本發(fā)明涉及社交網(wǎng)絡(luò)分析領(lǐng)域，尤其涉及熱點(diǎn)話題下基于張量分解的用戶行為動態(tài)預(yù)測。

背景技術(shù)：

隨著互聯(lián)網(wǎng)的發(fā)展，在社交網(wǎng)絡(luò)大數(shù)據(jù)時(shí)代的條件下，微博成為一個(gè)基于用戶關(guān)系的信息分享、傳播和獲取平臺。通過挖掘微博用戶間的交互行為數(shù)據(jù)，可以掌握社交網(wǎng)絡(luò)中用戶的行為、信息傳播的規(guī)律。掌握用戶行為特征，不僅可以幫助企業(yè)根據(jù)用戶的行為特征為用戶提供更好的產(chǎn)品和服務(wù)，還可以為不同的用戶制定個(gè)性化的服務(wù)，從而提升自身企業(yè)的競爭力。而且，通過把握信息傳播規(guī)律可以為有關(guān)部門對網(wǎng)絡(luò)輿論進(jìn)行合理的監(jiān)控和干預(yù)提供理論依據(jù)。微博的出現(xiàn)極大地加快了信息傳播的速度，微博提供的轉(zhuǎn)發(fā)功能允許用戶把其他微博用戶的內(nèi)容方便的呈現(xiàn)在自己的微博上進(jìn)行分享，一條微博經(jīng)過不同用戶的轉(zhuǎn)發(fā)，其受眾面會呈幾何形式遞增，從而導(dǎo)致信息的病毒式傳播和擴(kuò)散，并且，微博的評論也可以體現(xiàn)出不同話題的熱度以及波及的范圍，因此，對用戶行為的預(yù)測可以準(zhǔn)確地推測出一條微博的傳播范圍和發(fā)展趨勢等。同時(shí)，可以根據(jù)用戶行為的預(yù)測，從而對社交網(wǎng)絡(luò)中信息傳播進(jìn)行有效干預(yù)，控制信息傳播的范圍，這可以對輿論監(jiān)控、網(wǎng)絡(luò)水軍的發(fā)現(xiàn)提供有力證據(jù)。

社會網(wǎng)絡(luò)中的用戶行為進(jìn)行建模和預(yù)測是當(dāng)前研究的重要問題，不僅需要各種技術(shù)手段分析用戶行為的特點(diǎn)，還需要先進(jìn)的技術(shù)對用戶行為進(jìn)行準(zhǔn)確的建模和預(yù)測。目前關(guān)于互聯(lián)網(wǎng)用戶行為建模與預(yù)測方面的研究主要包含用戶個(gè)體和群體行為兩個(gè)方面。用戶個(gè)體行為建模的研究主要基于數(shù)據(jù)驅(qū)動的建模方法，包括基于概率序列、條件隨機(jī)場和主題模型等方法。如：根據(jù)用戶的歷史行為可能會對用戶下一時(shí)刻采取的行為產(chǎn)生影響，Manavoglu和Pavlov提出采用概率序列模型來對用戶行為進(jìn)行建模，以時(shí)間順序排列的用戶行為序列為輸入，以下一時(shí)刻將采取的行為的概率為輸出；為更好地結(jié)合互聯(lián)網(wǎng)用戶個(gè)體的行為特征，除了用戶自身的歷史行為外，還需要考慮到用戶所在的網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)特性，Peng等采用條件隨機(jī)場對微博用戶的轉(zhuǎn)發(fā)行為進(jìn)行建模。用戶群體行為的研究，主要采用了隨機(jī)模型(stochastic models)和時(shí)間序列模型等方法。如：Lerman和Hogg利用隨機(jī)模型研究Digg網(wǎng)站上鏈接分享的得票總數(shù)。但是，以上基于用戶個(gè)體和群體的用戶行為預(yù)測都是靜態(tài)的，基于熱點(diǎn)話題的用戶行為的動態(tài)預(yù)測的研究還比較少。并且，由于話題的時(shí)效性特征，在話題的不同階段還存在數(shù)據(jù)不均勻和數(shù)據(jù)稀疏問題，這為動態(tài)進(jìn)行用戶行為預(yù)測帶來了極大挑戰(zhàn)。

