【技术实现步骤摘要】
本专利技术属于网络计算心理学、计算传播学领域，具体涉及一种基于用户行为的传播效果预测方法及系统。
技术介绍
1、传播效果是指传播对人的行为产生的有效结果。具体指受传者接受信息后，在知识、情感、态度、行为等方面发生的变化，通常意味着传播活动在多大程度上实现了传播者的意图或目的。在情感态度方面发生的变化一般使用心理测量来进行量化评估。
2、心理测量(psychometrics)是指依据一定的心理学理论，使用一定的操作程序，给人的能力、人格及心理健康等心理特性和行为确定出一种数量化的价值。广义的心理测量不仅包括以心理测验为工具的测量，也包括用观察法、访谈法、问卷法、实验法、心理物理法等方法进行的测量。心理测量是通过科学、客观、标准的测量手段对人的特定素质进行测量、分析、评价。这里的所谓素质，是指那些完成特定工作或活动所需要或与之相关的感知、技能、能力、气质、性格、兴趣、动机等个人特征，他们是以一定的质量和速度完成工作或活动的必要基础。
3、1.1用户心理测量方法
4、传统心理特征测量方法主要是以调查问卷为主，比如纸笔测验、量表法，投射测验法、仪器测量法。其中主要由纸笔测试的调查问卷为主，纸笔测验简称笔试，即要求被试根据项目的内容，把答案写在纸上，以了解被试心理活动的一种方法。纸笔测验的形式主要有6种：多重选择题、是非题、填空题、匹配题、简答题、小论文。
5、1.2基于互联网数据的心理测量
6、随着网络数据的井喷式增加，许多研究者开始关注以网络大数据的研究方法研究心理问题，并且
7、
8、
9、
10、
11、
12、
13、1.3基于互联网数据的用户转发、点赞、评论行为预测方法
14、目前，随着互联网的不断发展，作为内容消费者的一般用户，信息获取的方式多种多样，例如微信、微博等社交平台获取好友、关注用户发布的信息。再如信息推送平台如头条、抖音、快手等，用户通过。这些具有社交属性的信息发布、推荐、共享平台满足了人们线上信息发布、获取与交互的需求，目前社交网络已经成为宣传、发布广告的主要渠道之一。此类平台的内容推荐方法是通过对用户进行行为分析画像，根据相应画像特征进行内容推荐等，起到运营推广的效果。
15、用户画像分析的特征例如：
16、分析用户的社交关系，得出对用户影响最大的传播节点。
17、分析用户的上网时间，得出用户浏览社交平台的时间段。
18、分析用户的历史行为，例如历史的发文、历史点赞、历史转发行为，得出用户关注的内容主题。
19、其他特征，如用户的自描述等。
20、主要转发预行为预测模型如下：
21、基于因子机(factorization machine)的推荐模型，最常用的点击率预测模型。
22、协同过滤推荐，利用历史行为数据进行相似度距离测量推荐。
23、热点推荐，把最多点赞、转发、评论等推送给用户。
24、基于深度学习模型的推荐，采用深度神经网络的推荐模型，例如大语言模型或深度卷积神经网络等。
25、目前，基于内容的推荐技术被广泛使用，并且去了很好的运营推广效果和很高的行为预测准确率。
26、目前，给予心理测量的态度情感转变主要是基于特定事件发生前后，被测量人的发文数据(推特是推文，微博是博文)来测量。其中存在如下问题：
27、对被测量者发文是无法用机器学习或统计模型进行预测的，所以无法通过仿真预测被测量者的发文来预测态度情感转变。
28、并没有使用转发点赞数据进行态度情感测量，但是被测者的转发和点赞是可以预测的。不仅如此，转发和点赞可以被视为传播受众确定接收了信息中携带事件的反馈，也就是说可以被视为影响态度和情感的特定事件的发生。用矛盾的形式描述现有技术问题如图1所示。
29、专利技术人在试图传播正能量幸福感的过程中发现，如果想预测传播效果，不能基于传播受众的发文数据，因为基于发文数据是传播效果测量不是预测。技术上不能对用户发文数据进行仿真，所以不能根据预测未来受众的发文来预测传播效果。
技术实现思路
1、本专利技术的目的在于，通过预测用户的转发、点赞等行为进行用户态度情感转变预测。
2、为实现上述目的，一方面，本专利技术提供了一种基于用户行为的传播效果预测方法，该方法，包括以下步骤：
3、训练第一函数和第二函数；第一函数为用户转发或点赞的预测函数，第二函数为基于转发或点赞的情感态度测量函数；
4、所述第一函数根据用户转发或点赞的博文计算用户转发或点赞的概率，所述第二函数根据用户转发或点赞的博文计算情感态度转变量；
5、通过用户转发或点赞的概率以及情感态度转变量进行传播效果预测。
6、进一步地，所述第一函数为：prob＝pred(message，u)，其中，message为用户u进行转发或点赞的博文，prob为转发或点赞的概率；在周期p内，用户u的点赞或转发数据集合为likes＝{l1，l2，l3…，ln}，所述第二函数为：attorigin＝attitude(likes)，其中att为测量的情感态度；如果用户在周期p内，转发或点赞了message，则第二函数为attpost＝attitude(likes∪message)；用户u在转发或点赞message后，情感态度转变量为：δatt＝attpost-attorigin；其中，attorigin为原来一定时间内通过转发或点赞对情感态度进行的测量，attpost为加入了目前时间点一条或多条转发或点赞数据后对被测人进行情感态度的测量。
7、进一步地，所述第一函数和所述第二函数建模过程中使用的是同一用户的社交媒体数据；所述第一函数建模是在给定时间段内，构造转发或点赞的正负样本进行有监督机器学习训练；所述第二函数建模是通过给定时间段内用户的社交媒体语言行为特征，包括转发或点赞，与调查问卷的得分建立映射关系，通过有监督机器学习方法或统计方法进行拟合训练。
8、另一方面，本专利技术提供了一种基于用户行为的传播效果预测系统，该系统包括：
9、第一处理模块，用于训练第一函数和第二函数；第一函数为用户转发或点赞的预测函数，第二函数为基于转发或点赞的情感态度测量函数；
10、第二处理模块，用于所述第一函数根据用户转发或点赞的博文计算用户转发或点赞的概率，以及用于所述第二函数根据用户转发或点赞的博文计算情感态度转变量；
11、第三处理模块，用于通过用户转发或点赞的概率以及情感态度转变量进行传播效果预测。
12、本专利技术可以对发布的文本以及发布文本的受众进行传播效果预测，其效果为态度、情感、人格的细粒度改变。
本文档来自技高网...【技术保护点】
1.一种基于用户行为的传播效果预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述第一函数为：
3.根据权利要求1或2所述的方法，其特征在于，所述通过用户转发或点赞的概率以及情感态度转变量进行传播效果预测步骤，包括：通过计算情感态度转变量与用户转发或点赞的概率的乘积，获得传播效果预测值。
4.根据权利要求1所述的方法，其特征在于，所述第一函数和所述第二函数建模过程中使用的是同一用户的社交媒体数据；所述第一函数建模是在给定时间段内，构造转发或点赞的正负样本进行有监督机器学习训练；所述第二函数建模是通过给定时间段内用户的社交媒体语言行为特征，包括转发或点赞，与调查问卷的得分建立映射关系，通过有监督机器学习方法或统计方法进行拟合训练。
5.根据权利要求1所述的方法，其特征在于，第一函数的训练过程为：第一函数首先选定要改变心理态度的用户，采集用户的转发数据或点赞数据及其关注用户的发布数据构造正负样本集合；第二函数的训练过程为：第二函数的训练过程首先是要通过调查问卷，识别微博用户的性格态度作为标注，然后采集他们
6.一种基于用户行为的传播效果预测系统，其特征在于，包括：
7.根据权利要求6所述的系统，其特征在于，所述第一函数为：
8.根据权利要求6或7所述的系统，其特征在于，所述预测模块，具体用于，通过计算情感态度转变量与用户转发或点赞的概率的乘积，获得传播效果预测值。
9.根据权利要求6所述的系统，其特征在于，所述第一函数和所述第二函数建模过程中使用的是同一用户的社交媒体数据；所述第一函数建模是在给定时间段内，构造转发或点赞的正负样本进行有监督机器学习训练；所述第二函数建模是通过给定时间段内用户的社交媒体语言行为特征，包括转发或点赞，与调查问卷的得分建立映射关系，通过有监督机器学习方法或统计方法进行拟合训练。
10.根据权利要求6所述的系统，其特征在于，第一函数的训练过程为：第一函数首先选定要改变心理态度的用户，采集用户的转发数据或点赞数据及其关注用户的发布数据构造正负样本集合；第二函数的训练过程为：第二函数的训练过程首先是要通过调查问卷，识别微博用户的性格态度作为标注，然后采集他们的转发数据作为样本特征，使用机器学习方法进行拟合，把函数泛化到其他微博用户上进行性格态度预测。
...【技术特征摘要】
1.一种基于用户行为的传播效果预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述第一函数为：
3.根据权利要求1或2所述的方法，其特征在于，所述通过用户转发或点赞的概率以及情感态度转变量进行传播效果预测步骤，包括：通过计算情感态度转变量与用户转发或点赞的概率的乘积，获得传播效果预测值。
4.根据权利要求1所述的方法，其特征在于，所述第一函数和所述第二函数建模过程中使用的是同一用户的社交媒体数据；所述第一函数建模是在给定时间段内，构造转发或点赞的正负样本进行有监督机器学习训练；所述第二函数建模是通过给定时间段内用户的社交媒体语言行为特征，包括转发或点赞，与调查问卷的得分建立映射关系，通过有监督机器学习方法或统计方法进行拟合训练。
5.根据权利要求1所述的方法，其特征在于，第一函数的训练过程为：第一函数首先选定要改变心理态度的用户，采集用户的转发数据或点赞数据及其关注用户的发布数据构造正负样本集合；第二函数的训练过程为：第二函数的训练过程首先是要通过调查问卷，识别微博用户的性格态度作为标注，然后采集他们的转发数据作为样本特征，使用机器学习方法进行拟合，把函数泛化到其他微博用户...
【专利技术属性】
技术研发人员：林磊，杜义华，王闰强，
申请(专利权)人：中国科学院计算机网络信息中心，
类型：发明
国别省市：
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。