CN110287377A - 在线社交网络的增量式组水平的话题流行度预测方法 - Google Patents

在线社交网络的增量式组水平的话题流行度预测方法 Download PDF

Info

Publication number
CN110287377A
CN110287377A CN201910396375.7A CN201910396375A CN110287377A CN 110287377 A CN110287377 A CN 110287377A CN 201910396375 A CN201910396375 A CN 201910396375A CN 110287377 A CN110287377 A CN 110287377A
Authority
CN
China
Prior art keywords
topic
popularity
user
group
increment type
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
Application number
CN201910396375.7A
Other languages
English (en)
Other versions
CN110287377B (zh
Inventor
姜文君
王晶晶
李肯立
李克勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN201910396375.7A priority Critical patent/CN110287377B/zh
Publication of CN110287377A publication Critical patent/CN110287377A/zh
Application granted granted Critical
Publication of CN110287377B publication Critical patent/CN110287377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F16/906—Clustering; Classification
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种在线社交网络的增量式组水平的话题流行度预测方法。所述预测方法包括如下步骤：收集数据；根据收集到的用户网络结构数据及用户转发行为数据将用户划分不同的用户组，并根据收集到的历史话题传播数据计算话题之间的相似度，为被预测的目标话题选择Top‑K个相似话题；根据所述Top‑K个相似话题、所述用户组及不同时间的流行度值构建组水平的流行度张量；针对所述组水平的流行度张量采用增量式CP分解进行增量式预测；重启CP分解减少累积误差。与相关技术相比，本发明的在线社交网络的增量式组水平的话题流行度预测方法的预测效率和预测精度更高。

Description

在线社交网络的增量式组水平的话题流行度预测方法
技术领域
本发明涉及社交网络分析技术领域，尤其涉及一种在线社交网络的增量式组水平的话题流行度预测方法。
背景技术
随着科技的进步，在线社交网络逐渐成为人们获取和共享信息的重要平台，在线社交网络因其信息的即使共享性、实时性、互动性以及传播方式的多样性，使得许多新闻事件和热点话题在在线社交网络上得以快速、广泛地传播，深刻的影响了人们的日常生活和工作。
但是在线社交网络时刻都在产生大量的话题信息，在线社交网络中的话题在传播过程中用户对其的响应数目称之为流行度，如转发数目、点赞数目。而流行度预测则是根据一个话题在可观测时间ti的传播信息，预测该话题在目标时间tr(ti＜tr)的流行度。
现有的流行度预测方法设计，通常根据信息传播的静态特征。其中有的技术是基于分类方法将话题的流行度状态分为{流行，不流行}或者{低度流行，中度流行，高度流行}等离散集合；有的技术根据排序方法选择Top-K潜在的流行话题；有的技术则是根据回归方法等预测话题流行度的精确值。在流行度的精确值预测中，大多的技术方法是从宏观角度和微观角度考虑的，分别是预测总共有多少用户会对一个消息(转发/点赞)，通过用户的行为设计方法计算话题从一个用户传播到另一个用户的传播概率，很少有技术从用户分组的角度出发。
不同于传统的静态预测方法，近年来的技术设计动态的流行预测方法，然而这些预测通常假定在不同时间段内新增加的流行度是相互独立的，或者各个话题的流行动态是相互独立的。这些方法需要为每个话题训练特定参数而不使用其他话题的传播动态，并且这些预测方法都是从宏观角度的，属于粗粒度预测方法。因此，这些方法的适用性不强，不能根据实际动态信息传播的演化，在预测方法中加入演化特征，更新预测结果。此外，粗粒度的预测方法提供信息较少，不能应用于推荐系统等其他应用。
因此，有必要提供一种新的在线社交网络的增量式组水平的话题流行度预测方法来解决上述问题。
发明内容
针对相关技术的流行度预测方法适用性不强，且预测精度不佳的技术问题。本发明提供了一种可以有效提升预测效率和预测精度的在线社交网络的增量式组水平的话题流行度预测方法。
一种在线社交网络的增量式组水平的话题流行度预测方法，其包括如下步骤：
S1、收集数据，所述数据包括历史话题传播数据、用户网络结构数据及用户转发行为数据；
S2、根据所述用户网络结构数据及所述用户转发行为数据将用户划分不同的用户组，并根据所述历史话题传播数据计算话题之间的相似度，为被预测的目标话题选择Top-K个相似话题；
S3、根据所述Top-K个相似话题、所述用户组及不同时间的流行度值构建组水平的流行度张量；
S4、针对所述组水平的流行度张量采用增量式CP分解进行增量式预测；
S5、重启CP分解减少累积误差。
优选的，所述步骤S2中根据所述用户网络结构数据及所述用户转发行为数据将用户划分不同的用户组包括如下划分方法：基于用户关系的组划分、基于用户行为的组划分、基于用户关系和用户行为的组划分及随机组划分。
优选的，所述步骤S2中根据所述历史话题传播数据计算话题之间的相似度，并且为被预测的目标话题选择Top-K个相似话题为：基于话题在各所述用户组水平的流行度值，根据欧几里得公式计算每两个话题在[0，ti]时间段的距离，为目标话题选择Top-K个相似话题。
优选的，所述步骤S3为根据所述Top-K个相似话题、所述用户组及不同时间的流行度值，为所述Top-K个相似话题和所述目标话题在[0，ti]时间段的传播构建一个三维的组水平的流行度张量。
优选的，所述步骤S4包括如下步骤：
S41、初始化阶段：针对构建的所述组水平的流行度张量根据CP分解计算得到因子矩阵，并且初始化辅助矩阵；
S42、更新阶段：随时间增加，根据新时间段的组水平的流行度张量的矩阵展开式，与该时间段之前得到的因子矩阵及辅助矩阵逐个更新得到新的因子矩阵和辅助矩阵；
S43、预测阶段：基于步骤S41与步骤S42得到当前组水平的流行度张量的因子矩阵，重构张量，从而预测得到目标话题在新时间段内的组水平的流行度。
优选的，所述步骤S5中重启CP分解减少累积误差为根据预设的固定时间进行重启CP分解。
优选的，所述步骤S5中重启CP分解减少累积误差为根据误差累积值进行重启CP分解。
优选的，所述步骤S5中重启CP分解减少累积误差为根据流行度预测相对误差进行重启CP分解。
优选的，在所述步骤S3与所述步骤S4之间还包括对所述组水平的流行度张量进行归一化处理。
与相关技术相比，本发明提供的在线社交网络的增量式组水平的话题流行度预测方法从用户组的角度出发，充分挖掘话题传播动态演化的特征，增量式地预测话题在各用户组水平的流行度，使得得到的结果更加有效，同时也有效提升了预测效率和预测精度。
