融合熱點(diǎn)話題的微博轉(zhuǎn)發(fā)預(yù)測(cè)研究

陳 江，劉 瑋，巢文涵，王麗宏

（1.北京航空航天大學(xué)計(jì)算機(jī)學(xué)院，北京100191；2.國(guó)家計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)急技術(shù)處理協(xié)調(diào)中心，北京100029；3.中國(guó)科學(xué)院計(jì)算技術(shù)研究所，北京100190；4.中國(guó)科學(xué)院大學(xué)，北京100049）

1 引言

微博是一個(gè)基于用戶(hù)關(guān)系的信息分享、傳播以及獲取平臺(tái)［1］。微博從2009年發(fā)布至今，迅速以其內(nèi)容簡(jiǎn)潔、交互簡(jiǎn)便和快速傳播等特點(diǎn)，發(fā)展成為人們表達(dá)觀點(diǎn)、抒發(fā)情緒、傳遞信息的重要社會(huì)媒體。根據(jù)2015年7月《CNNIC：2015年第36次中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》，截止2015年6月，我國(guó)微博用戶(hù)規(guī)模為2.04億，其中手機(jī)微博用戶(hù)數(shù)為1.62億，使用率為27.3%，用戶(hù)之間通過(guò)關(guān)注形成復(fù)雜的關(guān)系網(wǎng)絡(luò)。

在微博平臺(tái)中，用戶(hù)之間通過(guò)關(guān)注關(guān)系構(gòu)成錯(cuò)綜復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，用戶(hù)通過(guò)轉(zhuǎn)發(fā)微博傳播信息，這種傳播方式具有傳播快、覆蓋廣的特點(diǎn)，使得某些微博能夠在短時(shí)間內(nèi)形成極大的關(guān)注和影響。因此，微博轉(zhuǎn)發(fā)研究對(duì)話題檢測(cè)、熱點(diǎn)跟蹤、輿情監(jiān)控以及商業(yè)營(yíng)銷(xiāo)具有重要價(jià)值。

目前針對(duì)微博轉(zhuǎn)發(fā)的研究主要基于網(wǎng)絡(luò)結(jié)構(gòu)或基于微博特征，前者通過(guò)分析微博網(wǎng)絡(luò)中信息傳播的特點(diǎn)，研究微博轉(zhuǎn)發(fā)問(wèn)題，但該方法局限于微博網(wǎng)絡(luò)復(fù)雜而龐大，難以獲得完整的網(wǎng)絡(luò)結(jié)構(gòu)，而基于部分網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)往往造成較大的偏差。后者通過(guò)分析影響微博轉(zhuǎn)發(fā)的因素，構(gòu)建微博轉(zhuǎn)發(fā)模型，該類(lèi)主要針對(duì)用戶(hù)靜態(tài)屬性或消息特征來(lái)預(yù)測(cè)消息是否會(huì)被轉(zhuǎn)發(fā)，沒(méi)有充分考慮待預(yù)測(cè)用戶(hù)的個(gè)體差異和背景知識(shí)對(duì)轉(zhuǎn)發(fā)決策的影響。

事實(shí)上，用戶(hù)閱讀到一條微博時(shí)，會(huì)根據(jù)自己已有知識(shí)對(duì)微博價(jià)值和新穎性進(jìn)行判斷，然后決定是否轉(zhuǎn)發(fā)。微博是否會(huì)被轉(zhuǎn)發(fā)與用戶(hù)個(gè)體行為和用戶(hù)對(duì)微博的背景知識(shí)具有緊密相關(guān)性，用戶(hù)所掌握的微博背景知識(shí)一方面由歷史微博獲取，一方面由用戶(hù)對(duì)微博內(nèi)容的綜合認(rèn)知程度決定，而用戶(hù)對(duì)微博內(nèi)容的綜合認(rèn)知程度受多種復(fù)雜因素影響，社會(huì)上發(fā)生的熱點(diǎn)話題信息是其中重要的影響因素。

本文以此為出發(fā)點(diǎn)，研究融合背景熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)行為預(yù)測(cè)方法。本文提出融合熱點(diǎn)話題的微博轉(zhuǎn)發(fā)預(yù)測(cè)方法，對(duì)背景熱點(diǎn)話題內(nèi)容和傳播趨勢(shì)對(duì)用戶(hù)轉(zhuǎn)發(fā)行為的影響進(jìn)行量化分析，提出了融合背景熱點(diǎn)信息的轉(zhuǎn)發(fā)興趣、轉(zhuǎn)發(fā)活躍度、行為模式等特征，并基于分類(lèi)算法建立了面向熱點(diǎn)話題相關(guān)微博的轉(zhuǎn)發(fā)預(yù)測(cè)模型。在真實(shí)數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明，本文方法的預(yù)測(cè)準(zhǔn)確性達(dá)到96.6%，提升幅度最高達(dá)到12.14%。

本文的組織結(jié)構(gòu)如下：引言部分介紹問(wèn)題背景和研究現(xiàn)狀；第二節(jié)介紹相關(guān)工作；第三節(jié)介紹問(wèn)題描述；第四節(jié)介紹熱點(diǎn)話題對(duì)用戶(hù)轉(zhuǎn)發(fā)的相關(guān)性問(wèn)題；第五節(jié)介紹融合熱點(diǎn)話題的特征分析方法；第六節(jié)實(shí)驗(yàn)結(jié)果和分析；第七節(jié)是總結(jié)和下一步工作。

2 相關(guān)工作

微博轉(zhuǎn)發(fā)研究工作主要集中在提取轉(zhuǎn)發(fā)和非轉(zhuǎn)發(fā)行為區(qū)分度高的特征。Petrovic S［2］等人研究Twitter平臺(tái)的轉(zhuǎn)發(fā)預(yù)測(cè)問(wèn)題，考慮了tweet用戶(hù)相關(guān)特征，如粉絲數(shù)、關(guān)注數(shù)、tweet發(fā)布量等，以及tweet本身特征，如標(biāo)簽、URL、tweet長(zhǎng)短等，基于機(jī)器學(xué)習(xí)方法構(gòu)建轉(zhuǎn)發(fā)預(yù)測(cè)模型。Galuba W等人［3］研究了用戶(hù)URL提及頻繁程度，通過(guò)追蹤URL傳播的方式，研究Twitter平臺(tái)中URL的傳播規(guī)律，構(gòu)建基于用戶(hù)提及URL的預(yù)測(cè)模型。李英樂(lè)［4］和曹玖新［5］等人通過(guò)微博客中用戶(hù)特征和微博內(nèi)容特征來(lái)研究微博轉(zhuǎn)發(fā)及其預(yù)測(cè)問(wèn)題，但方法過(guò)于依賴(lài)微博內(nèi)容對(duì)微博轉(zhuǎn)發(fā)的影響。Kanavos A［6］等人構(gòu)建微博情緒模型，基于tweet內(nèi)容特征的情感傾向研究tweet傳播的廣度和深度。文獻(xiàn)［7－9］將微博是否會(huì)被轉(zhuǎn)發(fā)轉(zhuǎn)化成一個(gè)二分類(lèi)問(wèn)題，基于機(jī)器學(xué)習(xí)方法構(gòu)建分類(lèi)模型進(jìn)行微博轉(zhuǎn)發(fā)預(yù)測(cè)。

轉(zhuǎn)發(fā)行為是促使微博在微博網(wǎng)絡(luò)中病毒式傳播［10－11］的關(guān)鍵問(wèn)題，轉(zhuǎn)發(fā)特征的研究主要分布在用戶(hù)轉(zhuǎn)發(fā)行為的研究［12－14］和微博轉(zhuǎn)發(fā)規(guī)模預(yù)測(cè)的研究中［15－16］，Zhang Y等人［19］研究不同特征對(duì)轉(zhuǎn)發(fā)行為影響的差異性，從而構(gòu)建基于特征加權(quán)的轉(zhuǎn)發(fā)預(yù)測(cè)模型。Petrovic S等人［2］基于passive－aggressive算法預(yù)測(cè)微博是否會(huì)被轉(zhuǎn)發(fā)，他們的研究發(fā)現(xiàn)微博博主是否認(rèn)證及其粉絲數(shù)等會(huì)影響微博是否會(huì)被轉(zhuǎn)發(fā)。Bandari R等人［17］將微博轉(zhuǎn)發(fā)數(shù)量按不同等級(jí)劃分（1－20，20－100，100－2400），構(gòu)建多分類(lèi)模型來(lái)預(yù)測(cè)微博轉(zhuǎn)發(fā)規(guī)模。Ma Z［18］等人提取tweet的特征，基于機(jī)器學(xué)習(xí)方法，構(gòu)建了標(biāo)簽的流行度預(yù)測(cè)模型對(duì)轉(zhuǎn)發(fā)規(guī)模進(jìn)行預(yù)測(cè)。

社交網(wǎng)絡(luò)具有復(fù)雜網(wǎng)絡(luò)特性，也有學(xué)者基于社交網(wǎng)絡(luò)結(jié)構(gòu)研究微博傳播規(guī)律。這方面的研究主要基于社交網(wǎng)絡(luò)的結(jié)構(gòu)特征，構(gòu)建社交網(wǎng)絡(luò)拓?fù)鋱D，在此基礎(chǔ)上研究信息傳播規(guī)律。Szabo G［19］等人研究在線內(nèi)容的流行度問(wèn)題，并構(gòu)建流行度預(yù)測(cè)模型，但他們的研究具有平臺(tái)局限性，可推廣性差。Yang J［20］等基于傳播關(guān)系網(wǎng)絡(luò)，通過(guò)信息已經(jīng)流過(guò)的節(jié)點(diǎn)，構(gòu)建線性影響模型，預(yù)測(cè)信息傳播的實(shí)時(shí)動(dòng)態(tài)。

綜上所述，現(xiàn)有的研究者主要基于微博特征或基于網(wǎng)絡(luò)結(jié)構(gòu)特征，研究微博轉(zhuǎn)發(fā)預(yù)測(cè)問(wèn)題，這些研究工作將微博平臺(tái)視作一個(gè)獨(dú)立系統(tǒng)，不受其他渠道信息影響。事實(shí)上，Yang Z［14］等人的研究工作表明，當(dāng)有突發(fā)話題發(fā)生時(shí)，微博傳播很大程度上會(huì)收到外界信息的影響。微博是否會(huì)被轉(zhuǎn)發(fā)與用戶(hù)個(gè)體行為和用戶(hù)對(duì)微博的知識(shí)背景具有緊密相關(guān)性。用戶(hù)所掌握的微博背景知識(shí)一方面由歷史微博獲取，一方面由用戶(hù)對(duì)微博內(nèi)容的綜合認(rèn)知程度決定，而用戶(hù)對(duì)微博內(nèi)容的綜合認(rèn)知程度會(huì)受到多種復(fù)雜因素影響。其次，通過(guò)微博內(nèi)容與用戶(hù)興趣相似度判斷用戶(hù)轉(zhuǎn)發(fā)的方法，往往因?yàn)槲⒉﹥?nèi)容非常短，所含內(nèi)容特征有限，使得微博與用戶(hù)興趣之間的相似度計(jì)算準(zhǔn)確性低，轉(zhuǎn)發(fā)行為預(yù)測(cè)準(zhǔn)確性低。

針對(duì)上述問(wèn)題，本文研究融合背景熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)行為預(yù)測(cè)方法。首先，提出話題背景知識(shí)獲取和特征向量計(jì)算方法，用于表示用戶(hù)對(duì)熱點(diǎn)話題的綜合認(rèn)知程度，并將直接判斷用戶(hù)對(duì)微博的感興趣程度問(wèn)題轉(zhuǎn)換成判斷用戶(hù)對(duì)微博所屬熱點(diǎn)話題的感興趣程度問(wèn)題，能夠避免因用戶(hù)歷史微博內(nèi)容局限性而導(dǎo)致的預(yù)測(cè)準(zhǔn)確性低的問(wèn)題。其次，提出利用用戶(hù)歷史轉(zhuǎn)發(fā)行為趨勢(shì)特征及其與熱點(diǎn)話題傳播趨勢(shì)一致性的計(jì)算方法，以此代表用戶(hù)對(duì)熱點(diǎn)話題的關(guān)注程度，進(jìn)而表示該用戶(hù)對(duì)熱點(diǎn)話題微博的感興趣程度，避免直接通過(guò)計(jì)算單條微博與用戶(hù)興趣相似程度所帶來(lái)的不準(zhǔn)確性問(wèn)題。最后，基于分類(lèi)算法建立面向熱點(diǎn)話題相關(guān)微博的轉(zhuǎn)發(fā)預(yù)測(cè)模型，在真實(shí)數(shù)據(jù)上開(kāi)展實(shí)驗(yàn)驗(yàn)證。

3 問(wèn)題描述

融合背景熱點(diǎn)話題的微博轉(zhuǎn)發(fā)預(yù)測(cè)問(wèn)題可以描述為F＝f（U，W，H），其中：U表示用戶(hù)特征，W表示微博特征，H表示當(dāng)前網(wǎng)絡(luò)上正在發(fā)生的熱點(diǎn)話題特征，本文稱(chēng)為背景熱點(diǎn)話題，F(xiàn)表示用戶(hù)行為，即用戶(hù)u對(duì)微博w的動(dòng)作，F(xiàn)∈｛1，－1｝，F(xiàn)＝1表示用戶(hù)u轉(zhuǎn)發(fā)了微博w，F(xiàn)＝－1表示用戶(hù)u沒(méi)有轉(zhuǎn)發(fā)微博w，用戶(hù)u是否轉(zhuǎn)發(fā)微博w的轉(zhuǎn)發(fā)預(yù)測(cè)問(wèn)題可以轉(zhuǎn)化為二分類(lèi)問(wèn)題。

現(xiàn)有方法僅基于微博本身的用戶(hù)特征和微博特征，無(wú)法綜合利用背景熱點(diǎn)話題特征對(duì)用戶(hù)轉(zhuǎn)發(fā)行為進(jìn)行預(yù)測(cè)。本文基于百度新聞搜索獲取熱點(diǎn)話題數(shù)據(jù)，作為背景熱點(diǎn)話題內(nèi)容，研究背景熱點(diǎn)話題對(duì)微博轉(zhuǎn)發(fā)行為的影響。在傳統(tǒng)分類(lèi)模型基礎(chǔ)上，引入熱點(diǎn)話題特征擴(kuò)展特征空間，提高預(yù)測(cè)準(zhǔn)確性。背景熱點(diǎn)話題對(duì)轉(zhuǎn)發(fā)行為的影響主要考慮熱點(diǎn)話題內(nèi)容和傳播趨勢(shì)兩方面因素，相關(guān)定義如下。

定義1 背景熱點(diǎn)話題內(nèi)容，指從新聞網(wǎng)站獲取的熱點(diǎn)話題數(shù)據(jù)，經(jīng)過(guò)預(yù)處理后表示為熱點(diǎn)話題關(guān)鍵詞向量，以此表示用戶(hù)能夠從其他渠道獲知的微博內(nèi)容相關(guān)的背景知識(shí)。

定義2 背景熱點(diǎn)話題傳播趨勢(shì)，指熱點(diǎn)話題相關(guān)報(bào)告的熱度分布，以此表示熱點(diǎn)話題熱度傳播趨勢(shì)。

4 熱點(diǎn)話題對(duì)用戶(hù)轉(zhuǎn)發(fā)的影響研究

基于微博自身屬性的微博轉(zhuǎn)發(fā)預(yù)測(cè)研究大多假設(shè)用戶(hù)轉(zhuǎn)發(fā)行為不受微博之外的因素影響。然而，用戶(hù)具有社會(huì)屬性，接收信息渠道具有多元化特點(diǎn)，轉(zhuǎn)發(fā)行為會(huì)受到微博數(shù)據(jù)以外的多種因素影響。熱點(diǎn)話題能在一定程度上吸引用戶(hù)更多地參與到相關(guān)微博話題的討論中，提高話題相關(guān)微博的轉(zhuǎn)發(fā)量。

以“世界杯”熱點(diǎn)話題為例，我們爬取新浪微博2014年4月12日—9月13日期間數(shù)據(jù)，統(tǒng)計(jì)微博總量變化趨勢(shì)和話題相關(guān)微博總量的變化趨勢(shì)。如圖1所示，熱點(diǎn)話題期間微博空間的微博總量和話題相關(guān)的微博總量都呈現(xiàn)出明顯的增長(zhǎng)趨勢(shì)，表明用戶(hù)轉(zhuǎn)發(fā)行為會(huì)受到熱點(diǎn)話題的影響。

圖1 熱點(diǎn)話題期間微博轉(zhuǎn)發(fā)量變化趨勢(shì)

進(jìn)一步，我們研究熱點(diǎn)話題對(duì)微博用戶(hù)轉(zhuǎn)發(fā)行為的影響。我們針對(duì)2014年4月12日—9月13日期間微博用戶(hù)，根據(jù)用戶(hù)在熱點(diǎn)話題期間是否發(fā)表過(guò)與之相關(guān)的微博判斷用戶(hù)是否與熱點(diǎn)話題相關(guān)，將用戶(hù)分為與熱點(diǎn)話題相關(guān)和不相關(guān)兩類(lèi)，分別對(duì)用戶(hù)轉(zhuǎn)發(fā)量趨勢(shì)進(jìn)行統(tǒng)計(jì)。結(jié)果如圖2所示，三條曲線分別表示所有用戶(hù)（all users）、與熱點(diǎn)話題相關(guān)的用戶(hù)（users prefer soccer）、及與熱點(diǎn)話題不相關(guān)的用戶(hù)（other users）所轉(zhuǎn)發(fā)的與熱點(diǎn)話題相關(guān)的微博量的變化趨勢(shì)。我們可以看出在話題傳播周期內(nèi)，熱點(diǎn)話題對(duì)各類(lèi)用戶(hù)的轉(zhuǎn)發(fā)量都有明顯的提升，與熱點(diǎn)話題相關(guān)用戶(hù)的轉(zhuǎn)發(fā)量提升幅度較大。同時(shí)，歷史上與熱點(diǎn)話題不相關(guān)的用戶(hù)也在熱點(diǎn)話題期間增加了對(duì)熱點(diǎn)話題相關(guān)微博的轉(zhuǎn)發(fā)量，表明僅基于用戶(hù)歷史微博計(jì)算的用戶(hù)興趣難以有效預(yù)測(cè)在新的熱點(diǎn)話題下的用戶(hù)轉(zhuǎn)發(fā)行為，用戶(hù)的轉(zhuǎn)發(fā)行為會(huì)受到當(dāng)前社會(huì)熱點(diǎn)話題的影響。

圖2 熱點(diǎn)話題對(duì)各類(lèi)用戶(hù)微博轉(zhuǎn)發(fā)量的影響

5 特征分析

5.1 融合熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)興趣特征

興趣是人們對(duì)事物喜好或關(guān)切的情緒，它表現(xiàn)為人們對(duì)某件事物、某項(xiàng)活動(dòng)的選擇性態(tài)度和積極的情緒反應(yīng)［21］。微博用戶(hù)的興趣部分通過(guò)用戶(hù)的轉(zhuǎn)發(fā)行為體現(xiàn)出來(lái)，我們稱(chēng)之為用戶(hù)轉(zhuǎn)發(fā)興趣。用戶(hù)的轉(zhuǎn)發(fā)行為受用戶(hù)對(duì)微博的綜合認(rèn)知程度影響，而用戶(hù)對(duì)微博的綜合認(rèn)知程度受多種復(fù)雜因素影響，用戶(hù)轉(zhuǎn)發(fā)興趣及背景熱點(diǎn)話題也是影響因素之一。興趣作為用戶(hù)的情緒反映，是用戶(hù)個(gè)體行為一種相對(duì)穩(wěn)定表現(xiàn)的形式。而在做轉(zhuǎn)發(fā)決策時(shí)，個(gè)人興趣、微博內(nèi)容及當(dāng)前發(fā)生的熱點(diǎn)話題共同影響著用戶(hù)轉(zhuǎn)發(fā)決策。

從第四節(jié)的分析，我們可以看出用戶(hù)興趣與熱點(diǎn)話題越相關(guān)，越容易在熱點(diǎn)話題期間進(jìn)行大量的轉(zhuǎn)發(fā)，我們提出融合熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)興趣特征，來(lái)計(jì)算用戶(hù)轉(zhuǎn)發(fā)興趣與熱點(diǎn)話題的匹配程度。

熱點(diǎn)話題內(nèi)容表示：背景熱點(diǎn)話題文檔級(jí)別的表示D＿topic＝｛d1，d2，…，dn｝，根據(jù)表示背景熱點(diǎn)話題的文檔集合，提取關(guān)鍵詞，獲得背景熱點(diǎn)話題詞語(yǔ)級(jí)別的表示S＿topic＝｛w1，w2，…，wm｝。

用戶(hù)轉(zhuǎn)發(fā)興趣表示：通過(guò)用戶(hù)歷史轉(zhuǎn)發(fā)微博內(nèi)容來(lái)表示用戶(hù)轉(zhuǎn)發(fā)興趣。用戶(hù)歷史轉(zhuǎn)發(fā)微博表示為D＿user＝｛d1，d2，…，dn｝，對(duì)用戶(hù)微博進(jìn)行分詞，去除停用詞后，形成用戶(hù)轉(zhuǎn)發(fā)興趣的詞語(yǔ)級(jí)別的表示為I＿user＝｛w1，w2，…，wm｝。

融合熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)興趣特征計(jì)算，定義為用戶(hù)轉(zhuǎn)發(fā)興趣與背景熱點(diǎn)的匹配程度，計(jì)算方法如式（1）所示。

我們計(jì)算了轉(zhuǎn)發(fā)微博數(shù)量對(duì)應(yīng)用戶(hù)轉(zhuǎn)發(fā)興趣特征的變化關(guān)系。如圖3所示，橫坐標(biāo)表示融合熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)興趣，縱坐標(biāo)表示與背景熱點(diǎn)話題相關(guān)的微博轉(zhuǎn)發(fā)量。圖3反映了用戶(hù)轉(zhuǎn)發(fā)行為與融合背景熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)興趣之間的關(guān)系。由圖中可以看出，用戶(hù)轉(zhuǎn)發(fā)興趣與背景熱點(diǎn)話題之間的匹配程度越高（CO越大），則用戶(hù)所轉(zhuǎn)發(fā)與背景熱點(diǎn)話題相關(guān)微博的數(shù)量越多，表明融合背景熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)興趣能夠有效預(yù)測(cè)用戶(hù)的轉(zhuǎn)發(fā)行為。

圖3 微博轉(zhuǎn)發(fā)量對(duì)應(yīng)融合背景熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)興趣的關(guān)系圖

5.2 融合熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)行為特征

1.融合背景熱點(diǎn)話題的用戶(hù)活躍度

轉(zhuǎn)發(fā)行為活躍度通過(guò)用戶(hù)在熱點(diǎn)話題期間的累積轉(zhuǎn)發(fā)量表示，融合背景熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)活躍度通過(guò)熱點(diǎn)話題期間與熱點(diǎn)話題相關(guān)的微博的累積轉(zhuǎn)發(fā)量表示，該特征能夠表明用戶(hù)對(duì)熱點(diǎn)話題的感興趣程度。計(jì)算公式如式（2）所示。

用戶(hù)在一段時(shí)間t內(nèi)轉(zhuǎn)發(fā)的與熱點(diǎn)話題相關(guān)的微博的頻繁程度：

其中：mti表示用戶(hù)在時(shí)間t內(nèi)發(fā)布的微博i，S表示對(duì)應(yīng)熱點(diǎn)話題的詞語(yǔ)級(jí)表示，τ是微博是否與熱點(diǎn)話題相關(guān)的閾值。

2.融合背景熱點(diǎn)話題的用戶(hù)行為一致性

第四節(jié)從內(nèi)容上考慮影響用戶(hù)轉(zhuǎn)發(fā)行為的因素，從圖3我們還可以看出，由于微博長(zhǎng)度短且用戶(hù)通常利用碎片時(shí)間登錄微博進(jìn)行瀏覽和轉(zhuǎn)發(fā)，大部分用戶(hù)轉(zhuǎn)發(fā)量在0～100條之間，轉(zhuǎn)發(fā)興趣關(guān)鍵詞集中在0～150之間，僅從興趣內(nèi)容和累積轉(zhuǎn)發(fā)量上很難全面刻畫(huà)用戶(hù)對(duì)熱點(diǎn)話題的關(guān)注程度。用戶(hù)轉(zhuǎn)發(fā)微博的行為具有差異性，有的用戶(hù)登錄頻繁且興趣廣泛，從累積的轉(zhuǎn)發(fā)活躍度和興趣特征上都表現(xiàn)出較高的轉(zhuǎn)發(fā)概率，但是這類(lèi)用戶(hù)對(duì)熱點(diǎn)話題相關(guān)微博的轉(zhuǎn)發(fā)行為具有突發(fā)性和隨機(jī)性特點(diǎn)。而有的用戶(hù)轉(zhuǎn)發(fā)活躍度較低，只是在自己持續(xù)關(guān)注的某些領(lǐng)域進(jìn)行轉(zhuǎn)發(fā)，這類(lèi)用戶(hù)未來(lái)轉(zhuǎn)發(fā)熱點(diǎn)相關(guān)微博的概率更大。所以考慮用戶(hù)對(duì)熱點(diǎn)話題相關(guān)微博的持續(xù)關(guān)注程度，能夠有效檢測(cè)用戶(hù)是否是該熱點(diǎn)話題的黏性用戶(hù)，黏性用戶(hù)未來(lái)轉(zhuǎn)發(fā)熱點(diǎn)話題相關(guān)微博的概率較高。

一段時(shí)間內(nèi)用戶(hù)轉(zhuǎn)發(fā)微博數(shù)量的變化趨勢(shì)可以看做是時(shí)間軸上的一個(gè)概率分布P＿user；我們以一定時(shí)間內(nèi)新聞報(bào)道數(shù)量變化來(lái)衡量背景熱點(diǎn)話題的熱度變化趨勢(shì)，也可以看作是時(shí)間軸上的一個(gè)概率分布P＿topic。我們通過(guò)計(jì)算兩個(gè)分布之間的相似度來(lái)計(jì)算用戶(hù)行為與熱點(diǎn)話題傳播趨勢(shì)的一致性特征。

試驗(yàn)第9 d和10 d，第79 d和80 d，于晨飼前對(duì)試驗(yàn)牛進(jìn)行稱(chēng)重，并計(jì)算每頭牛平均體重[16]。

