張睿 張喻曦

【摘要】對于網(wǎng)絡(luò)輿情研究中的微博預(yù)測問題，目前的主要方法是根據(jù)微博文本特征以及早期傳播特征來進(jìn)行預(yù)測，這種預(yù)測忽略了用戶之間的相互關(guān)系以及用戶喜好，因此導(dǎo)致預(yù)測微博熱度時(shí)準(zhǔn)確性不高。本文提出了一種基于用戶關(guān)系、用戶興趣和早期傳播數(shù)據(jù)的轉(zhuǎn)發(fā)預(yù)測模型，首先利用TF-IDF與LDA主題模型計(jì)算參與互動(dòng)用戶興趣與微博文本的相似度，再利用PageRank算法衡量博主影響力，將模型分別應(yīng)用于邏輯回歸、支持向量機(jī)和隨機(jī)森林來預(yù)測微博的流行度。結(jié)果表明，該方法能有效提高微博預(yù)測的準(zhǔn)確率。

【關(guān)鍵詞】新浪微博 LDA 模型 興趣 影響力

1.引言

新浪微博2019年第三季度財(cái)報(bào)顯示，截至2019年第三季度，新浪微博月活動(dòng)活躍用戶達(dá)4.97億，比去年同期增長了5100萬，其中約94%為移動(dòng)端用戶。相較傳統(tǒng)媒體，微博是以發(fā)布、閱讀、轉(zhuǎn)發(fā)、再閱讀這種不斷迭代的方式進(jìn)行傳播的，傳播速度更快。相對普通微博，熱門微博傳播更為迅速，影響力更大，因此微博預(yù)測研究對于網(wǎng)絡(luò)輿情監(jiān)測、企業(yè)營銷等方面具有重大意義。

目前，對于微博流行度預(yù)測共分為兩個(gè)方向：一類是基于微博文本進(jìn)行研究，另一類是針對微博傳播過程進(jìn)行研究。文本分析通過對于微博文本提取特征進(jìn)行預(yù)測，主要分為基于微博文本內(nèi)容和基于微博情感兩種。鄭斐然等人通過檢索微博中出現(xiàn)的關(guān)鍵字，并考慮詞頻和增長速度等相關(guān)因素，進(jìn)行聚類從而找到新聞話題。鄧丹君等人利用微博中的話題標(biāo)簽建立一種微博標(biāo)簽的LDA模型，提高了微博主題提取的準(zhǔn)確度。Phuvipadawat等人通過對于微博文本特征進(jìn)行分析，提出一種應(yīng)用于Twitter的突發(fā)新聞檢測、排列及跟蹤算法。Wu等人分析了Twitter上面消息的感情傾向與流行度的關(guān)系，發(fā)現(xiàn)轉(zhuǎn)發(fā)率與負(fù)面情緒呈正相關(guān)，與正面情緒關(guān)系較小。但以上方法只能對于已有的熱門微博進(jìn)行分析，對于未出現(xiàn)過的詞語、情感傾向等預(yù)測準(zhǔn)確率較低。

對于微博傳播過程的研究包括微博傳播路徑、博主影響力、粉絲活躍度等因素的研究。Unankard等人提出了一種基于地理空間信息的熱點(diǎn)事件檢測方法，但該方法基于用戶的位置信息，在用戶不允許分享位置時(shí)容易失去效用。Liu Gongshen等人提出一種用戶對微博轉(zhuǎn)發(fā)的影響力的量化算法，根據(jù)微博博主的特征來預(yù)測一條微博是否會引起大轉(zhuǎn)發(fā)量，從而進(jìn)行提前預(yù)警。朱海龍等人基于微博早起傳播數(shù)據(jù)，提出了傳播加速度的概念并建立微博預(yù)測算法，并根據(jù)微博用戶活動(dòng)周期性來優(yōu)化模型。陳鵬飛提出了基于內(nèi)容興趣特征和用戶影響力的轉(zhuǎn)發(fā)預(yù)測模型，利用LDA模型提取微博內(nèi)容興趣特征，利用PageRank算法衡量用戶影響力，準(zhǔn)確率可達(dá)85%。但是同一博主發(fā)表的不同微博流行度有較大差異，且博主的影響力隨時(shí)間變化幅度較大，因此根據(jù)博主影響力預(yù)測微博流行度有一定的局限性。

本文針對以上不足，提出一種基于用戶之間相互關(guān)系以及用戶喜好特征的微博流行度預(yù)測算法，從博主與轉(zhuǎn)發(fā)者的用戶關(guān)系以及微博內(nèi)容與用戶喜好匹配程度這兩個(gè)方面對微博流行度影響因素進(jìn)行研究，并利用邏輯回歸、支持向量機(jī)、隨機(jī)森林算法建立模型，從而實(shí)現(xiàn)對于微博流行度的預(yù)測。

2.主要結(jié)果

TD-IDF算法

TF-IDF是信息檢索領(lǐng)域的加權(quán)技術(shù)，通常用來評估一個(gè)詞語對于一個(gè)文本集的重要性。若某個(gè)詞語在一篇文本中出現(xiàn)的頻率（TF）高，而在其他文本中很少出現(xiàn)（IDF高），則認(rèn)為這個(gè)詞語對于文章具有代表性，可以用來分類。TF-IDF是詞頻（TF）與逆文檔頻率（IDF）的乘積，其公式表示為：

N為文本總數(shù)，n（w）為包含特征詞w的文本數(shù)。

本文中，N為用戶總數(shù)，n（w）為參與話題w的用戶數(shù)，TF（w）為話題w在某一用戶發(fā)表微博的所有話題中的出現(xiàn)頻率，并以此來建立單個(gè)用戶的興趣特征向量。

2.2 LDA模型

2.2.ILDA模型的主要思想

LDA是由文檔一主題一詞語構(gòu)成的概率模型，是一種對文本主題建模的方法。LDA主題模型假設(shè)文檔中存在多個(gè)可能的主題，這些主題中又存在著若干個(gè)特征詞，文檔以一定概率選擇某個(gè)隱含主題，隱含主題以一定概率選擇特征詞。

當(dāng)M有篇文檔，K個(gè)主題，N個(gè)特征詞，在一篇文檔i中的第wi個(gè)特征詞的概率表示為

2.2.2微博文本話題特征

由于單條微博字?jǐn)?shù)較少利用傳統(tǒng)的LDA主題模型會出現(xiàn)高維稀疏，因此我們結(jié)合微博特殊符號“//”和“#”，來改進(jìn)傳統(tǒng)的LDA模型。

“//”符號表示轉(zhuǎn)發(fā)并同時(shí)評論，具體格式為：轉(zhuǎn)發(fā)評論內(nèi)容//@源微博博主：源微博。此時(shí)源微博更大程度上反映了其主題，因此源微博內(nèi)容進(jìn)行主題提取。

“#”符號表示微博話題，“#”與“#”之間是所發(fā)布的微博所屬話題。此時(shí)以微博所屬話題代表微博主題

此外，微博評論內(nèi)容與微博主題密切相關(guān)。因此將評論內(nèi)容與微博原文共同分析，設(shè)置影響系數(shù)衡量評論對于主題的影響程度。

2.2.3微博標(biāo)簽LDA主題模型的構(gòu)建

微博在互動(dòng)時(shí)會產(chǎn)生專屬符號：“@”、“//”和“#”以及微博可回復(fù)他人評論，可以借此分析微博主題。可設(shè)置參數(shù)λd其對應(yīng)取值代表微博文本d中是否含有“@”、“//”或“#”符號。若微博文本d中出現(xiàn)“#”符號，則θd=0，由“#”符號確定的微博話題θs。為微博主題;若微博文本d中出現(xiàn)“//”符號，則θd=1，源微博主題θr是該微博的主題θd;如果微博文本d中未出現(xiàn)上述符號，則θd=2，該條微博Od的主題由該微博文本內(nèi)容決定：若微博文本d為回復(fù)他人評論的微博，則θd=3，該微博的主題θd由該微博內(nèi)容和被回復(fù)的微博的主題共同決定。主題分布公式如下：

2.3 余弦相似度

余弦相似性通過計(jì)算兩個(gè)向量夾角的余弦值來其相似程度，其夾角的余弦值一般被稱作為余弦相似度。向量的長度不會影響余弦相似度數(shù)值的大小，余弦相似度僅取決于向量的方向，因此可以度量兩個(gè)不同長度的向量的相似性，常用于文本信息的比較。余弦相似度具體公式如下：