社交网络信息传播及预测算法研究

近年来,伴随着社交网络的推广与发展,人们的交际方式变得更加灵活便捷,不同地域间的交际也不再受到距离的限制,大大降低了人们维持人际关系的成本。与传统媒体相比,社交网络的用户数量更多、覆盖范围更广、时效性更高,使其成为了信息时代的主流传播媒介。然而,海量的信息在社交网络中以前所未有的速度和广度进行传播,一方面为人们的生活带来了便利和机遇,另一方面,也使得一些虚假谣言的扩散有了可乘之机。因此,对社交网络中信息的传播过程进行研究和探讨,掌握信息在社交网络中的传播规律,从而更加合理有效地对社交网络平台进行监管和使用,具有重要的理论意义和实际价值。本文针对社交网络信息传播模型和话题热度预测算法进行研究,主要内容包括:(1)针对传统信息传播模型难以真实准确地反映出社交网络中信息传播规律的问题,本文在对现有的社交网络信息传播模型进行研究分析的基础上,建立了基于节点状态的在线社交网络信息传播模型。该模型以传染病动力学模型为研究基础,在模型中增加了新的节点状态,并进一步考虑了节点间状态转移的多样性。通过与其他模型的对比实验,验证了本文提出的模型能够更加真实地反映出现实中社交网络的信息传播规律。(2)针对社交网络中现有预测算法对话题热度趋势预测不够准确的问题,本文采用对时间序列问题具有良好预测效果,但较少使用在社交网络领域中的循环神经网络模型,将神经网络技术和社交网络进行融合,提出了基于LSTM的社交网络话题热度预测算法。首先根据选定的数据集构建预测模型,然后给出了社交网络话题热度预测算法的整体框架,描述了预测算法的具体实施过程。同时,为使最终预测结果达到最优,进一步对算法相关参数进行了评估和选取。最后,通过对比实验证实了本文提出的预测算法在话题热度趋势预测方面具有更好的性能。综上,本文针对社交网络信息传播模型和话题热度预测算法中存在的一系列问题,建立了在线社交网络信息传播模型,并在此基础上提出了基于LSTM的社交网络话题热度预测算法,实现了对社交网络中信息传播规律的真实反映和对话题热度趋势的准确预测。