需要设定一个关注者个数阈值Q2,直到关注者的权重都小于Q1且注者的个数都小于Q2时,停止预测。
所述的步骤S4中,不同的主题转发关系下分别建立对应主题的转发关系有向图网络。
所述步骤S6中的网络节点个数M为涉及到转发微博的关注者个数。
所述的步骤S7中,根据关注者转发的微博数占被关注者发布的被转发的微博总数的比例进行分配权重。
所述的步骤S9中,能够根据实际需求设置迭代次数直到满足实际情况需要或者通过设定一个节点变化率阈值Q3,如果每个节点的变化率都小于Q3,则停止迭代,进行该阶段的预测。
所述的第一批关注者为直接关注首先发布微博的用户的关注者,第二批关注者为通过关注第一批关注者关注到了该转发微博,第三批关注者为通过关注第二批关注者关注到了该转发微博,依次类推,第K批关注者为通过第K-1批关注者关注到了该转发微博。
所述的步骤S9能够根据实际需求设置迭代次数,直到满足实际情况需要或者直到每个节点的权重收敛,然后停止迭代,进行该阶段的预测,可以减少程序运算成本。
所述的步骤S10中,第一批关注者的权重为均分权重1/M。
所述的预测在每一次预测中涉及关注者和被关注者两个级层,每一个级层预测一次。
一种基于主题转发的高精度预测微博转发概率的系统,它包括数据爬取模块、微博库、转发关系库、分析模块、预测关系库、用户前端模块和用户后端模块,所述数据爬取模块用于对微博的爬取;所述微博库用于存储爬取的微博内容;所述转发关系库,用于存储数据爬取模块爬取的微博转发关系;所述分析模块主要用于对爬取的微博内容进行主题分类,对转发关系库中的转发关系进行统计分析,建立相应的有向图网络,进而计算每条边的权重;所述预测关系库保存分析模块生成的不同主题微博的转发预测信息;所述用户前端模块为用户提供界面方便其录入待测微博用户信息;所述用户后端模块用于调用分析模块的函数进行分析,根据用户输入的信息得到预测结果,预测结果存储后提供给特定网站进行调用。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于主题的微博转发预测方法,其特征在于,它包括以下步骤:
S1:爬取相应的微博,并根据时间窗D的大小分别存储相应的微博转发关系及微博内容;
S2:基于现有的主题模型对爬取的微博内容进行主题分类;
S3:根据不同的主题分类分别存储相应的微博转发关系;
S4:根据不同主题的转发关系,建立有向图网络;
S5:统计每个微博用户发布的微博被转发的总数N,以及对应的各个关注者转发的数量n1,n2,n3…ni,计算对应的每条有向边的初始权重为
S6:统计有向网络中节点个数M,并给予每个节点1/M的权重;
S7:更新每个节点的权重,以首先发布微博的用户为节点,把当前节点的权重根据有向边的权重分配到直接该微博的节点上;
S8:完成发布微博的用户和第一批关注者的节点权重更新以后,依次更新剩下的各批关注者的节点的权重;
S9:重复S8步骤,直到每个节点的权重收敛;
S10:获取待测微博的第一批关注者的权重w1,w2,…wn;
S11:根据需要设定一个权重阈值Q1,循环判断所述第一批关注者的权重w1,w2,…wn是否超过阈值Q1,如果超过,则保留;如果没有超过,则去除;如果都不超过,则去掉topK个权重值后作为下一个阶段的传播预测;
S12:重复S11,根据需要设定一个关注者个数阈值Q2,直到关注者的权重都小于Q1且注者的个数都小于Q2时,停止预测。
2.根据权利要求1所述的一种基于主题的微博转发预测方法,其特征在于:所述的步骤S4中,不同的主题转发关系下分别建立对应主题的转发关系有向图网络。
3.根据权利要求1所述的一种基于主题的微博转发预测方法,其特征在于:所述步骤S6中的网络节点个数M为涉及到转发微博的关注者个数。
4.根据权利要求1所述的一种基于主题的微博转发预测方法,其特征在于:所述的步骤S7中,根据关注者转发的微博数占被关注者发布的被转发的微博总数的比例进行分配权重。
5.根据权利要求1所述的一种基于主题的微博转发预测方法,其特征在于:所述的步骤S9中,能够根据实际需求设置迭代次数直到满足实际情况需要或者通过设定一个节点变化率阈值Q3,如果每个节点的变化率都小于Q3,则停止迭代,进行该阶段的预测。
6.根据权利要求1所述的一种基于主题的微博转发预测方法,其特征在于:所述的第一批关注者为直接关注首先发布微博的用户的关注者,第二批关注者为通过关注第一批关注者关注到了该转发微博,第三批关注者为通过关注第二批关注者关注到了该转发微博,依次类推,第K批关注者为通过第K-1批关注者关注到了该转发微博。
7.根据权利要求1所述的一种基于主题的微博转发预测方法,其特征在于:所述的步骤S9能够根据实际需求设置迭代次数,直到满足实际情况需要或者直到每个节点的权重收敛,然后停止迭代,进行该阶段的预测。
8.根据权利要求1所述的一种基于主题的微博转发预测方法,其特征在于:所述的步骤S10中,第一批关注者的权重为均分权重1/M。
9.根据权利要求8所述的一种基于主题的微博转发预测方法,其特征在于:所述的预测在每一次预测中涉及关注者和被关注者两个级层,每一个级层预测一次。
10.一种基于主题的微博转发预测系统,其特征在于:它包括数据爬取模块、微博库、转发关系库、分析模块、预测关系库、用户前端模块和用户后端模块,所述数据爬取模块用于对微博的爬取;所述微博库用于存储爬取的微博内容;所述转发关系库,用于存储数据爬取模块爬取的微博转发关系;所述分析模块主要用于对爬取的微博内容进行主题分类,对转发关系库中的转发关系进行统计分析,建立相应的有向图网络,进而计算每条边的权重;所述预测关系库保存分析模块生成的不同主题微博的转发预测信息;所述用户前端模块为用户提供界面方便其录入待测微博用户信息;所述用户后端模块用于调用分析模块的函数进行分析,根据用户输入的信息得到预测结果,预测结果存储后提供给特定网站进行调用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611185198.0A CN106600071A (zh) | 2016-12-20 | 2016-12-20 | 一种基于主题的微博转发预测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611185198.0A CN106600071A (zh) | 2016-12-20 | 2016-12-20 | 一种基于主题的微博转发预测方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600071A true CN106600071A (zh) | 2017-04-26 |
Family
ID=58601923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611185198.0A Pending CN106600071A (zh) | 2016-12-20 | 2016-12-20 | 一种基于主题的微博转发预测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600071A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885656A (zh) * | 2019-02-18 | 2019-06-14 | 国家计算机网络与信息安全管理中心 | 基于量化热度的微博转发预测方法及装置 |
CN110163404A (zh) * | 2018-06-12 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种信息扩散预测方法、装置及服务器、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662956A (zh) * | 2012-03-05 | 2012-09-12 | 西北工业大学 | 一种基于用户话题链接行为的社交网络意见领袖识别方法 |
CN103412872A (zh) * | 2013-07-08 | 2013-11-27 | 西安交通大学 | 一种基于有限节点驱动的微博社会网络信息推荐方法 |
CN104915392A (zh) * | 2015-05-26 | 2015-09-16 | 国家计算机网络与信息安全管理中心 | 一种微博转发行为预测方法及装置 |
CN105550275A (zh) * | 2015-12-09 | 2016-05-04 | 中国科学院重庆绿色智能技术研究院 | 一种微博转发量预测方法 |
-
2016
- 2016-12-20 CN CN201611185198.0A patent/CN106600071A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662956A (zh) * | 2012-03-05 | 2012-09-12 | 西北工业大学 | 一种基于用户话题链接行为的社交网络意见领袖识别方法 |
CN103412872A (zh) * | 2013-07-08 | 2013-11-27 | 西安交通大学 | 一种基于有限节点驱动的微博社会网络信息推荐方法 |
CN104915392A (zh) * | 2015-05-26 | 2015-09-16 | 国家计算机网络与信息安全管理中心 | 一种微博转发行为预测方法及装置 |
CN105550275A (zh) * | 2015-12-09 | 2016-05-04 | 中国科学院重庆绿色智能技术研究院 | 一种微博转发量预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163404A (zh) * | 2018-06-12 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种信息扩散预测方法、装置及服务器、存储介质 |
CN109885656A (zh) * | 2019-02-18 | 2019-06-14 | 国家计算机网络与信息安全管理中心 | 基于量化热度的微博转发预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108595632A (zh) | 一种融合摘要与主体特征的混合神经网络文本分类方法 | |
CN103064917B (zh) | 一种面向微博的特定倾向的高影响力用户群发现方法 | |
WO2020107806A1 (zh) | 一种推荐方法及装置 | |
CN104281882B (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 | |
CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
CN107766929B (zh) | 模型分析方法及装置 | |
Zhang et al. | An optimized Nash nonlinear grey Bernoulli model based on particle swarm optimization and its application in prediction for the incidence of Hepatitis B in Xinjiang, China | |
CN106599029A (zh) | 一种中文短文本聚类方法 | |
CN103150374A (zh) | 一种识别微博异常用户的方法和系统 | |
WO2019061187A1 (zh) | 信用评价方法和装置以及梯度渐进决策树参数调整方法和装置 | |
CN111966823B (zh) | 一种面向标签噪声的图节点分类方法 | |
Xue et al. | Optimizing Ontology Alignments by using NSGA-II. | |
CN107239489A (zh) | 基于soar模型的突发事件中网络舆情的预测与仿真方法 | |
CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
CN105096614A (zh) | 基于生成型深信度网络的新建路口交通流量预测方法 | |
WO2021208535A1 (zh) | 基于自动特征分组的推荐方法及装置 | |
CN104092567A (zh) | 确定用户的影响力排序的方法与装置 | |
CN106453608A (zh) | 一种基于云端的移动应用的后台请求自适应调度算法 | |
CN108334953B (zh) | 一种基于权重更新的社交网络信任度学习方法 | |
CN106600071A (zh) | 一种基于主题的微博转发预测方法与系统 | |
CN103309957B (zh) | 一种引入列维飞行的社交网络专家定位方法 | |
Lin et al. | Using Computing Intelligence Techniques to Estimate Software Effort | |
CN109829504B (zh) | 一种基于ics-svm分析用户转发行为的预测方法及系统 | |
CN106777162A (zh) | 一种高精度微博转发预测方法 | |
CN107301499A (zh) | 一种基于ami数据的配电馈线统计线损率数据清洗方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |