CN110825980B - 一种基于对抗生成网络的微博话题推送方法 - Google Patents
一种基于对抗生成网络的微博话题推送方法 Download PDFInfo
- Publication number
- CN110825980B CN110825980B CN201911068519.2A CN201911068519A CN110825980B CN 110825980 B CN110825980 B CN 110825980B CN 201911068519 A CN201911068519 A CN 201911068519A CN 110825980 B CN110825980 B CN 110825980B
- Authority
- CN
- China
- Prior art keywords
- user
- microblog
- data
- users
- forwarding
- 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 38
- 230000002452 interceptive effect Effects 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 23
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000003042 antagnostic effect Effects 0.000 claims 1
- 238000003012 network analysis Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Images
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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于社交网络分析领域,具体为一种基于对抗生成网络的微博话题推送方法;所述方法包括微博服务器内的每个用户都通过通信组件接入到运算服务器中,获取微博社交网络中微博话题的互动数据;从互动数据的源地址或者目的地址中解析出用户属性;运算服务器采用无监督的对抗生成网络对互动数据以及用户属性增强,通过转发预测模型,预测出潜在参与用户在下一时刻转发参与用户所参与的微博话题的概率值;将阈值区间发生器产生的多个阈值分别与概率值进行比较,确定潜在参与用户对于该微博话题的可能感兴趣程度;基于潜在参与用户的可能感兴趣程度,控制通信组件向该潜在参与用户推送该微博话题;本发明能够根据用户可能感兴趣程度,从而对用户进行精准推送。
Description
技术领域
本发明属于社交网络分析领域,尤其涉及微博话题下用户转发的动态预测,具体为一种基于对抗生成网络的微博话题推送方法。
背景技术
随着互联网的发展,在社交网络大数据时代的条件下,微博成为一个基于用户关系的信息分享、传播和获取平台。通过挖掘微博用户间的交互行为数据,可以掌握社交网络中用户的行为以及用户喜好,进而对用户进行精准推送。
社交媒体作为一种新的提供信息扩散以及建立社交关系的平台正逐步代替传统社交成为更加重要的一种交流方式。社交媒体的出现提供了共享资源,交互信息并使得因特网维护大量用户数据成为了可能。这些数据具有丰富的研究价值,使得从大量数据中挖掘有用信息成为一项热门研究。通过对网络用户数据的分析,构建微博转发预测模型,根据预测模型的输出结果可以精准的为用户推送他们感兴趣的微博信息。
现在的推送方法的主要难点在于话题趋势的预测精度不够准确,预测时效不够即时;导致推送时间长,推送效果不够理想;社交网络中的用户转发进行建模和预测是当前研究的重要问题,不仅需要各种技术手段分析用户历史数据的特点,还需要先进的技术对用户进行准确的建模和预测。目前关于互联网用户行为建模与预测方面的研究主要包含用户个体和群体行为两个方面。用户个体行为建模的研究主要基于数据驱动的建模方法,包括基于概率序列、条件随机场和主题模型等方法。如:根据用户的历史行为可能会对用户下一时刻采取的行为产生影响,Manavoglu和Pavlov提出采用概率序列模型来对用户行为进行建模,以时间顺序排列的用户行为序列为输入,以下一时刻将采取的行为的概率为输出;为更好地结合互联网用户个体的行为特征,除了用户自身的历史行为外,还需要考虑到用户所在的网络结构。根据网络结构特性,Peng等采用条件随机场对微博用户的转发行为进行建模。用户群体行为的研究,主要采用了随机模型(stochastic models)和时间序列模型等方法。如:Lerman和Hogg利用随机模型研究Digg网站上链接分享的得票总数。
另外,以上基于用户个体和群体的用户行为预测都是静态的,而且由于微博话题的特殊性,基于微博话题的用户行为的动态预测的研究寥寥无几。并且,由于微博话题的时效性特征,在微博话题的不同阶段还存在数据不均匀和数据稀疏问题,这为通过行为数据对用户行为预测带来了极大挑战。
发明内容
