基于转发传播过程的微博转发量预测

doi:10.3969/j.issn.0372-2112.2016.12.025

电子学报 ›› 2016, Vol. 44 ›› Issue (12): 2989-2996.DOI: 10.3969/j.issn.0372-2112.2016.12.025

基于转发传播过程的微博转发量预测

赵惠东, 刘刚, 石川, 吴斌

北京邮电大学智能通信软件与多媒体北京市重点实验室, 北京 100876

收稿日期:2015-02-03 修回日期:2015-08-04 出版日期:2016-12-25
- 作者简介:
- 赵惠东,男,1990年11月出生,辽宁沈阳人,2013年在北京邮电大学获得学士学位,现为北京邮电大学计算机学院硕士研究生,研究方向为数据挖掘.E-mail:zhaohuidong1121@foxmail.com;刘刚,男,1989年5月出生,辽宁沈阳人,2012年在北京邮电大学获得学士学位,2015年在北京邮电大学获得工学硕士学位,研究方向为数据挖掘;石川,男,1978年4月出生,湖北洪湖人,教授、博士生导师、IEEE/ACM/CCF会员.2001年在吉林大学获得学士学位,2004年在武汉大学获得硕士学位,2007年在中国科学院计算技术研究所获得博士学位.2007年加入北京邮电大学,研究方向包括机器学习、数据挖掘和演化计算;吴斌,男,1969年11月出生,湖南长沙人,教授、博士生导师,2002年中国科学院计算技术研究所博士毕业,现在北京邮电大学计算机学院工作,主要从事复杂网络、数据挖掘、海量数据并行处理、可视分析、电信客户关系管理等方面的研究工作.
- 基金资助:
- 国家重点基础研究发展计划 (No.2013CB329606）; 国家自然科学基金 (No.61375058，No.71231002）; 北京市高等教育青年英才项目

Retweet Number Prediction Based on Retweet Propagation Process

ZHAO Hui-dong, LIU Gang, SHI Chuan, WU Bin

Beijing Key Lab of Intelligent Telecommunication Software and Multimedia, Beijing University of Posts and Telecommunications, Beijng 100876, China

Received:2015-02-03 Revised:2015-08-04 Online:2016-12-25 Published:2016-12-25
- Supported by:
- National Key Basic Research Development Plan (No.2013CB329606); National Natural Science Foundation of China (No.61375058, No.71231002); Beijing Higher Education Young Elite Teacher Project

摘要/Abstract

摘要：

微博已经成为日常生活中最流行的信息分享工具.转发是微博中信息传播的核心方法，所以转发量预测不仅是一个有趣的研究问题，也有较大的实际意义.然而，当前大部分研究只是把问题视为分类或回归问题，没有考虑转发的传播过程.本文中，我们提出一个符合转发传播过程的转发量预测模型.本文认为转发信息来自两方面：直接粉丝和间接粉丝，而粉丝带来的转发量由转发意愿和影响力决定.我们用历史行为和内容相关性来估算一名直接粉丝的转发意愿，并用他/她的影响力来估算通过他/她的间接粉丝的转发量.新浪微博上的实验表明我们的模型比其他已有的方法效果好.

关键词: 转发量预测, 转发意愿, 转发影响力

Abstract:

Micro-blog has become the most popular information sharing tool in our daily life.The retweet behavior is a main method of information propagation in micro-blog.So the retweet number prediction is an interesting research topic and has much practical significance.However,most of current researches only regard this problem as aclassification or regression problem,and they did not consider the retweet propagation process.Considering the retweet propagation process,we propose a retweet number prediction model BCI.In our model,we think retweet messages are from two parts,direct followers and indirect followers.The retweet number of followers is decided by their retweet intention and influence.We use behavior and content information to estimate retweet intention for a direct follower and use the influence to estimate the indirect followers' retweet number.Experimental results on Sina Weibo dataset show that our retweet number prediction model has much better performance than other well-established methods.

Key words: retweet number prediction, retweet intention, the influence on retweeting

中图分类号:

TP391

赵惠东, 刘刚, 石川, 等. 基于转发传播过程的微博转发量预测[J]. 电子学报, 2016, 44(12): 2989-2996.

ZHAO Hui-dong, LIU Gang, SHI Chuan, et al. Retweet Number Prediction Based on Retweet Propagation Process[J]. Acta Electronica Sinica, 2016, 44(12): 2989-2996.