附图说明
图1为本发明提供的在线社交网络的增量式组水平的话题流行度预测方法的流程图；
图2为通过图1所示步骤S3构建的组水平的流行度张量表示话题传播过程的示意图；
图3为图1所示步骤S4中初始化阶段示意图；
图4为图1所示步骤S4中更新阶段示意图；
图5为图1所示步骤S4中更新阶段示意图；
图6为图1所示步骤S4中预测阶段示意图；
图7为通过图1所示步骤S3构建的组水平的流行度张量的具体实施例示意图；
图8为图7所示的组水平的流行度张量归一化后并进行CP分解的示意图；
图9为图7所示的组水平的流行度预测过程中辅助矩阵的设计示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种在线社交网络的增量式组水平的话题流行度预测方法，所述在线社交网络的增量式组水平的话题流行度预测方法从用户组水平的角度出发，充分挖掘话题传播动态演化的特征，增量式地预测话题在各用户组水平的流行度，同时也有效的提升了预测效率和预测精度。
请结合参阅图1。所述在线社交网络的增量式组水平的话题流行度预测方法包括如下步骤：
步骤S1、收集数据。
具体的，所述数据包括历史话题传播数据、用户网络结构数据及用户转发行为数据。
步骤S2、根据所述用户网络结构数据及所述用户转发行为数据将用户划分不同的用户组，并根据所述历史话题传播数据计算话题之间的相似度，为被预测的目标话题选择Top-K个相似话题；
根据所述用户网络结构数据及所述用户转发行为数据将用户划分不同的用户组C＝{C1,C2,…Cl}的划分方法包括如下划分方法：基于用户关系的组划分、基于用户行为的组划分、基于用户关系和用户行为的组划分及随机组划分。具体的，首先基于不同的用户特征构建图，根据用户网络结构构建用户网络图G＝(V，E)，用户行为记录构建Gb＝(Vb，Eb，Wb)，结合用户网络和用户行为记录构建图G*＝(V*，E*，W*)，然后，采用图分割的方法multilevel k-way partitioning algorithm进行在不同的图上进行划分，随机组划分方法在用户网络图G的基础上，对每个节点生成随机数，随机数相同的划分为同一个组。
需要说明的是，为了避免不同组的大小差距过大，如组C1只有5个用户，而组C7有200个用户的情况，在划分用户组时可增加限制条件，从而使得各组之间的大小近似相等。
根据所述历史话题传播数据计算话题之间的相似度，为被预测的目标话题选择Top-K个相似话题为：基于话题在各组水平的流行度值，根据欧几里得公式计算每两个话题在[0，ti]时间段的距离，为目标话题选择Top-K个相似话题。
步骤S3、根据所述Top-K个相似话题、所述用户组及不同时间的流行度值构建组水平的流行度张量；
请结合参阅图2。将话题传播距离发布时间的时间间隔划分为tr个时间段，其中Top-K个相似话题在所有时间段内[0，tr]的组水平流行度都是已知的；目标话题在可观测时间段内[0，ti](ti<tr)的组水平流行度已知，(ti，tr]时间段内组水平流行度未知，等待预测。
具体的，根据前序步骤划分得到的所述用户组、选择的所述Top-K个相似话题以及不同时间的流行度值，为所述Top-K相似话题和目标话题在可观测时间段[0，ti]的传播构建一个三维的组水平的流行度张量Xinit，Xinit∈R(k+1)×l×ti，其中张量Xinit中的元素Xijt指的是话题i在用户组Cj直到时间t的累积流行度。
具体的，数据进行预处理后，即经过所述步骤S2划分完所述用户组和为所述目标话题选择好所述Top-K个相似话题后，构建所述组水平的流行度张量Xinit，Xinit有三个mode分为话题、分组和时间段。随着时间的推移，新的时间段的话题组水平的流行度张量Xnew数据不断出现，其中只包含所述Top-K相似话题的组水平流行度，而所述目标话题的组水平流行度缺失，需要等待预测如图2所示阴影部分。即本发明提供的在线社交网络的增量式组水平的话题流行度预测方法是基于历史话题和目标话题的可观测时间段的所述组水平的流行度张量Xinit以及新时间段的历史话题传播数据，预测所述目标话题在新时间段的组水平流行度。
步骤S4、针对所述组水平的流行度张量采用增量式CP分解进行增量式预测；
优选的，在所述步骤S3与所述步骤S4之间还包括对所述组水平的流行度张量Xinit进行归一化处理，然后再将进行所述CP分解。可以理解的是，通过进行归一化处理能有效提升精度，从而提升计算的准确率。
具体的，所述步骤S4包括如下步骤：