针对上述问题,本发明是基于时间离散化及时间切片方法,加入微博话题的时效性影响,将话题生命周期分为几个不同的阶段并且针对微博话题不同阶段的数据不均匀和稀疏性问题,提出了一种基于对抗生成网络(GAN)模型的高准确率的预测模型,该模型不仅可以对用户转发进行预测还可以根据用户可能感兴趣程度,从而对用户进行精准推送。
为实现上述目的,本发明的一种基于对抗生成网络的微博话题推送方法,包括:
微博服务器内的每个用户都通过通信组件接入到运算服务器中,获取微博社交网络中微博话题的互动数据;
通信组件接收到互动数据后,从该互动数据的源地址或者目的地址中解析出用户属性;
运算服务器采用无监督的对抗生成网络对互动数据以及用户属性增强,预测出潜在参与用户在下一时刻转发参与用户所参与的微博话题的概率值;
将阈值区间发生器产生的多个不同大小的阈值分别与概率值进行比较,确定潜在参与用户对于该微博话题的可能感兴趣程度;
基于潜在参与用户的可能感兴趣程度,通过控制通信组件向该潜在参与用户推送该微博话题。
进一步的,对微博话题进行时间切片,从而能够实时的预测出下一时刻的用户参与话题的概率。
本发明的有益效果:
1、本发明针对微博话题的周期性特点,本发明采取了对微博进行时间切片的方法;采用的动态增量更新的方法解决了传统方法中静态数据的不足,提高了预测系统的实时性。动态增量更新是根据历史结果和新增加的用户进行动态更新,不需要每次对所有数据进行重新建模,避免了每次都对历史数据进行重新计算。
2、本发明引入对抗生成网络对互动数据样本进行增强,避免了采集的数据由于稀疏不全等给预测模型的准确率带来麻烦的问题;
3、本发明利用增强后的样本数据量化微博话题传播过程中影响用户传播的因素,引入逻辑回归模型训练出最优的影响因素集合θR,将潜在参与用户的相关特征属性代入模型,并根据设置合理的阈值对用户转发概率进行预测。
4、本发明根据预测的转发用户把握微博话题的发展趋势,能够对用户感兴趣的话题进行精准推送。
附图说明
图1为本发明的一种基于对抗生成网络的微博话题推送方法的流程图;
图2为本发明的一种基于对抗生成网络的微博话题推送方法采用的系统框图;
图3为本发明采用的对抗生成网络的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合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一部分实施例,而不是全部的实施例。
如图1所示,本发明的一种基于对抗生成网络的微博话题推送方法,包括以下步骤:
微博服务器内的每个用户都通过通信组件接入到运算服务器中,获取微博社交网络中微博话题的互动数据;
通信组件接收到互动数据后,从该互动数据的源地址或者目的地址中解析出用户属性;
运算服务器采用无监督的对抗生成网络对互动数据以及用户属性增强,预测出参与用户的粉丝即潜在参与用户在下一时刻转发参与用户所参与的微博话题的概率值;
将阈值区间发生器产生的多个不同大小的阈值分别与概率值进行比较,确定潜在参与用户对于该微博话题的可能感兴趣程度;
基于潜在参与用户的可能感兴趣程度,通过控制通信组件向该潜在参与用户推送该微博话题。
可参考如图2所示,本发明将微博服务器内的每个用户都通过通信组件接入到运算服务器中;通信组件将数据传送到运算服务器;运算服务器预测出概率值并输出至概率区间发生器中;阈值区间发生器产生的多个不同大小的阈值分别与概率值进行比较,确定潜在参与用户对于该微博话题的可能感兴趣程度;通过控制通信组件向该潜在参与用户推送该微博话题。
可以理解的是,由于参与微博话题的用户表现形式有:参与用户和潜在参与用户,参与用户指在微博话题当前阶段参与的用户;潜在参与用户指微博话题当前阶段微博话题传播用户的粉丝或者其他用户。本发明的目的是对话题下一阶段的未参与进行转发预测,直至微博话题的生命周期结束。
运算服务器通过通信组件接收微博社交网络中微博话题的互动数据阶段,可以包括以下内容:
给定某一个微博话题下某个阶段t的社交网络其中,Ut是已参与微博话题的传播用户,即参与用户;表示好友关系边,表示一系列微博话题下用户的历史交互信息。根据微博话题用户网络找出参与用户网络其中,Vt是潜在参与用户。已参与网络和潜在参与用户网络构成了全网用户交互关系网
本发明根据t时间段的微博话题下的话题参与情况来预测t+1阶段潜在参与用户即备选用户是否会参与此微博话题。
微博服务器可以指的是至少包含微博的实时用户关系的数据库,具体可以包含的内容有各个用户的数据,包括转发微博、点赞微博以及评论微博的数据等等。
通信组件可以为无线通信模块或者有线通信模块,通过一定的介质方式来传输数据。
运算服务器为包括多个运算模块的服务器,用于采用无监督的对抗生成网络对互动数据以及用户属性增强,预测出潜在参与用户在下一时刻转发参与用户所参与的微博话题的概率值。
在一个优选实施例中,本发明还可包括以下步骤:
S1:获取数据源。微博服务器内的每个用户都通过通信组件接入到运算服务器中,获取微博社交网络中微博话题的相关交互数据。
S2:数据增强。利用对抗生成网络(GAN)对S1中所获取的数据进行增强。
S3:量化影响因素。利用S2增强后的数据量化微博话题传播过程中影响用户传播的因素。