計(jì)算分布相似度，我們采用KL（Kullback－Leiber divergence）散度又稱(chēng)相對(duì)熵（relative entropy）方法，該方法是用來(lái)描述兩個(gè)概率分布之間差異性的一種方法［22］，KL距離越小表示兩個(gè)分布越相似，KL距離等于0時(shí)表示兩個(gè)分布完全一樣。我們用KL距離來(lái)反映概率分布P＿user和概率分布P＿topic之間的關(guān)系。

考慮到KL距離的非對(duì)稱(chēng)性，我們以式（5）

來(lái)計(jì)算概率分布之間的關(guān)系。通過(guò)上述計(jì)算方法我們計(jì)算了轉(zhuǎn)發(fā)微博與行為一致性之間的對(duì)應(yīng)關(guān)系。

如圖4所示，當(dāng)KL距離增大時(shí)，分布之間差異變大，說(shuō)明用戶(hù)轉(zhuǎn)發(fā)行為與背景熱點(diǎn)話題發(fā)展趨勢(shì)之間相關(guān)性較小，轉(zhuǎn)發(fā)行為具有隨機(jī)性和非持續(xù)性，用戶(hù)轉(zhuǎn)發(fā)的與背景熱點(diǎn)話題相關(guān)的微博較少；當(dāng)KL距離減小時(shí)，分布差異較小，說(shuō)明用戶(hù)轉(zhuǎn)發(fā)行為與背景熱點(diǎn)話題發(fā)展趨勢(shì)之間相關(guān)性較大，轉(zhuǎn)發(fā)行為和熱點(diǎn)話題趨勢(shì)具有較高的一致性，用戶(hù)對(duì)該熱點(diǎn)話題進(jìn)行了持續(xù)關(guān)注，用戶(hù)轉(zhuǎn)發(fā)與背景熱點(diǎn)話題相關(guān)微博較多。這說(shuō)明，持續(xù)關(guān)注某一背景熱點(diǎn)話題的微博用戶(hù)對(duì)該背景熱點(diǎn)話題具有更高的轉(zhuǎn)發(fā)興趣，融合背景熱點(diǎn)話題的用戶(hù)行為一致性特征能夠有效檢測(cè)出熱點(diǎn)話題的持續(xù)關(guān)注用戶(hù)，同時(shí)避免因其總發(fā)帖量不高而被忽略的問(wèn)題。

圖4 微博轉(zhuǎn)發(fā)量對(duì)應(yīng)行為一致性特征的關(guān)系圖

5.3 融合熱點(diǎn)話題的微博內(nèi)容特征

本節(jié)針對(duì)待預(yù)測(cè)微博內(nèi)容來(lái)分析熱點(diǎn)話題對(duì)微博轉(zhuǎn)發(fā)的影響?？紤]到微博內(nèi)容與熱點(diǎn)話題越相關(guān)，得到轉(zhuǎn)發(fā)的概率就越大，我們提出融合熱點(diǎn)話題的微博內(nèi)容特征，同樣，我們用詞集合S＿topic＝｛w1，w2，…，wm｝來(lái)表示背景熱點(diǎn)話題內(nèi)容。我們對(duì)微博進(jìn)行分詞、去除停用詞的預(yù)處理之后，將微博表示成一個(gè)詞語(yǔ)級(jí)別的集合：M＿mes＝｛w1，w2，…，wm｝。由于微博內(nèi)容很短且都是特征詞語(yǔ)，我們用Jaccard相似系數(shù)來(lái)表示微博內(nèi)容與背景熱點(diǎn)話題之間的相似性，即融合熱點(diǎn)話題的微博內(nèi)容特征，如式（6）所示。

我們對(duì)融合熱點(diǎn)話題的微博內(nèi)容特征值不同的微博獲得的轉(zhuǎn)發(fā)總量及平均值進(jìn)行了統(tǒng)計(jì)分析。如圖5所示，橫坐標(biāo)為JSM值，縱坐標(biāo)分別對(duì)應(yīng)微博所獲得的平均轉(zhuǎn)發(fā)量和轉(zhuǎn)發(fā)總量。從圖中可以看出，以右側(cè)坐標(biāo)軸為標(biāo)示的綠色曲線表明微博轉(zhuǎn)發(fā)總量隨微博內(nèi)容與背景熱點(diǎn)話題相似性的增大而減少，這是因?yàn)榇蟛糠治⒉﹥?nèi)容簡(jiǎn)短，所含內(nèi)容特征較少，高相似性的微博數(shù)量大量減少，導(dǎo)致轉(zhuǎn)發(fā)總量降低。以左側(cè)坐標(biāo)軸為標(biāo)示的藍(lán)色曲線表明，微博獲得的平均轉(zhuǎn)發(fā)量隨微博內(nèi)容與背景熱點(diǎn)話題相似性的增大而提高，表明微博內(nèi)容與熱點(diǎn)話題越相似，越容易受到轉(zhuǎn)發(fā)，融合熱點(diǎn)話題的微博內(nèi)容特征能夠有效區(qū)分微博轉(zhuǎn)發(fā)行為。

