資源描述：
《基于神經(jīng)網(wǎng)絡(luò)的社交網(wǎng)絡(luò)信息傳播預(yù)測(cè)算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、＇：＇－？．ｒ：．．巧乂於＞．Ｋ＾＞護(hù)‘氣／巧奇祭產(chǎn)：蔡．｛；：．餐，邊進(jìn)＊節(jié)．琴；聲－攀．是壌ｔ§單如§Ｓ密密讀；：．．；．篡：若巧，成＞＞Ｖ＼．．，今苗．Ｖ勢(shì)產(chǎn)０．ｉ／ｉ．ｉ去＊啼如＾．－．Ｃ．脅：Ｖ．茲Ｖ署：—＾ｆ．；去－碩＆＃ｆ？ｉ輪。：．：弦．萃ｆ奪０：’．，．：一；．．．＃Ｖｒ．乃ｓＶｖＶ３馬’ｖＶ－ｉ：．；；．＾．．’巧．：Ｖ．若；；．０；．．讀心嶺．安＾知．、紅奚．筆．劈一雞．Ｖ舊駕為Ｖ；＇＇興叫．？文題目？觀網(wǎng)絡(luò)．．．；．ｆ頂講肺巧＇捉％－．．．義ｆ■．／為
2、．．舊，扛．－豕３＇拜：挙，；．－，ｆ一＼．Ｗ鋒ｒ號(hào)達(dá)％Ｈ＾５‘名巧．．?zhēng)熜氖?，．科專良業(yè)巧Ｖ．．．Ｊ扁側(cè)與技方Ｐ向請(qǐng)學(xué)位類別耐ｓ＾ｉ．Ｔ￣文提交日期施月．．：ｒ＇；，；－／云＼ｌ、侶戰(zhàn)爹．滬巧．＂繫苦人ｆ．謙．豪房拓＂枝Ｘ餐茲：象．，§ResearchonPredictionAlgorithmofNeuralNetwork-basedSocialNetworkInformationPropagationThesisSubmittedtoN
3、anjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterofEngineeringByDangKaileSupervisor:AssociateProf.ChenZhiApril2016南京郵電大學(xué)學(xué)位論文原創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除了文中特別加Ｗ標(biāo)注和致謝的地方外，論文中不包含其他人己經(jīng)發(fā)表或撰寫過(guò)的研究成果，也不包含為獲得南京郵電大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書而使用過(guò)的材料。與
4、我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均己在論文中作了明確的說(shuō)明并表示了謝意。一本人學(xué)位論文及涉及相關(guān)資料若有不實(shí)，愿意承擔(dān)切相關(guān)的法律責(zé)任。研究生簽名：新務(wù)／方、日期：１／ｄ．Ｃｒ＇ｈＯ南京郵電大學(xué)學(xué)位論文使用授權(quán)聲明本人授權(quán)南京郵電大學(xué)可＞１＾保留并向國(guó)家有關(guān)部口或機(jī)構(gòu)送交論文的復(fù)印件和電子文檔：允許論文被查閱和借閱；可Ｗ將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索；可１＾采用影印、縮印或掃描等復(fù)制手段保存、匯編本學(xué)位論文。本文電子文檔的內(nèi)容和紙質(zhì)論文的內(nèi)容相一致。論文的公布（包括刊登）授權(quán)南京郵電
5、大學(xué)研巧生院辦理。涉密學(xué)位論文在解密后適用本授權(quán)書。’研究生簽名：導(dǎo)師簽名：或手（日期：＞０瓜＜口Ｉ摘要在社交網(wǎng)絡(luò)信息傳播預(yù)測(cè)中，通常構(gòu)建信息傳播預(yù)測(cè)模型時(shí)，節(jié)點(diǎn)狀態(tài)轉(zhuǎn)移方程建立的因素過(guò)于單一，或者預(yù)測(cè)算法使用不合適，都會(huì)導(dǎo)致信息傳播預(yù)測(cè)準(zhǔn)確性不夠高。為此，本文將重新構(gòu)建社交網(wǎng)絡(luò)信息傳播模型，解決上述預(yù)測(cè)模型的狀態(tài)轉(zhuǎn)移方程構(gòu)建問(wèn)題，并采用神經(jīng)網(wǎng)絡(luò)領(lǐng)域的算法對(duì)社交網(wǎng)絡(luò)信息傳播預(yù)測(cè)進(jìn)行優(yōu)化，以提高信息傳播預(yù)測(cè)的準(zhǔn)確性。本文著重研究社交網(wǎng)絡(luò)混合信息傳播模型和社交網(wǎng)絡(luò)信息傳播預(yù)測(cè)算法，主要工作如下：（1）構(gòu)建社交網(wǎng)絡(luò)混合信息傳播模型
6、，該模型考慮網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)對(duì)信息傳播的影響，在信息傳播過(guò)程中引入用戶對(duì)信息的感興趣程度、信息價(jià)值、信息熱度等因素，建立用戶節(jié)點(diǎn)狀態(tài)轉(zhuǎn)換函數(shù)。實(shí)驗(yàn)表明，上述混合信息傳播模型可以很好的反映真實(shí)傳播規(guī)律。（2）提出基于粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)信息（BPNN）傳播預(yù)測(cè)算法，利用局部粒子群算法解決BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部極小值等問(wèn)題，將BP神經(jīng)網(wǎng)絡(luò)的誤差結(jié)果作為粒子群算法適應(yīng)度函數(shù)求解依據(jù)，修改BPNN中的權(quán)值和閾值，建立粒子群算法優(yōu)化后的BPNN預(yù)測(cè)模型。實(shí)驗(yàn)表明，該算法比ARIMA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)以及全局粒子群算法優(yōu)化的BP神經(jīng)
7、網(wǎng)絡(luò)在信息傳播預(yù)測(cè)上準(zhǔn)確度都高。（3）提出基于LSTM遞歸神經(jīng)網(wǎng)絡(luò)的社交網(wǎng)絡(luò)信息傳播預(yù)測(cè)算法，建立基于LSTM的社交網(wǎng)絡(luò)信息傳播模型框架，設(shè)計(jì)信息傳播預(yù)測(cè)算法，利用某網(wǎng)站的數(shù)據(jù)構(gòu)建合適的LSTM信息傳播預(yù)測(cè)模型，對(duì)該網(wǎng)站博客帖子的傳播過(guò)程進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，上述LSTM算法在信息預(yù)測(cè)的準(zhǔn)確性優(yōu)于基于遞歸神經(jīng)網(wǎng)絡(luò)的算法和基于卷積神經(jīng)網(wǎng)絡(luò)的算法。關(guān)鍵詞：社交網(wǎng)絡(luò)，傳播預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)，反向傳播（BP），長(zhǎng)短時(shí)記憶（LSTM）IAbstractIntheprocessofsocialnetworkinformationpropagation
8、prediction,whenusuallyconstructingthemessagepropagationpredictionmodel,thesimplefactorsofestablishingth
