[发明专利]一种基于A-TrAdaboost算法的多源社区标签发展趋势预测方法

说明书

一种基于A‑TrAdaboost算法的多源社区标签发展趋势预测方法，包括以下步骤：(1)构建问答社区中的标签网络；(2)计算源领域社区和目标领域社区结构的向量表征(3)计算源领域与目标领域之间的结构相似性；(4)构建基于A‑TrAdaboost算法的多源社区标签流行性预测模型。本发明利用网络图表征的方法，得到各个网络的向量表征，进而计算网络之间的相似性，作为不同问答社区之间的领域距离，并将网络结构之间的相似性作为多源迁移学习算法TrAdaboost的初始权重，在进行跨社区预测新标签流行性问题时，能够较好的避免多源迁移中的负迁移问题，提高模型的训练时间和精度。

技术领域

本发明涉及数据挖掘、图结构分析技术，特别是涉及一种基于A-TrAdaboost 算法的多源社区标签发展趋势预测方法。

背景技术

当前随着移动互联网和智能设备的广泛普及，改变了人们的生活方式，人们 更倾向于在网络上发表自己看法和搜集自己需要的信息，因此在线问答社区变得 越来越活跃和流行。由于问答社区中的帖子数量巨大，用户在问答社区中获取的 信息主要根据问题答案的标签来进行筛选和推荐，随着时间的推移，标签的数量 也越来与巨大，问答社区中的标签研究日益成为关注的热点。

傅晨波等人(见文献[1]Fu C,Zheng Y,Li S,et al.Predicting the popularityof tags in StackExchange QA communities[C]//Complex Systems and Networks(IWCSN),2017International Workshop on.IEEE,2017:90-95.即傅晨波,郑永立,李 诗迪.预测StackExchange问答社区标签流行性[C]//复杂的系统和网络 (IWCSN),2017国际研讨会.IEEE,2017:90-95。)已经研究了问答社区中新标签未 来的流行性发展趋势预测，但是其预测模型仅根据单个社区中标签数据来进行模 型构建。在这种情况下，当在一些数据量较小的社区或者新出现的社区中使用模 型时，由于标记数据样本较少，会使得训练后的模型并不理想。迁移学习从一个 相关并同时拥有丰富训练样本的领域中训练模型，并分享到目标领域。利用迁移 学习可以解决目标领域训练数据较少的缺陷。因此我们利用迁移学习的思路在其 他较大社区中进行模型训练，然后再迁移到目标社区，以提高预测模型的精度。

单源迁移时常常会遇到负迁移的状况，使得迁移过来的效果并不好。为了解 决这一问题，其中一种方法是设置不同的样本权重，通过设置不同样本之间的权 重，选择出对目标任务有帮助的样本，提高迁移学习的效果。TrAdaboost(见文 献[2]Dai W,Yang Q,XueG R,et al.Boosting for transfer learning[C]//International Conference onMachine Learning.ACM,2007:193-200.即戴文渊，杨强，薛贵荣,俞 勇.迁移学习集成[C]//国际机器学习会议.ACM,2007:193-200.)方法利用迭代更新 权重的方法，通过对每次训练的模型在目标领域上的分类效果，计算误差，反馈 更新样本的权重，得出最后的分类模型。另外一种方法是多源迁移的模型框架。 已有的多源迁移学习方法已经很多，目前比较常用的迁移学习方法是根据不同领 域之间的特征分布的距离作为其衡量领域之间的相似性，进而对不同领域构建的 基分类器进行加权。在使用迁移学习的方法来预测问答社区标签流行性发展趋势 的预测问题中，根据特征分布之间的差异性来衡量不同领域之间的相似性大小， 不能取得较好的迁移提升效果。

发明内容

为了解决跨社区标签流行性的预测问题，为了较好的衡量涉及网络结构的不 同领域之间的差异，和改善TrAdaboost在在具有负迁移数据源上的迁移效果的 鲁棒性，本发明提出一种基于网络结构相似性的A-TrAdaboost算法来预测在线 问答社区中新标签在未来的流行性发展趋势。

本发明解决其技术问题所采用的技术方案如下：

一种基于A-TrAdaboost算法的多源社区标签发展趋势预测方法，包括如下步 骤：