CN116962996B - 基于粒子群算法的信息传播预测方法、装置和设备 - Google Patents
基于粒子群算法的信息传播预测方法、装置和设备 Download PDFInfo
- Publication number
- CN116962996B CN116962996B CN202311222480.1A CN202311222480A CN116962996B CN 116962996 B CN116962996 B CN 116962996B CN 202311222480 A CN202311222480 A CN 202311222480A CN 116962996 B CN116962996 B CN 116962996B
- Authority
- CN
- China
- Prior art keywords
- information
- type
- user
- propagation
- users
- 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 110
- 239000002245 particle Substances 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 title claims description 20
- 230000008569 process Effects 0.000 claims abstract description 63
- 230000008859 change Effects 0.000 claims abstract description 56
- 230000005540 biological transmission Effects 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims description 26
- 230000036039 immunity Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000007480 spreading Effects 0.000 description 16
- 238000003912 environmental pollution Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000001902 propagating effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003053 immunization Effects 0.000 description 2
- 238000002649 immunization Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/12—Messaging; Mailboxes; Announcements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/06—Message adaptation to terminal or network requirements
- H04L51/063—Content adaptation, e.g. replacement of unsuitable content
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/21—Monitoring or handling of messages
- H04L51/214—Monitoring or handling of messages using selective forwarding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/56—Unified messaging, e.g. interactions between e-mail, instant messaging or converged IP messaging [CPM]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
- H04W4/08—User group management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于粒子群算法的信息传播预测方法、装置和设备,属于信息处理技术领域,该方法包括:确定在第一时刻目标信息对应的各个类型的用户的数量;其中,各个类型的用户对目标信息的信任程度和/或传播方式不同;根据第一时刻目标信息对应的各个类型的用户的数量和信息传播模型,确定目标信息的传播预测结果;目标信息的传播预测结果中包括在第二时刻目标信息对应的各个类型的用户的数量;信息传播模型用于对信息在传播过程中各个类型用户数量的变化情况进行预测。本发明的方法实现了对目标信息传播过程中各类型用户数量变化情况的准确预测,提升了信息传播预测结果的准确性。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种信息传播预测方法、装置和设备。
背景技术
随着信息技术的不断发展,信息的传播范围和传播速度有了空前的扩展和提升,给人们生活带来便捷的同时也留下了隐患。因此,如何对各类信息传播的整体态势进行预测与评估,具有重要的意义。
相关技术中,由于难以模拟信息传播的走势,也就无法基于预测的信息传播结果进行信息传播的控制并采取相应的应对措施。因此如何准确的进行信息传播结果的预测是本领域技术人员亟需解决的技术问题。
发明内容
针对现有技术中的问题,本发明实施例提供一种基于粒子群算法的信息传播预测方法、装置和设备。
具体地,本发明实施例提供了以下技术方案:
第一方面,本发明实施例提供了一种基于粒子群算法的信息传播预测方法,包括:
确定在第一时刻目标信息对应的各个类型的用户的数量;其中,各个类型的用户对所述目标信息的信任程度和/或传播方式不同;
根据所述第一时刻目标信息对应的各个类型的用户的数量和信息传播模型,确定目标信息的传播预测结果;所述目标信息的传播预测结果中包括在第二时刻所述目标信息对应的各个类型的用户的数量;所述信息传播模型用于对信息在传播过程中各个类型用户数量的变化情况进行预测;所述信息传播模型中的目标参数,是基于粒子群优化算法和样本信息的传播数据确定的;所述目标参数表示不同类型用户之间的转化概率;所述样本信息的传播数据包括各个时刻所述样本信息对应的各个类型的用户数量。
