[发明专利]社交网络中网络信息发生病毒性传播的预测方法、装置

说明书

本发明提供了社交网络中的信息发生病毒性传播的预测方法，可以判断关注主题是否会发展成为病毒性传播，包括采集关注主题被转发的时间和评价内容，构建传播事件并按照时序进行切片，提取特征，拼接获得的传播量级特征以及情感比率特征，输入第一CNN滤波器模型进行学习，获得第一融合特征，拼接每个时间切片内的语义演化特征，输入Bi‑LSTM网络模型，获得第二融合特征；拼接获得的第一融合特征和第二融合特征，输入第二CNN滤波器模型进行学习，获得第三融合特征；构建时间序列预测模型，将第三融合特征输入训练好的时间序列预测模型，输出关注主题成为病毒性传播的预测概率，当预测概率大于预测阈值，则判定会发展成为病毒性传播。

技术领域

本发明涉及数据挖掘、社交网络舆情分析技术领域，具体涉及社交网络中的信息发生病毒性传播的预测方法、装置以及存储介质。

背景技术

随着互联网的飞速发展，社交网络中的事件以信息为载体在网络中传播，其传播增长速率成为一种社会舆情的评价指标，信息传播像病毒传染一样增速过快就会成为舆情事件。网络中任何消息源都可能成为引发舆情事件的源点，在短时间内像病毒一样被大量转发，例如网络突发事件、司法事件，经济事件，安全事件等容易引发社会争议的信息更容易被广泛的传播，甚至成为造成恶劣的社会影响的“黑天鹅”事件。

网络信息的病毒性传播指互联网中的信息传播的形式像病毒一样，在短时间内造成广泛的传播。这种信息往往会在网络甚至社会中造成一定影响，尽早的预测网络信息的病毒性可以及早有效的发现可能成为网络舆情的事件，以便尽早的干预网络事件，以改变社会事件传播的形态。

目前针对信息传播病毒性的研究，主要通过对信息传播网络的特征进行分析，包括传播网络的拓扑结构，传播节点的特征，以及传播时间的特征等。然后利用这些特征，通过机器学习模型对传播的规模进行分类任务的预测信息是否会像病毒一样传播。

但采有的研究，大多建立在信息传播网络底层结构的分析的基础上，包括传播网络拓扑结构，用户关系网络等，然而在实际应用过程中，主流社交网络媒体网站都会限制爬取用户关系型数据,导致全局网络结构数据的很难获得，隐藏的用户关系(例如用户关系网络)更无法获取，导致现有的算法在实际应用时效果不佳,预测结果不准的现状。

如果能够在信息传播的网络结构无法获得的情况下，利用少量有效的传播特征对信息传播的病毒性进行预测，达到与可知用户关系网络的情况下相近的性能，对于舆情事件的及早发现有重要的意义。

发明内容

本发明旨在提供一种社交网络中的信息发生病毒性传播的预测方法，解决目前存在的问题。

其技术方案是这样的：一种社交网络中的信息发生病毒性传播的预测方法，包括以下步骤：

步骤1：根据关注主题，在社交网络媒体信息中采集与关注主题对应的传播数据，采集的传播数据包括关注主题被转发的时间和评价内容，通过传播数据构建传播事件；

步骤2：将每个传播事件分别按照时序进行切片，获得若干包含传播事件的子事件的时间切片，分别从各个子事件取出基于时序的病毒性传播特征并进行向量表示，所述基于时序的病毒性传播特征包括传播量级特征、情感比率特征以及语义演化特征；

步骤3：拼接获得的传播量级特征以及情感比率特征，得到拼接特征，将拼接特征输入第一CNN滤波器模型进行学习，获得第一融合特征，第一融合特征以向量形式表示；

步骤4：以时间切片为分隔，拼接每个时间接片内的语义演化特征，得到拼接的语义演化特征，将拼接的语义演化特征输入Bi-LSTM网络模型，获得第二融合特征，第二融合特征以向量形式表示；

步骤5：拼接获得的第一融合特征和第二融合特征，得到信息传播混合特征，第一融合特征以向量形式表示；将信息传播混合特征输入第二CNN滤波器模型进行学习，获得第三融合特征，第三融合特征以向量形式表示；