CN111832819A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111832819A
CN111832819A CN202010648153.2A CN202010648153A CN111832819A CN 111832819 A CN111832819 A CN 111832819A CN 202010648153 A CN202010648153 A CN 202010648153A CN 111832819 A CN111832819 A CN 111832819A
Authority
CN
China
Prior art keywords
public opinion
user
user participation
participation behavior
behavior
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
CN202010648153.2A
Other languages
English (en)
Other versions
CN111832819B (zh
Inventor
郝耀辉
王清贤
燕君豪
陶治
毛洪清
唐慧林
孙佳佳
燕菊维
程清华
马博文
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.)
Information Engineering University of PLA Strategic Support Force
Original Assignee
Information Engineering University of PLA Strategic Support Force
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 Information Engineering University of PLA Strategic Support Force filed Critical Information Engineering University of PLA Strategic Support Force
Priority to CN202010648153.2A priority Critical patent/CN111832819B/zh
Publication of CN111832819A publication Critical patent/CN111832819A/zh
Application granted granted Critical
Publication of CN111832819B publication Critical patent/CN111832819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/34—Browsing; Visualisation therefor
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及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，属于网络空间安全领域，该方法包括：获取某社交平台上若干舆论历史话题的用户参与行为数据，每个舆论历史话题的用户参与行为数据类型分为N类，N≥2；用不同颜色表示用户参与行为类型，一种颜色代表一种用户参与行为类型，将用户参与行为数据表示在图像中；采用对抗网络，用若干个舆论历史话题用户参与行为图像集作为训练样本，对舆论新话题的用户参与行为随机图像进行训练，中间产生新话题用户参与行为更新图像，最后得到预测的舆论新话题用户参与行为最终图像；解析最终图像，分析出预测的舆论新话题传播中的用户参与行为类型，实现网络舆论传播的有效和准确预测。