进一步地,所述方法还包括:
根据各个类型的用户数量和不同类型用户之间的转化概率,构建信息传播模型。
进一步地,根据各个类型的用户数量和不同类型用户之间的转化概率,构建信息传播模型,包括:
利用如下公式构建信息传播模型:
(1)
(2)
(3)
(4)
其中,表示易感染类型的用户数量变化值;/>表示易感染类型的用户转化为潜在类型用户的概率;/>表示易感染类型的用户数量;/>表示传播类型的用户数量;表示易感染类型的用户转化为免疫类型用户的概率;/>表示免疫类型的用户转化为易感染类型用户的概率;/>表示免疫类型的用户数量;
表示潜在类型的用户数量变化值;/>表示潜在类型的用户转化为传播类型用户的概率;/>表示潜在类型的用户数量;/>表示潜在类型的用户转化为免疫类型用户的概率;
表示传播类型的用户数量变化值;/>表示免疫类型的用户转化为传播类型用户的概率;/>表示传播类型的用户转化为免疫类型用户的概率;
表示免疫类型的用户数量变化值;/>表示易感染类型的用户转化为免疫类型用户的概率。
进一步地,所述方法,还包括:
确定样本信息对应的至少一个第一关键字;
根据第一关键字从目标平台中获取与第一关键字关联的至少一个第一信息内容;
从各个第一信息内容中,确定至少一个第二关键字;
根据第二关键字从目标平台中获取与第二关键字关联的至少一个第二信息内容;
根据各个第二信息内容,确定样本信息的传播数据。
进一步地,从各个第一信息内容中,确定至少一个第二关键字,包括:
对各个第一信息内容进行分词,得到各个第一信息中的目标词语;
根据各个目标词语与样本信息的关联程度,从各个目标词语中确定第二关键字。
第二方面,本发明实施例还提供了一种基于粒子群算法的信息传播预测装置,包括:
确定模块,用于确定在第一时刻目标信息对应的各个类型的用户的数量;其中,各个类型的用户对所述目标信息的信任程度和/或传播方式不同;
预测模块,用于根据所述第一时刻目标信息对应的各个类型的用户的数量和信息传播模型,确定目标信息的传播预测结果;所述目标信息的传播预测结果中包括在第二时刻所述目标信息对应的各个类型的用户的数量;所述信息传播模型用于对信息在传播过程中各个类型用户数量的变化情况进行预测;所述信息传播模型中的目标参数,是基于粒子群优化算法和样本信息的传播数据确定的;所述目标参数表示不同类型用户之间的转化概率;所述样本信息的传播数据包括各个时刻所述样本信息对应的各个类型的用户数量。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述基于粒子群算法的信息传播预测方法。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述基于粒子群算法的信息传播预测方法。
第五方面,本发明实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如第一方面所述基于粒子群算法的信息传播预测方法。
本发明实施例提供的基于粒子群算法的信息传播预测方法、装置和设备,充分考虑了不同类型的用户对目标信息的信任程度和传播方式的不同,从而基于第一时刻目标信息对应的各个类型的用户数量和信息传播模型,准确地预测目标信息传播过程中各个类型用户数量的变化情况,进而实现了基于各类型用户对目标信息的传播特征对目标信息传播过程中各类型用户数量的分类预测,提升了目标信息传播过程中各类型用户数量变化情况的预测准确性,由此可以得到更加准确的信息传播预测结果,提升了信息传播预测结果的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的信息传播预测方法的流程示意图;
图2是本发明实施例提供的信息传播的示意图;
图3是本发明实施例提供的信息传播预测方法的另一流程示意图;
图4是本发明实施例提供的信息传播预测装置的结构示意图;
图5是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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。
本发明实施例的方法可以应用于信息传播预测场景中,实现了基于各类型用户对目标信息的传播特征对目标信息传播过程中各类型用户数量的分类预测,提升了目标信息传播过程中各类型用户数量变化情况的预测准确性,从而也就可以得到更加准确的信息传播预测结果,提升了信息传播预测结果的准确性。
相关技术中,由于无法准确的预测信息传播结果,从而也就无法基于预测的信息传播结果进行信息传播的控制并采取相应的应对措施。因此如何准确的进行信息传播结果的预测是本领域技术人员亟需解决的技术问题。
本发明实施例的信息传播预测方法,充分考虑了不同类型的用户对目标信息的信任程度和传播方式的不同,从而基于第一时刻目标信息对应的各个类型的用户数量和信息传播模型,准确地预测目标信息传播过程中各个类型用户数量的变化情况,从而也就实现了基于各类型用户对目标信息的传播特征对目标信息传播过程中各类型用户数量的分类预测,提升了目标信息传播过程中各类型用户数量变化情况的预测准确性,从而也就可以得到更加准确的信息传播预测结果,提升了信息传播预测结果的准确性。
下面结合图1-图5以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1是本发明实施例提供的信息传播预测方法一实施例的流程示意图。如图1所示,本实施例提供的方法,包括:
步骤101、确定在第一时刻目标信息对应的各个类型的用户的数量;其中,各个类型的用户对目标信息的信任程度和/或传播方式不同;
具体地,为了准确地进行信息传播结果和传播趋势的准确预测,本申请实施例中首先确定第一时刻目标信息对应的各个类型的用户数量;其中,各个类型的用户对目标信息的信任程度和/或传播方式不同;例如,易感染类型的用户为已关注目标信息创作者的用户或已浏览过目标信息的用户;潜在类型的用户为浏览目标信息后只进行目标信息转发的用户;传播类型的用户为浏览目标信息后不仅进行目标信息转发,还@其他用户,或者进行评价的用户;免疫用户浏览过目标信息后未进行转发也未进行评论,也就是不同类型的用户对应目标信息的信任程度和传播方式不同,从而也就进一步影响了目标信息的传播结果和传播趋势。
步骤102、根据第一时刻目标信息对应的各个类型的用户的数量和信息传播模型,确定目标信息的传播预测结果;目标信息的传播预测结果中包括在第二时刻目标信息对应的各个类型的用户的数量;信息传播模型用于对信息在传播过程中各个类型用户数量的变化情况进行预测;信息传播模型中的目标参数,是基于粒子群优化算法和样本信息的传播数据确定的;目标参数表示不同类型用户之间的转化概率;样本信息的传播数据包括各个时刻样本信息对应的各个类型的用户数量。
具体地,在确定第一时刻目标信息对应的各个类型的用户数量之后,本申请实施例中将第一时刻目标信息对应的各个类型的用户数量输入至信息传播模型,得到各个第二时刻对应的各个类型的用户数量;其中,第二时刻晚于第一时刻;也就是本申请在对目标信息的传播结果进行预测的过程中,充分考虑了不同类型的用户对目标信息的信任程度和传播方式的不同,从而基于信息传播模型实现了基于各类型用户对目标信息的传播特征对目标信息传播过程中各类型用户数量的分类预测,提升了目标信息传播过程中各类型用户数量变化情况的预测准确性,从而也就可以得到更加准确的信息传播预测结果;进而根据预测出的目标信息的传播结果也就可以有效的进行信息传播的控制并采取相应的应对措施。例如,目标信息为谣言信息的情况下,若预测出目标信息在某一时刻的传播用户数量会达到预设阈值,则可以采取相应的措施避免谣言信息的进一步传播。例如,目标信息为需要广为传播的信息和通知,若需要目标信息在某一时刻达到预设的传播目标,则可以根据预测出的目标信息的传播结果,进一步加强信息的传播范围和传播速度。可选地,目标信息的传播预测结果包括相较于第一时刻各个类型用户数量的变化情况和/或目标信息传播过程中预测的在各个时刻的各个类型的用户数量。可选地,本申请实施例基于粒子群优化算法和样本信息的传播数据,确定信息传播模型中的目标参数,也就是基于粒子群优化算法和样本信息的传播数据,确定出信息传播过程中易感染类型的用户转化为潜在类型用户的概率P_SE、易感染类型的用户转化为潜在类型用户的概率P_SE、易感染类型的用户转化为免疫类型用户的概率P_SR、免疫类型的用户转化为易感染类型用户的概率P_RS、潜在类型的用户转化为传播类型用户的概率P_EI、潜在类型的用户转化为免疫类型用户的概率P_ER、免疫类型的用户转化为传播类型用户的概率P_RI、传播类型的用户转化为免疫类型用户的概率P_IR、易感染类型的用户转化为免疫类型用户的概率P_SR,从而实现了对信息传播模型中的目标参数的准确确定,从而也就准确地确定了信息传播过程中不同类型用户之间的转化概率,进而基于信息传播模型也就可以准确地对目标信息传播过程中各类型用户数量的变化情况进行准确的预测,提升了信息传播预测结果的准确性。
上述实施例的方法,充分考虑了不同类型的用户对目标信息的信任程度和传播方式的不同,从而基于第一时刻目标信息对应的各个类型的用户数量和信息传播模型,准确地预测目标信息传播过程中各个类型用户数量的变化情况,从而也就实现了基于各类型用户对目标信息的传播特征对目标信息传播过程中各类型用户数量的分类预测,提升了目标信息传播过程中各类型用户数量变化情况的预测准确性,从而也就可以得到更加准确的信息传播预测结果,提升了信息传播预测结果的准确性。
在一实施例中,根据各个类型的用户数量和不同类型用户之间的转化概率,构建信息传播模型,包括:
具体地,为了使得信息传播模型可以基于各类型用户对目标信息的传播特征(如,潜在类型的用户为浏览目标信息后只进行目标信息转发的用户;传播类型的用户为浏览目标信息后不仅进行目标信息转发,还@其他用户,或者进行评价的用户)对目标信息传播过程中各类型用户数量的分类预测,提升目标信息传播过程中各类型用户数量变化情况的预测准确性,本申请实施例中根据各个类型的用户数量和不同类型用户之间的转化概率,构建信息传播模型,从而也就使得构建出的信息传播模型可以充分地反映和确定出对目标信息的信任程度和传播方式各不相同的不同类型用户的数量变化情况,提升了目标信息传播过程中各类型用户的预测准确性,从而也就可以得到更加准确的信息传播预测结果。
在一实施例中,根据各个类型的用户数量和不同类型用户之间的转化概率,构建信息传播模型,包括:
利用如下公式构建信息传播模型:
(1)
(2)
(3)
(4)
其中,表示易感染类型的用户数量变化值;/>表示易感染类型的用户转化为潜在类型用户的概率;/>表示易感染类型的用户数量;/>表示传播类型的用户数量;表示易感染类型的用户转化为免疫类型用户的概率;/>表示免疫类型的用户转化为易感染类型用户的概率;/>表示免疫类型的用户数量;
表示潜在类型的用户数量变化值;/>表示潜在类型的用户转化为传播类型用户的概率;/>表示潜在类型的用户数量;/>表示潜在类型的用户转化为免疫类型用户的概率;
表示传播类型的用户数量变化值;/>表示免疫类型的用户转化为传播类型用户的概率;/>表示传播类型的用户转化为免疫类型用户的概率;
表示免疫类型的用户数量变化值;/>表示易感染类型的用户转化为免疫类型用户的概率。
具体地,本申请实施例中构建出的信息传播模型可以充分反映和确定出对目标信息的信任程度和传播方式各不相同的不同类型用户的数量变化情况,其中,表示易感染类型的用户数量变化值;/>表示潜在类型的用户数量变化值;/>表示传播类型的用户数量变化值;/>表示免疫类型的用户数量变化值;S表示易感染类型的用户;E表示潜在类型的用户;I表示传播类型的用户,R表示免疫类型的用户;可选地,本申请实施例中的易感染类型的用户为关注目标信息的创作者的用户或已浏览过目标信息的用户;潜在类型的用户为浏览目标信息后只进行目标信息转发的用户;传播类型的用户为浏览目标信息后不仅进行目标信息转发,还@其他用户(如大V),或者进行评价的用户;免疫用户浏览过目标信息后未进行转发也未进行评论;可选地,可以基于用户对目标信息的信任程度和传播方式的不同,对信息传播过程中的用户群体进行更加详细的类型划分,本申请实施例中不做具体限制。
如图2所示,当目标信息流入群体网络时,具有获取信息条件的节点用户转化为易感染类型的用户S;已得到目标信息的易感染类型的用户S,在阅读该信息后若认为目标信息有一定的可信度,则易感染型的用户S以概率转化为潜在类型的用户E;已得到目标信息的易感染类型的用户S,在阅读该信息后若认为目标信息完全不可信,则易感染类型的用户S以概率/>转化为免疫类型用户R;潜在类型的用户E在对信息进行综合分析后以概率转化为传播类型的用户I,对目标信息进行传播;潜在类型的用户E在对信息进行综合分析后以概率/>转化为免疫类型的用户R,不传播目标信息;传播类型的用户I在实施传播行为以后,以概率/>转化为免疫类型用户R,停止传播目标信息;由于目标信息可能持续发酵,免疫类型用户R可能持续接收目标信息,因此以概率/>转化为易感染类型的用户;随着目标信息不断传播扩大,免疫类型用户R可能会逐渐相信进而传播目标信息,因此以概率转化为传播类型的用户I,从而准确地表征了目标信息传播过程中,对目标信息的信任程度和传播方式各不相同的不同类型用户的数量变化情况,进而基于信息传播模型也就可以准确地对目标信息传播过程中各类型用户数量的变化情况进行准确的预测,提升了目标信息传播过程中各类型用户的预测准确性,从而也就可以得到更加准确的信息传播预测结果,提升了信息传播预测结果的准确性。
