面向不平衡微博数据集的转发行为预测方法.pdfVIP

JournalofComputerApplications ISSN 1001．9081 2015．．07．．10 计算机应用，2015，35(7)：1959—1964 CODEN JYIIDU http：／／www．joca．cn 文章编号 ：1001．9081(2015)07—1959—06 doi：10．11772／j．issn．1001—9081．2015．07．1959 面向不平衡微博数据集的转发行为预测方法 赵 煜 。，邵必林，边根庆，宋 丹 (西安建筑科技大学 管理学院，西安 710055) ($通信作者电子邮箱zhaoyu—xauat_mail@163．corn) 摘 要：针对微博转发预测方法研究中的数据集不平衡 问题，提出了一种融合过采样技术和随机森林(RF)算法 的微博转发行为预测方法。首先，定义了个体信息、社交关系和微博主题3类与微博转发行为相关的特征，并基于信 息增益算法实现了关键特征选取 ；其次，综合微博特征数据的特点来改进少数类样本合成过采样技术 (SMOTE)，对原 始数据集进行非参数概率分布估计，并根据近似概率分布对数据集进行过采样处理，从而使正反例数据量达到平衡 ； 最后 ，利用随机森林算法，依据微博转发关键特征进行分类器训练，并利用袋外(OOB)数据误差估计来分析和设置随 机森林算法的相关参数。通过与基于决策树(DT)、支持向量机 (SVM)、朴素贝叶斯(NB)和随机森林等算法的微博转 发预测方法进行对比，所提方法整体性能优于基准方法中性能最优的SVM方法，召回率提高了8％，F值提高了5％。 实验结果表明，所提方法在实际应用中能够有效提高微博转发行为预测的准确率。 关键词：微博；转发预测；不均匀数据集；过采样；随机森林 中图分类号 ：TP391．1 文献标志码：A Predictionofretweetingbehaviorforimbalanceddatasetinmicroblogs ZHAO Yu ，SHAOBilin，BIAN Genqing，SONGDan (SchoolofManagement，XianUniversityofArchitectureandTechnology,XianShaanxi710055，China) Abstract：Focusingontheissuethatimbalanced datasetinfluencingtheeffectofpredictionforretweetingbehaviorin microblogs，anovelpredictingalgorithmbasedonoversamplingtechniquesandRandomForest(RF)algorithmwasproposed． Firstly，theretweeting-related features，including individualinformation，socialrelationshipsand topic infomr ation，were defined．Thekeyfeatureselectionmethodwasimplementedbasedoninfomr ationgainalgorithm．Secondly，byconsideringthe characteristicsofthemieroblogsfeaturedata，an improved algorithm foroversamplingbased on Synthetic MinorityOver— samplingTechnique(SMOTE)wasproposed．Inthecourseofthisalgorithm，theprobabilitydistributionoftheoriginaldata