本發(fā)明涉及社交網(wǎng)絡(luò)分析領(lǐng)域，涉及在線社交網(wǎng)絡(luò)信息傳播的建模，揭示了熱點(diǎn)話題的傳播內(nèi)在規(guī)律及趨勢(shì)。

背景技術(shù)：

隨著信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展，特別是近幾年移動(dòng)終端的快速普及，以臉書,推特，微信，微博為代表的在線社交網(wǎng)絡(luò)軟件越來越成為人們?nèi)粘Ｉ畹闹匾ぞ?。在線社交網(wǎng)絡(luò)的蓬勃發(fā)展和活躍用戶的急劇增長(zhǎng)、使得擁有社交性、信息共享性等多種屬性的在線社會(huì)網(wǎng)絡(luò)迅速成為人們信息傳播、輿論管制、商品營(yíng)銷、觀點(diǎn)表達(dá)、產(chǎn)生社會(huì)影響力的理想平臺(tái)，吸引了越來越多的高校及企業(yè)研究機(jī)構(gòu)的關(guān)注。

目前國(guó)內(nèi)外在信息傳播領(lǐng)域的研究多是從三個(gè)角度出發(fā)的，第一種是基于復(fù)雜網(wǎng)絡(luò)的信息傳播研究，主要以傳染病動(dòng)力學(xué)應(yīng)用最為廣泛；第二種是融入用戶影響力在線社交網(wǎng)絡(luò)信息傳播研究，從用戶差異性角度探索信息傳播演化過程，其中影響力傳播的線性閾值模型和獨(dú)立級(jí)聯(lián)模型得到了廣泛應(yīng)用；第三種是在線社交網(wǎng)絡(luò)信息轉(zhuǎn)發(fā)相關(guān)因素研究，目前主要的轉(zhuǎn)發(fā)預(yù)測(cè)方法是可以分為基于用戶過往行為的預(yù)測(cè)、基于用戶文本興趣的預(yù)測(cè)、基于用戶所受群體影響、基于混合特征學(xué)習(xí)的預(yù)測(cè)。

目前的研究主要集中在網(wǎng)絡(luò)靜態(tài)特征對(duì)信息傳播的影響，但忽視了網(wǎng)絡(luò)的動(dòng)態(tài)特征，如用戶影響力、用戶間的關(guān)注關(guān)系等都在社交網(wǎng)絡(luò)中不斷的變化。因此在網(wǎng)絡(luò)靜態(tài)特征的基礎(chǔ)上，充分考慮用戶行為等動(dòng)態(tài)特性，更加真實(shí)的揭示信息傳播的內(nèi)在規(guī)律。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在解決以上現(xiàn)有技術(shù)的問題，從新的角度提出一種基于在線社交網(wǎng)絡(luò)的信息傳播模型及方法。

本發(fā)明的技術(shù)方案如下：一種基于在線社交網(wǎng)絡(luò)的信息傳播模型，包括獲取數(shù)據(jù)集模塊，用戶靜態(tài)狀態(tài)變化因素提取模塊，動(dòng)態(tài)狀態(tài)特征預(yù)測(cè)模塊和熱點(diǎn)話題傳播模型構(gòu)建模塊。

其中所述獲取數(shù)據(jù)集模塊，用于在在線社交網(wǎng)絡(luò)平臺(tái)的公共api下獲取相關(guān)熱點(diǎn)話題下的相關(guān)信息。相關(guān)熱點(diǎn)話題下的相關(guān)信息包括用戶自身信息、用戶的歷史行為記錄和用戶間的關(guān)系。

所述用戶靜態(tài)狀態(tài)變化因素提取模塊，用于從用戶屬性、內(nèi)容屬性和用戶關(guān)系屬性三個(gè)維度，量化影響用戶參與話題的靜態(tài)因素，利用邏輯回歸方法衡量每個(gè)因素的權(quán)重，構(gòu)建用戶靜態(tài)狀態(tài)改變機(jī)制。

所述動(dòng)態(tài)狀態(tài)特征預(yù)測(cè)模塊，用于將用戶的歷史行為中，每日參與話題數(shù)據(jù)整理為時(shí)間序列形式，然后利用混沌時(shí)間序列方法預(yù)測(cè)下一步動(dòng)態(tài)，最后再將預(yù)測(cè)的結(jié)果歸一化，以預(yù)測(cè)用戶動(dòng)態(tài)行為特征。

所述熱點(diǎn)話題傳播模型構(gòu)建模塊，將用戶靜態(tài)狀態(tài)改變屬性機(jī)制與動(dòng)態(tài)狀態(tài)特征預(yù)測(cè)模塊所得到的歸一化預(yù)測(cè)結(jié)果結(jié)合，將二者相乘后的結(jié)果作為sir模型的傳染率μ，以(1-μ)作為恢復(fù)率，構(gòu)建新的熱點(diǎn)話題信息傳播模型。

本發(fā)明還提供一種基于混沌理論的信息傳播方法，包括以下步驟：

s1：獲取數(shù)據(jù)集，在線社交網(wǎng)絡(luò)平臺(tái)的公共api下爬取相關(guān)熱點(diǎn)話題下的相關(guān)信息。

s2：提取用戶靜態(tài)狀態(tài)變化因素，構(gòu)建用戶靜態(tài)狀態(tài)改變機(jī)制，從用戶屬性、內(nèi)容屬性和用戶關(guān)系屬性三個(gè)維度，量化影響用戶參與話題的靜態(tài)因素，利用邏輯回歸方法衡量每個(gè)因素的權(quán)重，構(gòu)建用戶靜態(tài)狀態(tài)改變機(jī)制。

s3:預(yù)測(cè)用戶動(dòng)態(tài)行為特征，將用戶的歷史行為中，每日參與話題數(shù)據(jù)整理為時(shí)間序列形式，然后利用混沌時(shí)間序列方法預(yù)測(cè)下一步動(dòng)態(tài)，最后再將預(yù)測(cè)的結(jié)果歸一化，以預(yù)測(cè)用戶動(dòng)態(tài)行為特征。

s4：構(gòu)建熱點(diǎn)話題傳播模型，將用戶靜態(tài)狀態(tài)改變屬性機(jī)制與動(dòng)態(tài)狀態(tài)特征預(yù)測(cè)模塊所得到的歸一化預(yù)測(cè)結(jié)果結(jié)合，將二者相乘后的結(jié)果作為sir模型的傳染率μ，以(1-μ)作為恢復(fù)率，構(gòu)建新的熱點(diǎn)話題信息傳播模型。

步驟s2所述構(gòu)建用戶靜態(tài)狀態(tài)改變機(jī)制包括以下步驟：

s21：從用戶屬性維度出發(fā)，提取用戶影響狀態(tài)改變的特征因子。

s22：從用戶社交關(guān)系維度出發(fā)，提取該用戶與上游用戶主題興趣相似度和用戶間的交互強(qiáng)度特性因子。

s23：從內(nèi)容屬性維度出發(fā)，提取用戶是否包含url、是否為轉(zhuǎn)發(fā)微博、微博主題和用戶主題興趣相似度的特征因子；

s24：采用邏輯回歸算法計(jì)算用戶的轉(zhuǎn)發(fā)概率

其中y表示用戶參與話題的決策，當(dāng)其為1的時(shí)候表示用戶參與了話題，其為0的時(shí)候表示用戶未參與了話題；θ是模型參數(shù)，即回歸系數(shù)；σ是sigmoid函數(shù)，p()函數(shù)代表計(jì)算轉(zhuǎn)發(fā)概率的函數(shù)，x表示該微博的特征集合，包含了s21、s22、s23中提取的特征因子，為模型自變量。用獲取的用戶的歷史數(shù)據(jù)對(duì)上述公式進(jìn)行訓(xùn)練，通過對(duì)用戶的歷史行為進(jìn)行分析從而得到用戶的狀態(tài)改變概率。

