本發(fā)明屬于社交網(wǎng)絡(luò)分析領(lǐng)域，具體涉及一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法。

背景技術(shù)：

1、引導(dǎo)性話題的檢測變得尤為重要，它涉及到如何準(zhǔn)確地識(shí)別和跟蹤那些具有引導(dǎo)輿論潛力的關(guān)鍵話題。

2、近年來，大批學(xué)者在社交網(wǎng)絡(luò)領(lǐng)域進(jìn)行研究并取得了相當(dāng)?shù)某删汀Ｔ谝酝鶎χ{言檢測的研究中，通過觀察引導(dǎo)型話題傳播過程中的用戶的文本特征以及用戶特征在時(shí)間軸上的變化趨勢進(jìn)行檢測。并沒有考慮話題中群體結(jié)構(gòu)特征和情感特征變化對引導(dǎo)型話題檢測中的影響。因此，針對引導(dǎo)型話題空間中的群體特征的變化開展研究，能夠更高效的實(shí)現(xiàn)對引導(dǎo)型話題的檢測。

3、隨著社交網(wǎng)絡(luò)數(shù)據(jù)量的不斷擴(kuò)大和深度學(xué)習(xí)技術(shù)的逐漸成熟，神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等非線性模型逐步成為分析復(fù)雜網(wǎng)絡(luò)的主流選擇。choi等人(choi?j,ko?t,choi?y,etal.dynamic?graph?convolutional?networks?with?attention?mechanism?for?rumordetection?on?social?media[j].plos?one,2021,16(8):e0256039.)提出一種基于注意力機(jī)制的動(dòng)態(tài)圖卷積網(wǎng)絡(luò)模型dygcn進(jìn)行謠言檢測，有效地將謠言的內(nèi)容與傳播結(jié)構(gòu)結(jié)合在一起提取特征，同時(shí)也捕捉到了謠言傳播的動(dòng)態(tài)信息。該論文說明了利用話題的內(nèi)容特征和傳播結(jié)構(gòu)可以有效地對引導(dǎo)型話題進(jìn)行檢測，受該篇論文和群體劃分算法的啟發(fā)，本發(fā)明提出一種基于群體特征的引導(dǎo)型話題檢測方法，將群體的情感特征和結(jié)構(gòu)特征結(jié)合起來，通過gru網(wǎng)絡(luò)捕獲話題演化過程中群體特征的變化進(jìn)而檢測引導(dǎo)型話題。

4、綜上所述，現(xiàn)有技術(shù)中存在以下問題：

5、問題1：引導(dǎo)型話題群體的隱蔽性。由于用戶的興趣和偏好具有獨(dú)特性，以及用戶的個(gè)人的隱性偏好和情感等多種因素的影響，引導(dǎo)型話題群體一般具有隱蔽性。

6、問題2：引導(dǎo)性話題群體特征的動(dòng)態(tài)性，由于話題演化過程中用戶所屬群體不斷變化，引導(dǎo)型話題群體特征一般具有動(dòng)態(tài)性。

7、問題3：引導(dǎo)性話題群體興趣量化問題。話題參與群體的情感傾向是解決引導(dǎo)型話題檢測問題的核心。因此量化細(xì)粒度的用戶情感傾向，進(jìn)而得到各時(shí)刻的群體興趣傾向?qū)τ诶胓ru網(wǎng)絡(luò)進(jìn)行檢測引導(dǎo)型話題顯得尤為重要。

技術(shù)實(shí)現(xiàn)思路

1、為了解決背景技術(shù)中存在的問題，本發(fā)明提供一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法，具體包括以下步驟：

2、s1：利用公開的數(shù)據(jù)集網(wǎng)站或社交網(wǎng)絡(luò)提供的api接口，全面收集話題數(shù)據(jù)，話題數(shù)據(jù)包括用戶評論、詳細(xì)的用戶信息數(shù)據(jù)以及用戶之間的交互關(guān)系；

3、s2：從話題數(shù)據(jù)中提取相關(guān)屬性，相關(guān)屬性包括話題傳播網(wǎng)絡(luò)、用戶基礎(chǔ)屬性、用戶交互度、內(nèi)部驅(qū)動(dòng)因素和外部驅(qū)動(dòng)因素；

4、s3：采用基于用戶交互度與用戶屬性相似性的louvain隱性社群挖掘方法，更新話題傳播網(wǎng)絡(luò)的加權(quán)鄰接矩陣，得到各時(shí)刻話題的用戶群體集合；

5、s4：采用ig2vec表示學(xué)習(xí)算法進(jìn)行從話題爆發(fā)階段開始各時(shí)刻的用戶特征表示；

6、s5：根據(jù)基于博弈理論得到的情感互影響力模型量化情感互影響力，通過情感互影響力對用戶的情感進(jìn)行修正，挖掘出用戶的真實(shí)情感，進(jìn)而根據(jù)群體劃分的結(jié)果得到話題群體的情感特征表示；

7、s6：通過gru網(wǎng)絡(luò)捕捉各時(shí)刻融合后的話題群體特征的變化，通過全連接層后利用softmax函數(shù)將輸出轉(zhuǎn)換為兩個(gè)類別的概率值，將兩個(gè)類別的最大概率值對應(yīng)的類別作為預(yù)測結(jié)果。

8、在話題爆發(fā)期間，網(wǎng)絡(luò)中的用戶數(shù)量激增，如何高效地對用戶群體進(jìn)行劃分以檢測引導(dǎo)型話題，成為了一個(gè)亟待解決的問題。本發(fā)明至少具有以下有益效果：

9、1、本發(fā)明提出了一種基于用戶交互度與用戶屬性相似性的louvain隱性社群挖掘方法，該方法通過更新加權(quán)鄰接矩陣，能夠更全面地評估節(jié)點(diǎn)間的連接強(qiáng)度和屬性相似性，從而實(shí)現(xiàn)更為精確的群體劃分，顯著提升了話題檢測的效率與準(zhǔn)確性。

10、2、在話題傳播的過程中，用戶、消息、網(wǎng)絡(luò)等實(shí)體間存在著復(fù)雜多變的關(guān)系，這給特征的提取與簡化帶來了挑戰(zhàn)。為了有效應(yīng)對這一挑戰(zhàn)，本發(fā)明創(chuàng)新性地提出了一種基于前驅(qū)話題表示的話題迭代表示方法(it2vec)。該方法充分考慮了當(dāng)前話題與前驅(qū)話題之間的聯(lián)系與差異，將衍生話題的特征空間低秩矢量化，極大地豐富了話題的特征表達(dá)，為話題的檢測與分析提供了有力的支持。

11、3、此外，針對群體興趣的量化問題，本發(fā)明引入了博弈理論和多元線性回歸算法，構(gòu)建了一個(gè)群體興趣矩陣，并將其融入話題特征中。這一創(chuàng)新方法不僅實(shí)現(xiàn)了對群體興趣的精準(zhǔn)量化，還提高了話題分析的深度與廣度；同時(shí)，考慮到話題傳播周期的時(shí)效性，本發(fā)明對話題數(shù)據(jù)進(jìn)行了時(shí)間切片處理，進(jìn)一步提出了引導(dǎo)型話題模型，為話題的實(shí)時(shí)監(jiān)測與預(yù)警提供了有力的技術(shù)支撐。

技術(shù)特征：

1.一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法，其特征在于，具體包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法，其特征在于，更新話題傳播網(wǎng)絡(luò)的加權(quán)鄰接矩陣的過程包括以下步驟：

3.根據(jù)權(quán)利要求2所述的一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法，其特征在于，采用基于用戶交互度與用戶屬性相似性的louvain隱性社群挖掘方法得到各時(shí)刻話題的用戶群體集合的過程包括：

4.根據(jù)權(quán)利要求2所述的一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法，其特征在于，在話題的演化過程中時(shí)刻t用戶i與用戶j之間的交互程度userinteract(ui,uj,t)表示為：

5.根據(jù)權(quán)利要求1所述的一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法，其特征在于，獲取t時(shí)刻的話題群體的低秩矢量化特征表示的過程包括以下步驟：

6.根據(jù)權(quán)利要求5所述的一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法，其特征在于，進(jìn)行隨機(jī)游走的過程中，從用戶i游走到用戶j的概率表示為：

7.根據(jù)權(quán)利要求5所述的一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法，其特征在于，每個(gè)用戶節(jié)點(diǎn)的向量表示根據(jù)當(dāng)前用戶嵌入向量與前一時(shí)刻的用戶嵌入向量基于打分函數(shù)和softmax函數(shù)進(jìn)行更新，更新過程包括：

8.根據(jù)權(quán)利要求1所述的一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法，其特征在于，根據(jù)基于博弈理論得到的情感互影響力模型量化用戶情感，量化的積極情感影響力、消極情感影響力以及無情感傾向影響力分別表示為：

9.根據(jù)權(quán)利要求8所述的一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法，其特征在于，t時(shí)刻用戶i的積極、消極以及無情感影響力函數(shù)分別表示為：

10.根據(jù)權(quán)利要求5所述的一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法，其特征在于，t時(shí)刻用戶i基于用戶評論的文本特征的情感傾向?yàn)閜的內(nèi)部驅(qū)動(dòng)因素、外部驅(qū)動(dòng)因素分別表示為：

技術(shù)總結(jié)
本發(fā)明屬于社交網(wǎng)絡(luò)分析領(lǐng)域，具體涉及一種基于動(dòng)態(tài)群體特征的引導(dǎo)型話題檢測方法，包括從話題數(shù)據(jù)中提取相關(guān)屬性，相關(guān)屬性包括話題傳播網(wǎng)絡(luò)、用戶基礎(chǔ)屬性、用戶交互度、內(nèi)部驅(qū)動(dòng)因素和外部驅(qū)動(dòng)因素；采用基于用戶交互度與用戶屬性相似性的Louvain隱性社群挖掘方法得到各時(shí)刻話題的用戶群體集合；采用IG2vec表示學(xué)習(xí)算法進(jìn)行從話題爆發(fā)階段開始各時(shí)刻的用戶特征表示；基于博弈理論得到的情感互影響力模型量化情感互影響力，通過情感互影響力對用戶的情感進(jìn)行修正得到話題群體的情感特征表示；通過GRU網(wǎng)絡(luò)捕捉各時(shí)刻融合后的話題群體特征的變化，通過全連接層、Softmax函數(shù)得到預(yù)測結(jié)果；本發(fā)明能夠有效識(shí)別引導(dǎo)型話題。

技術(shù)研發(fā)人員：張功國,張孟齊,王蓉,賈朝龍,李茜,段思睿,李暾,肖云鵬
受保護(hù)的技術(shù)使用者：重慶郵電大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21