社交网络中的转发行为预测

• 作 者: 江磊
• 出 处: 上海交通大学
• 发表日期: 2004年期
• 关键词: 社交网络 转发 矩阵分解 行为预测

社交网络,是基于互联网创建的在线社区,它为用户提供各种联系、交流的渠道。无论国内外,它都已成为人们日常生活不可或缺的一部分。对社交网络的研究工作也因其海量的真实数据、巨大的现实意义得到了广泛关注。转发行为是社交网络的核心功能,它促进了社交网络中的消息传播,加速了信息流动。对转发行为的研究,不仅有助于理解社交网络中信息传播的机制,也有助于对用户进行个性化消息推送,具有十分重大的意义。同时,因为用户个性、消息特征的差异化,要想准确对用户转发行为进行预测,又是一项非常具有挑战性的工作,此外,庞大的数据规模也对算法的速度提出了严峻的考验。可以说,用户转发行为预测问题是一项意义重大但又充满挑战的任务。本文中提出了在线矩阵分解模型(Online Matrix Factorization Model,OMFM)用于进行转发行为预测。它首先将社交网络中的转发行为用一个转发矩阵表示,将转发行为与矩阵中的每个元素对应起来。然后将转发矩阵分解为两个处于同一特征空间中的隐式用户矩阵和隐式消息矩阵相乘的结果,利用用户相似度、消息相似度等辅助信息求解得到最优的隐式用户矩阵和隐式消息矩阵。最后,将隐式用户矩阵和隐式消息矩阵相乘重建转发矩阵,得到预测结果。针对现有矩阵分解模型高运算时间和准确率下降两个主要问题,OMFM进行了三点改进工作,首先,在损失函数中,赋予每条消息一个随时间衰减的权重来增强新消息对损失函数的贡献。其次,在约束项中,只对必须更新的部分进行更新。最后,在训练阶段,接收到新消息开始的训练会以基于旧消息进行训练的结果作为初始化值。在实验验证阶段,我们使用了实际爬取到的Twitter的真实数据集,从预测效果和运行时间两个方面比较了OMFM与其他现有模型,验证了OMFM的有效性,实验结果表明OMFM是解决社交网络中转发行为预测问题的最佳解决方案。