[发明专利]社交网络中一种基于Kalman滤波器的帖子转发量预测方法

说明书

本发明涉及互联网领域内社交网络中一种帖子转发量预测方法，具体的说，设计的是一种在社交网络中基于Kalman滤波器的通过对帖子转发量预测从而进行事件流行度估计方法。本发明致力于解决当帖子发布后的时间趋向无穷大时，预测该帖子转发总量的问题。本发明针对帖子级联转发过程中的不同状态建立帖子影响力预测模型，提出了当前时刻帖子状态只受到前一时刻帖子状态影响的理论，并引入分支因子，通过构建信息级联树，将对帖子未来转发总数的预测模型化为等比数列求和，从而实现对帖子最终转发量的预测。本发明广泛适用于舆情控制，新产品推广等应用场景。

技术领域

本发明涉及互联网领域内社交网络中一种帖子转发量预测方法。具体的说，设计的是一种在社交网络中基于Kalman滤波器的通过对帖子转发量预测从而进行事件流行度估计的方法。

背景技术

随着在线社交网络的发展，越来越多的人选择通过在线网络分享资源，传递信息。国外的网站，例如Facebook，Twitter，国内的网站，例如新浪微博等，都是人们传播信息的平台。发表在网站上的信息，经过用户粉丝的转发，又能被更多的用户看到。经过这样的多次转发，便构成了一个大的信息级联网络，使信息扩散到了更广的范围。可见，在线网络中传播的信息会在整个社交网络中产生深远的影响。例如，一些谣言会通过网络的传播在人群中产生很大的负面影响。如果能预知其影响的范围并及时采取措施使其传播范围尽可能减小尤为重要。另外，很多公司会在即将推出新产品前在网络中发布描述其相关信息的帖子，通过观察该帖子的传播范围预测新产品的热度。如果将帖子的转发数量当作帖子传播范围的评判标准。可以说，对帖子转发量的预测很有必要。

已有对事件流行度的预测研究通常涉及两种方法：(1)基于特征提取的方法[1，2]；(2)基于点过程建模的方法[2，3，4]。基于特征的方法需要提取所研究对象的特征，然后根据特征构建相应的学习算法预测事件流行度。而基于点过程的方法则需要通过对传播过程的全面分析，建立最符合其运动规律的信息传播模型。专利[5]提供了一种面向社交网络的恶意代码传播预测方法及系统，他们通过对获得的真实网络数据信息进行特征提取，再基于随机过程对恶意代码的传播行为进行建模，通过建立的传播模型分析预测恶意代码的传播趋势。显然，预测的准确度在很大程度上依赖于特征的种类和数目，且特征提取本身就耗费大量的时间，也无法准确的判断哪些特征能完全体现对象的特点及发展规律。专利[6]提供了一种在社交网络中基于泊松过程模型的事件流行度预测方法。他们通过将影响力最大的关键用户带来的转发微博过程建模为泊松过程，使用样本事件的信息来学习和估计关键用户泊松过程模型的参数以及非关键用户的参数，并给定一个已知一定时间长度的演化信息的新的时间，根据学习建立的泊松过程模型预测它在未来某时刻的流行度。文献[4]中基于霍克斯过程构建自激点过程模型，考虑转发过程的全部历史行为，但正是因为考虑了全部转发历史过程的影响，导致预测准确度不高。

由以上工作可见，根据事件转发规律建立的模型对预测事件未来发展的准确度有很大的影响。本发明将Kalman滤波器思想与帖子转发过程建模结合起来，仅考虑转发前一时刻行为对当前行为的影响，递归的进行预测和更新操作。

上文中提到的文献来源于如下的文章：

[1]J.Cheng，L.Adamic，P.A.Dow，J.M.Kleinberg，and J.Leskovec.Can CascadesBe Predicted？In Proceedings of the 23rd International World Wide WebConference(WWW)，pages： 925-936，2014.

[2]S.Mishra，M-A.Rizoiu，and L.Xie.Feature Driven and Point ProcessApproaches for Popularity Prediction.In Proceedings of the 25th ACMInternational on Conference on Information and Knowledge Management(CIKM)，pages：1069-1078，2016.