微博个性化转发行为预测新算法  

Novel algorithm for predicting personalized retweet behavior

作　　者：唐兴[1] 权义宁[1] 宋建锋[1] 邓凯[1] 朱海[2] 苗启广[1] 

机构地区：[1]西安电子科技大学计算机学院,陕西西安710071 [2]周口师范学院计算机科学与技术学院,河南周口466001

出　　处：《西安电子科技大学学报》2016年第4期51-56,62,共7页Journal of Xidian University

基　　金：国家自然科学基金资助项目(61472302;61272280;U1404620;41271447);教育部新世纪优秀人才支持计划资助项目(NCET-12-0919);中央高校基本科研业务费专项资金资助项目(K5051203020;JB150313;JB150317;K5051303018;BDY081422);陕西省自然科学基金资助项目(2010JM8027);西安市科技局资助项目(CXY1441(1));地理信息工程国家重点实验室开放研究基金资助项目(SKLGIE2014-M-4-4);NSFC-广东联合基金(第二期)超级计算科学应用研究立项和国家超级计算广州中心资助项目;模式识别国家重点实验室开放课题基金资助项目(201600031)

摘　　要：目前,对微博转发行为预测主要是对所有微博用户的历史数据进行学习,从而得到转发模型.但是这类模型需要对所有用户的转发行为进行全局预测,存在同质性且无法对具体用户进行个性化预测的缺陷.针对这些问题,提出了基于多任务学习的个性化微博转发行为预测算法.对新浪微博进行了数据抓取、分析和特征选择,根据社会学中影响力的理论,针对微博用户之间进行社交信息交流而导致相互影响的特点,引入了多任务学习方法,以逻辑回归预测模型作为基准算法,将预测模型分为全局模型与个性模型进行学习.预测模型把对每个用户转发行为的预测对应为多个任务,根据微博用户间的社交交互对这些任务进行关联.实验结果表明,所提出的模型能够有效地对单个用户的微博转发行为进行预测,并且提高了转发行为预测的准确率.Recently, models for predicting the user retweet behavior are based mainly on the historical retweet data of all users. However, these models are of homogeneity and could not predict a particular user＇s behavior. To overcome these problems, we propose an algorithm for predicting personalized retweet behavior. Based on crawled Weibo data, we have conducted an analysis and a selection of retweet features. According to the influential theory, we introduce the multi-task learning framework to divide the tasks into common global tasks and many individual tasks. Our effective in predicting personalized retweet behavior.

关 键 词：多任务学习 个性化 转发行为 社交网络 微博 数据挖掘 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]