基于用户影响与兴趣的社交网信息传播模型

doi:10.11959/j.issn.1000-436x.2017264

通信学报 ›› 2017, Vol. 38 ›› Issue (Z2): 113-121.doi: 10.11959/j.issn.1000-436x.2017264

基于用户影响与兴趣的社交网信息传播模型

王瑞¹,刘勇¹(),朱敬华¹,玄萍¹,李金宝¹

¹ 黑龙江大学计算机科学技术学院，黑龙江哈尔滨 150080
² 黑龙江省数据库与并行计算重点实验室，黑龙江哈尔滨 150080

出版日期:2017-11-01 发布日期:2018-06-07
作者简介:王瑞（1993-），女，黑龙江绥滨人，黑龙江大学硕士生，主要研究方向为社交网络分析。|刘勇（1975-），男，河北昌黎人，博士，黑龙江大学副教授，主要研究方向为数据挖掘和社交网络分析。|朱敬华（1976-），女，黑龙江齐齐哈尔人，博士，黑龙江大学教授，主要研究方向为传感器网络与数据挖掘。|玄萍（1979-），女，黑龙江五常人，博士，黑龙江大学教授，主要研究方向为机器学习和生物信息学。|李金宝（1969-），男，黑龙江庆安人，博士，黑龙江大学教授，主要研究方向为传感器网络与大数据管理。
基金资助:
国家自然科学基金资助项目(6137022);国家自然科学基金资助项目(61602159);国家自然科学基金资助项目(61300225);黑龙江省自然科学基金资助项目(F201430);黑龙江省自然科学基金资助项目(F2015013);哈尔滨科技创新人才研究专项基金资助项目(2017RAQXJ094);哈尔滨科技创新人才研究专项基金资助项目(2015RAQXJ004);哈尔滨科技创新人才研究专项基金资助项目(2015RAXXJ004);黑龙江省高校基本科研业务费基金资助项目(HDJCCX-201608)

Social network information diffusion model based on user’s influence and interesting

Rui WANG¹,Yong LIU¹(),Jing-hua ZHU¹,Ping XUAN¹,Jin-bao LI¹

¹ School of Computer Science and Technology,Heilongjiang University,Harbin 150080,China
² Key Laboratory of Database and Parallel Computing of Heilongjiang Province,Harbin 150080,China

Online:2017-11-01 Published:2018-06-07
Supported by:
The National Natural Science Foundation of China(6137022);The National Natural Science Foundation of China(61602159);The National Natural Science Foundation of China(61300225);The Natural Science Foundation of Heilongjiang Province(F201430);The Natural Science Foundation of Heilongjiang Province(F2015013);The Innovation Talents Project of Science and Technology Bureau of Harbin(2017RAQXJ094);The Innovation Talents Project of Science and Technology Bureau of Harbin(2015RAQXJ004);The Innovation Talents Project of Science and Technology Bureau of Harbin(2015RAXXJ004);The Fundamental Research Funds of Universities in Heilongjiang Province(HDJCCX-201608)

摘要/Abstract

摘要：

提出了一种新的无拓扑结构的社交网信息传播模型，简称 NT-II，并使用表达学习方式，构建了 2 个隐藏的空间：用户影响空间和用户兴趣空间，每个用户和每个传播项都映射成空间中的向量。模型在预测用户接收传播项的概率时，既考虑来自其他用户的影响程度，又考虑该用户对传播项的喜爱程度，分别根据2个用户向量之间的距离和用户向量和传播项向量之间的距离来推断。实验结果表明：NT-II 模型能更准确地模拟传播过程和预测传播结果。

关键词: 传播模型, 表达学习, 用户影响空间, 用户兴趣空间

Abstract:

A new non-topological information diffusion model of social network was proposed,called non-topological influence-interest diffusion model (NT-II).Representation learning was exploited to construct two hidden spaces for NT-II，called the user-influence space and the user-interest space,each user and each propagation item was mapped into a vector in space.The model predicted the probability of a user receiving a propagated item,considering not only the degree of influence from other users,but also the user's preference for propagated item.The experimental results show that the model can simulate the propagation process and predict the propagation results more accurately.

Key words: diffusion model, representation learning, user-influence space, user-interest space

中图分类号:

TP311

王瑞,刘勇,朱敬华,玄萍,李金宝. 基于用户影响与兴趣的社交网信息传播模型[J]. 通信学报, 2017, 38(Z2): 113-121.

Rui WANG,Yong LIU,Jing-hua ZHU,Ping XUAN,Jin-bao LI. Social network information diffusion model based on user’s influence and interesting[J]. Journal on Communications, 2017, 38(Z2): 113-121.

图/表 5

表1

图1

图2

图3

表2

参考文献 15

[1]	海沫, 郭庆 . 在线社交网络信息传播模型研究[J]. 小型微型计算机系统, 2016,37(8): 1672-1679.
	HAI M , GUO Q . Research on online social network information transmission model[J]. Small Microcomputer System, 2016,37(8): 1672-1679.
[2]	GOMEZ RODRIGUEZ M , LESKOVEC J , LKOPF B . Structure and dynamics of information pathways in online media[C]// ACM International Conference on Web Search and Data Mining. ACM, 2013: 23-32.
[3]	YANG J , LESKOVEC J . Modeling information diffusion in implicit networks[C]// ICDM 2010,the IEEE International Conference on Data Mining. 2011: 599-608.
[4]	BOURIGAULT S , LAMPRIER S , GALLINARI P . Representation learning for information diffusion through social networks:an embedded cascade model[C]// ACM International Conference on Web Search and Data Mining. 2016: 573-582.
[5]	FENG S , LI X , ZENG Y ,et al. Personalized ranking metric embedding for next new POI recommendation[C]// International Conference on Artificial Intelligence. 2015: 2069-2075.
[6]	BENGIO Y , COURVILLE A , VINCENT P . Representation learning:a review and new perspectives[J]. IEEE Transactions on Pattern Analysis ＆ Machine Intelligence, 2013,35(8): 1798-1828.
[7]	SAITO K , NAKANO R , KIMURA M . Prediction of information diffusion probabilities for independent cascade model[C]// International Conference on Knowledge-Based Intelligent Information and Engineering Systems. Springer-Verlag, 2008: 67-75.
[8]	SAITO K , OHARA K , YAMAGISHI Y ,et al. Learning diffusion probability based on node attributes in social networks[C]// Foundations of Intelligent Systems,International Symposium.2011. 2011: 153-162.
[9]	GOMEZ R M , LESKOVEC J , LKOPF B . Structure and dynamics of information pathways in online media[C]// ACM International Conference on Web Search and Data Mining. 2013: 23-32.
[10]	LAGNIER C , DENOYER L , GAUSSIER E ,et al. Predicting information diffusion in social networks using content and user's profiles[J]. Lecture Notes in Computer Science, 2016,7814: 74-85.
[11]	GOMEZ-RODRIGUEZ M , LESKOVEC J , KRAUSE A . Inferring networks of diffusion and Influence[C]// ACM Knowledge Discovery and Data Mining. 2011: 1019-1028.
[12]	SIMMA A , JORDAN M I . Modeling events with cascades of poisson processes[J]. Computer Science Learning, 2012: 546-555.
[13]	BOURIGAULT S , LAGNIER C , LAMPRIER S ,et al. Learning social network embeddings for predicting information diffusion[C]// ACM International Conference on Web Search and Data Mining. 2014: 393-402.
[14]	SAITO K , KIMURA M , OHARA K ,et al. Learning continuous-time information diffusion model for social behavioral data analysis[C]// Asian Conference on Machine Learning:Advances in Machine Learning.Springer-Verlag. 2009: 322-337.
[15]	RODRIGUEZ M G , BALDUZZI D , SCH?LKOPF B . Uncovering the temporal dynamics of diffusion networks[C]// International Conference on Machine Learning. 2011: 561-568.

数据集	用户数	时间段	训练集传播片段	测试集传播片段
Digg	4 916	159	400	100
Flixster	109 816	155	800	200

数据集	模型	MSE	准确率	召回率	ROC曲线面积
	IC	0.684	0.154	0.877	0.492
Digg	Embedded IC	0.705	0.163	0.899	0.515
	NT-II	0.546	0.163	0.900	0.537
	IC	0.764	0.076	0.908	0.478
Flixster	Embedded IC	0.874	0.080	0.954	0.503
	NT- II	0.644	0.079	0.970	0.505

基于用户影响与兴趣的社交网信息传播模型

Social network information diffusion model based on user’s influence and interesting

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 15

相关文章 8

Metrics

推荐阅读 0

[1]	王璿, 张瑜, 周军锋, 陈子阳. 基于社交网络的影响力最大化算法[J]. 通信学报, 2022, 43(8): 151-163.
[2]	郭红伟, 朱策, 杨栩, 罗雷. 基于失真反向传播的时域依赖率失真优化[J]. 通信学报, 2022, 43(12): 222-232.
[3]	陈晶,祁子怡. 基于时序关系的社交网络影响最大化算法研究[J]. 通信学报, 2020, 41(10): 211-221.
[4]	胡正,陈褒丹,任佳,樊雨沛,汪炼. 基于改进SPM的海上NB-IoT覆盖研究[J]. 通信学报, 2019, 40(4): 21-32.
[5]	张伟,王汝传,李鹏. 基于云安全环境的蠕虫传播模型[J]. 通信学报, 2012, 33(4): 17-24.
[6]	刘波,王怀民,肖枫涛,陈新. 面向异构网络环境的蠕虫传播模型Enhanced-AAWP[J]. 通信学报, 2011, 32(12): 103-113.
[7]	刘勇,周翰逊,刘铁,孙东红. 基于CDC的良性蠕虫的离散传播模型[J]. 通信学报, 2007, 28(12): 85-89.
[8]	罗兴睿,姚羽,高福祥. 基于纯P2P原理的蠕虫传播模型的研究[J]. 通信学报, 2006, 27(11A): 53-58.