结合网络结构和话题相关性的话题流行度预测

摘要

随着互联网技术的发展，社会网络已经成为人们获取和共享信息的重要平台。用户在社会网络中生成的文档是与时俱进的，用户感兴趣的话题也是随时间演化的。话题一直都是社会网络领域里的一个重要研究方向。传统的话题流行度大多是针对显性的话题，很难解释话题的传播和演化的宏观过程。论文研究的是利用话题模型从文档集合中获得的隐式话题，因此论文中研究的对象是文本丰富的社会网络，比如微博。
　　为了定量地衡量话题的流行度，在论文中定义了话题流行度的度量。利用动态话题模型（DTM）获得了社会网络中每个用户的各个时间片上的话题分布，在此基础上建立一个因子图模型来预测用户将来可能的话题分布，进而算出话题的流行度。该模型综合考虑了用户兴趣，邻居影响，话题自相关，交叉话题相关这四种因素。具体的讲，用户在t时刻对某个话题的兴趣度受到过去用户本身兴趣度的影响，也会受到用户邻居节点的影响。话题的相关性同样会影响用户对某个话题的兴趣度。该模型采用迭代置信传播算法来计算模型归一化因子，利用梯度下降法来估计模型的参数。学习好模型的参数之后就可以预测出将来每个用户对话题的兴趣度，进而算出话题的流行度。
　　在Twitter真实数据集上进行实验。实验结果表明综合考虑多种因素的因子图模型具有良好的预测能力，通过与向量自回归模型进行比较，因子图模型具有更强的鲁棒性，整体预测精度有所提高。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪 论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.3 论文的主要研究内容

1.4 论文组织结构

2 话题流行度预测模型

2.1 相关问题定义

2.2 动态话题模型

2.3 因子图模型

2.4 基于因子图的预测模型

2.5 本章小结

3 话题流行度预测算法

3.1 和积算法

3.2 梯度下降法

3.3 预测模型估计主算法

3.4 本章小结

4 实验与分析

4.1 实验平台和数据集

4.2 实验方案设计

4.3 实验结果及分析

4.4 本章小结

5 总结与展望

5.1 论文总结

5.2 论文展望

致谢

参考文献

附录1 攻读硕士学位期间参加的科研项目