為了動態(tài)預(yù)測用戶的行為，本發(fā)明提出了基于熱點(diǎn)話題的用戶行為預(yù)測方法。為了說明本發(fā)明的實(shí)用性，需要具體的數(shù)據(jù)來驗(yàn)證，故本發(fā)明通過數(shù)據(jù)獲取模塊來獲得本發(fā)明所需要的數(shù)據(jù)。由于本發(fā)明主要研究參與話題用戶的粉絲是否會參與話題，故提出了屬性提取模塊來區(qū)分研究的對象。針對話題不同階段的數(shù)據(jù)不均勻和數(shù)據(jù)稀疏問題，利用張量分解在數(shù)據(jù)空間轉(zhuǎn)換和數(shù)據(jù)投影的特性，構(gòu)建基于張量分解的預(yù)測模型。為了驗(yàn)證模型的實(shí)際效果，提出了模型預(yù)測分析模塊驗(yàn)證模型的可用性及實(shí)用性。由于話題的爆發(fā)階段會有很多用戶一下子參與到該話題，從而導(dǎo)致話題下一階段需要研究的粉絲量就會特別大，如何合理的確定需要研究的粉絲對象是本發(fā)明的一個(gè)難點(diǎn)。本發(fā)明未將合理過濾粉絲做為一個(gè)研究點(diǎn)，在后續(xù)研究中將會考慮此問題，為進(jìn)一步提高模型的實(shí)用性而努力。

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。提出了一種熱點(diǎn)話題下動態(tài)預(yù)測用戶行為的系統(tǒng)及方法。本發(fā)明的技術(shù)方案如下：

一種熱點(diǎn)話題下動態(tài)預(yù)測用戶行為的系統(tǒng)，其包括數(shù)據(jù)獲取模塊，屬性提取模塊，模型構(gòu)建模塊和模型預(yù)測分析模塊；其中數(shù)據(jù)獲取模塊，用于獲取用戶行為數(shù)據(jù)和用戶關(guān)系數(shù)據(jù)；屬性提取模塊，用于提取社交網(wǎng)絡(luò)中的用戶參與話題的時(shí)間延遲屬性并分為熱點(diǎn)用戶和備選用戶；模型構(gòu)建模塊，根據(jù)備選用戶的信息采用張量分解方法，構(gòu)建用戶參與熱點(diǎn)話題預(yù)測模型；模型預(yù)測分析模塊，利用張量進(jìn)行分解得到模式展開矩陣的特征矩陣和核心張量，根據(jù)得到的特征矩陣和核心張量計(jì)算近似張量，并根據(jù)得到的近似張量預(yù)測備選用戶的行為，在話題發(fā)展的不同階段，根據(jù)新加入的備選用戶行為數(shù)據(jù)構(gòu)成的新張量和當(dāng)前得到的特征矩陣和核心張量動態(tài)更新得到新的特征矩陣和核心張量，然后再根據(jù)新的特征矩陣和核心張量預(yù)測下一階段的用戶行為，同時(shí)，根據(jù)每一階段預(yù)測的用戶行為，可以把握話題發(fā)展的趨勢。

進(jìn)一步的，所述備選用戶自身屬性包括：備選用戶是否是活躍用戶，當(dāng)備選用戶過去一個(gè)月的動態(tài)達(dá)到某個(gè)閾值時(shí)就變?yōu)榱嘶钴S用戶。并根據(jù)備選用戶的屬性構(gòu)建話題當(dāng)前階段的張量，并得到張量模式展開成矩陣A_(n)，n＝1,2,3，然后對張量模式展開成矩陣進(jìn)行分解得到特征矩陣和核心張量S。

進(jìn)一步的，所述張量模式展開成矩陣的分解采用的是Kernel SVD分解，Kernel SVD分解是將張量的模式展開矩陣A_(n)利用映射函數(shù)將A_(n)的內(nèi)容映射到高維空間，即對于每一個(gè)A_(n)可以找到一個(gè)對應(yīng)的映射矩陣G_n，把A_(n)中的每個(gè)元素a_xy映射成為G_n中的g_xy，即g_xy＝Φ(a_xy)，SVD分解計(jì)算A_(n)(n＝1,2,3)的左奇異矩陣U⁽ⁿ⁾是通過計(jì)算G_n的特征向量所得，而Kernel SVD利用核函數(shù)代替了G_n的內(nèi)積計(jì)算，得到A_(n)(n＝1,2,3)的特征矩陣，并且根據(jù)特征矩陣的值計(jì)算核心張量。

