[发明专利]消息传播预测方法及装置

权利要求书

1.一种消息传播预测方法，其特征在于，包括：

获取社交网络中消息的转发信息；

根据所述转发信息确定非线性预测模型；

确定所述非线性预测模型的系数；

根据所述非线性预测模型及所述非线性预测模型的系数对所述消息进行传播预测。

2.根据权利要求1所述的方法，其特征在于，所述根据所述转发信息确定非线性预测模型包括：

根据所述转发信息得到广度变化时间序列、深度变化时间序列、受众增加时间序列；

确定所述消息传播过程中的关联维数；

根据所述关联维数确定消息转发过程中广度自变量、深度自变量及受众自变量；

将所述广度自变量与所述广度变化时间序列整合、将所述深度自变量与所述深度变化时间序列整合、将所述受众自变量与所述受众增加时间序列整合，得到所述非线性预测模型。

3.根据权利要求2所述的方法，其特征在于，所述转发信息包括所述消息的转发时间，所述根据所述转发信息得到广度变化时间序列、深度变化时间序列、受众增加时间序列包括：

根据所述消息的转发时间得到消息的转发时间序列；

在所述转发时间序列每一个时间步增加消息转发数，得到所述广度变化时间序列；

在所述转发时间序列每一个时间步增加的消息转发数所在的最深层次，得到所述深度变化时间序列；

在所述转发时间序列每一个时间步增加的消息转发数对应的消息转发用户ID所具有的粉丝数之和，得到所述受众增加时间序列。

4.根据权利要求2所述的方法，其特征在于，所述确定所述消息传播过程中的关联维数包括：

应用GP算法确定所述消息传播过程中的关联维数。

5.根据权利要求2所述的方法，其特征在于，应用偏微分方程将所述广度自变量与所述广度变化时间序列整合，应用偏微分方程将所述深度自变量与所述深度变化时间序列整合，应用偏微分方程将所述受众自变量与所述受众增加时间序列整合；

所述偏微分方程为：

dxdt=a1x+a2y+a3z+a4x2+a5y2+a6z2+a7xy+a8xz+a9yzdydt=b1x+b2y+b3z+b4x2+b5y2+b6z2+b7xy+b8xz+b9yzdzdt=c1x+c2y+c3z+c4x2+c5y2+c6z2+c7xy+c8xz+c9yz]]>

其中，x为广度，y为深度，z为受众，t为时间，a₁,a₂,…,a₈,b₁,b₂,…,b₈,c₁,c₂,…,c₈分别为偏微分方程组的参数，偏微分方程组中每一偏微分方程都被写成差分方程的形式，例如dxdt=a1x+a2y+a3z+a4x2+a5y2+a6z2+a7xy+a8xz+a9yz]]>可以记为D=GP，其中

D=x3Δt-xΔt2Δtx4Δt-x2Δt2Δt···xmΔt-x(m-2)Δt2Δt,G=x2Δty2Δt...(yz)2Δtx3Δty3Δt...(yz)3Δt············x(m-1)Δty(m-1)Δt...(yz)(m-1)Δt,P=a1a2···a9]]>

m为观测的转发时间序列的长度，D根据观测的转发时间序列确定，G根据观测的转发时间序列确定，P为所述非线性预测模型的参数矩阵。