步驟s3預(yù)測(cè)用戶動(dòng)態(tài)行為特征的具體步驟為：

s31：將用戶的行為時(shí)間序列{x(i)，i＝1，2，...，n}根據(jù)c-c算法，將行為時(shí)間序列分為t個(gè)不相交的時(shí)間序列，計(jì)算各個(gè)子序列的統(tǒng)計(jì)量s(m，n，r，τ)＝c(m,n,r,τ)-c^m(1，n，r，τ)，c(m,n,r,τ)為時(shí)間序列的關(guān)聯(lián)積分，s(m，n，r，τ)為反映序列的自相關(guān)特性的統(tǒng)計(jì)量，c^m(1，n，r，τ)為關(guān)聯(lián)積分c(m,n,r,τ)的m次方。

s32：重構(gòu)相空間：對(duì)行為時(shí)間序列為{x(i)，i＝1，2，...，n}，τ為時(shí)間延遲，m為嵌入維數(shù)，n為數(shù)據(jù)組的大小，m＝n-(m-1)*τ，m為相點(diǎn)個(gè)數(shù)，此時(shí)間序列嵌入m維相空間得到n個(gè)相點(diǎn)的空間軌跡為：

式中，x即為表示空間軌跡的矩陣，xn為其中某個(gè)m維相空間點(diǎn)，x(n)為其中某個(gè)時(shí)間序列。

s33：用戶行為時(shí)間序列的混沌性識(shí)別：采用小數(shù)據(jù)量方法，尋找給定軌道上每個(gè)點(diǎn)的最近鄰近點(diǎn)，即

其中p為時(shí)間序列的平均周期，dj(0)為在初始時(shí)刻一對(duì)最近鄰點(diǎn)之間的距離，yi為相空間狀態(tài)點(diǎn)，yj為相空間中的任一點(diǎn)，即為yj的最近鄰點(diǎn)，j都表示某個(gè)時(shí)刻，且

s34：根據(jù)一階加權(quán)的行為進(jìn)行預(yù)測(cè)計(jì)算，得到用戶的下一步行為特征。先對(duì)時(shí)間序列{x(i)，i＝1，2，...，n}進(jìn)行相空間重構(gòu)，在重構(gòu)的相空間中計(jì)算各點(diǎn)到中心點(diǎn)yk之間的空間距離，找出yk的參考向量集為yki，i＝1，2，…，q,并且點(diǎn)yki到y(tǒng)k的距離為di，從而尋找鄰近點(diǎn)，然后進(jìn)行計(jì)算預(yù)測(cè)。

本發(fā)明的優(yōu)點(diǎn)及有益效果如下：

本發(fā)明從用戶靜態(tài)狀態(tài)改變概率和用戶動(dòng)態(tài)行為特征出發(fā)，構(gòu)建熱點(diǎn)話題信息傳播模型。對(duì)于用戶靜態(tài)屬性，從用戶、內(nèi)容和用戶關(guān)系三個(gè)維度，量化影響用戶參與話題的靜態(tài)因素，利用邏輯回歸方法衡量每個(gè)因素的權(quán)重，從而構(gòu)建用戶靜態(tài)參與概率機(jī)制。對(duì)于用戶動(dòng)態(tài)行為預(yù)測(cè)機(jī)制，利用混沌時(shí)間序列預(yù)測(cè)，重構(gòu)相空間，結(jié)合rbf神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出用戶的下一步動(dòng)態(tài)行為。最后，將用戶的靜態(tài)屬性與動(dòng)態(tài)特征結(jié)合起來，融入到傳統(tǒng)的傳染病動(dòng)力學(xué)機(jī)制中，改進(jìn)得到一種基于混沌理論和用戶行為的信息傳播模型，能有效表征在線社交網(wǎng)絡(luò)中的信息傳播動(dòng)態(tài)趨勢(shì)，發(fā)現(xiàn)信息傳播中的重要影響因素。