進(jìn)一步的，所述模型預(yù)測分析模塊根據(jù)新加入的備選用戶行為數(shù)據(jù)構(gòu)成的新張量和當(dāng)前得到的特征矩陣和核心張量動態(tài)更新得到新的特征矩陣和核心張量，包括：原始張量記為A，新增加的用戶或新增加的話題構(gòu)成的張量記為F，根據(jù)公式V_t表示t階段得到的右奇異矩陣，通過對張量F進(jìn)行第一模式展開得到的展開矩陣F₍₁₎可以(F₍₁₎沒有具體的計(jì)算公式，按圖2的規(guī)則展開)計(jì)算得到矩陣B，對矩陣B進(jìn)行Kernel SVD分解計(jì)算，得到矩陣B的三個(gè)特征矩陣U_B，V_B和Σ_B，并根據(jù)公式：和得到新的特征矩陣和式中I_f的大小為I′₁×I′₁的單位陣，I′₁表示新增加的用戶。

進(jìn)一步的，所述模型預(yù)測分析模塊當(dāng)對在某個(gè)話題下對用戶行為進(jìn)行預(yù)測的時(shí)候，根據(jù)更新后的特征因子和以及核心張量S，得到A^*的近似張量假設(shè)構(gòu)建張量時(shí)第一模式表示用戶u，第二模式表示話題s，第三模式表示用戶行為a，因此對用戶u在話題s下行為a的預(yù)測滿足P_usa表示用戶u在話題s下進(jìn)行動作a的預(yù)測值，當(dāng)大于某個(gè)閾值θ時(shí)，P_usa＝1，則認(rèn)為用戶轉(zhuǎn)發(fā)或評論了此話題的微博；反之，P_usa＝0，則認(rèn)為用戶沒有參與此話題，同時(shí)，可以根據(jù)預(yù)測的用戶行為把握話題的發(fā)展趨勢。

一種熱點(diǎn)話題下動態(tài)預(yù)測用戶行為的方法，其包括以下步驟：

獲取社交網(wǎng)絡(luò)中熱點(diǎn)話題的互動數(shù)據(jù)以及用戶的過往行為；根據(jù)用戶的屬性將用戶定義為熱點(diǎn)用戶及其粉絲——備選用戶；構(gòu)建參與熱點(diǎn)話題的用戶行為預(yù)測模型即張量分解模型對用戶行為進(jìn)行預(yù)測；根據(jù)t階段的已參與的用戶預(yù)測t+1階段備選用戶的行為，結(jié)合話題的時(shí)效性特征，采用增量張量分解模型預(yù)測用戶行為，根據(jù)預(yù)測的結(jié)果獲取下一時(shí)刻備選用戶歸屬的社交網(wǎng)絡(luò)及數(shù)據(jù)流信息，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)。

進(jìn)一步的，所述社交網(wǎng)絡(luò)中熱點(diǎn)話題的互動數(shù)據(jù)以及用戶的過往行為的獲取是利用網(wǎng)絡(luò)爬蟲或通過各社交網(wǎng)站開放API平臺獲取數(shù)據(jù)，數(shù)據(jù)內(nèi)容是社交網(wǎng)絡(luò)中熱點(diǎn)話題的互動數(shù)據(jù)，包括用戶行為數(shù)據(jù)和用戶關(guān)系數(shù)據(jù)。

進(jìn)一步的，根據(jù)用戶的屬性將用戶定義為備選用戶包括：

對數(shù)據(jù)進(jìn)行切片以找出話題不同階段的熱點(diǎn)用戶的粉絲——備選用戶；

根據(jù)備選用戶的信息構(gòu)建張量A，張量A的數(shù)學(xué)表達(dá)式為表示三階張量，其中，張量的第一階表示用戶，即包括I₁個(gè)用戶；張量的第二階表示話題，即包括I₂個(gè)話題；張量的第三階表示用戶行為，即包括I₃種行為。體現(xiàn)了用戶交互的信息，包括用戶信息，話題信息和用戶的行為。

本發(fā)明的優(yōu)點(diǎn)及有益效果如下：

本發(fā)明是基于時(shí)間離散化及時(shí)間切片方法，加入話題信息的時(shí)效性影響，將話題生命周期分為幾個(gè)不同的階段并且針對熱點(diǎn)話題不同階段的數(shù)據(jù)不均勻和稀疏性問題，提出了一種高準(zhǔn)確率，動態(tài)預(yù)測用戶行為的張量分解模型，該模型不僅可以對用戶行為進(jìn)行預(yù)測還可以挖掘話題發(fā)展的趨勢。

針對話題的周期性特點(diǎn)，采取了對話題進(jìn)行時(shí)間切片，由于話題存在明顯的時(shí)效性特征，那么對話題生命周期切片后，各階段數(shù)據(jù)普遍存在不均勻性和稀疏性問題。由于張量可以良好的解決數(shù)據(jù)稀疏性問題，因此利用用戶數(shù)據(jù)構(gòu)建張量，并進(jìn)行張量分解得到模式展開矩陣的特征矩陣和核心張量；由于話題在發(fā)展的過程中，不斷會有新的用戶，新的話題增加，故利用新增加的數(shù)據(jù)構(gòu)成新的張量，利用增量張量分解動態(tài)更新各個(gè)特征矩陣和核心張量。最后，利用更新的特征矩陣和核心張量，得到近似張量，并根據(jù)設(shè)置合理的閾值對用戶行為進(jìn)行預(yù)測。同時(shí)，根據(jù)預(yù)測的用戶行為把握話題的發(fā)展趨勢。本發(fā)明采用的動態(tài)增量更新的方法解決了傳統(tǒng)方法中靜態(tài)數(shù)據(jù)的不足，提高了預(yù)測系統(tǒng)的實(shí)時(shí)性；而且，動態(tài)增量更新是根據(jù)歷史結(jié)果和新增加的用戶(話題)進(jìn)行動態(tài)更新，不需要每次對所有數(shù)據(jù)構(gòu)建張量進(jìn)行分解，避免了每次都對歷史行為進(jìn)行重新計(jì)算。由于本發(fā)明可以根據(jù)用戶行為的預(yù)測把握話題發(fā)展趨勢，所以可以對輿情管控、網(wǎng)絡(luò)水軍的發(fā)現(xiàn)提供有力證據(jù)。

附圖說明

圖1是本發(fā)明提供優(yōu)選實(shí)施例系統(tǒng)模型框架；

圖2三階張量的模式展開矩陣及具體實(shí)例；

圖3張量動態(tài)更新的流程圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(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。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案是：

由于參與熱點(diǎn)話題的用戶表現(xiàn)形式有：熱點(diǎn)用戶和備選用戶，熱點(diǎn)用戶指在話題當(dāng)前階段參與的用戶；備選用戶指話題當(dāng)前階段熱點(diǎn)用戶的粉絲。本發(fā)明的目的是對話題下一階段的備選用戶進(jìn)行行為預(yù)測，直至話題的生命周期結(jié)束。由于話題的時(shí)效性特征，基于時(shí)間離散化與時(shí)間切片方法，針對熱點(diǎn)話題存在生命周期各階段數(shù)據(jù)不均勻和數(shù)據(jù)稀疏問題，構(gòu)建增量張量預(yù)測模型，使其動態(tài)預(yù)測備選用戶的行為，并根據(jù)預(yù)測的用戶行為把握話題的發(fā)展趨勢。

本發(fā)明的實(shí)現(xiàn)過程具體表述為：給定熱點(diǎn)話題下某個(gè)階段t的社交網(wǎng)絡(luò)其中，U^t是熱點(diǎn)用戶，表示好友關(guān)系邊，表示一系列話題下用戶的歷史交互信息。根據(jù)熱點(diǎn)用戶網(wǎng)絡(luò)找出備選用戶網(wǎng)絡(luò)其中，V^t是備選用戶。熱點(diǎn)用戶網(wǎng)絡(luò)和備選用戶網(wǎng)絡(luò)構(gòu)成了全網(wǎng)用戶交互關(guān)系網(wǎng)

本發(fā)明根據(jù)t時(shí)間段的某話題下的話題參與情況來預(yù)測t+1階段備選用戶是否會參與此話題。本發(fā)明的模型框架圖如圖1所示，包括數(shù)據(jù)獲取模塊，屬性提取模塊，模型構(gòu)建模塊和模型預(yù)測分析模塊。其中數(shù)據(jù)獲取模塊，用于獲取用戶行為數(shù)據(jù)和用戶關(guān)系數(shù)據(jù)；屬性提取模塊，用于提取社交網(wǎng)絡(luò)中的用戶參與話題的時(shí)間延遲屬性并分為熱點(diǎn)用戶和備選用戶；模型構(gòu)建模塊，根據(jù)備選用戶的信息采用張量分解方法，構(gòu)建用戶參與熱點(diǎn)話題預(yù)測模型；模型預(yù)測分析模塊，利用張量進(jìn)行分解得到模式展開矩陣的特征矩陣和核心張量，根據(jù)得到的特征矩陣和核心張量計(jì)算近似張量，并根據(jù)得到的近似張量預(yù)測備選用戶的行為，在話題發(fā)展的不同階段，根據(jù)新加入的備選用戶行為數(shù)據(jù)構(gòu)成的新張量和當(dāng)前得到的特征矩陣和核心張量動態(tài)更新得到新的特征矩陣和核心張量，然后再根據(jù)新的特征矩陣和核心張量預(yù)測下一階段的用戶行為，同時(shí)，根據(jù)每一階段預(yù)測的用戶行為，可以把握話題發(fā)展的趨勢。

詳細(xì)實(shí)施過程如下：

S1：獲取數(shù)據(jù)源。數(shù)據(jù)獲取可以利用網(wǎng)絡(luò)爬蟲或通過各社交網(wǎng)站開放API平臺獲取數(shù)據(jù)。數(shù)據(jù)內(nèi)容是社交網(wǎng)絡(luò)中熱點(diǎn)話題的互動數(shù)據(jù)，包括用戶行為數(shù)據(jù)和用戶關(guān)系數(shù)據(jù)。

S2：提取屬性模塊。將社交網(wǎng)絡(luò)中的用戶根據(jù)參與話題的時(shí)間延遲分為熱點(diǎn)用戶和備選用戶。

S3：建立模型，根據(jù)張量分解的基礎(chǔ)思想和方法，構(gòu)建用戶參與熱點(diǎn)話題預(yù)測模型。利用話題初始階段(t₀)的備選用戶的行為數(shù)據(jù)構(gòu)建張量A。

S31：話題從產(chǎn)生、發(fā)展到消亡要經(jīng)歷一個(gè)時(shí)間段稱之為生命周期，為了更好的體現(xiàn)話題各生命階段的特征，將話題數(shù)據(jù)進(jìn)行了時(shí)間切片。對數(shù)據(jù)進(jìn)行切片是為了找出話題不同階段的熱點(diǎn)用戶的粉絲——備選用戶。

S32：根據(jù)備選用戶的信息構(gòu)建張量A，張量A的數(shù)學(xué)表達(dá)式為表示三階張量，其中，張量的第一階表示用戶，即包括I₁個(gè)用戶；張量的第二階表示話題，即包括I₂個(gè)話題；張量的第三階表示用戶行為，即包括I₃種行為。體現(xiàn)了用戶交互的信息，包括用戶信息，話題信息和用戶的行為。

S4：預(yù)測和分析過程。對S3中的張量A進(jìn)行分解得到模式展開矩陣的特征矩陣和核心張量，根據(jù)得到的特征矩陣和核心張量計(jì)算近似張量并根據(jù)得到的近似張量預(yù)測備選用戶的行為。在話題發(fā)展的不同階段，根據(jù)新加入的備選用戶行為數(shù)據(jù)構(gòu)成的新張量和當(dāng)前得到的特征矩陣和核心張量動態(tài)更新得到新的特征矩陣和核心張量，然后再根據(jù)新的特征矩陣和核心張量預(yù)測下一階段的用戶行為。同時(shí)，根據(jù)每一階段預(yù)測的用戶行為，可以把握話題發(fā)展的趨勢,張量動態(tài)更新的流程圖如圖3所示。

S41：將S3中構(gòu)建的張量A進(jìn)行分解運(yùn)算，首先將張量A按模式展開成矩陣A₍₁₎，A₍₂₎和A₍₃₎，具體展開過程如圖2所示；然后分別對每一個(gè)模式展開矩陣進(jìn)行Kernel SVD分解，得到話題當(dāng)前階段t(t₀)相應(yīng)的特征矩陣和并利用得到的特征矩陣計(jì)算核心張量。