上述实施例的方法,通过构建信息传播模型,准确地表征了目标信息传播过程中,对目标信息的信任程度和传播方式各不相同的不同类型用户的数量变化情况,进而基于信息传播模型也就可以准确地对目标信息传播过程中各类型用户数量的变化情况进行准确的预测,提升了目标信息传播过程中各类型用户的预测准确性,从而也就可以得到更加准确的信息传播预测结果,提升了信息传播预测结果的准确性。
在一实施例中,基于粒子群优化算法和样本信息的传播数据,确定信息传播模型中的目标参数;样本信息的传播数据包括各个时刻样本信息对应的各个类型的用户数量;目标参数表示不同类型用户之间的转化概率。
具体地,本申请实施例在构建信息传播模型以准确地表征目标信息传播过程中对目标信息的信任程度和传播方式各不相同的不同类型用户的数量变化情况的基础上,基于粒子群优化算法和样本信息的传播数据,确定信息传播模型中的目标参数,也就是基于粒子群优化算法和样本信息的传播数据,确定出信息传播过程中易感染类型的用户转化为潜在类型用户的概率、易感染类型的用户转化为潜在类型用户的概率/>、易感染类型的用户转化为免疫类型用户的概率/>、免疫类型的用户转化为易感染类型用户的概率/>、潜在类型的用户转化为传播类型用户的概率/>、潜在类型的用户转化为免疫类型用户的概率/>、免疫类型的用户转化为传播类型用户的概率/>、传播类型的用户转化为免疫类型用户的概率/>、易感染类型的用户转化为免疫类型用户的概率/>,从而实现了对信息传播模型中的目标参数的准确确定,从而也就准确地确定了信息传播过程中不同类型用户之间的转化概率,进而基于信息传播模型也就可以准确地对目标信息传播过程中各类型用户数量的变化情况进行准确的预测,提升了信息传播预测结果的准确性。
可选地,本申请实施例中具体基于如下方式进行信息传播模型中的目标参数的确定:
首先,确定信息传播模型的变量初始值,S(0)=所有用户数,E(0)=I(0)=R(0)=0;
然后,以、/>、/>、/>、/>、/>和/>作为待优化变量,随机构建粒子群优化算法的解向量粒子群x和飞行速度v;
接着,以粒子群中的每个粒子xi求解信息传播模型对应的微分方程,以下式作为优化目标函数:
;
其中M(t)表示样本信息中每日传播谣言信息用户数,N(t)表示接受信息但未转发的用户数,T表示总的仿真时长;
随后,根据下式迭代更新飞行速度v:
;
其中pbest表示当前粒子群中的最优解,gbest表示所有迭代次数中的最优解;
根据下式更新粒子xi:
;
最后,重复上述迭代过程直至最优解gbest连续50次迭代不变,从而也就可以确定信息传播模型中的目标参数、/>、/>、/>、/>、/>,达到准确确定信息传播过程中不同类型用户之间转化概率的效果,有效地提升了信息传播预测结果的准确性。
上述实施例的方法,在构建信息传播模型以准确地表征目标信息传播过程中对目标信息的信任程度和传播方式各不相同的不同类型用户的数量变化情况的基础上,基于粒子群优化算法和样本信息的传播数据,实现了对信息传播模型中的目标参数、/>、/>、/>、/>、/>的准确确定,从而也就准确地确定了信息传播过程中不同类型用户之间的转化概率,进而基于信息传播模型也就可以准确地对目标信息传播过程中各类型用户数量的变化情况进行准确的预测,提升了信息传播预测结果的准确性。
在一实施例中,基于如下方式获取样本信息的传播数据:
确定样本信息对应的至少一个第一关键字;
根据第一关键字从目标平台中获取与第一关键字关联的至少一个第一信息内容;
从各个第一信息内容中,确定至少一个第二关键字;第二关键字为样本信息传播过程中衍生出的信息;
根据第二关键字从目标平台中获取与第二关键字关联的至少一个第二信息内容;
根据各个第二信息内容,确定样本信息的传播数据。
具体地,本申请实施例中,在构建信息传播模型以准确地表征目标信息传播过程中对目标信息的信任程度和传播方式各不相同的不同类型用户的数量变化情况的基础上,基于粒子群优化算法和样本信息的传播数据,实现了对信息传播模型中的目标参数、、/>、/>、/>、/>的准确确定;其中,样本信息的传播数据包括各个时刻样本信息传播过程中对应的各个类型的用户数量;可选地,基于如下方式获取样本信息的传播数据:
首先,确定样本信息对应的至少一个第一关键字;例如根据传播的样本信息的内容确定第一搜索关键字或第一搜索关键字组合;例如,样本信息是关于A市环境污染的谣言;则确定第一关键字为“污染”和“A市”;
然后,根据第一关键字从目标平台中获取与第一关键字关联的至少一个第一信息内容;可选地,可以根据第一关键字或第一关键字组合从数据源搜索样本信息相关内容,并确定该样本信息的传播用户、传播时间、传播内容和接收用户;例如,从信息传播平台中基于第一关键字进行搜索,得到与第一关键字关联的多个第一信息内容。例如,基于第一关键字从目标平台中搜索到1000条与所述第一关键字关联的第一信息内容。
接着,从各个第一信息内容中,确定至少一个第二关键字;也就是通过对多个第一信息内容的分析,从而根据分析结果,确定出样本信息在传播过程中衍生出的更加吸引用户注意力、或严重影响样本信息传播热度的内容作为第二关键字;例如,样本信息为谣言进行传播的过程中,经过发酵和用户对样本信息的再加工,在原有样本信息的基础上衍生出“环境污染受害者XXX”、“经济损失高达XXX元”等谣言内容,从而可以将样本信息传播过程中,新衍生出的更加吸引用户注意力、或严重影响样本信息传播热度的内容作为第二关键字;可选地,也可以将第二关键字与第一关键字进行结合,得到最终的第二关键字。
最后,根据第二关键字从目标平台中获取与第二关键字关联的至少一个第二信息内容;根据各个第二信息内容,确定样本信息的传播数据。例如,某些用户在样本信息的基础上捏造谣言并制造话题,如“环境污染受害者XXX”、“经济损失高达XXX元”等博取用户眼球的谣言信息,并在平台上进行广为传播,则可以基于对第一信息的分析,将第一信息中的“环境污染受害者XXX”、“经济损失高达XXX元”作为第二关键字从目标平台中获取与第二关键字关联的至少一个第二信息内容,从而也就不仅可以获取初始时刻样本信息A市环境污染相关的谣言信息,而且基于对第一信息的分析,将第一信息中对应的样本信息传播过程中新衍生出的更加吸引用户注意力、或严重影响样本信息传播热度的内容作为第二关键字,获取到基于第一关键字无法搜索到的与样本信息A市环境污染相关的新衍生出的谣言内容,进而基于第二关键字搜索到的更加全面、完整、实时信息,也就可以更加准确地确定样本信息传播过程中的传播数据,即统计出样本信息传播过程中各种类型用户的数量变化情况,进一步基于更加全面、准确的传播数据和粒子群优化算法,也就使得最终构建出的信息传播模型可以更加准确地对目标信息传播过程中各类型用户数量的变化情况进行准确的预测,提升了信息传播预测结果的准确性。可选地,本申请中的样本信息A可以为谣言信息,也可以为需要广为传播的信息和通知,也可以为其他类型的信息,本申请实施例中不做限定。
上述实施例的方法,在确定样本信息传播过程中的传播数据时,不仅可以基于样本信息对应的至少一个第一关键字从目标平台中获取与第一关键字关联的至少一个第二信息内容,而且基于对第一信息的分析,将第一信息中对应的样本信息传播过程中新衍生出的更加吸引用户注意力、或严重影响样本信息传播热度的内容作为第二关键字,获取到基于第一关键字无法搜索到的与样本信息A市环境污染相关的新衍生出的谣言内容,进而基于第二关键字搜索到的更加全面、完整、实时信息,也就可以更加准确地确定样本信息传播过程的传播数据,进一步基于更加全面、准确的样本信息传播过程的传播数据,也就使得最终构建出的信息传播模型可以更加准确地对目标信息传播过程中各类型用户数量的变化情况进行准确的预测,提升了信息传播预测结果的准确性。
在一实施例中,从各个第一信息内容中,确定至少一个第二关键字,包括:
对各个第一信息内容进行分词,得到各个第一信息中的目标词语;
根据各个目标词语与样本信息的关联程度,从各个目标词语中确定第二关键字。
具体地,本申请实施例中在根据第一关键字从目标平台中获取与第一关键字关联的至少一个第一信息内容之后,对各个第一信息内容进行分词,得到各个第一信息中的目标词语,进而根据各个目标词语与样本信息的关联程度,从各个目标词语中确定第二关键字;可选地,可以基于对各个目标词语的分析,将吸引用户注意力、或严重影响样本信息传播热度的目标词语作为第二关键词,也就是目标词语越能吸引用户注意力,或越能影响样本信息的传播热度,则确定目标词语与样本信息的关联程度也就越强,进而也就可以基于第一信息中目标词语的分析,将第一信息中对应的样本信息传播过程中新衍生出的更加吸引用户注意力、或严重影响样本信息传播热度的内容作为第二关键字,进一步基于第二关键字也就可以获取到基于第一关键字无法搜索到的与样本信息A市环境污染相关的新衍生出的谣言内容,基于第二关键字搜索到的与样本信息A相关的更加全面、完整、实时的信息,也就可以更加准确地构建信息传播模型,提升信息传播预测结果的准确性。
上述实施例的方法,通过对基于第一关键词搜索到的第一信息进行分词,得到各个第一信息中的目标词语,进而基于对第一信息中目标词语的分析,将第一信息中对应的样本信息传播过程中新衍生出的更加吸引用户注意力、或严重影响样本信息传播热度的内容作为第二关键字,从而基于第二关键字也就可以获取到基于第一关键字无法搜索到的与样本信息A市环境污染相关的新衍生出的谣言内容,基于搜索到的与样本信息A相关的更加全面、完整、实时的信息,也就可以更加准确地构建信息传播模型,提升信息传播预测结果的准确性。
在一实施例中,根据各个目标词语与样本信息的关联程度,从各个目标词语中确定第二关键字,包括:
根据各个目标词语与样本信息的关联程度,从各个目标词语中确定至少一个候选第二关键字;
根据候选第二关键字从目标平台中获取与候选第二关键字关联的多个第三信息内容;
在多个第三信息内容中存在N个第三信息内容满足预设条件的情况下,将候选第二关键字确定为第二关键字。
具体地,本申请实施例中通过对基于第一关键词搜索到的第一信息进行分析,将第一信息中对应的样本信息传播过程中新衍生出的更加吸引用户注意力、或严重影响样本信息传播热度的内容作为候选第二关键字,进而根据候选第二关键字从目标平台中获取与候选第二关键字关联的多个第三信息内容,并进一步通过对第三信息的分析,确定基于候选第二关键字搜索得到的第三信息是否为与样本信息关联的内容;可选地,若基于候选第二关键字搜索得到的多个第三信息内容中存在N个第三信息内容与样本信息相关联,例如基于候选第二关键字搜索得到的100个第三信息内容中存在95个第三信息内容与样本信息相关联,也就是基于候选第二关键字搜索得到的第三信息中95%的概率与样本信息相关联,则将所述候选第二关键字作为最终确定的第二关键字,即通过对基于候选第二关键字搜索出的第三信息内容的分析、约束和验证,从而基于最终确定出的第二关键字可以更加准确地获取到基于第一关键字无法搜索到的且与样本信息强相关的新衍生出的谣言内容,使得获取到的样本信息传播过程中的传播数据更加的准确,进而也就可以更加准确地构建信息传播模型,提升信息传播预测结果的准确性。
上述实施例的方法,通过对基于候选第二关键字搜索出的第三信息内容的分析、约束和验证,从而基于最终确定出的第二关键字可以更加准确地获取到基于第一关键字无法搜索到的且与样本信息强相关的新衍生出的谣言内容,使得获取到的样本信息传播过程中的传播数据更加的准确,进而也就可以更加准确地构建信息传播模型,提升信息传播预测结果的准确性。
示例性的,本申请实施例中的信息传播预测方法的具体流程如图3所示:
首先,根据谣言信息的内容初步确定搜索关键字或关键字组合;根据关键字或关键字组合从数据源中搜索谣言相关内容,同时获取该信息的传播用户、传播时间、传播内容和接收用户;
然后,基于jieba中文分词工具对谣言信息进行分词,根据中文停用词表去掉常见停用词;采用tf-idf算法统计谣言信息的关键主题词,人工确定主要关键词与谣言信息的相关性,进一步修改关键字或关键字组合;重复上述步骤直到谣言信息占比超过95%,至此确定谣言信息的传播数据;根据传播数据确定最大用户规模,每日传播谣言信息用户及接受信息但未转发的用户;
接着,构建如下的信息传播模型,具体为:
;
其中,当目标信息流入群体网络时,具有获取信息条件的节点用户转化为易感染类型的用户S;已得到目标信息的易感染类型的用户S,在阅读该信息后若认为目标信息有一定的可信度,则从易感染型的用户S以概率转化潜在类型的用户E;已得到目标信息的易感染类型的用户S,在阅读该信息后若认为目标信息完全不可信,则从易感染类型的用户S以概率/>转化免疫类型用户R;潜在类型的用户E在对信息进行综合分析后以概率/>转化为传播类型的用户I,对目标信息进行传播;潜在类型的用户E在对信息进行综合分析后以概率/>转化为免疫类型的用户R,不传播目标信息;传播类型的用户I在实施传播行为以后,以概率/>转化为免疫类型用户R,停止传播目标信息;由于目标信息可能持续发酵,免疫类型用户R可能持续接收目标信息,因此以概率/>转化为易感染类型的用户;随着目标信息不断传播扩大,免疫类型用户R可能会逐渐相信进而传播目标信息,因此以概率转化为传播类型的用户I。