Description

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
技术领域
本发明属于网络空间安全领域，具体涉及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。
背景技术
在网络空间安全领域舆论传播的分析与预测一直是重要的研究方向，尤其在以微博等为代表的网络社交APP软件被广泛应用的今天，人们从原来被动的信息获取者，转变为主动的信息发布者，人人都有“麦克风”，人人都有“发言权”，人与人之间交往和信息传递的时域、场域均得到延伸，为舆论传播提供了多元化的载体、渠道和路径，打破了传统媒体时代舆论单向传播的生态格局，大大扩展了舆论传播辐射的对象与范围。
从现实中的网络舆论事件着手分析，可以发现网络舆论从产生到高潮的发展演变是不断传播的结果，网络舆论的传播离不开用户的广泛参与。以微博中的舆论事件为例，在微博舆论事件发生以后，首先，由关注该事件的微博用户初始发布有关此舆论事件的微博话题内容；然后，其他微博用户看到该话题的微博内容后，可通过转发、评论等方式不断将话题信息传播出去，促使微博舆论传播规模逐渐扩大。由此可见，微博舆论的迅速传播主要依赖于广大微博用户的积极参与行为。为此，如何依据用户行为预测网络舆论传播是亟待解决的一个重要问题。
发明内容
本发明的目的是提供一种基于用户行为和对抗网络的网络舆论传播预测方法，用于解决预测网络舆论传播的问题；同时，本发明提出一种基于对抗网络的网络舆论传播预测装置，以解决预测网络舆论传播的问题。
基于上述目的，一种基于用户行为和对抗网络的网络舆论传播预测方法的技术方案如下：
(1)获取在某个社交平台上对若干个舆论历史话题的用户参与行为数据，每个历史话题的用户参与行为数据的类型分为N类，N≥2；用颜色表示用户参与行为类型，设置用户参与行为的不同类型对应不同的颜色；确定用户二维图中的坐标位置，依据所述用户参与行为类型的颜色设定，将属于同一舆论历史话题的用户参与行为数据，显示在同一个二维图像中，得到若干个历史话题用户参与行为图像集；
(2)将舆论新话题的用户参与行为随机数据输入给对抗网络的生成器，所述生成器生成舆论新话题用户参与行为随机图像；
(3)将所述舆论历史话题用户参与行为图像集，以及所述舆论新话题用户参与行为随机图像输入到对抗网络的判别器，进行多次迭代对抗训练，每次生成预测的舆论新话题用户参与行为更新图像；
(4)判断生成器和判别器的损失值是否满足设定条件，满足，则停止对抗训练，将最后一次生成的舆论新话题用户参与行为更新图像作为预测的舆论新话题用户参与行为最终图像；不满足，则重复上述(3)的内容；
(5)解析舆论新话题用户参与行为最终图像，得到预测的舆论新话题传播中的用户参与行为类型，分析出此舆论新话题的传播情况。
一种基于用户行为和对抗网络的网络舆论传播预测装置的技术方案如下：
包括：转换器、存储器和处理器，以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述转换器用于实现用户参与行为类型到图像显示的转换，及实现从图像显示到用户参与行为类型的转换，所述处理器与所述存储器相耦合，所述处理器执行所述计算机程序时实现上述的网络舆论传播预测方法。
上述两个技术方案的有益效果是：
本发明的方法及装置，利用舆论传播中用户行为数据与图像像素均可用矩阵存储这一共同点，将舆论话题传播中的用户参与行为数据，无数据信息损失的转换为二维彩色图像；并采用对抗网络，用若干个舆论历史话题用户参与行为图像集作为训练样本，对舆论新话题的用户参与行为随机图像进行训练，经中间产生的新话题用户参与行为更新图像，最后得到预测的新话题传播中的用户参与行为最终图像，实现了网络舆论传播的有效和准确预测。
进一步的，为了提高预测网络舆论传播的准确性，所述对抗网络为深度卷积生成对抗网络。
进一步的，为了快速调整生成器和判别器中的参数，采用采用梯度下降法和Adam法相结合的方法，优化所述对抗网络，对生成器和判别器的损失进行优化。
进一步的，为了减小生成器的误差，加快收敛速度，采用LeakyRule函数和Relu函数分别作为生成器和判别器的激活函数。
附图说明
图1是本发明方法实施例中的网络舆论传播预测方法流程图；
图2是本发明方法实施例中的某一话题的微博的用户参与行为二维图像；
图3是本发明方法实施例中的生成器具体架构图；
图4-1是本发明方法实施例中的LeakyRule函数图；
图4-2是本发明方法实施例中的Relu函数图；
图5是本发明方法实施例中的判别器具体架构图；
图6-1是本发明方法实施例中生成器生成的微博新话题用户参与行为更新图像示例1；
图6-2是本发明方法实施例中生成器生成的微博新话题用户参与行为更新图像示例2；
图6-3是本发明方法实施例中生成器生成的微博新话题用户参与行为更新图像示例3；
图6-4是本发明方法实施例中生成器生成的微博新话题用户参与行为最终图像；
图7是本发明装置实施例中的舆论传播预测装置图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的说明。
方法实施例：
本实施例提出一种基于用户行为和对抗网络的网络舆论传播预测方法，其实现思路为：获取某社交平台上若干舆论历史话题的用户参与行为数据，每个舆论历史话题的用户参与行为数据类型分为四类，包括：既转发又评论、只转发不评论、不转发只评论、不转发不评论(只浏览)；为用户编制唯一数值型编号，将此用户编号转换为二维坐标值；设置用户参与行为的四种类别对应四种不同的颜色；将属于一个历史话题的所有用户参与行为数据表示在一张二维图像中，得到若干个历史话题用户参与行为图像集，用作训练样本；
将舆论新话题的用户参与行为随机数据输入给对抗网络的生成器，生成器生成舆论新话题用户参与行为随机图像；
将训练样本图像集和新话题用户参与行为随机图像输入到对抗网络的判别器，判别器判别后，利用损失函数计算损失值，并将损失值反馈给生成器和判别器，更新生成器和判别器的参数，生成器生成舆论新话题用户参与行为更新图像；然后重复上述对抗训练过程，直至生成器和判别器的损失值满足设定条件时，停止训练，得到预测的舆论新话题用户参与行为最终图像；解析此最终图像，分析出舆论新话题的传播情况。实现该方法的总体架构如图1所示。
下面以微博社交平台为例，介绍该方法的具体实现过程。
步骤一：采集用户参与行为数据
本步骤使用网络爬虫方法采集、整理微博话题传播过程中的用户参与行为数据，通过某种编程语言例如Python编写程序，在指定舆论关键词、选定微博博主等搜索条件下，抓取用户参与行为数据，返回结果。
Step1：微博网页数据采集。在微博用户中随机选择4096个目标用户，顺序为目标用户编制唯一数值型编号；访问目标用户的微博个人主页，依次遍历各目标用户的微博转发列表，爬取微博转发列表url链接的网页，直至爬取的网页数量达到预设目标数量或微博设定的上限数量，得到微博话题传播中包含用户参与行为信息的网页数据；
Step2：用户参与行为数据整理。遍历读取Step1得到的包含用户参与行为信息的网页数据，按照其对某个微博话题是否转发、是否评论，将用户编号、用户名分别保存到转发用户列表和评论用户列表2个txt格式文档中。
本步骤结束后，采集到的用户参与行为数据示例如表1所示：
表1转发用户、评论用户列表示例
Figure BDA0002573877000000041
步骤二，图像化表示与存储用户参与行为数据
本实例中，将微博用户参与行为分为以下四种：既转发又评论、只转发不评论、不转发只评论、不转发不评论(只浏览)，分别以黄，蓝，绿，黑四种颜色表示，将微博话题传播的用户参与行为数据以图像表示、存储。
Step1：用户编号二维坐标值转换。依据4096个目标用户的唯一编号id，取id÷64的商为行坐标，id÷64的余数为列坐标，将用户编号转换为二维坐标值；
Step2：用户参与行为数据图像化转换。将一张二维图像划分为64*64＝4096个小区域，依据步骤一抓取的用户参与行为类型数据，及用户行为类型对应的颜色设定，在用户编号二维坐标值对应的二维图像区域填充相应的颜色。
例如，某一微博话题的用户参与行为二维图像(即舆论传播图像)如图2所示。
本步骤结束后，因存在多种微博舆论话题，因此将得到规格为64*64*3的微博历史话题用户参与行为图像集。(其中，64为图像被划分的行列数目，3代表图像色彩为RGB三通道)
步骤三，实施生成对抗训练
本步骤中，在生成对抗网络GAN(Generative Adversarial Networks)的基础上，采用深度卷积生成对抗网络DCGAN(Deep Convolutional Generative AdversarialNetwork)进行图像生成对抗训练。通过在生成器中增加反卷积层，在判别器中增加卷积层，实现对微博历史话题用户参与行为图像集更为准确的识别，以生成准确的微博新话题用户参与行为更新图像。具体实例使用的各组件部分的说明如下：
(1)生成器
本实施例中的生成器采用5层反卷积神经网络，对输入的微博新话题用户参与行为随机数据扩展，输出包含微博新话题传播中用户随机参与行为信息的二维图像，即微博新话题用户参与行为随机图像。使用tensorflow核心API函数tf.keras()、layers.TransposeConv2D()，将初始输入的张量长度为100的随机数据，经8*8*256、8*8*128、16*16*128、32*32*32逐步扩展变为64*64*3的图像，并交由判别器进行识别。具体框架如图3所示。
其中，第1-4层反卷积神经网络采用LeakyRule()函数，第5层反卷积神经网络采用Relu()函数，作为激活函数，减小生成器的误差，加快收敛速度。2个激活函数示意，如图4-1和4-2所示，具体公式如下：
Figure BDA0002573877000000051
Figure BDA0002573877000000052
式中，z为自变量，leak是一个无限小量，旨在保存图4-1中的负半轴信息。
(2)判别器
本实施例中的判别器采用6层卷积神经网络，对生成器输出的微博新话题用户参与行为随机图像和微博历史话题用户参与行为图像集进行训练。使用tensorflow核心API函数中的tf.keras.layers.Conv2D()函数进行处理，经64*64*3、32*32*32、16*16*64、8*8*128、4*4*256、1024逐步演化，最终得到长度为1的张量，并交由判别器进行损失值判断。具体框架如图5所示。
其中，因本步骤无需进行信息保留操作，在各层中直接使用strides＝(2，2)对矩阵进行缩小，获取有效信息，在各层中使用padding＝’same’的方法进行卷积过程中的补零操作。
(3)损失计算
本实施例中构建的DCGAN使用交叉误差熵函数对生成器和判别器进行损失计算，通过损失误差的计算来修正模型内部参数，已减少生成器和判别器的判断过程中产生的判断失败情况。具体使用的交叉误差熵函数的计算公式如下：
Figure BDA0002573877000000061
式中，E表示计算得到的损失误差值、N表示数据量个数、n表示数据次序、k表示元素次序、ynk是神经网络的输出值、tnk是监督数据、logynk表示对ynk求自然对数值。
在损失值计算结束后，以列表形式存储计算的损失值，用于判断模型是否训练完毕。
(4)对抗网络的模型优化
本实施例中采用梯度下降法和Adam优化方法相结合的方法对构建的DCGAN进行优化。具体实施方式为：使用Python语言编程，开发了generator_opt()函数，此函数分两步实现优化，首先调用梯度下降函数，计算梯度下降值后，再使用Adam优化方法，以快速寻找最佳(最小)梯度值。
(5)训练结果
本实施例最后得到的生成器和判别器模型参数分别如表2、表3所示
表2生成器的模型参数
Figure BDA0002573877000000062
表3判别器的模型参数
Figure BDA0002573877000000071
本实施例训练过程中，生成器生成预测的微博新话题用户参与行为更新图像部分示例如图6-1、6-2、6-3所示，最后得到预测的微博新话题用户参与行为最终图像，如图6-4所示。
步骤四，解析训练结果
解析本实施例的训练结果，从DCGAN训练得到的微博新话题传播用户参与行为最终图像(图6-4)可以看出，面对同一舆论事件，绝大多数人(黑色表示)选择不转发不评论，只转发不评论和不转发只评论(分别由蓝色和绿色表示)数量相近，而既转发又评论的人(黄色表示)最少，这和图2的实证微博舆论传播中用户历史行为彩色标记图的分析结果基本一致。
再依据用户参与行为颜色的设定，将对抗网络生成的舆论新话题用户参与行为最终图像解析为矩阵数据形式的舆论新话题传播中的用户参与行为类型数据，做数据的数值统计计算，与真实数据数值对比，如表4所示。
表4微博新话题用户参与行为预测数据与真实数据对比
Figure BDA0002573877000000081
本实施例预测的微博用户参与行为：7.14％的微博用户既转发又评论，20.06％的微博用户只转发不评论，19.23％的微博用户不转发只评论，53.57％的微博用户不转发不评论，和表4中所列出的真实数据计算结果相近，说明本实施例预测的用户参与行为与真实情况下的用户参与行为相符合，证明本发明方法对微博舆论传播中的用户参与行为预测是可行和有效的。
本实施例中，是以微博这一社交平台为例，介绍了舆论传播预测方法的具体实现过程，但本发明的方法应用范围并不局限于微博，作为其他实施方式，还可以应用至其他社交平台，例如应用至微信的朋友圈等。
本实施例中，对话题的用户参与行为数据类型分为既转发又评论、只转发不评论、不转发只评论、不转发不评论这四类，作为其他实施方式，还可根据具体的社交平台进行具体分类，例如，当对微信的朋友圈进行舆论传播预测时，用户参与行为数据类型可分为：只点赞、只评论、即点赞又评论、不评论不点赞(只浏览)。
本发明的方法的优点在于：
一，利用舆论传播中用户行为数据与图像像素均可用矩阵存储这一共同点，可将某一舆论话题传播中的用户参与行为数据，无数据信息损失的转换为一张二维彩色图像。因此，采用对抗网络对表示用户参与行为的图像进行分析是符合舆论传播的客观规律的。所以，本发明基于对抗网络的架构，通过将舆论新话题传播用户参与行为随机图像和舆论历史话题传播中的用户参与行为图像集的对抗生成训练，经中间生成的舆论新话题用户参与行为更新图像，得到舆论新话题用户参与行为最终图像，从而达到预测舆论新话题传播演化过程的目的，产生舆论新话题传播的最终预测结果，可为舆论监管部门提前掌握微博舆论传播动态与微博用户行为规律提供参考依据。
二，各历史话题微博传播中的用户行为数据，以及根据对抗网络预测得到的新话题微博传播的用户参与行为数据均是以二维彩色图的形式进行显示的，具有直观、明了的优点。
装置实施例：
本实施例提供了一种基于对抗网络的网络舆论传播预测装置，包括：转换器、存储器和处理器，以及存储在存储器上并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器用于运行存储在存储器中的程序指令，以实现方法实施例中的舆论传播预测方法，由于该方法在方法实例中的记载已经足够清楚、完整，本实施例不再赘述。
也就是说，以上方法实施例中的方法应理解可由计算机程序指令实现舆论传播预测方法的流程。可提供这些计算机程序指令到处理器(如通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备等)，使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。
具体的，如图7所示的网络舆论传播预测装置，该装置可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上转换器、处理器(central processing units，CPU)和存储器，一个或一个以上存储应用程序或数据的存储介质。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，处理器可以设置为与存储介质通信，在主端机器人控制装置上执行存储介质中的一系列指令操作。
本实施例的舆论传播预测装置，还包括一个或一个以上电源，一个或一个以上有线或无线网络接口；一个或一个以上输入输出接口，还包括一个或一个以上操作系统。例如，Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等。
本实施例所指的转换器是指注入独立编写程序的硬件器件，转换器通过输入输出接口连接处理器，用于实现用户参与行为类型到图像显示，及图像显示到用户参与行为类型的双向转换。
本实施例所指的处理器是指微处理器MCU或可编程逻辑器件FPGA等的处理装置。
本实施例所指的存储器包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如：利用电能方式存储信息的各式存储器，RAM、ROM等；利用磁能方式存储信息的各式存储器，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的各式存储器，CD或DVD。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等等。
作为其他实施方式，本实施例的舆论传播预测装置还可以包括显示器，显示器用于显示预测的舆论传播图等。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (5)

