| 以下仅列出文章摘要、提纲简介，如需获取全文阅读权限，或原创定制、长期合作，请随时联系。 微信QQ:312050216 |
 |
 |
| 社交网络信息传播预测研究 摘要. 随着科技的发展，在线社交网络迅速崛起。社交网络中人人都能参与到信息传播过程中，形成巨大的信息传播网络，实现了用户关系和信息交互的高度融合。但是，大量的用户数据也将带来信息过载、信息碎片化等问题，使人们难以获取价值信息。因此深入分析在线社交网络，对信息传播预测进行研究具有重要意义。 本文的信息传播预测研究主要涵盖两方面：对于节点的预测，以用户为中心，研究信息传播的影响因素，预测用户的转发行为；对于结构的预测，以信息为中心，研究信息传播的趋势和规模，预测信息的流行程度。其主要内容如下： 1. 在节点预测层面，利用社交网络中用户行为及关系数据，构建信息转发预测模型。首先，针对转发行为的复杂成因，提出兴趣驱动、习惯驱动、结构驱动三种驱动机制。其次，针对用户特征标签多样性，利用隐含狄利克雷分布(Latent Dirichlet Allocation, LDA)主题模型在处理“一词多义”、“多词一义”问题上的优势，将传统对文本建模的方法用于对用户特征建模，其中，考虑到时间因素的影响，采用时间切片方法，动态监测用户特征，提高转发预测的准确度。最后，针对连续属性值建模，结合高斯混合模型(Gaussian Mixture Model, GMM)的基础思想，使用高斯分布对LDA进行改进，并提出一种基于改进LDA的信息转发预测模型。实验表明，该模型能够有效预测用户的转发行为，并挖掘影响信息转发的关键因素。 2. 在结构预测层面，利用社交网络中节点行为数据和信息传播网络，构建信息流行度预测模型。首先，针对网络中个体差异性及用户关系的强弱性，引入节点自身影响力和节点间的影响力量化差异，重新构建双重加权社交网络，并基于改进的PageRank算法度量节点传播力。其次，针对信息传播主要受信息源驱动和早期信息感染群体驱动的影响，结合信息发布者的个体特征和早期信息传播特征作为模型输入，利用逻辑回归(Logistic Regression, LR)分类器训练得到一种基于节点传播力的信息流行度预测模型。实验表明，该模型能够更准确地预测信息的流行程度，及时发现网络群体事件并识别重要传播节点。 关键词：在线社交网络，信息传播，转发预测，流行度 |