附圖說明

圖1是本發(fā)明提供優(yōu)選實(shí)施例基于在線社交網(wǎng)絡(luò)的信息傳播模型的整體框；

圖2是本發(fā)明基于混沌理論的信息傳播模型框圖。

具體實(shí)施方式

下面將結(jié)合發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、詳細(xì)地描述。所描述的實(shí)施例僅僅是本發(fā)明的一部分實(shí)施例。

如圖1為本發(fā)明的主要整體架構(gòu)，表明本發(fā)明的輸入是熱點(diǎn)話題的初始信息，在熱點(diǎn)話題傳播模型的處理上，輸出信息已知者、信息未知者、信息免疫者的最終演化趨勢(shì)。如圖2所示為本發(fā)明的總體流程圖，包括：包括獲取數(shù)據(jù)集模塊，用戶靜態(tài)狀態(tài)變化因素提取模塊，動(dòng)態(tài)狀態(tài)特征預(yù)測(cè)模塊和熱點(diǎn)話題傳播模型構(gòu)建模塊，共四大模塊?；谝陨细髂K本發(fā)明的詳細(xì)實(shí)施過程，包括如下四個(gè)步驟：

s1：獲取數(shù)據(jù)集。本發(fā)明需要的數(shù)據(jù)集是在在線社交網(wǎng)絡(luò)平臺(tái)的api獲取的。

s2：用戶靜態(tài)狀態(tài)變化因素提取。從用戶、內(nèi)容和用戶關(guān)系三個(gè)維度，量化影響用戶參與話題的靜態(tài)因素，利用邏輯回歸方法衡量每個(gè)因素的權(quán)重，從而構(gòu)建用戶靜態(tài)參與概率fstatic。

s3:預(yù)測(cè)用戶動(dòng)態(tài)行為特征。將爬取話題下的所有用戶的每日參與話題數(shù)據(jù)整理為以時(shí)間序列形式，然后利用混沌時(shí)間序列方法預(yù)測(cè)下一步動(dòng)態(tài)，最后再將預(yù)測(cè)的結(jié)果歸一化，得到用戶的預(yù)測(cè)結(jié)果。

s4：構(gòu)建熱點(diǎn)話題傳播模型，將用戶的靜態(tài)屬性與動(dòng)態(tài)特征結(jié)合，將相乘后的結(jié)果作為sir模型的傳染率μ，在以(1-μ)作為恢復(fù)率，進(jìn)而構(gòu)建新的熱點(diǎn)話題信息傳播模型。

上述步驟s1獲取數(shù)據(jù)源，提取相關(guān)屬性。主要分以下2個(gè)步驟：

s11：抓取數(shù)據(jù)。在某社交媒體上，抓取某個(gè)熱點(diǎn)話題下的用戶信息，主要包括用戶信息、用戶社交關(guān)系、用戶歷史行為記錄三個(gè)方面。

s12：數(shù)據(jù)處理。首先，對(duì)數(shù)據(jù)進(jìn)行時(shí)間分片，將數(shù)據(jù)按照時(shí)間區(qū)間進(jìn)行劃分。然后，在單位時(shí)間內(nèi)，從數(shù)據(jù)中找出已參與該話題的用戶及其粉絲，據(jù)此建立網(wǎng)絡(luò)拓?fù)洹?/p>

