The invention discloses a method for solving the tweets prediction forwarding task based on the multi face sorting network. The main steps are as follows: 1) For a group of users and Twitter datasets, build a network between users and the relationship between users and Twitter. And for the network formed, the user's tweets forwarding function is formed by using the multi face sorting network. 2) for the user's tweets forwarding function, the probability prediction for user tweets is generated. Compared with the general probability prediction solution of user tweet forwarding, the present invention can simultaneously utilize the interaction relationship between tweet information and users. The invention achieves better results in pushing text forwarding prediction problems than traditional methods.
【技术实现步骤摘要】
一种基于多面排序网络解决推文预测转发任务的方法
本专利技术涉及推文转发预测任务,尤其涉及一种基于多面排序网络解决推文预测转发任务的方法。
技术介绍
随着以社交关系为基础的网站的蓬勃发展,对于用户推文转发情况的预测也成为一项具有挑战性的工作,该任务的目的是对于某一用户预测其转发所关注的用户推文的概率大小,但是目前已有的预测方法效果并不是很好。现有的技术主要是利用推文的文本信息预测未来的用户推文分享情况,但是随着移动式设备的逐渐普及,越来越多的推文开始带有图片,所以在预测推文转发情况时,将推文中的图片信息也考虑进去便成为一项非常重要的任务。本专利技术将首先利用已有的用户、推文之间的关系及用户之间的相互关系构建社交媒体网络,之后通过卷积神经网络与LSTM网络来分别获取推文的图片及文本的语义表达,利用随机初始化得到用户表达,之后结合用户表达及推文文本及图片的表达得到关于用户本身对于该推文感兴趣程度的损失值。之后通过构建的社交关系网络中的用户之间相互关注的关系,得到用户之间相互影响大小,并利用该影响力数值结合用户表达与推文表达得到反映在用户之间相互影响的前提下用户对于推文感兴趣程度的损失项值。将用户本身对于该推文感兴趣程度的损失值与反映在用户之间相互影响的前提下用户对于推文感兴趣程度的损失项值结合,得到最终的损失目标函数,经过训练,得到用户对于某推文感兴趣程度的大小,并利用该值预测用户对于推文的转发概率。
技术实现思路
本专利技术的目的在于解决现有技术中的问题,为了克服现有技术中仅仅关注到推文中的文本没有关注推文中的图片且没有加入反映用户之间相互影响力的问题,本专利技术 ...
【技术保护点】
1.一种基于多面排序网络解决推文预测转发任务的方法,其特征在于包括如下步骤:1)针对于一组社交网络用户及其对于的推文转发情况,构建包含用户、推文之间相互关系的社交媒体网络;2)对于步骤1)所得到的社交媒体网络的带有图片的推文,利用卷积神经网络获取推文图片的表达,利用单词映射网络及LSTM网络获取推文文本的语义表达,利用随机初始化获取用户的映射表达;之后结合推文的图片及文本表达获取推文的综合表达,利用推文的综合表达及用户的表达获取反映用户本身对于推文感兴趣程度大小的值;利用步骤1)构建的社交媒体网络中的用户之间相互关注的关系及用户表达矩阵,得到用户相互影响力分数,并利用该分数与用户表达及推文综合表达得到反映结合了用户之间相互影响的用户对于推文感兴趣程度的值;两者结合得到最终的损失函数;3)利用所获得的含有用户推文转发关系及用户间关系的数据集,针对步骤2)所得的损失函数,经过训练,得到最终的损失函数,根据该函数可以对于任意用户及其关注的用户发出的任意推文进行排序,将更可能被用户转发的推文排在前列。
【技术特征摘要】
1.一种基于多面排序网络解决推文预测转发任务的方法,其特征在于包括如下步骤:1)针对于一组社交网络用户及其对于的推文转发情况,构建包含用户、推文之间相互关系的社交媒体网络;2)对于步骤1)所得到的社交媒体网络的带有图片的推文,利用卷积神经网络获取推文图片的表达,利用单词映射网络及LSTM网络获取推文文本的语义表达,利用随机初始化获取用户的映射表达;之后结合推文的图片及文本表达获取推文的综合表达,利用推文的综合表达及用户的表达获取反映用户本身对于推文感兴趣程度大小的值;利用步骤1)构建的社交媒体网络中的用户之间相互关注的关系及用户表达矩阵,得到用户相互影响力分数,并利用该分数与用户表达及推文综合表达得到反映结合了用户之间相互影响的用户对于推文感兴趣程度的值;两者结合得到最终的损失函数;3)利用所获得的含有用户推文转发关系及用户间关系的数据集,针对步骤2)所得的损失函数,经过训练,得到最终的损失函数,根据该函数可以对于任意用户及其关注的用户发出的任意推文进行排序,将更可能被用户转发的推文排在前列。2.根据权利要求1所述基于多面排序网络解决推文预测转发任务的方法,其特征在于所述的步骤2)其具体步骤为:2.1)对于所给出的推文,利用如下方法获取带有图片的推文的综合表达:对于推文中的图片,输入到卷积神经网络中获取对应图片的表达,对于图片ii,输入到卷积神经网络中获取其对应表达xi;对于给定的微博博文,将其单词通过预先训练好的单词映射网络获取其单词映射。对于由一个单词序列构成的微博博文di,设其第t个单词通过预先训练好的单词映射网络获取的单词映射为xit,则将序列(xi1,xi2,...,xik)作为微博博文xi的单词映射表达,之后,将博文di分成若干段,并将各段的单词映射序列作为LSTM网络的输入,以LSTM网络的最后一个隐藏层的输出作为该段博文的映射表达,之后将各段的输出同时输入一个最大池化层,将池化层的输出yi作为微博博文di的映射表达;2.2)利用多模态混合函数来得到推文的图片与文本的混合表达,给定第i条推文的图片表达映射xi与推文中的文本表达yi,则该推文的综合表达如下:zi=g(W(i)xi+W(d)yi)其中,W(i)与W(d)为该混合函数用来混合推文的图片表达与文本表达的权重矩阵,g(.)为非线性的双曲正切激活函数;2.3)通过随机初始化得到用户的映射矩阵U={u1,u2,.....
【专利技术属性】
技术研发人员:俞新荣,
申请(专利权)人:杭州一知智能科技有限公司,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。