S411：由于張量的模式展開矩陣A_(n)(n＝1,2,3)同樣存在數(shù)據(jù)稀疏問題，為了解決此問題，本發(fā)明沒有采用傳統(tǒng)的SVD分解，而是選擇了Kernel SVD分解。Kernel SVD分解是將張量的模式展開矩陣A_(n)利用映射函數(shù)將A_(n)的內(nèi)容映射到高維空間，即因此，對于每一個(gè)A_(n)可以找到一個(gè)對應(yīng)的映射矩陣G_n，把A_(n)中的每個(gè)元素a_xy映射成為G_n中的g_xy，即g_xy＝Φ(a_xy)。對于每個(gè)G_n矩陣應(yīng)用SVD分解，即G_n＝U⁽ⁿ⁾Σ⁽ⁿ⁾(V⁽ⁿ⁾)^T。為了避免顯示計(jì)算G_n矩陣，可以采用一種內(nèi)積的形式，定義一個(gè)矩陣D_n且滿足對于D_n的計(jì)算是通過計(jì)算G_n的內(nèi)積得到的，可以利用核函數(shù)替代此內(nèi)積的計(jì)算。D_n是對稱的方陣，對其進(jìn)行特征值分解D_n＝QΣQ^-1，Q即是左奇異矩陣U⁽ⁿ⁾，當(dāng)可以得出右奇異矩陣V⁽ⁿ⁾和特征矩陣Σ⁽ⁿ⁾，這樣就可以得到所需的特征矩陣。

S412：根據(jù)S411中計(jì)算的U⁽ⁿ⁾和公式S＝A×₁(U⁽¹⁾)^T×₂(U⁽²⁾)^T×₃(U⁽³⁾)^T得到核心張量S。

S42：在話題的t+1階段，會有新的備選用戶作為潛在用戶存在，這些新的備選用戶數(shù)據(jù)構(gòu)成張量F，表示為t時(shí)刻的張量為兩者在第一模式上合并后的張量為其中

S421：將張量A^*按照模式展開成矩陣和其中是經(jīng)過列變換得到，也是經(jīng)過列變換得到。

S422：由于U_t，V_t是正交矩陣，所以有對做如下計(jì)算：其中令可以通過計(jì)算張量F的第一模式的展開矩陣F₍₁₎得到。

S423：根據(jù)Kernel SVD分解有再根據(jù)公式和可以得到的特征矩陣，其中是單位陣。

S424：對做如下計(jì)算：令矩陣H可以通過計(jì)算張量F的第二模式的展開矩陣F₍₂₎得到。

S425：根據(jù)Kernel SVD分解有再根據(jù)公式由于是經(jīng)過列變換得到，所以應(yīng)該做相應(yīng)的逆變換。同理，按照S424和S425得到和

S426：根據(jù)核心張量和假設(shè)構(gòu)建張量時(shí)第一模式表示用戶u，第二模式表示話題s，第三模式表示用戶行為a，因此對用戶u在話題s下行為a的預(yù)測滿足用戶u在話題s下進(jìn)行動作a的預(yù)測值用P_usa表示，當(dāng)大于某個(gè)閾值θ時(shí)，將其置為1，即P_usa＝1，則認(rèn)為用戶轉(zhuǎn)發(fā)或評論了此話題的微博；反之，P_usa＝0，則認(rèn)為用戶沒有參與此話題。

S5：重復(fù)S4的過程，直至話題的生命周期結(jié)束。同時(shí)，通過預(yù)測話題的不同階段備選用戶的行為，可以判斷出話題的每一階段有多少人參與，從而可以把握話題的發(fā)展趨勢。

本發(fā)明利用社交網(wǎng)絡(luò)中熱點(diǎn)話題的互動數(shù)據(jù)根據(jù)用戶屬性將用戶分為熱點(diǎn)用戶和備選用戶，利用張量分解及增量張量分解模型動態(tài)預(yù)測話題不同階段備選用戶的行為，即在話題生命周期的下一階段備選用戶是否會轉(zhuǎn)發(fā)或評論該話題下的微博，并且通過預(yù)測的備選用戶行為也可以把握話題發(fā)展的未來趨勢。

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)人員可以對本發(fā)明作各種改動或修改，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。