基于神经网络的社交网络信息传播预测算法研究-软件工程专业论文.docx

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 摘要 在社交网络信息传播预测中，通常构建信息传播预测模型时，节点状态转移方程建立的 因素过于单一，或者预测算法使用不合适，都会导致信息传播预测准确性不够高。为此，本 文将重新构建社交网络信息传播模型，解决上述预测模型的状态转移方程构建问题，并采用 神经网络领域的算法对社交网络信息传播预测进行优化，以提高信息传播预测的准确性。 本文着重研究社交网络混合信息传播模型和社交网络信息传播预测算法，主要工作如下： （1）构建社交网络混合信息传播模型，该模型考虑网络拓扑结构对信息传播的影响，在 信息传播过程中引入用户对信息的感兴趣程度、信息价值、信息热度等因素，建立用户节点 状态转换函数。实验表明，上述混合信息传播模型可以很好的反映真实传播规律。 （2）提出基于粒子群算法优化的 BP 神经网络信息（BPNN）传播预测算法，利用局部 粒子群算法解决 BP 神经网络收敛速度慢、易陷入局部极小值等问题，将 BP 神经网络的误差 结果作为粒子群算法适应度函数求解依据，修改 BPNN 中的权值和阈值，建立粒子群算法优 化后的 BPNN 预测模型。实验表明，该算法比 ARIMA 优化的 BP 神经网络以及全局粒子群 算法优化的 BP 神经网络在信息传播预测上准确度都高。 （3）提出基于 LSTM 递归神经网络的社交网络信息传播预测算法，建立基于 LSTM 的 社交网络信息传播模型框架，设计信息传播预测算法，利用某网站的数据构建合适的 LSTM 信息传播预测模型，对该网站博客帖子的传播过程进行预测。实验结果表明，上述 LSTM 算 法在信息预测的准确性优于基于递归神经网络的算法和基于卷积神经网络的算法。 关键词：社交网络，传播预测，神经网络，反向传播（BP），长短时记忆（LSTM） I Abstract In the process of social network information propagation prediction, when usually constructing the message propagation prediction model, the simple factors of establishing the node state transition equations or the inappropriate uses of prediction algorithms can lead to the propagation of information forecasting accuracy low. Therefore, this thesis will reconstruct the social network information propagation model, solve the construction problems of the state transition equation of the prediction model, use the neural network algorithms to optimize the social network information propagation prediction, and improve the information propagation accuracy. This thesis focuses on the social network hybrid information propagation model and social network information propagation prediction alg