Vol. 36,No. 1
Journal of Xihua University( Natural Science)
西华大学学报（自然科学版）2017年1月 Jan. 2017
•计算机软件理论、技术与应用•
微博信息流行度预测研究综述
(西华大学计算机与软件工程学院，四川成都610039)
摘要
:微博的出现改变了传统的信息传播方式。文章针对微博流行度预测的一系列问题展开综述。在对微
博流行度预测问题进行定义的基础上，从微博内容、用户信息和网络结构3方面对影响微博流行度的主要因素进 行介绍，对基于时间序列、基于流行病模型、基于分类模型和基于回归模型的4种微博信息预测主流方法进行比 较，指出流行度预测未来的研究方向主要集中在时间粒度的划分、最小观测时间的确定、微博流行度的动态预测等 方面。该研究对信息检索、舆情研判、企业营销等具有重要意义。
关键词
:微博;信息传播;流行度预测
中图分类号:TP393.09;TP391 文献标志码:A
文章编号
:1673 - 159X(2017)01 -0001 -6
doi ： 10. 3969/j. issn. 1673 -159X. 2017. 01. 001
Survey on Predicting Popularity of Information in Microblogs
(School of Computer and Software Engineering, Xihua University, Chengdu 610039 China)
WU Yue, CHEN Xiaoliang, JIANG Zhongyuan
Abstract ： Microblogs have changed the traditional way of information dissemination. This paper presents a survey of predicting in
formation popularity in microblogs. Based on the definition of the popularity prediction problem of microblogs, the main factors which
affect the popularity of microblogs are introduced from the aspects of content, user information and network structure. Four methods based on time series, epidemic model, classification model and regression model are compared. The future direction of the popularity prediction is pointed, which is focused on the time granularity, minimum observation time and dynamic prediction of popularity. This study is important to information retrieval, public opinion monitoring, business marketing and so on.
Keywords ： microblog ； information propagation ； prediction of popularity
随着Web 2. 0技术的发展，互联网上涌现出许 多社会媒体，包括微博、微信、博客、论坛、社交网站 等。社会媒体的出现彻底改变了人们获取信息和 传播信息的方式。在不同形式的社会媒体中，微博 以其新型的社交方式、广大的群众基础和多媒体技 术的融合，成为当今信息产生和传播的重要平台。 微博平台的用户不仅是信息的受众，而且可以是信 息的发布者和传播者。这种“去中心化”的信息扩 散模式使得信息可以在短时间内迅速在社交网络 上广泛传播，从而产生巨大的社会影响。典型实例
收稿日期:2016-10-15
基金项目：国家自然科学基金(61602389、61472329);四川省教育厅科研项目（15ZB0133 );西华大学自然科学重点基金（Z1422617);西华
大学省部级学科平台开放课题（szjj2〇15 -58);互联网自然语言智能处理四川省高等学校重点实验室资助项目（INLP201501)。
第一作者:吴越（1987—），女，讲师，博士，主要研究方向为网络舆情、社交网络动力学分析、知识图谱。E-mail: wUyUe_xh@ sina.com
有2008年美国总统大选中的Twitter、2014年冰桶 挑战中的新浪微博等。
微博技术的发展极大地降低了社会网络中用 户间信息交流的成本，大量用户积极参与微博信息 传播，使得微博信息传播呈现出传播速度快、覆盖
范围广和社会影响力深等特点；然而，并不是所有 的微博信息传播过程都具有这3个特点。已有研 究[1]指出微博信息的流行度呈现幂律分布，即仅有 少部分信息能够被大量用户转发，而大部分信息只 有很少的人会关注，不会变得流行。产生这种现象
引用格式:吴越，陈晓亮,蒋忠远.微博信息流行度预测研究综述[].西华大学学报（自然科学版），2017 , 36 (1) : 1.
J
2西华大学学报（自然科学版)2017 年
的主要原因是微博社会网络中的信息过载，使得用 户注意力成为稀缺资源[2]，而微博信息只有在引起 足够多用户关注的前提下才能生存并继续传播。 微博信息传播所呈现出来的特点使得研究者对以 下问题比较关注:什么样的信息能够变得流行，能 否在信息传播初期预测其流行度;信息传播过程中 涉及许多因素，在众多影响因素中，决定信息流行 度的关键因素是什么；目前有哪些可行的微博流行 度预测方法，这些方法各有什么特点，效果如何。 为回答这些围绕微博流行度预测的一系列问题，本 的研究来看，主要的影响因素可分为3类:微博内 容、用户信息和网络结构。
2.1微博内容
微博内容是影响微博流行度的一个决定性因 素[3]