圖5 微博轉(zhuǎn)發(fā)對(duì)應(yīng)融合熱點(diǎn)話題的微博內(nèi)容特征對(duì)的關(guān)系圖

6 實(shí)驗(yàn)結(jié)果與分析

6.1 數(shù)據(jù)集構(gòu)建

在微博數(shù)據(jù)集的基礎(chǔ)上構(gòu)造矩陣：

其中：n表示用戶(hù)個(gè)數(shù)，m表示微博個(gè)數(shù)，aij∈F。標(biāo)記后的數(shù)據(jù)集元素為一個(gè)三元組＜ui，mj，aij＞，當(dāng)aij＝0或1時(shí)表示用戶(hù)ui轉(zhuǎn)發(fā)微博mj，當(dāng)aij＝－1時(shí)表示用戶(hù)ui沒(méi)有轉(zhuǎn)發(fā)微博mj。

6.2 特征選取與對(duì)比方法

分類(lèi)特征選擇本文所提出的融合熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)興趣特征、用戶(hù)活躍度、用戶(hù)行為一致性、微博內(nèi)容特征，如表1所示（特征1—4）。

本文采用李英樂(lè)［4］等人的方法作為對(duì)比試驗(yàn)，該方法使用特征較全面且預(yù)測(cè)準(zhǔn)確性較高，在特征可計(jì)算條件下，選擇用戶(hù)影響力、用戶(hù)轉(zhuǎn)發(fā)活躍度、用戶(hù)發(fā)布活躍度、用戶(hù)興趣與微博相似度作為對(duì)比特征，如表1所示（特征5—8）。

表1 特征選取

6.3 轉(zhuǎn)發(fā)預(yù)測(cè)及評(píng)價(jià)指標(biāo)

本文采用SVM、樸素貝葉斯、貝葉斯信念網(wǎng)絡(luò)、決策樹(shù)等分類(lèi)算法，來(lái)測(cè)試所選分類(lèi)特征應(yīng)用于轉(zhuǎn)發(fā)預(yù)測(cè)時(shí)的效果。

評(píng)價(jià)方法采用準(zhǔn)確率（Precision）、召回率（Recall）和綜合評(píng)價(jià)指標(biāo)（F－Measure）。

6.4 實(shí)驗(yàn)結(jié)果及分析

我們將特征分為三組，分別在四種分類(lèi)器上進(jìn)行了對(duì)比試驗(yàn)。Baseline方法是對(duì)比的基準(zhǔn)方法，僅采用了用戶(hù)和微博自身特征，Ours表示本文所提特征，即融合了熱點(diǎn)話題的轉(zhuǎn)發(fā)特征，Combine表示將用戶(hù)和微博自身特征與融合熱點(diǎn)話題的轉(zhuǎn)發(fā)特征相結(jié)合，進(jìn)行了綜合測(cè)試。如表2所示，在多個(gè)分類(lèi)器上的測(cè)試結(jié)果表明本文所提出的融合熱點(diǎn)話題的用戶(hù)轉(zhuǎn)發(fā)興趣特征、用戶(hù)活躍度、用戶(hù)行為一致性、微博內(nèi)容特征能夠有效提升轉(zhuǎn)發(fā)預(yù)測(cè)準(zhǔn)確性，與傳統(tǒng)用戶(hù)和微博自身特征相結(jié)合后，能夠進(jìn)一步提升效果，其中，采用C4.5分類(lèi)器時(shí)的預(yù)測(cè)效果最好，達(dá)到96.6%，對(duì)基于SVM分類(lèi)器的預(yù)測(cè)模型提升效果最高，達(dá)到14.12%，采用NaiveBayes分類(lèi)器的實(shí)驗(yàn)中，ours的實(shí)驗(yàn)效果略差于baseline，這是因?yàn)槲覀冞x取的特征不完全滿(mǎn)足樸素貝葉斯的條件獨(dú)立性假設(shè)，導(dǎo)致其在分類(lèi)準(zhǔn)確率上有一定的犧牲，但是從數(shù)據(jù)上可以看出，本文所提特征在與baseline特征結(jié)合后能夠提升分類(lèi)準(zhǔn)確率。引入外部熱點(diǎn)話題并融合其內(nèi)容和傳播趨勢(shì)對(duì)用戶(hù)轉(zhuǎn)發(fā)行為的影響因素，能夠有效提升轉(zhuǎn)發(fā)行為的預(yù)測(cè)準(zhǔn)確性。本文的訓(xùn)練集和測(cè)試集按照時(shí)間先后相互獨(dú)立，預(yù)測(cè)準(zhǔn)確性的提高也表明了本文所提特征能夠很好地刻畫(huà)用戶(hù)轉(zhuǎn)發(fā)行為模式，具有較好的長(zhǎng)期預(yù)測(cè)效果。

表2 實(shí)驗(yàn)結(jié)果對(duì)比

7 總結(jié)與展望

微博轉(zhuǎn)發(fā)行為是實(shí)現(xiàn)信息傳播的重要方式，微博轉(zhuǎn)發(fā)預(yù)測(cè)對(duì)微博影響力分析、微博話題分析具有重要價(jià)值?，F(xiàn)有微博轉(zhuǎn)發(fā)預(yù)測(cè)研究大多圍繞消息屬性、用戶(hù)屬性等微博自身特征。本文融合背景熱點(diǎn)話題研究了外部熱點(diǎn)話題對(duì)用戶(hù)轉(zhuǎn)發(fā)行為的影響，并對(duì)影響因素進(jìn)行量化分析，提出了融合背景熱點(diǎn)信息的轉(zhuǎn)發(fā)興趣、轉(zhuǎn)發(fā)活躍度、行為模式等特征。根據(jù)熱點(diǎn)話題前期用戶(hù)的轉(zhuǎn)發(fā)行為，預(yù)測(cè)用戶(hù)是否會(huì)轉(zhuǎn)發(fā)熱點(diǎn)話題相關(guān)的微博。并基于分類(lèi)算法建立了面向熱點(diǎn)話題相關(guān)微博的轉(zhuǎn)發(fā)預(yù)測(cè)模型，在真實(shí)數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明，本文方法的預(yù)測(cè)準(zhǔn)確性達(dá)到96.6%，提升幅度最高達(dá)到12.14%。通過(guò)引入背景熱點(diǎn)話題內(nèi)容和傳播趨勢(shì)特征，能夠有效提升用戶(hù)轉(zhuǎn)發(fā)行為預(yù)測(cè)準(zhǔn)確性。在未來(lái)工作中，可以進(jìn)一步改進(jìn)熱點(diǎn)話題內(nèi)容表示方法，以及熱點(diǎn)話題內(nèi)容和用戶(hù)興趣相似性度量方法，進(jìn)一步提高預(yù)測(cè)效果。

［1］ KortLou.微博（微型博客）.百度百科.http：／／baike.baidu.com／link？url＝Qsdt8nZWb5Q＿iTpNaS41Wl－K2ZxMJeaUC8g9cuHWpK2V01Grlj6wiUx7C4170CT－m2988GAfKuQoMHuWdmq1V65C0zVgKyuU1qMYl－Z44yMBe＿，2015－11－29

［2］ Petrovic S，Osborne M，Lavrenko V.RT to Win！Predicting Message Propagation in Twitter［C］／／Proceedings of the ICWSM.2011.

［3］ Galuba W，Aberer K，Chakraborty D，et al.Outtweeting the twitterers－predicting information cascades in microblogs［C］／／Proceedings of the 3rd conference on Online social networks.2010，39（12）：3aAS3.

［4］ 李英樂(lè)，于洪濤，劉力雄.基于SVM的微博轉(zhuǎn)發(fā)規(guī)模預(yù)測(cè)方法［J］.計(jì)算機(jī)應(yīng)用研究，2013，30（9）：2594－2597.

［5］ 曹玖新，吳江林，石偉，等.新浪微博網(wǎng)信息傳播分析與預(yù)測(cè)［J］.計(jì)算機(jī)學(xué)報(bào)，2014，37（4）：779－790.

［6］ Kanavos A，Perikos I，Vikatos P，et al.Modeling ReTweet Diffusion Using Emotional Content［M］.Artificial Intelligence Applications and Innovations.Springer Berlin Heidelberg，2014：101－110.

［7］ Ma H，Qian W，Xia F，et al.Towards modeling popularity of microblogs［J］.Frontiers of Computer Science Selected Publications from Chinese Universities，2013，7（2）：171－184.

［8］ Ying－Le L I，Hong－Tao Y U，Liu L X.Predict algorithm of micro－blog retweet scale based on SVM［J］.Application Research of Computers，2013，30（9）：2594－2597.

［9］ Zhang Y，Rong L U，Yang Q.Predicting Retweeting in Microblogs［J］.Journal of Chinese Information Processing，2012，26（4）：109－108.

［10］ Pastor－Satorras R，Vespignani A.Epidemic dynamics and endemic states in complex networks［J］.Phys.rev.e，2001，63（6）：138－158.

［11］ Pastor－Satorras R，Vespignani A.Epidemic spreading in scale－free networks.［J］.Physical Review Letters，2001，86（14）：3200－3203.

［12］ Boyd D，Golder S，Lotan G.Tweet，Tweet，Retweet：Conversational Aspects of Retweeting on Twitter［C］／／Proceedings of the Hawaii International Conference on.IEEE，2010：1－10.

［13］ Suh B，Hong L，Pirolli P，et al.Want to be Retweeted？Large Scale Analytics on Factors Impacting Retweet in Twitter Network［C］／／Proceedings of the 2010IEEE Second International Conference on.IEEE，2010：177－184.

［14］ Yang Z，Guo J，Cai K，et al.Understanding retweeting behaviors in social networks［C］／／Proceedings of the 19th ACM International fConference on Informa－tion and Knowledge Management.ACM，2010：1633－1636.

［15］ Jiang Y，Counts S.Predicting the Speed，Scale，and Range of Information Diffusion in Twitter［J］.ICWSM，2010，10：355－358.

［16］ Hong L，Dan O，Davison B D.Predicting popular messages in twitter［C］／／Proceedings of the 20th international conference companion on World wide web.ACM，2011：57－58.

［17］ Bandari R，Asur S，Huberman B A.The Pulse of News in Social Media：Forecasting Popularity［J］.Sixth International Aaai Conference on Weblogs ＆Social Media，2012.

［18］ Ma Z，Sun A，Cong G.On predicting the popularity of newly emerging hashtags in twitter［J］.Journal of the American Society for Information Science and Technology，2013，64（7）：1399－1410.

［19］ Szabo G，Huberman B A.Predicting the popularity of online content［J］.Communications of the ACM，2010，53（8）：80－88.

［20］ Yang J，Leskovec J.Modeling information diffusion in implicit networks［C］／／Proceedings of the 2010 IEEE 10th International Conference on.IEEE，2010：599－608.

［21］ Music0007.興趣.百度百科.http：／／baike.baidu.com／subview／45281／8045345.htm＃viewPageContent，2015－11－30.

［22］ 宗成慶.統(tǒng)計(jì)自然語(yǔ)言處理［M］.北京：清華大學(xué)出版社，2008.