参考文献

[1] Ma H,Qian W,Xia F,et al.Towards modeling popularity of microblogs[J].Frontiers of Computer Science,2013,7(2):171-184.
[2] Yang Z,Guo J,Cai K,et al.Understanding retweeting behaviors in social networks[A].Proceedings of the 19th ACM International Conference on Information and Knowledge Management[C].Toronto,Ontario,Canada:ACM,2010.1633-1636.
[3] Yang J,Counts S.Predicting the speed,scale,and range of information diffusion in Twitter[A].Proceedings of the International AAAI Conference on Weblogs and Social Media[C].Washington,USA:AAAI,2010.355-358.
[4] Gao Q,Abel F,Houben G J,et al.A comparative study of users' microblogging behavior on Sina Weibo and Twitter[A].User Modeling,Adaptation,and Personalization[C].Montreal,Canada:Springer,2012.88-101.
[5] Stieglitz S,Dang-Xuan L.Political communication and influence through microblogging-an empirical analysis of sentiment in twitter messages and retweet behavior[A].System Science (HICSS),201245th Hawaii International Conference on[C].Hawaii:IEEE,2012.3500-3509.
[6] Morchid M,Dufour R,Bousquet P M,et al.Feature selection using principal component analysis for massive retweet detection[J].Pattern Recognition Letters,2014,49:33-39.
[7] Peng H K,Zhu J,Piao D,et al.Retweet modeling using conditional random fields[A].Data Mining Workshops (ICDMW),2011 IEEE 11th International Conference on[C].Vancouver,British Columbia,Canada:IEEE,2011.336-343.
[8] Cui P,Wang F,Liu S,et al.Who should share what?:item-level social influence prediction for users and posts ranking[A].Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval[C].Beijing,China:ACM,2011.185-194.
[9] Lu X,Yu Z,Guo B,et al.Modeling and predicting the re-post behavior in SinaWeibo[A].Green Computing and Communications (GreenCom),2013 IEEE and Internet of Things (iThings/CPSCom),IEEE International Conference on and IEEE Cyber,Physical and Social Computing[C].Beijing,China:IEEE,2013.962-969.
[10] 李英乐,于洪涛,刘力雄.基于SVM的微博转发规模预测方法[J].计算机应用研究,2013,30(9):2594-2597. Y Li,H Yu,L Liu.Predict algorithm of micro-blog retweet scale based on svm[J].Application Research of Computers,2013,30(9):2594-2597.(in chinese)
[11] Liu G,Shi C,Chen Q,et al.A two-phase model for retweet number prediction[A].Web-Age Information Management[C].Macau,China:Springer International Publishing,2014.781-792.
[12] Koren Y,Bell R,Volinsky C.Matrix factorization techniques for recommender systems[J].Computer,2009,42(8):30-37.
[13] Breiman L,Friedman J H.Predicting multivariate responses in multiple linear regression[J].Journal of the Royal Statistical Society,1997,59(1):3-54.
[14] Ruck D W,Rogers S K,Kabrisky M,et al.The multilayer perceptron as an approximation to a Bayes optimal di44scriminant function[J].Neural Networks,IEEE Transactions on,1990,1(4):296-298
[17] Frank E,Wang Y,Inglis S,et al.Using model trees for classification[J].Machine Learning,1998,32(1):63-7

[1]	韩光洁, 赵腾飞, 刘立, 张帆, 徐政伟. 基于多元区域集划分的工业数据流概念漂移检测[J]. 电子学报, 2023, (): 1-11.
[2]	彭锦佳, 王辉兵. 基于异构卷积神经网络集成的无监督行人重识别方法[J]. 电子学报, 2023, (): 1-13.
[3]	余伶俐, 易倩, 金鸣岳, 周开军. 面向仿射目标识别的几何与仿生融合特征提取方法[J]. 电子学报, 2023, (): 1-12.
[4]	郭凯红, 崔明茜, 刘婷婷. 模糊知识测度下图像脉冲噪声去除方法[J]. 电子学报, 2023, (): 1-14.
[5]	李杨帅, 彭斐, 韩倩, 李小帅, 解光军. 一种针对QCA电路自动布局布线的混合策略研究[J]. 电子学报, 2023, 51(3): 666-674.
[6]	吕杭, 蒋明峰, 李杨, 张鞠成, 王志康. 基于混合时频域特征的卷积神经网络心律失常分类方法的研究[J]. 电子学报, 2023, 51(3): 701-711.
[7]	郑云飞, 王晓兵, 张雄伟, 曹铁勇, 孙蒙. 基于金字塔知识的自蒸馏HRNet目标分割方法[J]. 电子学报, 2023, 51(3): 746-756.
[8]	隗昊, 唐焕玲, 周爱, 张益嘉, 陈飞, 鲁明羽. 基于双路分段注意力神经张量网络的临床文本关系抽取[J]. 电子学报, 2023, 51(3): 658-665.
[9]	黄赟, 张帆, 郭威, 陈立, 羊光. 一种基于数据标准差的卷积神经网络量化方法[J]. 电子学报, 2023, 51(3): 639-647.
[10]	范兵兵, 何庭建, 张聪炫, 陈震, 黎明. 联合遮挡约束与残差补偿的特征金字塔光流计算方法[J]. 电子学报, 2023, 51(3): 648-657.
[11]	张晶, 王翌歆, 任永功. 统一全局空间表达的脑电信号跨被试情感识别[J]. 电子学报, 2023, (): 1-9.
[12]	申铉京, 李涵宇, 黄永平, 王玉. 基于自适应多尺度特征融合网络的车辆检测方法[J]. 电子学报, 2023, (): 1-9.
[13]	陈习坤, 杨俊美. 基于离散小波包变换与胶囊生成对抗网络的语音超分辨率算法[J]. 电子学报, 2023, (): 1-11.
[14]	张娜, 包梓群, 罗源, 吴彪, 涂小妹. 基于改进Cascade R-CNN算法在目标检测上的应用[J]. 电子学报, 2023, (): 1-11.
[15]	但志平, 方帅领, 孙航, 李晶, 万俊. 基于双判别器异构CycleGAN框架下多阶通道注意力校准的室外图像去雾[J]. 电子学报, 2023, (): 1-14.

基于转发传播过程的微博转发量预测

Retweet Number Prediction Based on Retweet Propagation Process

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics