一种基于RNN的社交消息爆发预测模型

来源：软件学报杂志2017年第11期北京时间：

作者：笱程成,秦宇君,田甜,伍大勇,刘悦,程学旗

单位：笱程成，中国科学院 网络数据科学与技术重点实验室(中国科学院计算技术研究所), 北京 100190;中国科学院大学, 北京 10004911,秦宇君，中国科学院 网络数据科学与技术重点实验室(中国科学院计算技术研究所), 北京 100190;中国科学院大学, 北京 10004902,田甜，中国人民解放军61755部队, 北京 10085703,伍大勇，中国科学院 网络数据科学与技术重点实验室(中国科学院计算技术研究所), 北京 10019004,刘悦，中国科学院 网络数据科学与技术重点实验室(中国科学院计算技术研究所), 北京 10019005,程学旗，中国科学院 网络数据科学与技术重点实验室(中国科学院计算技术研究所), 北京 10019006

摘要：社交网络中，消息的爆发预测属于社交网络流行动态分析的范畴，是社会计算领域的研究热点之一.通过利用基于深度循环神经网络对社交消息的传播过程进行建模，提出了SMOP（social messages outbreak prediction model based on recurrent neural network）模型.与传统的基于机器学习的模型相比，SMOP直接对消息转发的到达过程进行建模，避免了传统方法中繁琐的特征工程；与基于点随机过程的模型相比，SMOP可以自动学习消息传播过程的速率函数，不需要手动定义消息传播速率的特征函数，具有较强的数据场景适应性.另外，SMOP采用了时间向量和用户向量的输入表示方法，将时间的周期性和用户的兴趣偏好建模到传播过程之中，提升了SMOP的预测效果.在Twitter和新浪微博数据集上的实验结果均表明，SMOP具有优良的数据适应能力，可以在消息传播的早期（0.5h），以较高的F1值预测某条社交消息是否爆发，验证了模型的有效性.

关键词：循环神经网络;点随机过程;爆发预测;机器学习;社交网络

基金资助：国家重点基础研究发展计划（973）（2012CB316303，2014CB340401）；国家高技术研究发展计划（863）（2015AA015803，2014AA015204）；中国科学院重点部署项目（KGZD-EW-T03-2）；国家自然科学基金（61232010，61572473，61303156，61502447）；国家242信息安全计划（2015F028）；山东省自主创新及成果转化专项（2014CGZH1103）；欧盟第七科技框架计划（FP7）（PIRSES-GA-2012-318939