请结合参阅图3，其中ti表示初始时间ti，Top-K表示Top-K相似话题，l表示l组。步骤S41、初始化阶段：对步骤S3中在可观测时间段[0，ti]构建的所述组水平的流行度张量Xinit根据CP分解计算得到三个因子矩阵[Ainit，Binit，Cinit]，并且初始化辅助矩阵Finit，Hinit，Uinit和Zinit。其中初始化辅助矩阵Finit，Hinit，Uinit和Zinit均为基于所述组水平的流行度张量Xinit和因子矩阵[Ainit，Binit，Cinit]根据如下公式得出：
Finit＝Xinit(1)(Cinit⊙Binit)，
Hinit＝(CT initCinit)*(BT init⊙Binit)，
Uinit＝Xinit(2)(Cinit⊙Ainit)，
Zinit＝(CT initCinit)*(AT init⊙Ainit)，
请结合参阅图4和图5。步骤S42、更新阶段：随时间增加，当新时间段tnew内的数据Xnew∈R(k+1)×l×tnew阶段到来时，根据新时间段组水平的流行度张量Xnew的矩阵展开式，与该时间段之前得到的因子矩阵Aold、Bold、Cold及辅助矩阵Fold、Hold、Uold、Zold逐个更新得到因子矩阵A、B、C和辅助矩阵F、H、U、Z。
因子矩阵C更新计算方法为如下公式：
C＝[Cold,Cnew]T＝[Cold,Xnew(3)((Bold⊙Aold)T)+]T
因子矩阵A更新计算方法为如下公式：
F＝Fold+Xnew(1)(Cnew⊙Bold)
H＝Hold+(CT newCnew)*(BT oldBold)
A＝FH-1
因子矩阵B更新计算方法为如下公式：
U＝Uold+Xnew(2)(Cnew⊙A)
Z＝Zold+(CT newCnew)*(ATA)
B＝UZ-1
请结合参阅图6。步骤S43、预测阶段：基于步骤S41与步骤S42可得到当前组水平的流行度张量的增量式CP分解Xc＝[A，B，C]，重构张量，从而预测得到目标话题在新时间段内的组水平的流行度。其中A为Top-K相似话题和目标话题的因子矩阵，B为l用户组的因子矩阵，C为时间模的因子矩阵，这些因子矩阵中包含了Top-K相似话题的组水平的流行度的隐藏结构信息，同时，目标话题数据也被映射到相同的结构空间，从而可以预测得到目标话题在新时间段内的组水平的流行度。
请结合参阅图7至图9。为了便于理解，本实施例中，将用户分为5组，为目标话题选择Top-5个相似话题，可观测时间段为3个时间段。通过所述步骤S3构建得到的组水平的流行度张量Xinit的大小为6*5*3，组水平的流行度张量Xinit进行归一化处理后，再进行CP分解得到因子矩阵Ainit、Binit、Cinit，并且根据公式计算得到初始化辅助矩阵Finit、Hinit、Uinit、Zinit。
步骤S5、重启CP分解减少累积误差；
可以理解的是，虽然增量式预测极大提高了预测效率，但是因为该过程将上一步得到的预测值作为真实值进行后面的预测，从而存在误差累积的问题，因此通过重启CP分解来减少累积误差，提升预测精度。具体的，本发明提供的在线社交网络的增量式组水平的话题流行度预测方法中CP分解重启可为如下三种方法：
(1)固定时间间隔的CP重启
经过一个固定时间间隔Δ重启CP分解，此种方法简单并容易实施。根据固定时间间隔Δ，定期重启CP分解，此时，当新的组水平的流行度张量Xnew到来的时候，不进行增量式预测和更新，而是将Xnew加入已知的组水平的流行度张量Xold，构建成一个此时的组水平的流行度张量XC，在张量XC上进行CP分解，并进行预测目标话题的组水平的流行度。
(2)基于误差累积值的CP分解重启
根据张量分解以及增量式张量分解，定义重构误差和累积误差，以及重构误差和累积误差的计算方法。其中，累积误差指有增量式CP分解中仅有增量式更新引起的重构误差，不包含最优CP分解的重构误差，重构误差指张量和其分解得到的因子矩阵的误差。
重构误差的计算公式如下：
J(tc)＝||Xc-A⊙B⊙C||＝I(tc)+ΔI(tc)
其中J(t)表示tc时刻的张量X增量式CP分解的重构误差，ABC分别是增量式CP分解的因子矩阵，I(tc)表示最优CP分解的重构误差，ΔI(tc)则是我们需要得到的因增量式更新引发的累积误差。
可以理解的是，CP分解本身存在固有的重构误差，且不能被CP分解重启减少，因此CP分解重启只能重置累积误差。
在每个Xnew到来时，根据公式计算其累积误差值，并和阈值θ进行比较判断是否需要重启，当计算结果大于或等于阈值θ时，重启CP分解。具体的，累积误差值ΔI(tc)的计算公式为：
(3)基于流行度预测相对误差的CP分解重启
