微博转动态建模：时间映射下的流行度预测

微博平台上的转发动态建模和预测是当前研究的热点问题，特别是在社交媒体影响力评估中扮演着关键角色。传统的预测方法往往侧重于挖掘有效的特征来进行预测，但忽视了转推行为的内在动态过程，即消息传播的时间性和用户行为变化的影响。本文的主要贡献在于提出了一种扩展的强化泊松过程模型（Extended Reinforced Poisson Process, ERPP），它将时间映射过程融入其中，以更全面地理解转推行为的演变。 ERPP模型的核心在于捕捉消息随着时间流逝吸引力逐渐减弱的现象，通过一个幂律时间松弛函数来描述这一过程。这个函数反映了消息吸引新转推的能力随时间老化，同时也反映了“越丰富”的现象，即具有较高影响力的帖子更容易吸引更多的转发。这种“富者愈富”的机制在社交网络中普遍存在，对于理解信息传播动力学至关重要。 此外，为了消除用户活动变化对早期阶段转推动态的影响，模型引入了微博时间的特殊表示方法，并将其整合进时间映射过程。这种方法有助于更准确地估计转推趋势，尤其是在用户活跃度波动较大的情况下。模型的提出旨在提供一个更为精确的框架，用于实时跟踪和预测微博消息的未来流行度。 实验部分，作者在两个规模可观的数据集上进行了大规模的验证，涵盖了10K和18K条微博消息。结果充分证明了所提出的ERPP模型在预测转推动态和流行度方面的有效性，相较于现有方法，它能更好地捕捉到转推过程中的复杂性，从而提升预测精度。 总结来说，这篇论文对于微搏平台上转推动态的深入理解，尤其是通过时间映射过程和强化机制的结合，为后续的研究者提供了一个新颖且实用的工具，以便更准确地预测消息的流行趋势，这对于内容推荐、广告投放等实际应用具有重要意义。