基于事件描述的社交事件参与度预测

摘要：

在基于事件的社会网络(EBSNs)的相关研究中,基于事件描述来预测社交事件参与度是难点问题.相关的研究非常有限,研究难度主要来自对事件描述评价的主观性和语言建模算法的局限性.针对这些问题,首先定义了成功事件、相似事件和事件相似度等概念,并基于这些概念将采集自Meetup平台的社交数据进行抽取,同时分别设计了基于拉索回归、卷积神经网络(CNN)和门控循环神经网络(GRNN)的分析预测方法.实验时,先从抽取过的数据中选取部分数据训练三种模型,然后用剩余的数据进行分析预测.结果显示,相较于不含事件描述的事件,经过拉索回归模型处理的事件在不同分类器下的预测准确率可提高2.35％～3.8％,经过GRNN模型处理的事件在不同分类器下的预测准确率可提高4.5％～8.9％,而CNN模型的处理结果不理想.证明了事件描述能够提高事件参与度,GRNN模型在三个模型中预测准确率最高.

关键词：基于事件的社会网络、事件描述、拉索回归、卷积神经网络、门控循环神经网络

所属期刊栏目：40

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金面上项目61672417

在线出版日期：2020-11-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：3101-3106