[发明专利]一种融合用户时间信息的微博客用户影响力排名方法

权利要求书

1.一种融合用户时间信息的微博客用户影响力排名方法，其特征在于，包括以下步骤：

步骤S1：对微博客用户进行特征化处理；

步骤S2：根据微博客用户特征对所有用户集进行聚类，得到微博客中的潜在有影响力用户集；

步骤S3：对潜在有影响力用户集构建特定话题领域下的张量影响力模型；

步骤S4：对张量影响力模型进行分解，在张量分解的过程中加入考虑与用户信息扩散能力相关的时间特征约束，重构新的张量影响力模型；

步骤S5：根据重构的张量影响力模型预测用户的影响力得分；

步骤S6：根据用户的影响力得分从高到低排序，得到用户的影响力排名结果并输出；

其中，所述步骤S2具体包括：

定义聚类模块的每个聚类输入样本为y_a＝[y_a1,y_a2,y_a3,y_a4]，其中，y_a1、y_a2、y_a3和y_a4分别表示I_l(u_pi)和I_c(u_pi)，指定聚类模型的聚类中心C_f，其中f是所有聚类中心的个数，每个聚类中心也对应四个特征，C_s＝[c_s1,c_s2,c_s3,c_s4]，对于聚类模型，有如下损失函数：

其中，Y为输入样本集合，Y＝{y₁,y₂,...,y_e}，e表示输入样本的个数，下标i表示样本中的特征位置，下标j表示权重所在网络的层序，w_ij是网络聚类模型中不同层间的链接权，C_s是输入样例y_a当前所属的聚类中心，在聚类过程中采用随机梯度下降法对每一个连接权w_ij的权值进行更新，更新过程如下：

其中，η是学习率，表示连接权w_ij的梯度，其计算公式如下：

则w_ij^(t+1)＝w_ij^(t)-η(w_ij^(t)y_ei²-y_eic_si)

在每一轮权值更新结束时，对每一个聚类中心进行更新，更新规则如下：

其中，是一个关于C_s的指示函数，如果样本y_a所属的聚类的中心是C_s，那么其结果为1，反之为0，分母是一个计数函数，其结果表示当前更新轮次中，输入样本在簇类中心为C_s的簇中的个数。