应用矩阵填充的微博预测模型
发布时间：2018-11-21 19:56
【摘要】：以微博为代表的社会媒体影响力越来越广泛深远.为有效预测微博热点并进行导控,首先批量获取经中文分词处理后的数据,以用户转发、评论、点赞次数为代表做数据预处理,通过相似度比较选出最佳微博填充矩阵模型.其次通过多种回归分析的比较与实践,用逐步回归法确定微博热点影响因子,进而用多元回归预测模型建立预测模型方程,计算精确度、准确率、召回率,并确定阈值.实验证明该预测模型能够保持较好的准确率,并可通过选择合适的阈值,进一步提升精确度.
[Abstract]:The social media influence represented by Weibo is more and more extensive and profound. In order to effectively predict Weibo hot spot and guide control, the data processed by Chinese word segmentation were obtained in batches first, then the data was preprocessed by user forwarding, comment and praise times, and then the optimal Weibo filling matrix model was selected through similarity comparison. Secondly, through the comparison and practice of multiple regression analysis, the influence factors of Weibo hot spot are determined by stepwise regression method, and then the prediction model equation is established by multivariate regression prediction model. The accuracy, recall rate and threshold value are determined. Experiments show that the prediction model can maintain a good accuracy, and can further improve the accuracy by selecting the appropriate threshold.
【作者单位】： 韶关学院教育技术系;广西师范大学数学与统计学院;韶关学院信息科学与工程学院;
【基金】：教育部人文社会科学研究资助项目(13YJCZH144) 广东省哲学社会科学规划项目GD13CJY07) 广东省攀登计划项目(pdjh2015a0471)
【分类号】：G206;TP393.092
本文编号：2348113
[Abstract]:The social media influence represented by Weibo is more and more extensive and profound. In order to effectively predict Weibo hot spot and guide control, the data processed by Chinese word segmentation were obtained in batches first, then the data was preprocessed by user forwarding, comment and praise times, and then the optimal Weibo filling matrix model was selected through similarity comparison. Secondly, through the comparison and practice of multiple regression analysis, the influence factors of Weibo hot spot are determined by stepwise regression method, and then the prediction model equation is established by multivariate regression prediction model. The accuracy, recall rate and threshold value are determined. Experiments show that the prediction model can maintain a good accuracy, and can further improve the accuracy by selecting the appropriate threshold.
【作者单位】： 韶关学院教育技术系;广西师范大学数学与统计学院;韶关学院信息科学与工程学院;
【基金】：教育部人文社会科学研究资助项目(13YJCZH144) 广东省哲学社会科学规划项目GD13CJY07) 广东省攀登计划项目(pdjh2015a0471)
【分类号】：G206;TP393.092
【相似文献】
相关期刊论文 前10条
1 叶海琴;孟彩霞;;预测模型推荐方法研究[J];福建电脑;2009年09期
2 邢永康,马少平;多Markov链用户浏览预测模型[J];计算机学报;2003年11期
3 刘雨;;基于聚类的Markov预测模型的改进[J];河南财政税务高等专科学校学报;2009年02期
4 陈子军;乔良;王鑫昱;;基于动态分类的Markov用户浏览预测模型[J];计算机工程;2008年21期
5 朱海涛;王立梅;;预测模型在入侵检测中的应用研究[J];中国科技信息;2008年12期
6 陈丹伟;许海峰;;基于RDP屏幕更新预测模型的研究[J];计算机技术与发展;2014年01期
7 刘爱贵;陈刚;;一种基于用户的LNS文件预测模型[J];计算机工程与应用;2007年29期
8 韩真,曹新平;TOP-N选择Markov预测模型[J];计算机应用;2005年03期
9 张岳;裴云霞;;基于Zipf定律的PPM预测模型[J];科技信息(科学教研);2007年30期
10 苏中,马少平,杨强,张宏江;基于Web-Log Mining的N元预测模型[J];软件学报;2002年01期
相关硕士学位论文 前2条
1 刘洋;基于活动规律的位置预测研究[D];华中科技大学;2015年
2 刘刚;社交媒体中微博转发的预测模型研究[D];北京邮电大学;2015年
，本文编号：2348113
本文链接：https://www.wllwen.com/xinwenchuanbolunwen/2348113.html