上述步驟s2用戶靜態(tài)狀態(tài)變化因素提取機(jī)制。主要分以下四個(gè)步驟：

s21：從用戶屬性維度出發(fā)，提取用戶的粉絲數(shù)、轉(zhuǎn)發(fā)活躍度、性別、是否為注冊(cè)用戶、用戶的網(wǎng)絡(luò)行為動(dòng)態(tài)數(shù)目和用戶的pagerank值等影響狀態(tài)改變的特征因子，其中用戶的轉(zhuǎn)發(fā)活躍度是指用戶近期發(fā)表的微博中屬于轉(zhuǎn)發(fā)的概率，用戶的pagerank值是采用pagerank算法計(jì)算用戶在關(guān)注網(wǎng)絡(luò)中的pagerank值，作為用戶影響力的度量指標(biāo)之一。

s22：從社交關(guān)系度出發(fā)，提取用戶的與上游用戶主題興趣相似度和用戶間的交互強(qiáng)度特性因子，其中與上游用戶主題興趣相似度是考慮到相同興趣的傳遞者的影響，因?yàn)橛脩舻泥従庸?jié)點(diǎn)的相似度同樣影響到其狀態(tài)改變。

s23：從內(nèi)容維度出發(fā)，提取用戶的是否包含url、是否為轉(zhuǎn)發(fā)和主題和用戶主題興趣相似度特征因子。

s24：采用邏輯回歸算法，

其中y表示用戶參與話題的決策，當(dāng)其為1的時(shí)候表示用戶參與了話題，其為0的時(shí)候表示用戶未參與了話題。θ是模型參數(shù)，也就是回歸系數(shù)，σ是sigmoid函數(shù)，用獲取的用戶的歷史數(shù)據(jù)進(jìn)行訓(xùn)練，通過對(duì)用戶的歷史行為進(jìn)行分析從而得到用戶的狀態(tài)改變概率。p()函數(shù)代表計(jì)算轉(zhuǎn)發(fā)概率的函數(shù)，x表示該微博的特征集合，包含了s21、s22、s23中提取的特征因子，為模型自變量。

上述步驟s3預(yù)測(cè)用戶動(dòng)態(tài)行為特征機(jī)制。主要分以下四個(gè)步驟：

s31：將用戶的行為時(shí)間序列{x(i)，i＝1，2，...，n，根據(jù)c-c算法采用下列方式進(jìn)行計(jì)算：首先將行為時(shí)間序列分為t個(gè)不相交的時(shí)間序列，然后計(jì)算各個(gè)子序列的統(tǒng)計(jì)量s(m，n，r，τ)＝c(m,n,r,τ)-c^m(1，n，r，τ)，c(m,n,r,τ)為時(shí)間序列的關(guān)聯(lián)積分，s(m，n，r，τ)為反映序列的自相關(guān)特性的統(tǒng)計(jì)量，c^m(1，n，r，τ)為關(guān)聯(lián)積分c(m,n,r,τ)的m次方，其中關(guān)聯(lián)積分描述了系統(tǒng)的動(dòng)態(tài)過程中全部變量的相關(guān)程度，其定義為

ψ(·)為heaviside單位函數(shù)，m為嵌入維數(shù)，r為鄰域半徑大小，yki+1＝ae+byki,i＝1,2,…,q為相空間重構(gòu)的值。

將結(jié)果

其中差量為δs(m，t)＝max[s(m，n，rj，τ)]-min[s(m，n，rk，τ)]j≠k，為所有子序列的統(tǒng)計(jì)量s(m,n,r,t)的均值。最終根據(jù)得到的結(jié)果，取的第一個(gè)極小值點(diǎn)對(duì)應(yīng)得時(shí)間點(diǎn)為時(shí)間延遲τ，取scor(t)的最小點(diǎn)對(duì)應(yīng)的時(shí)間點(diǎn)為時(shí)間延遲窗口。s(m,n,r,t)反映了序列的自相關(guān)性。s(m,n,r,t)反映了序列的自相關(guān)性。為所有子序列的統(tǒng)計(jì)量的均值。scor(t)為中間變量，沒有具體含義，是數(shù)理統(tǒng)計(jì)中表達(dá)式，其中，的第一個(gè)極小值點(diǎn)對(duì)應(yīng)得時(shí)間點(diǎn)為時(shí)間延遲τ，取scor(t)的最小點(diǎn)對(duì)應(yīng)的時(shí)間點(diǎn)為時(shí)間延遲窗口。