S4:建立准发预测模型。利用步骤S3量化后的影响因素和逻辑回归模型训练各个影响用户传播的因素的权值,直至完成该转发预测模型的训练。
S5:预测潜在用户的转发概率。输入下一时刻潜在用户历史行为数据,与转发用户的交互数据以及潜在用户自身属性数据,通过S4训练好的转发预测模型,输出该潜在用户在下一时刻参与该微博话题的概率。
S6:划分感兴趣程度。阈值区间发生器产生至少五个阈值,其中最大的为1,最小的为0,划分出四个可能感兴趣程度,将这些微博按照感兴趣程度从高到低推送给用户。
运算服务器采用无监督的对抗生成网络对互动数据以及用户属性增强,通过转发预测模型预测出潜在参与用户在下一时刻转发参与用户所参与的微博话题的概率值包括:
步骤1)通过通信组件获取所有用户历史行为数据、与其转发用户的交互数据以及用户自身属性数据,并统计影响用户转发行为的所有数据;
步骤2)利用对抗生成网络GAN对步骤1)中所获取的数据进行增强;
步骤3)利用步骤2)增强后的数据量化微博话题传播过程中影响用户传播的因素;
步骤4)利用步骤3)量化后的影响因素和逻辑回归模型训练各个影响用户传播的因素的权值,直至完成该转发预测模型的训练;
步骤5)输入下一时刻潜在用户历史行为数据,与转发用户的交互数据以及潜在用户自身属性数据,通过步骤4)训练好的转发预测模型,输出该潜在用户在下一时刻参与该微博话题的概率;
其中,用户历史行为数据包括发表微博数、转发微博数;与其转发用户的交互数据包括与转发用户点赞数,评论数,转发历史微博行为;潜在用户自身属性数据包括用户的关注数和粉丝数。
所述步骤2)包括:
步骤21)搭建两个神经网络模型,包括生成模型G和判别模型D;
步骤22)G的目标是尽可能生成让D认为是真的数据,而D的目标是尽量把生成模型G生成的数据与真实数据区分开来,这样G和D构成了一个动态的“博弈过程”,从而生成对抗网络;
步骤23)基于纳什均衡的优化目标,即生成模型和判别模型在不断优化学习过程中提高各自的生成能力与判别能力,训练对抗网络模型;
步骤24)生成模型产生与采集的微博话题样本同态同分布的数据以及大量统计影响用户转发行为的数据。
S31:量化用户活跃度:activity(vj)=θ1×count[origNum(vj)]+θ2×count[retwNum(vj)],其中,count[origNum(vj)]表示用户vj在微博话题开始前一个月的原创微博数;count[retwNum(vj)]表示用户vj在微博话题开始前一个月的转发微博数
S32:量化自身因素:
selfFactor(vj)=θ3×activity(vj)+θ4×countofFans(vj)+θ5×countofIdol(vj)+θ6×countofIHU(vj),其中countofFans(vj)表示用户vj的粉丝数;countofIdol(vj)表示用户vj的关注数,countofIHU(vj)表示用户vj关注的参与用户的个数。
S33:用户交互度:其中,Iij为指示函数,即:r=1表示潜在参与用户点赞、评论或/和转发参与用户的第k条微博;K为参与用户发布的微博总数。interact(blogkb)表示潜在用户基于行为b参与了谣言或辟谣话题用户的第k条微博;θ1表示原创微博数权值;θ2表示转发微博数权值;θ3表示粉丝数权值;θ4表示关注数权值;θ5表示参与个数权值;θ6表示潜在参与用户的参与权值;θ1,θ2,θ3,θ4,θ5,θ6∈[0,1],行为b表示点赞、评论或/和转发。
S41:构建出基于逻辑回归的预测模型,对影响用户传播的因素的权值进行训练,直至训练完成预测模型;
影响用户转发因素函数为:
其中,θT表示各个影响因素权值的集合,θT={θ1,θ2,θ3,θ4,θ5,θ6}。
本发明针对微博话题的周期性特点,采取了对微博话题进行时间切片,由于微博话题场景中,潜在用户中的转发人数与不转发人数相差较大,这就导致本发明采集的数据存在不平衡和稀疏的特点,为本发明训练用户预测模型的准确性带来了难度,因此本发明引入对抗生成网络进行样本空间的增强。然后利用增强后的样本数据量化微博话题传播过程中影响用户转发的因素,引入逻辑斯蒂回归模型训练出各个用户转发影响因素的最优权值集合θR。最后,将潜在用户的相关特征属性代入模型,得到该潜在用户的转发概率,通过阈值区间发生器,划分出四个可能感兴趣程度,并将这些微博按照感兴趣程度从高到低推送给用户。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于对抗生成网络的微博话题推送方法,其特征在于,所述方法包括:
微博服务器内的每个用户都通过通信组件接入到运算服务器中,获取微博社交网络中微博话题的互动数据;
通信组件接收到互动数据后,从该互动数据的源地址或者目的地址中解析出用户属性;
运算服务器采用无监督的对抗生成网络对互动数据以及用户属性增强,预测出参与用户的粉丝即潜在参与用户在下一时刻参与该微博话题的概率值;
步骤1)通过通信组件获取所有用户历史行为数据、与其转发用户的交互数据以及用户自身属性数据,并统计影响用户转发行为的所有数据;
步骤2)利用对抗生成网络GAN对步骤1)中所获取的数据进行增强;
步骤3)利用步骤2)增强后的数据量化微博话题传播过程中影响用户传播的因素;
