资料下载
×
一种基于RNN的社交消息爆发预测模型
消耗积分:3 |
格式:rar |
大小:1.35 MB |
2017-12-25
分享资料个
社交网络中，消息的爆发预测属于社交网络流行动态分析的范畴，是社会计算领域的研究热点之一．通过利用基于深度循环神经网络对社交消息的传播过程进行建模，提出了SMOP（social messages outbreak prediction model based on recurrent neural network）模型，与传统的基于机器学习的模型相比，SMOP直接对消息转发的到达过程进行建模。避免了传统方法中繁琐的特征工程：与基于点随机过程的模型相比．SMOP可以自动学习消息传播过程的速率函数，不需要手动定义消息传播速率的特征函数，具有较强的数据场景适应性．另外，SMOP采用了时间向量和用户向量的输入表示方法。将时间的周期性和用户的兴趣偏好建模到传播过程之中，提升了SMOP的预测效果．在Twitter和新浪微博数据集上的实验结果均表明。SMOP具有优良的数据适应能力，可以在消息传播的早期（0.5h），以较高的F1值预测某条社交消息是否爆发。验证了模型的有效性．
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