根据增量式预测得到的在新时间段内组水平的流行度预测结果计算在该时间段内组水平的相对平均误差值，并为最大相对平均误差设定阈值σ，如果累积误差值大于等于阈值σ，则在t+1时刻重启CP分解。t时刻的组水平的相对平均误差REGt的计算公式为：
其中包含了预测的组水平的流行度。
优选的，所述在线社交网络的增量式组水平的话题流行度预测方法还包括如下步骤：步骤S6、综合步骤S1至步骤S5，构建话题的增量式组水平的流行度预测模型，分析不同的组划分方法以及CP分解重启策略对预测精度和预测效率的影响。
与相关技术相比，本发明提供的在线社交网络的增量式组水平的话题流行度预测方法从用户组的角度出发，充分挖掘话题传播动态演化的特征，增量式地预测话题在各用户组水平的流行度，使得得到的结果更加有效，同时也有效提升了预测效率和预测精度。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种在线社交网络的增量式组水平的话题流行度预测方法，其特征在于，包括如下步骤：
S1、收集数据，所述数据包括历史话题传播数据、用户网络结构数据及用户转发行为数据；
S2、根据所述用户网络结构数据及所述用户转发行为数据将用户划分不同的用户组，并根据所述历史话题传播数据计算话题之间的相似度，为被预测的目标话题选择Top-K个相似话题；
S3、根据所述Top-K个相似话题、所述用户组及不同时间的流行度值构建组水平的流行度张量；
S4、针对所述组水平的流行度张量采用增量式CP分解进行增量式预测；
S5、重启CP分解减少累积误差。
2.根据权利要求1所述的在线社交网络的增量式组水平的话题流行度预测方法，其特征在于，所述步骤S2中根据所述用户网络结构数据及所述用户转发行为数据将用户划分不同的用户组包括如下划分方法：基于用户关系的组划分、基于用户行为的组划分、基于用户关系和用户行为的组划分及随机组划分。
3.根据权利要求1所述的在线社交网络的增量式组水平的话题流行度预测方法，其特征在于，所述步骤S2中根据所述历史话题传播数据计算话题之间的相似度，并且为被预测的目标话题选择Top-K个相似话题为：基于话题在各所述用户组水平的流行度值，根据欧几里得公式计算每两个话题在[0，ti]时间段的距离，为目标话题选择Top-K个相似话题。
4.根据权利要求3所述的在线社交网络的增量式组水平的话题流行度预测方法，其特征在于，所述步骤S3为根据所述Top-K个相似话题、所述用户组及不同时间的流行度值，为所述Top-K个相似话题和所述目标话题在[0，ti]时间段的传播构建一个三维的组水平的流行度张量。
5.根据权利要求4所述的在线社交网络的增量式组水平的话题流行度预测方法，其特征在于，所述步骤S4包括如下步骤：
S41、初始化阶段：针对构建的所述组水平的流行度张量根据CP分解计算得到因子矩阵，并且初始化辅助矩阵；
S42、更新阶段：随时间增加，根据新时间段的组水平的流行度张量的矩阵展开式，与该时间段之前得到的因子矩阵及辅助矩阵逐个更新得到新的因子矩阵和辅助矩阵；
S43、预测阶段：基于步骤S41与步骤S42得到当前组水平的流行度张量的因子矩阵，重构张量，从而预测得到目标话题在新时间段内的组水平的流行度。
6.根据权利要求1所述的在线社交网络的增量式组水平的话题流行度预测方法，其特征在于，所述步骤S5中重启CP分解减少累积误差为根据预设的固定时间进行重启CP分解。
7.根据权利要求1所述的在线社交网络的增量式组水平的话题流行度预测方法，其特征在于，所述步骤S5中重启CP分解减少累积误差为根据误差累积值进行重启CP分解。
8.根据权利要求1所述的在线社交网络的增量式组水平的话题流行度预测方法，其特征在于，所述步骤S5中重启CP分解减少累积误差为根据流行度预测相对误差进行重启CP分解。
9.根据权利要求1所述的在线社交网络的增量式组水平的话题流行度预测方法，其特征在于，在所述步骤S3与所述步骤S4之间还包括对所述组水平的流行度张量进行归一化处理。
CN201910396375.7A 2019-05-13 2019-05-13 在线社交网络的增量式组水平的话题流行度预测方法 Active CN110287377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910396375.7A CN110287377B (zh) 2019-05-13 2019-05-13 在线社交网络的增量式组水平的话题流行度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910396375.7A CN110287377B (zh) 2019-05-13 2019-05-13 在线社交网络的增量式组水平的话题流行度预测方法

Publications (2)

Publication Number Publication Date
CN110287377A true CN110287377A (zh) 2019-09-27
CN110287377B CN110287377B (zh) 2021-11-23

Family

ID=68001839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910396375.7A Active CN110287377B (zh) 2019-05-13 2019-05-13 在线社交网络的增量式组水平的话题流行度预测方法

Country Status (1)

Country Link
CN (1) CN110287377B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014176042A1 (en) * 2013-04-24 2014-10-30 Demand Media, Inc. Systems and methods for determining content popularity based on searches
CN104182457A (zh) * 2014-07-14 2014-12-03 上海交通大学 在社交网络中基于泊松过程模型的事件流行度预测方法
CN105808680A (zh) * 2016-03-02 2016-07-27 西安电子科技大学 基于张量分解进行上下文相关的位置推荐方法
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
CN108776844A (zh) * 2018-04-13 2018-11-09 中国科学院信息工程研究所 基于上下文感知张量分解的社交网络用户行为预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014176042A1 (en) * 2013-04-24 2014-10-30 Demand Media, Inc. Systems and methods for determining content popularity based on searches
CN104182457A (zh) * 2014-07-14 2014-12-03 上海交通大学 在社交网络中基于泊松过程模型的事件流行度预测方法
CN105808680A (zh) * 2016-03-02 2016-07-27 西安电子科技大学 基于张量分解进行上下文相关的位置推荐方法
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
CN108776844A (zh) * 2018-04-13 2018-11-09 中国科学院信息工程研究所 基于上下文感知张量分解的社交网络用户行为预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JINGJING WANG等: "detecting influential nodes incrementally and evolutionarily in online social networks", 《IEEE》 *
MINH X.HOANG等: "GDOP:Scalable group-level popularity prediction for online content in social networks", 《ACM DIGITAL LIBRARY》 *
吴越等: "微博信息流行度预测研究综述", 《西华大学学报》 *
林锦发: "基于一维卷积神经网络的多特征社交网络流行度预测研究", 《现代计算机（专业版）》 *

Also Published As

Publication number Publication date
CN110287377B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN108595461B (zh) 兴趣探索方法、存储介质、电子设备及系统
Pierce et al. Selecting global climate models for regional climate change studies
Lim et al. Investigating app store ranking algorithms using a simulation of mobile app ecosystems
CN103647671B (zh) 一种基于Gur Game的群智感知网络管理方法及其系统
CN110245301A (zh) 一种推荐方法、装置及存储介质
CN108648000B (zh) 对用户留存生命周期进行评估的方法及装置、电子设备
CN109508426A (zh) 一种基于物理环境的智能推荐方法及其系统与存储介质
EP3688673A1 (en) Neural architecture search
US20210256423A1 (en) Methods, apparatuses, and computing devices for trainings of learning models
CN108269109A (zh) 一种广告排期投放量均衡方法及装置
CN106991133B (zh) 一种基于重启随机游走模型的活跃用户群组推荐方法
CN110838072A (zh) 一种基于社区发现的社交网络影响力最大化方法及系统
CN101404047A (zh) 一种游戏行为提示方法、装置以及游戏系统
CN105930532B (zh) 一种向用户推荐多媒体资源的方法和装置
CN110246095A (zh) 一种图像修复方法、装置、存储介质及终端设备
CN116362329A (zh) 一种融合参数优化的集群联邦学习方法及设备
CN103995749B (zh) 小区云系统的计算任务分配方法和系统
CN108830636A (zh) 一种活跃用户的询量方法和装置
CN110874609B (zh) 基于用户行为的用户聚类方法、存储介质、设备及系统
CN110287377A (zh) 在线社交网络的增量式组水平的话题流行度预测方法
CN105045906A (zh) 投放信息点击率的预估方法和装置
CN113050782B (zh) 画像构建方法、装置、终端及存储介质
CN106096653B (zh) 基于跨平台用户社交多媒体行为的人口属性推断方法
CN111464620A (zh) 一种边缘辅助移动群智感知真值发现系统及其激励方法
CN113780415B (zh) 基于小程序游戏的用户画像生成方法、装置、设备及介质

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
GR01 Patent grant
GR01 Patent grant