最后,确定SEIRS模型的变量初始值,S(0)=所有用户数,E(0)=I(0)=R(0)=0;以、/>、/>、/>、/>、/>作为待优化变量,随机构建粒子群优化算法的解向量粒子群x和飞行速度v;以粒子群中的每个粒子xi求解信息传播模型对应的微分方程,以下式作为优化目标函数:
;
其中M(t)表示每日传播谣言信息用户数,N(t)表示接受信息但未转发的用户数,T表示总的仿真时长;
根据下式迭代更新飞行速度v:
;
其中pbest表示当前粒子群中的最优解,gbest表示所有迭代次数中的最优解;
根据下式更新粒子xi:
;
重复上述迭代过程直至最优解gbest连续50次迭代不变,从而也就可以确定信息传播模型中的目标参数、/>、/>、/>、/>、/>,达到准确确定信息传播过程中不同类型用户之间转化概率的效果,有效地提升了信息传播预测结果的准确性。
下面对本发明提供的信息传播预测装置进行描述,下文描述的信息传播预测装置与上文描述的信息传播预测方法可相互对应参照。
图4是本发明提供的信息传播预测装置的结构示意图。本实施例提供的信息传播预测装置,包括:
确定模块710,用于确定在第一时刻目标信息对应的各个类型的用户的数量;其中,各个类型的用户对所述目标信息的信任程度和/或传播方式不同;
预测模块720,用于根据所述第一时刻目标信息对应的各个类型的用户的数量和信息传播模型,确定目标信息的传播预测结果;所述目标信息的传播预测结果中包括在第二时刻所述目标信息对应的各个类型的用户的数量;所述信息传播模型用于对信息在传播过程中各个类型用户数量的变化情况进行预测;所述信息传播模型中的目标参数,是基于粒子群优化算法和样本信息的传播数据确定的;所述目标参数表示不同类型用户之间的转化概率;所述样本信息的传播数据包括各个时刻所述样本信息对应的各个类型的用户数量。
可选地,所述预测模块720,具体用于:根据各个类型的用户数量和不同类型用户之间的转化概率,构建信息传播模型。
可选地,所述预测模块720,具体用于:利用如下公式构建信息传播模型:
(1)
(2)
(3)
(4)
其中,表示易感染类型的用户数量变化值;/>表示易感染类型的用户转化为潜在类型用户的概率;/>表示易感染类型的用户数量;/>表示传播类型的用户数量;表示易感染类型的用户转化为免疫类型用户的概率;/>表示免疫类型的用户转化为易感染类型用户的概率;/>表示免疫类型的用户数量;
表示潜在类型的用户数量变化值;/>表示潜在类型的用户转化为传播类型用户的概率;/>表示潜在类型的用户数量;/>表示潜在类型的用户转化为免疫类型用户的概率;
表示传播类型的用户数量变化值;/>表示免疫类型的用户转化为传播类型用户的概率;/>表示传播类型的用户转化为免疫类型用户的概率;
表示免疫类型的用户数量变化值;/>表示易感染类型的用户转化为免疫类型用户的概率。
可选地,所述确定模块710,具体用于:
确定样本信息对应的至少一个第一关键字;
根据第一关键字从目标平台中获取与第一关键字关联的至少一个第一信息内容;
从各个第一信息内容中,确定至少一个第二关键字;
根据第二关键字从目标平台中获取与第二关键字关联的至少一个第二信息内容;
根据各个第二信息内容,确定样本信息的传播数据。
可选地,所述确定模块710,具体用于:从各个第一信息内容中,确定至少一个第二关键字,包括:
对各个第一信息内容进行分词,得到各个第一信息中的目标词语;
根据各个目标词语与样本信息的关联程度,从各个目标词语中确定第二关键字。
可选地,所述确定模块710,具体用于:根据各个目标词语与样本信息的关联程度,从各个目标词语中确定第二关键字,包括:
根据各个目标词语与样本信息的关联程度,从各个目标词语中确定至少一个候选第二关键字;
根据候选第二关键字从目标平台中获取与候选第二关键字关联的多个第三信息内容;
在多个第三信息内容中存在N个第三信息内容满足预设条件的情况下,将候选第二关键字确定为第二关键字。
本发明实施例的装置,其用于执行前述任一方法实施例中的方法,其实现原理和技术效果类似,此次不再赘述。
图5示例了一种电子设备的实体结构示意图,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行信息传播预测方法,该方法包括:确定第一时刻目标信息对应的各个类型的用户数量;其中,各个类型的用户对目标信息的信任程度和/或传播方式不同;根据第一时刻目标信息对应的各个类型的用户数量和信息传播模型,确定目标信息的传播预测结果;目标信息的传播预测结果中包括第二时刻目标信息对应的各个类型的用户数量;信息传播模型用于预测信息的传播过程中,各个类型用户数量的变化情况。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的信息传播预测方法,该方法包括:确定第一时刻目标信息对应的各个类型的用户数量;其中,各个类型的用户对目标信息的信任程度和/或传播方式不同;根据第一时刻目标信息对应的各个类型的用户数量和信息传播模型,确定目标信息的传播预测结果;目标信息的传播预测结果中包括第二时刻目标信息对应的各个类型的用户数量;信息传播模型用于预测信息的传播过程中,各个类型用户数量的变化情况。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的信息传播预测方法,该方法包括:确定第一时刻目标信息对应的各个类型的用户数量;其中,各个类型的用户对目标信息的信任程度和/或传播方式不同;根据第一时刻目标信息对应的各个类型的用户数量和信息传播模型,确定目标信息的传播预测结果;目标信息的传播预测结果中包括第二时刻目标信息对应的各个类型的用户数量;信息传播模型用于预测信息的传播过程中,各个类型用户数量的变化情况。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于粒子群算法的信息传播预测方法,其特征在于,包括:
确定在第一时刻目标信息对应的各个类型的用户的数量;其中,各个类型的用户对所述目标信息的信任程度和/或传播方式不同;
根据所述第一时刻目标信息对应的各个类型的用户的数量和信息传播模型,确定目标信息的传播预测结果;所述目标信息的传播预测结果中包括在第二时刻所述目标信息对应的各个类型的用户的数量;所述信息传播模型用于对信息在传播过程中各个类型用户数量的变化情况进行预测;所述信息传播模型中的目标参数,是基于粒子群优化算法和样本信息的传播数据确定的;所述目标参数表示不同类型用户之间的转化概率;所述样本信息的传播数据包括各个时刻所述样本信息对应的各个类型的用户数量;所述方法还包括:
根据各个类型的用户数量和不同类型用户之间的转化概率,构建所述信息传播模型;所述根据各个类型的用户数量和不同类型用户之间的转化概率,构建所述信息传播模型,包括:
利用如下公式构建所述信息传播模型:
;
其中,表示易感染类型的用户数量变化值;/>表示易感染类型的用户转化为潜在类型用户的概率;/>表示易感染类型的用户数量;/>表示传播类型的用户数量;/>表示易感染类型的用户转化为免疫类型用户的概率;/>表示免疫类型的用户转化为易感染类型用户的概率;/>表示免疫类型的用户数量;
表示潜在类型的用户数量变化值;/>表示潜在类型的用户转化为传播类型用户的概率;/>表示潜在类型的用户数量;/>表示潜在类型的用户转化为免疫类型用户的概率;
表示传播类型的用户数量变化值;/>表示免疫类型的用户转化为传播类型用户的概率;/>表示传播类型的用户转化为免疫类型用户的概率;
表示免疫类型的用户数量变化值;/>表示易感染类型的用户转化为免疫类型用户的概率;所述方法还包括:
确定所述样本信息对应的至少一个第一关键字;
根据所述第一关键字从目标平台中获取与所述第一关键字关联的至少一个第一信息内容;
从各个所述第一信息内容中,确定至少一个第二关键字;所述第二关键字为所述样本信息传播过程中衍生出的信息;
根据所述第二关键字从所述目标平台中获取与所述第二关键字关联的至少一个第二信息内容;
根据各个所述第二信息内容,确定所述样本信息的传播数据。
2.根据权利要求1所述的基于粒子群算法的信息传播预测方法,其特征在于,所述从各个所述第一信息内容中,确定至少一个第二关键字,包括:
对各个所述第一信息内容进行分词,得到各个所述第一信息中的目标词语;
根据各个目标词语与所述样本信息的关联程度,从各个所述目标词语中确定所述第二关键字。
3.根据权利要求2所述的基于粒子群算法的信息传播预测方法,其特征在于,所述根据各个目标词语与所述样本信息的关联程度,从各个所述目标词语中确定所述第二关键字,包括:
根据各个目标词语与所述样本信息的关联程度,从各个所述目标词语中确定至少一个候选第二关键字;
根据所述候选第二关键字从所述目标平台中获取与所述候选第二关键字关联的多个第三信息内容;
在所述多个第三信息内容中存在N个第三信息内容满足预设条件的情况下,将所述候选第二关键字确定为第二关键字。
4.一种基于粒子群算法的信息传播预测装置,其特征在于,包括:
确定模块,用于确定在第一时刻目标信息对应的各个类型的用户的数量;其中,各个类型的用户对所述目标信息的信任程度和/或传播方式不同;
预测模块,用于根据所述第一时刻目标信息对应的各个类型的用户的数量和信息传播模型,确定目标信息的传播预测结果;所述目标信息的传播预测结果中包括在第二时刻所述目标信息对应的各个类型的用户的数量;所述信息传播模型用于对信息在传播过程中各个类型用户数量的变化情况进行预测;所述信息传播模型中的目标参数,是基于粒子群优化算法和样本信息的传播数据确定的;所述目标参数表示不同类型用户之间的转化概率;所述样本信息的传播数据包括各个时刻所述样本信息对应的各个类型的用户数量;所述预测模块还用于:
利用如下公式构建所述信息传播模型:
;
其中,表示易感染类型的用户数量变化值;/>表示易感染类型的用户转化为潜在类型用户的概率;/>表示易感染类型的用户数量;/>表示传播类型的用户数量;/>表示易感染类型的用户转化为免疫类型用户的概率;/>表示免疫类型的用户转化为易感染类型用户的概率;/>表示免疫类型的用户数量;
表示潜在类型的用户数量变化值;/>表示潜在类型的用户转化为传播类型用户的概率;/>表示潜在类型的用户数量;/>表示潜在类型的用户转化为免疫类型用户的概率;
表示传播类型的用户数量变化值;/>表示免疫类型的用户转化为传播类型用户的概率;/>表示传播类型的用户转化为免疫类型用户的概率;
表示免疫类型的用户数量变化值;/>表示易感染类型的用户转化为免疫类型用户的概率;
所述预测模块还用于:
确定所述样本信息对应的至少一个第一关键字;
根据所述第一关键字从目标平台中获取与所述第一关键字关联的至少一个第一信息内容;
从各个所述第一信息内容中,确定至少一个第二关键字;所述第二关键字为所述样本信息传播过程中衍生出的信息;
根据所述第二关键字从所述目标平台中获取与所述第二关键字关联的至少一个第二信息内容;
根据各个所述第二信息内容,确定所述样本信息的传播数据。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述的基于粒子群算法的信息传播预测方法。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于粒子群算法的信息传播预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311222480.1A CN116962996B (zh) | 2023-09-21 | 2023-09-21 | 基于粒子群算法的信息传播预测方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311222480.1A CN116962996B (zh) | 2023-09-21 | 2023-09-21 | 基于粒子群算法的信息传播预测方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116962996A CN116962996A (zh) | 2023-10-27 |
CN116962996B true CN116962996B (zh) | 2024-01-16 |
Family
ID=88442949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311222480.1A Active CN116962996B (zh) | 2023-09-21 | 2023-09-21 | 基于粒子群算法的信息传播预测方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116962996B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156030A (zh) * | 2014-09-18 | 2016-11-23 | 华为技术有限公司 | 社交网络中预测信息传播的方法及设备 |
CN110428139A (zh) * | 2019-07-05 | 2019-11-08 | 阿里巴巴集团控股有限公司 | 基于标签传播的信息预测方法及装置 |
