Indexed by:
Abstract:
针对现有张量影响力模型未能充分考虑用户的时间特征以及在线学习等问题,提出了一种融合时间特征的社交媒介用户影响力分析方法.该方法首先将用户观点、活跃度、网络中心度等特征加入张量模型中,并将张量分解过程中的用户潜在特征矩阵加入时间特征约束;其次,采用随机梯度下降的方法进行张量的分解;最后,通过融合不同张量片的影响力信息得到用户影响力得分.该方法的优点是能够快速分解张量并准确预测特定话题领域下的用户社会影响力,同时能够在已有模型参数的基础上进行新数据的在线训练.实验结果表明,与现有TwitterRank、OOLAM、受限非负张量分解模型等相比,该方法在平均预测准确率上提升了2%~6%.同时,该方法的时间消耗仅为受限非负张量分解模型的30%~50%.
Keyword:
Reprint 's Address:
Email:
Version:
Source :
山东大学学报(理学版)
ISSN: 1671-9352
CN: 37-1389/N
Year: 2018
Issue: 3
Volume: 53
Page: 1-12
Cited Count:
SCOPUS Cited Count:
ESI Highly Cited Papers on the List: 0 Unfold All
WanFang Cited Count: -1
Chinese Cited Count:
30 Days PV: 8
Affiliated Colleges: