一种基于用户认知的网络传播方法技术

本发明专利技术属于信息传播领域，具体涉及一种基于用户认知的网络传播方法

【技术实现步骤摘要】
一种基于用户认知的网络传播方法、装置及计算机设备


[0001]本专利技术属于信息传播领域，涉及用户转发动力学成因分析，尤其是社交网络中热点话题与衍生话题共同传播的分析，具体涉及一种基于用户认知的网络传播方法
、
装置及计算机设备
。

技术介绍

[0002]随着互联网的发展，社交网络是当今社会人们信息交流的重要渠道，各大社交平台改变了人们获取和消费信息的手段和方式，大量证据表明，在线社交网络中进行信息交流和传播以前所未有的方式影响社会
。
伴随着
Facebook、Twitter
及新浪微博等社交平台的发展，热点话题的产生催生出一系列衍生话题，人们足不出户就可以参与话题传播，分析衍生话题的传播有利于把控舆情分析
、
社会治理等
。
在传统的信息传播研究中，并未考虑前置话题以及用户的兴趣演化对于整个话题传播网络的影响
。
因此，开展衍生话题传播预测模型研究，能够更好的发掘信息传播趋势和分析用户群体转发评论的动力学成因，对网络舆情的把控具有重要意义
。
[0003]近年来，国内外许多学者对话题传播模型进行了大量的研究，主要是基于
SIR
的传染病模型
、
机器学习算法模型和深度学习算法模型
。
基于
SIR
模型的预测方法主要是将用户群体划分为三种状态：易感状态
(S)、
感染状态
(I)、
免疫状态
(R)。
状态
S
表示知道消息后容易参与转发的潜在人群，
I
状态为知道消息并积极参与转发评论的人群，
R
状态表示用户群体对该消息免疫不参与传播行为
。
基于机器学习和深度学习的算法模型主要是提取用户特征
、
文本信息，将话题传播转化为分类及回归问题，利用机器学习算法及神经网络具有处理大数据的优势，对信息传播进行检测
、
规律分析
、
流行度预测及发现影响力节点等
。
[0004]由于话题的传播与传染病传播相似，因此使用
SIR
模型对衍生话题的传播趋势进行预测也具有较好的表现
。
但是这些模型大多侧重于从话题本身的影响因素出发，对于话题衍生现象下的信息传播的研究仍然存在一些挑战：
[0005]1.
前置话题敏感度的度量
。
在社交网络中，对前置话题敏感的用户大概率也会对衍生话题同样敏感，前置话题影响因素的多元性对用户敏感程度造成影响，如何度量用户前置话题敏感度成为挑战
。
[0006]2.
用户兴趣及好奇心理的隐藏性以及前置话题与衍生话题间的区别性
。
在信息传播过程中，用户对衍生话题的兴趣度及从众共情等心理因素具有隐藏性，如何挖掘用户兴趣度成为难点
。
同时，前置话题与衍生话题内容本身具有一定的区别性，如何将话题之间的关联度转化为话题间的区别关系成为挑战
。
[0007]3.
话题衍生现象下的信息传播过程的复杂性
。
信息传播过程中存在话题衍生的现象，如何解决话题衍生带来的复杂性成为挑战
。

技术实现思路

[0008]针对以上挑战，本专利技术提出了一种基于用户认知的网络传播方法
、
装置及计算机
设备
。
本专利技术综合考虑了前置话题对衍生话题的影响，使用了多元线性回归及
LDA
主题模型对用户认知过程中的兴趣演化及话题之间的关联性进行量化，引入时间切片机制，结合传染病模型构建衍生话题传播动力学模型，更加真实的描绘了衍生话题在社交网络中的传播趋势
。
[0009]在本专利技术的第一方面，本专利技术提供了一种基于用户认知的网络传播方法，所述方法包括：
[0010]获取网络平台的话题数据和用户数据；
[0011]根据话题数据和用户数据，提取出话题热度
、
前置话题与衍生话题的主题相似度
、
用户信息感知度
、
用户兴趣强度
、
用户兴趣持续度以及用户关注度；
[0012]根据用户关注度
、
用户信息感知度以及话题热度，构建出话题敏感度；所述话题敏感度包括前置话题敏感度和衍生话题敏感度；
[0013]利用主题模型，提取出用户兴趣的主题集合以及衍生话题的主题集合；
[0014]利用相似度函数对用户兴趣的主题集合以及衍生话题的主题进行处理，计算出用户对衍生话题的兴趣度；
[0015]根据前置话题与衍生话题的主题相似度，以及用户对衍生话题兴趣相似度的乘积，计算出话题关联度；
[0016]根据前置话题敏感度和衍生话题敏感度的差值，利用锚定超参数计算出沉锚效应值；
[0017]根据衍生话题敏感度
、
衍生话题影响力
、
话题关联度和沉锚效应值，计算出衍生话题影响力；
[0018]根据衍生话题影响力在每个时刻的信息熵，计算出用户在每个时刻的认知驱动力；
[0019]根据用户在每个时刻的认知驱动力，构建话题传播模型；通过所述话题传播模型预测出衍生话题的传播结果
。
[0020]在本专利技术的第二方面，本专利技术还提供了一种基于用户认知的网络传播装置，所述装置包括：
[0021]数据获取模块，用于获取网络平台的话题数据和用户数据；
[0022]数据提取模块，用于根据话题数据和用户数据，提取出话题热度
、
前置话题与衍生话题的主题相似度
、
用户信息感知度
、
用户兴趣强度
、
用户兴趣持续度以及用户关注度；
[0023]敏感度构建模块，用于根据用户关注度
、
用户信息感知度以及话题热度，构建出话题敏感度；所述话题敏感度包括前置话题敏感度和衍生话题敏感度；
[0024]话题主题提取模块，利用主题模型，提取出用户兴趣的主题集合以及衍生话题的主题集合；
[0025]衍生话题相似度计算模块，利用相似度函数对用户兴趣的主题集合以及衍生话题的主题进行处理，计算出用户对衍生话题的兴趣度；
[0026]话题关联度计算模块，用于根据前置话题与衍生话题的主题相似度，以及用户对衍生话题兴趣相似度的乘积，计算出话题关联度；
[0027]衍生话题影响力计算模块，用于根据衍生话题敏感度
、
衍生话题影响力
、
话题关联度和沉锚效应值，计算出衍生话题影响力；
[0028]认知驱动力计算模块，用于根据衍生话题影响力在每个时刻的信息熵，计算出用户在每个时刻的认知驱动力；
[0029]衍生话题传播模块，用于根据用户在每个时刻的认知驱动力，构建话本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于用户认知的网络传播方法，其特征在于，所述方法包括：获取网络平台的话题数据和用户数据；根据话题数据和用户数据，提取出话题热度
、
前置话题与衍生话题的主题相似度
、
用户信息感知度
、
用户兴趣强度
、
用户兴趣持续度以及用户关注度；根据用户关注度
、
用户信息感知度以及话题热度，构建出话题敏感度；所述话题敏感度包括前置话题敏感度和衍生话题敏感度；利用主题模型，提取出用户兴趣的主题集合以及衍生话题的主题集合；利用相似度函数对用户兴趣的主题集合以及衍生话题的主题进行处理，计算出用户对衍生话题的兴趣度；根据前置话题与衍生话题的主题相似度，以及用户对衍生话题兴趣相似度的乘积，计算出话题关联度；根据前置话题敏感度和衍生话题敏感度的差值，利用锚定超参数计算出沉锚效应值；根据衍生话题敏感度
、
衍生话题影响力
、
话题关联度和沉锚效应值，计算出衍生话题影响力；根据衍生话题影响力在每个时刻的信息熵，计算出用户在每个时刻的认知驱动力；根据用户在每个时刻的认知驱动力，构建衍生话题传播模型；通过所述衍生话题传播模型预测出衍生话题的传播结果
。2.
根据权利要求1所述的一种基于用户认知的网络传播方法，其特征在于，所述用户兴趣持续度包括：其中，表示用户
u
i
在时间点
t
n
对主题
T
j
的兴趣持续度，
t
n
为主题
T
j
第
n
次出现的时间点，为用户
u
i
在时间点
t
n
‑1对主题
T
j
的兴趣持续度，是半衰期函数；表示用户在
t
时刻对主题
T
j
的兴趣强度；
c、v
是不同的权重因子
。3.
根据权利要求1所述的一种基于用户认知的网络传播方法，其特征在于，所述利用主题模型，提取出用户兴趣的主题集合以及衍生话题的主题集合包括利用主题模型对用户标签集合和用户文档集合进行主题划分，得到标签主题矩阵和文档主题矩阵；从标签主题矩阵中选择用户对主题兴趣度大于阈值的主题作为用户兴趣的主题集合；从文档主题矩阵中选择用户对主题兴趣度大于阈值的主题作为衍生话题的主题集合
。4.
根据权利要求3所述的一种基于用户认知的网络传播方法，其特征在于，所述用户对主题兴趣度的计算公式表示为：其中，
M(u
i
,T
j
)
表示用户
u
i
对主题
T
j
的兴趣度；
β
为权重因子；表示用户在
t
时刻对主题
T
j
的兴趣强度；表示用户
u
i
在时间点
t
n
对主题
T
j
的兴趣持续度
。5.
根据权利要求1所述的一种基于用户认知的网络传播方法，其特征在于，所述根据前置话题敏感度和衍生话题敏感度的差值，利用锚定超参数计算出沉锚效应值包括：
Anch
＝
σ
(Sen
ori
(u
i
)
‑
Sen
der
(u
i
))
其中，
Anch
表示沉锚效应值，
σ
表示锚定超参数，
Sen
ori
(u
i
)
表示前置话...

【专利技术属性】
技术研发人员：肖云鹏，朱婷婷，王蓉，李茜，李暾，贾朝龙，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：