s32：重構(gòu)相空間：對(duì)行為時(shí)間序列為{x(i)，i＝1，2，...，n}，τ為時(shí)間延遲，m為嵌入維數(shù)，n為數(shù)據(jù)組的大小，m＝n-(m-1)*τ,此時(shí)間序列嵌入m維相空間的到n個(gè)相點(diǎn)的空間軌跡為：

式中，x即為表示空間軌跡的矩陣，xn為其中某個(gè)m維相空間點(diǎn)，x(n)為其中某個(gè)時(shí)間序列。

s33：用戶行為時(shí)間序列的混沌性識(shí)別，采用小數(shù)據(jù)量方法：

在重構(gòu)相空間中，尋找給定軌道上每個(gè)點(diǎn)的最近鄰近點(diǎn)，即

其中dj(0)為在初始時(shí)刻一對(duì)最近鄰點(diǎn)之間的距離，yi為相空間狀態(tài)點(diǎn)，yj為相空間中的任一點(diǎn)，即為yj的最近鄰點(diǎn)，j都表示某個(gè)時(shí)刻，且p為時(shí)間序列的平均周期，可以通過能量光譜的平均頻率的倒數(shù)估計(jì)出來，那么最大的lyapunov(李雅普諾夫)就可以通過基本軌道上每個(gè)點(diǎn)的最近點(diǎn)的平均發(fā)散速率估計(jì)出來。sato等估計(jì)最大lyapunov指數(shù)為

其中δt為樣本周期；dj(i)為基本軌道上第j對(duì)最近鄰點(diǎn)對(duì)經(jīng)過i個(gè)離散時(shí)間步長(zhǎng)后的距離，后來sato改進(jìn)了估計(jì)表達(dá)式，λ1(i)為估計(jì)的李雅普諾夫指數(shù)表達(dá)式，i為離散時(shí)間，dj(i)表示步長(zhǎng)的距離。

式中，λ1(i,k)表示最大李雅普諾夫指數(shù)估計(jì)表達(dá)式，k為常數(shù)，最大lyapunov指數(shù)的幾何意義是量化初始閉軌道的指數(shù)發(fā)散和估計(jì)系統(tǒng)的總體混沌水平的量，所以結(jié)合sato的估計(jì)式有

且cj＝dj(0)

兩邊取對(duì)數(shù)得

lndj(i)≈λ1(iδt)+lncj

所以，最大的lyapunov指數(shù)可以近似看成上式這組直線的斜率，可以用過最小二乘逼近這組直線而得到，即

式中ω為非零dj(i)的數(shù)目,結(jié)果發(fā)現(xiàn)大部分用戶的行為是處于混沌的。

s34：基于加權(quán)一階的行為發(fā)展預(yù)測(cè)模型，其步驟可分為如下四步：

step1：重構(gòu)相空間。根據(jù)c-c算法計(jì)算出時(shí)間序列的嵌入維數(shù)m和時(shí)間延遲τ，得到重構(gòu)相空間為y(t)＝(x(t)，x(t+τ)，…，x(t+(m-1)τ))∈r^m，t＝1，2，…，m,其中m為重構(gòu)相空間點(diǎn)的個(gè)數(shù)m＝n-(m-1)τ。如果s33步驟后發(fā)現(xiàn)時(shí)間序列具有混沌特性，則可省略step1：重構(gòu)相空間，直接進(jìn)行step2：計(jì)算最近鄰點(diǎn)。

step2：計(jì)算最近鄰點(diǎn)。在相空間中計(jì)算各點(diǎn)到中心點(diǎn)yk之間的空間距離，找出yk的參考向量集為yki，i＝1，2，…，q,并且點(diǎn)yki到y(tǒng)k的距離為di，設(shè)dm是di中的最小值，定義點(diǎn)yki的權(quán)值為：

a為參數(shù)，不妨取a＝1。如果步驟s33發(fā)現(xiàn)時(shí)間序列具有混沌特性，則進(jìn)入下一步，進(jìn)行預(yù)測(cè)。

step3：進(jìn)行計(jì)算預(yù)測(cè)。一階加權(quán)局域線性擬合為

其中中心點(diǎn)yk(即預(yù)測(cè)的起始點(diǎn))的臨近點(diǎn)為yki,i＝1,2,…,q，q為一個(gè)整數(shù)，它依賴于指定的臨近距離的大小，，a,b為待求的未知數(shù)。

就m＝1的情況進(jìn)行討論，m>1的情況類似，即

應(yīng)用加權(quán)最小二乘法有

將上式看成是關(guān)于未知數(shù)a,b的二元函數(shù)，兩邊求偏導(dǎo)得到

即簡(jiǎn)化得到未知數(shù)a,b方程組得：

step4：將上式得到的未知數(shù)a,b帶入公式：yki+1＝ae+byki,i＝1,2,…,q。參考向量集為yki，i＝1，2，…，q的一步預(yù)測(cè)為yki+1，i＝1，2，…，q，從而得到預(yù)測(cè)結(jié)果。

從而最后得到用戶的下一步行為特征。

上述步驟s4構(gòu)建熱點(diǎn)話題傳播模型，將用戶的靜態(tài)屬性與動(dòng)態(tài)特征結(jié)合，將相乘后的結(jié)果作為sir模型的傳染率λ，在以μ＝1-λ作為恢復(fù)率，進(jìn)而構(gòu)建新的熱點(diǎn)話題信息傳播模型。將參數(shù)帶入如下傳染病動(dòng)力學(xué)方程，從而得到話題的演化趨勢(shì)：

s+r+i＝1

sir模型中，用戶群體有三種狀態(tài)：易感染狀態(tài)s，感染狀態(tài)i，免疫狀態(tài)r，λ為感染概率，μ為恢復(fù)率。

本發(fā)明從用戶靜態(tài)狀態(tài)改變概率和用戶動(dòng)態(tài)行為特征出發(fā)，構(gòu)建熱點(diǎn)話題信息傳播模型。對(duì)于用戶靜態(tài)屬性，從用戶、內(nèi)容和用戶關(guān)系三個(gè)維度，量化影響用戶參與話題的靜態(tài)因素，利用邏輯回歸方法衡量每個(gè)因素的權(quán)重，從而構(gòu)建用戶靜態(tài)參與概率機(jī)制。對(duì)于用戶動(dòng)態(tài)行為預(yù)測(cè)機(jī)制，利用混沌時(shí)間序列預(yù)測(cè)，重構(gòu)相空間，結(jié)合加權(quán)一階預(yù)測(cè)出用戶的下一步動(dòng)態(tài)行為。最后，將用戶的靜態(tài)屬性與動(dòng)態(tài)特征結(jié)合起來，融入到傳統(tǒng)的傳染病動(dòng)力學(xué)機(jī)制中，改進(jìn)得到一種基于混沌理論和用戶行為的信息傳播模型，能有效表征在線社交網(wǎng)絡(luò)中的信息傳播動(dòng)態(tài)趨勢(shì)，發(fā)現(xiàn)信息傳播中的重要影響因素。

以上這些實(shí)施例應(yīng)理解為僅用于說明本發(fā)明而不用于限制本發(fā)明的保護(hù)范圍。在閱讀了本發(fā)明的記載的內(nèi)容之后，技術(shù)人員可以對(duì)本發(fā)明作各種改動(dòng)或修改，這些等效變化和修飾同樣落入本發(fā)明權(quán)利要求所限定的范圍。