基于改进人口模型的微博话题趋势预测

doi:10.11959/j.issn.1000-436x.2015094

通信学报 ›› 2015, Vol. 36 ›› Issue (4): 1-8.doi: 10.11959/j.issn.1000-436x.2015094

• 学术论文 • 下一篇

基于改进人口模型的微博话题趋势预测

何炎祥^1,²,刘健博^1,²,刘楠³,彭敏^1,²,陈强^1,²,何静⁴

¹ 武汉大学计算机学院，湖北武汉 430072
² 武汉大学软件工程国家重点实验室，湖北武汉 430072
³ 军事经济学院军需系，湖北武汉430035
⁴ 肯尼索州立大学，美国30144

出版日期:2015-04-25 发布日期:2015-04-15
基金资助:
国家自然科学基金资助项目;国家自然科学基金资助项目;国家自然科学基金青年基金资助项目;武汉市科技攻关基金资助项目

Based on improved malthusian model microblogging topic trend forecast

Yan-xiang HE^1,²,Jian-bo LIU^1,²,Nan LIU³,Min PENG^1,²,Qiang CHEN^1,²,Jing HE⁴

¹ Computer School，Wuhan University，Wuhan 430072，China
² State Key Lab of Software Engineering，Wuhan University，Wuhan 430072，China
³ Department of Quartermaster，Military Economic Academy，Wuhan 430035，China
⁴ Kennesaw State University，USA 30144

Online:2015-04-25 Published:2015-04-15
Supported by:
The National Natural Science Foundation of China;The National Natural Science Foundation of China;The National Science Foundation for Young Scholars of China;Key Technologies R&D Program of Wuhan

摘要/Abstract

摘要：

趋势预测问题是当前社会计算中的研究热点，但微博平台的话题趋势预测还处在探索阶段。在分析、抽取和定义事件趋势的影响因素的基础上，改进了人口模型使其适用于微博趋势预测，然后将改进的人口模型映射在神经网络上，并利用遗传优化的神经网络对事件的趋势进行预测。实验证明，该方法对于预测网络中长期酝酿的事件发展趋势效果明显，能够有效地预测事件的爆发点和发帖量，而且适用于小样本预测问题。

关键词: 社会计算, 趋势预测, 神经网络, 人口模型, 社交网络

Abstract:

Although trend forecasting problem is the research focus of social computing，yet the topic trend forecast of micro logging platform is still at the exploratory stage.Based on the analyzing，extracting and defining the influencing factors of the trends of event，the improved Malthus model，which is more applicable to solve microblogging topic trend forecast problem is presented.Then the model is mapped to the neural network，and the genetic algorithms are used to predict the trend of events.Experiments show that this method can predict the trend of long-term events in the social network with good results，and can predict the outbreak point and posting volume effectively.It is worth nothing that the method is also suitable for small sample forecasting problems.

Key words: social computing, trend forecasting, neural network, malthus model, social networks

何炎祥,刘健博,刘楠,彭敏,陈强,何静. 基于改进人口模型的微博话题趋势预测[J]. 通信学报, 2015, 36(4): 1-8.

Yan-xiang HE,Jian-bo LIU,Nan LIU,Min PENG,Qiang CHEN,Jing HE. Based on improved malthusian model microblogging topic trend forecast[J]. Journal on Communications, 2015, 36(4): 1-8.

图/表 8

图1

图2

表1

图3

表2

图4

图

表3

参考文献 13

[1]	Six degrees of separation[EB/OL] ， 2015.
[2]	倪允琪，周秀骥 . 中国长江中下游梅雨锋暴雨形成机理以及监测与预测理论和方法研究[J]. 气象学报， 2004，62(5): 647-662. NI Y Q ， ZHOU X J . Study for formation mechanism of heavy rainfall within the meiyu front along the middle and downstream of yangtze river and theories and methods of their detection and prediction[J]. Acta Meteorologica Sinica， 2004，62(5): 647-662.
[3]	张志华，陈乾安，吕丽红，等. 浙江东南沿海地区幽门螺杆菌的耐药趋势预测[J]. 中华消化内镜杂志， 2013，30(6): 328-331. ZHANG Z H ， CHEN Q A ， LV L H ，et al. Prediction of drug resistance trend of helicobacter pylori in southeast coastal area of Zhejiang province[J]. Chinese Journal of Digestive Endoscopy， 2013，30(6): 328-331.
[4]	陈淑燕，王炜 . 交通量的灰色神经网络预测方法[J]. 东南大学学报:自然科学版， 2004，34(4): 541-544. CHEN S Y ， WANG W . Grey neural network forecasting for traffic flow[J]. Journal of Southeast University(Natural Science Edition)， 2004，34(4): 541-544.
[5]	温祥西，孟相如，马志强，等. 小时间尺度网络流量混沌性分析及趋势预测[J]. 电子学报， 2012，40(8): 1609-1616. WEN X X ， MENG X R ， MA Z Q ，et al. The chaotic analysis and trend prediction on small-time scale network traffic[J]. Acta Electronica Sinica， 2012，40(8): 1609-1616.
[6]	钱爱玲，瞿彬彬，卢炎生，等. 多时间序列关联规则分析的论坛舆情趋势预测[J]. 南京航空航天大学学报， 2013，44(6): 904-910. QIAN A L ， QU B B ， LU Y S ，et al. Forum sentiment trend prediction based on multi time series association rule analysis[J]. Journal of Nanjing University of Aeronautics and Astronautics，, 2013, 44(6): 904-910. 2013，44(6): 904-910.
[7]	高辉，王沙沙，傅彦 . Web 舆情的长期趋势预测方法[J]. 电子科技大学学报， 2011，40(3): 440-445. GAO H ， WANG S S ， FU Y . Prediction model for long-term development trend of Web sentiment[J]. Journal of University of Electronic Science And Technology of China， 2011，40(3): 440-445.
[8]	JOHAN B ， MAO H N ， ZENG X J . Twitter mood predicts the stock market[J]. Journal of Computational Science， 2011，2(1): 1-8.
[9]	SITARAM A ， BERNARDO A H ， GABOR S W . Trends in social media:persistence and decay[A]. ICWSM 2011[C]. 2011. 8.
[10]	MALTHUS T R . 人口论[M]. 北京: 北京大学出版社， 2008. MALTHUS T R . Population Theory (hardcover)[M]. Beijing: Peking University PressPress， 2008.
[11]	DAVID E R ， G E H ， RONALD J W . Learning representations by back-propagating errors[J]. Nature， 1986，323(6088): 533-536.
[12]	RICCARDO P ， WILLIAM B L ， NICHOLAS F M ， et al. Six degrees of separation[EB/OL] ， 2008.
[13]	KLAUS-ROBERT M ， ALEX J ， SMOLA G R ，et al. Predicting time series with support vector machines[A]. ICANN[C]. 1997. 999-1004.

话题编号	话题名称	开始时间	结束时间	持续时间/天	发帖量	爆发时间
1	2013年两会	3月2日	3月14日	12	73 310	3月6日
2	H7N9流感	3月31日	4月13日	13	78 813	4月8日
3	北京雾霾天气	1月5日	1月20日	15	32 600	1月17日
4	国五条颁布	3月1日	3月30日	29	26 509	3月29日
5	黄浦江死猪事件	3月5日	3月23日	18	19 279	3月13日
6	撒切尔夫人去世	4月8日	4月21日	20	20 418	4月9日
7	雅安地震	4月20日	5月4日	15	101 967	4月24日

话题编号	训练集时间段	测试集时间段
1	3月2日～3月4日	3月5日～3月9日
2	3月31日～4月5日	4月6日～4月10日
3	1月5日～1月14日	1月15日～1月19日
4	3月1日～3月25日	3月26日～3月30日
5	3月5日～3月10日	3月11日～3月15日
6	4月1日～4月1日	4月2日～4月6日
7	4月20日～4月22日	4月23～4月27日

事件编号	平均误差率
1	0.215
2	0.139
3	0.211
4	0.864
5	0.149
6	—
7	0.075

[1]	陈晋音, 熊海洋, 马浩男, 郑雅羽. 基于对比学习的图神经网络后门攻击防御方法[J]. 通信学报, 2023, 44(4): 154-166.
[2]	李建锋, 刘哲宇, 荣洋, 李展, 廖柏林, 屈林曦, 刘志杰, 林琨煌. 用于线性噪声时变凸二次规划的归零神经网络[J]. 通信学报, 2023, 44(4): 226-233.
[3]	林云, 徐怀韬, 王森, 张思成, 庄龙. 基于特征融合的通信语音干扰效果客观评估[J]. 通信学报, 2023, 44(3): 105-116.
[4]	杨宏宇, 杨海云, 张良, 成翔. 基于特征依赖图的源代码漏洞检测方法[J]. 通信学报, 2023, 44(1): 103-117.
[5]	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.
[6]	何世文, 袁军, 安振宇, 张敏, 黄永明, 张尧学. 基于图神经网络的联合用户调度与波束成形优化算法[J]. 通信学报, 2022, 43(7): 73-84.
[7]	冷涛, 蔡利君, 于爱民, 朱子元, 马建刚, 李超飞, 牛瑞丞, 孟丹. 基于系统溯源图的威胁发现与取证分析综述[J]. 通信学报, 2022, 43(7): 172-188.
[8]	李昂, 陈建新, 魏昕, 周亮. 面向6G的跨模态信号重建技术[J]. 通信学报, 2022, 43(6): 28-40.
[9]	王晓丹, 李京泰, 宋亚飞. DDAC：面向卷积神经网络图像隐写分析模型的特征提取方法[J]. 通信学报, 2022, 43(5): 68-81.
[10]	廖育荣, 王海宁, 林存宝, 李阳, 方宇强, 倪淑燕. 基于深度学习的光学遥感图像目标检测研究进展[J]. 通信学报, 2022, 43(5): 190-203.
[11]	张帆, 黄赟, 方子茁, 郭威. 卷积神经网络的损失最小训练后参数量化方法[J]. 通信学报, 2022, 43(4): 114-122.
[12]	朱政宇, 侯庚旺, 黄崇文, 孙钢灿, 郝万明, 梁静. 基于并行CNN的RIS辅助D2D保密通信系统资源分配算法[J]. 通信学报, 2022, 43(3): 172-179.
[13]	霍俊彦, 王丹妮, 马彦卓, 万帅, 杨付正. 基于轻量级全连接网络的H.266/VVC分量间预测[J]. 通信学报, 2022, 43(2): 143-155.
[14]	龙华, 黄张衡, 邵玉斌, 杜庆治, 苏树盟. 基于改进CFCC特征提取的语种识别算法研究[J]. 通信学报, 2022, 43(12): 211-221.
[15]	彭滔, 钟文韬, 王国军, 罗恩韬, 熊金波, 刘忆宁, Hao Wang. 移动社交网络中面向隐私保护的精确好友匹配[J]. 通信学报, 2022, 43(11): 90-103.

基于改进人口模型的微博话题趋势预测

Based on improved malthusian model microblogging topic trend forecast

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 8

参考文献 13

相关文章 15

Metrics

推荐阅读 0