[发明专利]一种基于多层集成学习的微博转发预测方法

说明书

本发明一种基于多层集成学习的微博转发预测方法，属于社会网络分析和网络舆情监控领域。包括如下步骤：构建微博数据集；微博数据预处理；提取微博用户的个人特征和社交特征；提取微博用户的微博内容特征；采用基于贝叶斯的方法进行微博转发预测；采用基于支持向量机的方法进行微博转发预测；采用基于逻辑回归的方法进行微博转发预测；采用基于随机森林的方法进行微博转发预测；采用基于集成学习的方法进行微博转发预测。本发明提高了微博转发预测性能，在社会媒体处理、意见挖掘、信息安全等领域具有广阔的应用前景。

技术领域

本发明涉及一种基于多层集成学习的微博转发预测方法，属于社会网络分析和网络舆情监控领域。

背景技术

微博转发预测包括微博转发预测特征提取和微博转发预测两个关键问题。微博转发预测特征包括微博内容特征和微博用户特征。主要的微博转发预测方法包括基于贝叶斯、随机森林、逻辑回归、BP神经网络(Back Propagation Neural Network)以及协同过滤的方法等。

谢婧等在文献《社交网络中的用户转发行为预测》(上海交通大学学报，2013)中，以新浪微博为处理对象，设计了一种基于微博主题和用户特征的微博转发行为预测方法。该预测方法首先根据待预测微博转发的用户的微博内容与转发用户的微博内容的相关度，预测用户对给定主题的微博是否会转发；然后根据用户性别和粉丝数等用户特征，采用贝叶斯模型预测用户对微博的转发概率；最后，根据这两种算法的预测结果，预测用户对给定主题的微博是否会转发。

曹玖新等在文献《新浪微博网信息传播分析与预测》(计算机学报，2014)中，分析了影响用户转发行为的各种因素，构建了用户属性、社交关系和微博内容特征，采用朴素贝叶斯、贝叶斯网络和逻辑回归三种分类方法来预测用户的微博转发行为。

现有微博转发预测方法存在受限于单个分类方法性能的问题，因此，迫切需要一种微博转发预测方法，以提供高性能的微博转发预测服务。

发明内容

本发明的目的是针对现有微博转发预测方法存在受限于单个分类方法性能的问题，提出一种基于多层集成学习的微博转发预测方法。

本发明的核心思想为：本发明共采用十二种基分类器进行微博转发预测。具体地说，第一层集成学习融合基于用户个人特征的贝叶斯模型的预测方法、基于用户社交特征的贝叶斯模型的预测方法、基于内容特征的贝叶斯模型的预测方法，形成基于贝叶斯模型的微博预测方法；融合基于用户个人特征的支持向量机模型的预测方法、基于用户社交特征的支持向量机模型的预测方法、基于内容特征的支持向量机模型的预测方法，形成基于支持向量机模型的微博预测方法；融合基于用户个人特征的逻辑回归模型的预测方法、基于用户社交特征的逻辑回归模型的预测方法、基于内容特征的逻辑回归模型的预测方法，形成基于逻辑回归模型的微博预测方法；融合基于用户个人特征的随机森林模型的预测方法、基于用户社交特征的随机森林模型的预测方法、基于内容特征的随机森林模型的预测方法，形成基于随机森林模型的微博预测方法；第二层集成学习融合基于贝叶斯模型的微博预测方法、基于支持向量机模型的微博预测方法、基于逻辑回归模型的微博预测方法和基于随机森林模型的微博预测方法，形成基于集成学习的微博转发预测方法，即通过多层集成学习模型来提高微博转发预测性能。

本发明的目的是通过以下技术方案实现的。

本发明一种基于多层集成学习的微博转发预测方法所基于的一种基于多层集成学习的微博转发预测系统，简称微博转发预测系统，包括信息采集模块、信息预处理模块、用户特征提取模块、微博内容特征提取模块、基于贝叶斯的微博转发预测模块、基于支持向量机的微博转发预测模块、基于逻辑回归的微博转发预测模块、基于随机森林的微博转发预测模块，以及基于集成学习的微博转发预测模块；

微博转发预测系统中各模块的连接关系为：