1.基于用户行为和对抗网络的网络舆论传播预测方法，其特征在于，包括以下步骤：
(1)获取某个社交平台上若干舆论历史话题的用户参与行为数据，每个舆论历史话题的用户参与行为数据的类型分为N类，N≥2，用颜色表示用户参与行为类型，设置用户参与行为的不同类型对应不同颜色；确定用户二维图中的坐标位置，依据所述用户参与行为类型的颜色设定，将属于同一舆论历史话题的用户参与行为数据，表示在同一个二维图像中，得到若干个舆论历史话题用户参与行为图像集；
(2)将舆论新话题的用户参与行为随机数据输入给对抗网络的生成器，所述生成器生成舆论新话题用户参与行为随机图像；
(3)将所述舆论历史话题用户参与行为图像集，以及所述舆论新话题用户参与行为随机图像输入到对抗网络的判别器，进行多次迭代对抗训练，每次生成预测的舆论新话题用户参与行为更新图像；
(4)判断生成器和判别器的损失是否满足设定条件，若满足，则停止对抗训练，将最后一次生成的舆论新话题用户参与行为更新图像作为预测的舆论新话题用户参与行为最终图像；若不满足，则重复上述(3)的内容；
(5)解析所述的舆论新话题用户参与行为最终图像，得到预测的此舆论新话题传播中的用户参与行为类型，分析出舆论新话题的传播情况。
2.根据权利要求1所述的基于用户行为和对抗网络的网络舆论传播预测方法，其特征在于，所述对抗网络为深度卷积生成对抗网络。
3.根据权利要求1或2所述的基于用户行为和对抗网络的网络舆论传播预测方法，其特征在于，采用采用梯度下降法和Adam方法相结合的优化方法，优化所述对抗网络。
4.根据权利要求1或2所述的基于用户行为和对抗网络的网络舆论传播预测方法，其特征在于，采用LeakyRule函数和Relu函数分别作为生成器和判别器的激活函数。
5.基于用户行为和对抗网络的网络舆论传播预测装置，其特征在于，包括：转换器、存储器和处理器，以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述的网络舆论传播预测方法，所述转换器用于实现用户参与行为类型到图像显示的转换，及实现从图像显示到用户参与行为类型的转换。
CN202010648153.2A 2020-07-07 2020-07-07 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 Active CN111832819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010648153.2A CN111832819B (zh) 2020-07-07 2020-07-07 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010648153.2A CN111832819B (zh) 2020-07-07 2020-07-07 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