CN113935788A (zh) * | 2021-12-17 | 2022-01-14 | 腾讯科技(深圳)有限公司 | 模型评估方法、装置、设备及计算机可读存储介质 |
CN115865708A (zh) * | 2023-02-14 | 2023-03-28 | 国家计算机网络与信息安全管理中心江苏分中心 | 一种基于sir-d模型的复杂社交网络信息处置方法 |
-
2023
- 2023-09-21 CN CN202311222480.1A patent/CN116962996B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156030A (zh) * | 2014-09-18 | 2016-11-23 | 华为技术有限公司 | 社交网络中预测信息传播的方法及设备 |
CN110428139A (zh) * | 2019-07-05 | 2019-11-08 | 阿里巴巴集团控股有限公司 | 基于标签传播的信息预测方法及装置 |
CN113935788A (zh) * | 2021-12-17 | 2022-01-14 | 腾讯科技(深圳)有限公司 | 模型评估方法、装置、设备及计算机可读存储介质 |
CN115865708A (zh) * | 2023-02-14 | 2023-03-28 | 国家计算机网络与信息安全管理中心江苏分中心 | 一种基于sir-d模型的复杂社交网络信息处置方法 |
Non-Patent Citations (3)
Title |
---|
基于传染病模型的微博信息传播预测研究;游新年;计算机应用与软件;第2-3节 * |
基于概率加权通信社区SIR模型及信息扩散预测方法研究;卫红权;信息工程大学学报(第06期);全文 * |
游新年.基于传染病模型的微博信息传播预测研究.计算机应用与软件.2016,第2-3节. * |
Also Published As
Publication number | Publication date |
---|---|
CN116962996A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9373086B1 (en) | Crowdsource reasoning process to facilitate question answering | |
Jiang et al. | Cross-language citation recommendation via hierarchical representation learning on heterogeneous graph | |
JP5379239B2 (ja) | 関心領域についての判定情報を使用した勧告の提供 | |
CN106126700B (zh) | 一种微博谣言传播的分析方法 | |
Meng et al. | A unified graph model for personalized query-oriented reference paper recommendation | |
Lu et al. | Selective transfer learning for cross domain recommendation | |
US20140129510A1 (en) | Parameter Inference Method, Calculation Apparatus, and System Based on Latent Dirichlet Allocation Model | |
CN109189990B (zh) | 一种搜索词的生成方法、装置及电子设备 | |
CN106991160B (zh) | 一种基于用户影响力以及内容的微博传播预测方法 | |
WO2022179384A1 (zh) | 一种社交群体的划分方法、划分系统及相关装置 | |
US9286379B2 (en) | Document quality measurement | |
CN109189935B (zh) | 一种基于知识图谱的app传播分析方法及系统 | |
Hsu et al. | Integrating machine learning and open data into social Chatbot for filtering information rumor | |
Bojchevski et al. | Is pagerank all you need for scalable graph neural networks | |
CN108875057B (zh) | 用于确定数据主题的方法、装置、设备和计算机可读介质 | |
CN110991742A (zh) | 一种社交网络信息转发概率预测方法及系统 | |
CN114742071B (zh) | 基于图神经网络的汉越跨语言观点对象识别分析方法 | |
Chen et al. | Meta-path based neighbors for behavioral target generalization in sequential recommendation | |
CN115952343A (zh) | 一种基于多关系图卷积网络的社交机器人检测方法 | |
CN114365122A (zh) | 通过对开放域事实的贝叶斯结构学习来学习实体、关系词和概念之间的可解释关系 | |
Zhou et al. | Cdtier: A Chinese dataset of threat intelligence entity relationships | |
Du et al. | Structure tuning method on deep convolutional generative adversarial network with nondominated sorting genetic algorithm II | |
CN117972766A (zh) | 一种基于多模态联邦学习的反演攻击方法 | |
Yu et al. | Rumor identification with maximum entropy in micronet | |
CN116962996B (zh) | 基于粒子群算法的信息传播预测方法、装置和设备 |
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 |