融合时间特征的社交媒介用户影响力分析

廖祥文^1,2,张凌鹰^1,2,魏晶晶³,桂林^1,2*,程学旗⁴,陈国龙^1,2

1. 福州大学数学与计算机科学学院, 福建 福州 350116;2. 福州大学福建省网络计算与智能信息处理重点实验室, 福建 福州 350116;3. 福建江夏学院电子信息科学学院, 福建 福州 350108;4. 中国科学院网络数据科学与技术重点实验室, 北京 100190

收稿日期:2017-07-31出版日期:2018-03-20发布日期:2018-03-13
通讯作者:桂林(1987— ), 男,讲师,博士,研究方向为情感分析与机器学习. E-mail: guilin.nlp@gmail.comE-mail:liaoxw@fzu.edu.cn
作者简介:廖祥文(1980— ), 男,副教授,博士,研究方向为Web信息检索与观点挖掘. E-mail: liaoxw@fzu.edu.cn
基金资助:国家自然科学基金资助项目(U1605251,61772135);中国科学院网络数据科学与技术重点实验室开放基金课题资助项目(CASNDST201606);可信分布式计算与服务教育部重点实验室主任基金资助项目(2017KF01);福建省自然科学基金资助项目(2017J01755);赛尔网络下一代互联网技术创新项目(NGII20150901)

User influence analysis of social media with temporal characteristics

LIAO Xiang-wen^1,2, ZHANG Ling-ying^1,2, WEI Jing-jing³, GUI Lin^1,2*, CHENG Xue-qi⁴, CHEN Guo-long^1,2

1. College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350116, Fujian, China;
2. Fujian Provincial Key Laboratory of Networking Computing and Intelligent Information Processing, Fuzhou University, Fuzhou 350116, Fujian, China;
3. College of Electronics and Information Science, Fujian Jiangxia University, Fuzhou 350108, Fujian, China;
4. Key Laboratory of Network Data Science and Technology, Chinese Academy of Sciences, Beijing 100190, China

Received:2017-07-31Online:2018-03-20Published:2018-03-13

摘要/Abstract

摘要： 针对现有张量影响力模型未能充分考虑用户的时间特征以及在线学习等问题,提出了一种融合时间特征的社交媒介用户影响力分析方法。该方法首先将用户观点、活跃度、网络中心度等特征加入张量模型中,并将张量分解过程中的用户潜在特征矩阵加入时间特征约束;其次,采用随机梯度下降的方法进行张量的分解;最后,通过融合不同张量片的影响力信息得到用户影响力得分。该方法的优点是能够快速分解张量并准确预测特定话题领域下的用户社会影响力,同时能够在已有模型参数的基础上进行新数据的在线训练。实验结果表明,与现有TwitterRank、OOLAM、受限非负张量分解模型等相比, 该方法在平均预测准确率上提升了2%~6%。同时,该方法的时间消耗仅为受限非负张量分解模型的30%~50%。


PDF全文下载地址:

http://lxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=2744