Publications (2)

Publication Number Publication Date
CN111832819A true CN111832819A (zh) 2020-10-27
CN111832819B CN111832819B (zh) 2023-02-10

Family

ID=72900835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010648153.2A Active CN111832819B (zh) 2020-07-07 2020-07-07 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

Country Status (1)

Country Link
CN (1) CN111832819B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190258933A1 (en) * 2018-02-19 2019-08-22 International Business Machines Corporation Deep Forecasted Human Behavior from Digital Content
CN110825980A (zh) * 2019-11-05 2020-02-21 重庆邮电大学 一种基于对抗生成网络的微博话题推送方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190258933A1 (en) * 2018-02-19 2019-08-22 International Business Machines Corporation Deep Forecasted Human Behavior from Digital Content
CN110825980A (zh) * 2019-11-05 2020-02-21 重庆邮电大学 一种基于对抗生成网络的微博话题推送方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DILRUK PERERA等: ""CnGAN: Generative Adversarial Networks for Cross-network user preference generation for non-overlapped users"", 《ASSOCIATION FOR COMPUTING MACHINERY》 *
M.CHENG等: ""Data-driven modelling of nonlinear spatio-temporal fluid flows using a deep convolutional generative adversarial network"", 《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》 *
刘恋秋: "基于深度卷积生成对抗网络的图像识别算法", 《液晶与显示》 *
李亚军: ""基于深度学习的食品安全网络舆情分析"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
王淑茹: ""基于生成对抗网络的社交媒体的情感检测与情感生成"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Also Published As

Publication number Publication date
CN111832819B (zh) 2023-02-10

Similar Documents

Publication Publication Date Title
CN109508419B (zh) 一种基于知识学习的推荐方法和系统
CN110175628A (zh) 一种基于自动搜索与知识蒸馏的神经网络剪枝的压缩算法
Choi et al. Dynamic graph convolutional networks with attention mechanism for rumor detection on social media
Shen et al. A modified teaching–learning-based optimisation algorithm for bi-objective re-entrant hybrid flowshop scheduling
Yue et al. Recent activities in Earth data science [technical committees]
CN111309927B (zh) 一种基于知识图谱挖掘的个性化学习路径推荐方法及系统
He et al. Dynamic priority rule-based forward-backward heuristic algorithm for resource levelling problem in construction project
CN112418525A (zh) 社交话题群体行为的预测方法、装置及计算机存储介质
Vahedian et al. Weighted random walk sampling for multi-relational recommendation
US9092547B2 (en) Transforming a graph to a tree in accordance with analyst guidance
Liu et al. Strong social graph based trust-oriented graph pattern matching with multiple constraints
KR20180035633A (ko) 인간 의사결정 프로세스의 기계학습에 기초한 의사 결정을 위한 인공지능
Wang Application of MPP database and artificial intelligence system in online evaluation of college students' mental health
CN111832819B (zh) 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
Zhong et al. Javascript code suggestion based on deep learning
Zarka et al. Fuzzy reasoning framework to improve semantic video interpretation
Muruganandham et al. A hybrid web analytic approach through click enabled vision based page segmentation in quest software for school students
İlhan Mobile device based test tool for optimization algorithms
KR102358194B1 (ko) 합성곱 신경망을 이용하여 선별된 기사를 제공하는 시스템
Soto et al. Top‐k Based Adaptive Enumeration in Constraint Programming
Huang et al. Early detection of fake news based on multiple information features
Meng An IEEE value loop of human-technology collaboration in geospatial information science
Xu et al. Attentive graph-based recursive neural network for collective vertex classification
Chetoui et al. Course recommendation model based on Knowledge Graph Embedding
CN106682204B (zh) 一种基于众包的语义提取方法

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
GR01 Patent grant
GR01 Patent grant