步骤4)利用步骤3)量化后的影响因素和逻辑回归模型训练各个影响用户传播的因素的权值,直至完成该转发预测模型的训练;
步骤5)输入下一时刻潜在用户历史行为数据,与转发用户的交互数据以及潜在用户自身属性数据,通过步骤4)训练好的转发预测模型,输出该潜在用户在下一时刻参与该微博话题的概率;
其中,用户历史行为数据包括发表微博数、转发微博数;与其转发用户的交互数据包括与转发用户点赞数,评论数,转发历史微博行为;潜在用户自身属性数据包括用户的关注数和粉丝数;
将阈值区间发生器产生的多个不同大小的阈值分别与概率值进行比较,确定潜在参与用户对于该微博话题的可能感兴趣程度;
基于潜在参与用户的可能感兴趣程度,通过控制通信组件向该潜在参与用户推送该微博话题。
2.根据权利要求1所述的一种基于对抗生成网络的微博话题推送方法,其特征在于,所述通信组件接收到互动数据后,从该互动数据的源地址或者目的地址中解析出用户属性包括:
在参与微博话题的互动数据中,将其中的源地址和目的地址对应的用户作为已参与微博话题的用户;
在其他的互动数据中,将其中的源地址和目的地址对应的其他用户作为未参与微博话题的用户。
3.根据权利要求1所述的一种基于对抗生成网络的微博话题推送方法,其特征在于,所述步骤2)包括:
步骤21)搭建两个神经网络模型,包括生成模型G和判别模型D;
步骤22)将生成模型G和判别模型D构成了一个动态的博弈过程,从而生成对抗网络;
步骤23)基于纳什均衡的优化目标,训练对抗网络模型;
步骤24)生成模型产生与采集的微博话题样本同态同分布的数据以及大量统计影响用户转发行为的数据。
4.根据权利要求1所述的一种基于对抗生成网络的微博话题推送方法,其特征在于,所述步骤3)中影响用户传播的因素包括:
用户活跃度:
activity(vj)=θ1×count[origNum(vj)]+θ2×count[retwNum(vj)];
用户自身因素:
selfFactor(vj)=activity(vj)+θ3×countofFans(vj)+θ4×countofIdol(vj)+θ5×countofIHU(vj);
用户交互度:
其中,count[origNum(vj)]表示用户vj在微博话题开始前一个月的原创微博数;count[retwNum(vj)]表示用户vj在微博话题开始前一个月的转发微博数,countofFans(vj)表示用户vj的粉丝数;countofIdol(vj)表示用户vj的关注数,countofIHU(vj)表示用户vj关注的参与用户的个数;Iij为指示函数,即:K为参与用户发布的微博总数;interact(blogkb)表示潜在用户基于行为b参与了谣言或辟谣话题用户的第k条微博;θ1表示原创微博数权值;θ2表示转发微博数权值;θ3表示粉丝数权值;θ4表示关注数权值;θ5表示参与个数权值;θ6表示潜在参与用户的参与权值;θ1,θ2,θ3,θ4,θ5,θ6∈[0,1]。
6.根据权利要求1所述的一种基于对抗生成网络的微博话题推送方法,其特征在于,所述阈值区间发生器产生至少五个阈值,其中最大的为1,最小的为0,划分出四个可能感兴趣程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911068519.2A CN110825980B (zh) | 2019-11-05 | 2019-11-05 | 一种基于对抗生成网络的微博话题推送方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911068519.2A CN110825980B (zh) | 2019-11-05 | 2019-11-05 | 一种基于对抗生成网络的微博话题推送方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110825980A CN110825980A (zh) | 2020-02-21 |
CN110825980B true CN110825980B (zh) | 2022-07-01 |
Family
ID=69552838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911068519.2A Active CN110825980B (zh) | 2019-11-05 | 2019-11-05 | 一种基于对抗生成网络的微博话题推送方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110825980B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475726B (zh) * | 2020-04-03 | 2022-05-03 | 中国人民解放军国防科技大学 | 一种基于多因数@优化模型的Twitter网络信息推送最大化方法 |
CN111832819B (zh) * | 2020-07-07 | 2023-02-10 | 中国人民解放军战略支援部队信息工程大学 | 基于用户行为和对抗网络的网络舆论传播预测方法与装置 |
CN112269945B (zh) * | 2020-11-03 | 2022-10-18 | 重庆邮电大学 | 基于谣言辟谣促谣和三方认知博弈的信息传播预测方法 |
CN112307343B (zh) * | 2020-11-05 | 2023-04-07 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
CN112418525B (zh) * | 2020-11-24 | 2022-06-10 | 重庆邮电大学 | 社交话题群体行为的预测方法、装置及计算机存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809554A (zh) * | 2016-02-07 | 2016-07-27 | 重庆邮电大学 | 一种社交网络中用户参与热点话题的预测方法 |
CN109213975A (zh) * | 2018-08-23 | 2019-01-15 | 重庆邮电大学 | 一种基于字符层级卷积变分自编码的推特文本表示方法 |
CN109657156A (zh) * | 2019-01-22 | 2019-04-19 | 杭州师范大学 | 一种基于循环生成对抗网络的个性化推荐方法 |
TW201923624A (zh) * | 2017-11-20 | 2019-06-16 | 香港商阿里巴巴集團服務有限公司 | 一種資料樣本標籤處理方法及裝置 |
CN109996122A (zh) * | 2019-04-12 | 2019-07-09 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法、装置、服务器及存储介质 |
CN110210933A (zh) * | 2019-05-21 | 2019-09-06 | 清华大学深圳研究生院 | 一种基于生成对抗网络的隐语义推荐方法 |
CN110348877A (zh) * | 2019-05-27 | 2019-10-18 | 上海大学 | 基于大数据的智能业务推荐算法、计算机可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11049151B2 (en) * | 2017-12-28 | 2021-06-29 | Verizon Media Inc. | Systems and/or methods for constructing online ads using media objects created by generative processes |
US20190258984A1 (en) * | 2018-02-19 | 2019-08-22 | Microsoft Technology Licensing, Llc | Generative adversarial networks in predicting sequential data |
US11449763B2 (en) * | 2018-03-07 | 2022-09-20 | Adobe Inc. | Making resource-constrained sequential recommendations |
US11210836B2 (en) * | 2018-04-03 | 2021-12-28 | Sri International | Applying artificial intelligence to generate motion information |
-
2019
- 2019-11-05 CN CN201911068519.2A patent/CN110825980B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809554A (zh) * | 2016-02-07 | 2016-07-27 | 重庆邮电大学 | 一种社交网络中用户参与热点话题的预测方法 |
TW201923624A (zh) * | 2017-11-20 | 2019-06-16 | 香港商阿里巴巴集團服務有限公司 | 一種資料樣本標籤處理方法及裝置 |
CN109213975A (zh) * | 2018-08-23 | 2019-01-15 | 重庆邮电大学 | 一种基于字符层级卷积变分自编码的推特文本表示方法 |
CN109657156A (zh) * | 2019-01-22 | 2019-04-19 | 杭州师范大学 | 一种基于循环生成对抗网络的个性化推荐方法 |
CN109996122A (zh) * | 2019-04-12 | 2019-07-09 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法、装置、服务器及存储介质 |
CN110210933A (zh) * | 2019-05-21 | 2019-09-06 | 清华大学深圳研究生院 | 一种基于生成对抗网络的隐语义推荐方法 |
CN110348877A (zh) * | 2019-05-27 | 2019-10-18 | 上海大学 | 基于大数据的智能业务推荐算法、计算机可读存储介质 |
Non-Patent Citations (4)
Title |
---|
A Rumor & Anti-rumor Propagation Model Based on Data Enhancement and Evolutionary Game;Yunpeng Xiao等;《IEEE Transactions on Emerging Topics in Computing》;20201027;第1-13页 * |
Theme and sentiment analysis model of public opinion dissemination based on generative adversarial network;E.Haihong等;《Chaos, Solitons & Fractals》;20190430;第121卷;第160-167页 * |
基于文献情报大数据的智能推荐系统的设计与实现;刘雨江;《中国优秀硕士学位论文全文数据库信息科技辑》;20190915(第9期);第I138-1267页 * |
微博检索与微博推送研究;李松;《中国优秀硕士学位论文全文数据库信息科技辑》;20190215(第2期);第I138-2466页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110825980A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110825980B (zh) | 一种基于对抗生成网络的微博话题推送方法 | |
CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
US10965775B2 (en) | Discovering signature of electronic social networks | |
CN105809554B (zh) | 一种社交网络中用户参与热点话题的预测方法 | |
CN109033408B (zh) | 信息推送方法及装置、计算机可读存储介质、电子设备 | |
CN105138624B (zh) | 一种基于在线课程用户数据的个性化推荐方法 | |
Fogués et al. | BFF: A tool for eliciting tie strength and user communities in social networking services | |
US10535041B2 (en) | System and method of predicting community member responsiveness | |
CN113807616B (zh) | 基于时空注意力和异构图卷积网络的信息扩散预测系统 | |
CN109949174B (zh) | 一种异构社交网络用户实体锚链接识别方法 | |
CN110781406A (zh) | 一种基于变分自动编码器的社交网络用户多属性推断方法 | |
CN108229731B (zh) | 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 | |
CN105893637A (zh) | 大规模微博异构信息网络中的链接预测方法 | |
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 | |
CN113360763A (zh) | 基于人工智能的业务关注倾向预测方法及人工智能云系统 | |
CN109478301B (zh) | 网络内容的及时传播 | |
Smiljanić et al. | A theoretical model for the associative nature of conference participation | |
CN112860973B (zh) | 基于社交网络分析的组织健康评估方法 | |
CN108520337A (zh) | 一种基于网络风险熵差的谣言风险评估方法 | |
CN109829504B (zh) | 一种基于ics-svm分析用户转发行为的预测方法及系统 | |
WO2022247671A1 (zh) | 用户召回方法、装置、计算机设备和存储介质 | |
Padilla et al. | Leveraging social media data in agent-based simulations. | |
CN112733036A (zh) | 知识点推荐方法、装置、存储介质及电子装置 | |
CN110661696A (zh) | 一种基于梯度信息的消息传播控制方法 | |
Rich | Big, thick, small and short-The flaws of current urban big data trends |
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 |