一种基于RNN的社交消息爆发预测模型

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