，一
般来说，涉及热点话题的微博较同一时期
的一般微博更具有吸引力。对此，陈江等[5]融合背 景热点话题研究了外部热点话题对用户转发行为 的影响，并对影响因素进行量化分析，提出了融合 背景热点信息的转发兴趣、转发活跃度、行为模式 等特征。实验表明，微博内容与热点话题越相似越 文展开综述。其研究意义如图1所示。
流行度预测>
f
f专播范围预
f^ (信息检索结果热度排序）有助于
L计算倍总未、 来热度J应用于
广舆情研判
f专播周期预
f
现热点儀^
V^播广厂企业营销
速度预4
L提取信息、
y
v
传播规律J
j
V________1
j
图1微博流行度预测的研究意义
1微博流行度预测问题的定义
为描述微博流行度预测问题，对该问题进行形 式化定义是一个必要前提。微博流行度从空间角 度衡量，关注的是微博的浏览量、转发数和评论数; 从时间角度衡量，关注的是微博的传播速度和传播 周期[3]。在这些时空指标中，微博的转发数不仅容 易获取，而且能够反映微博消息在社交网络上的传 播机制；因此常作为流行度的描述指标[4_7]。Ding 等[7]从微博转发网络拓扑结构的角度出发，将微博 流行度预测问题定义为转发网络尺寸估算问题，并 在实验中通过比较预测值与实际值之间的相对误 差来评价预测方法的有效性。由于精确预测微博 在未来一段时间的转发数量是一个非常困难的问 题，一
些研究者将其转换为转发数范围的预测问 题。邓青等[4]将微博转发数分为2类（转发数高于
等于100的定为高流行度，低于100的定为低流行 度），并预测微博流彳\"T度是筒还是低。孔庆超等[8] 设定了阈值r，并通过比较采集输入时段和预测时 段的微博转发量比例是否大于r来定义微博在预测 时段是否流行。Bandarl等[9]将微博转发数量按不 同等级划分为3种类型（1〜20,21〜100,101〜 2 400)〇
2影响流行度的因素
影响微博信息是否能流行的因素很多，就目前
容易受到转发。邓青等[4]分析了与微博内容相关
的5个因素，即发帖人态度、是否提及其他用户、涉 及主题标签、是否有可视化信息及发表时段，对微 博流行度的影响，发现可视化信息对于微博流行度 影响较大。通常情况下，含有可视化信息，如图 片[1()]、视频[11]的微博较仅含有文本的微博，转发量 更大。Yang等[12]发现在微博中信息内容对相关用 户的提及率是影响该信息流行度的重要因素。
Wu
等[13]研究了新闻在微博中传播的热度时序特征，发 现新闻中的负面情绪与新闻转发率直接相关，而正
面情绪对其影响较小。Tan等[14]为研究微博内容 对转发量的影响，同时排除其他因素的干扰，选取 了相同发帖人且含有相同URL的微博(这些微博的 主题内容相同但表达方式不同）进行分析以此证明 不同的表达式对微博转发量的影响。2.2用户信息
邓青等[4]研究了与发帖用户相关的4个因素， 即发帖用户的注册年限、身份、活跃度和社会影响 力，对微博流行度的影响，发现微博发帖用户的活 跃度对微博的转发量具有很大影响。张旸等[15]采 用信息增益法对多种发帖用户特征的重要性进行 分析，其结果表明，用户粉丝数和用户被提及数的 重要性较高。曹玖新等[PageRank16]挖掘了上游用户粉丝数、 值、每条微博的平均被转发次数、转发率、 是否为认证用户等11个用户属性特征，进而对用户 转发行为进行预测。2.3Zaman网络结构
等[17]利用微博转发量和转发者间的网
络结构信息，构建了基于贝叶斯方法的微博热度趋 势预测模型。结果表明，仅需要少量微博转发信
息，就能较准确地预测微博的最终转发量。Weng 等™研究了网络的社区结构对微博标签流行度预 测问题的影响，发现微博标签在传播过程中涉及的 社区越多，则最终的流行度越大。Zhang等[19]研究
第1期吴越等:微博信息流行度预测研究综述
3
了以给定用户为中心的自网络中朋友对于微博转 发的影响力，进而在用户影响力和网络结构多样性 的基础上提出了局部影响力方程。实验表明，这种 局部影响力方程对于微博转发预测有很大作用，在 不需要其他特征的条件下F值能够达到71.65 %。
序的流行度预测方法的对比情况如表1所示。
表1幂律衰减
—
基于时序的流行度预测方法对比
时序相似度
话题区分
—
文献周期性
趋势预测
—
早期预测
—
短期预测
—
Bao等[2°]分析信息评论网络与信息流行度的相关
[23]—
VV
性，发现信息最终的流行度与网络连接密度具有很 强的负相关性，与传播深度具有很强的正相关性。
[24]
VV
—
V——
除上述3类主要影响因素外，还有在一些其他 因素，如:Kuang等[21]结合微博响应时间、微博内容 的重要性和时间间隔分布等因素，预测微博原帖在 一个月内的被转发数，得到了较高的准确率；B ae 等[22]提取微博发布时间、社会网络、网络局部和微 博内容等特征因素，构建知识库，并从知识库中挖 掘相似的话题、转发模式和序列属性集，预测微博 转发趋势，其预测准确率较传统模型的提升了 50 % 03流行度预测方法
微博信息流行度预测是依照一定的方法和规
律对信息未来的流行度进行测算[3]。目前，微博信 息流行度预测的研究方法以基于时间序列、基于流 行病模型、分类模型和回归模型的预测方法为主。 3.1基于时间序列的方法
基于时间序列建模的预测方法主要关注用户 生成内容传播过程对应的时间序列。这类方法在 对时间序列建模后，利用所得的模型进行用户生成
内容的流行度预测工作。Yang等[23]研究了用户生 成内容流行度随时间的消涨模式。该研究利用K - 谱中心聚类算法和逻辑回归模型，通过对5. 8亿条 推文和1.7亿篇博客文章流行度随时间消涨模式的 聚类分析，Matsubara挖掘出6类形态各异的流行度时序模式。
等[24]做了进一步研究，用SpikeM模型对 上述6种时序模式进行拟合，利用SpikeM模型进行 流行度预测。SpikeM模型利用幂律分布描述用户
生成内容的传播能力随时间衰减的过程，并利用正
弦Figueiredo方程描述用户关注度随时间周期变化的过程。 等[25 ]利用极随机集成树将时间序列分
类，从而预测信息的趋势。Hu等[26]通过对短期爆 发的热门话题流行度时间序列进行分析，发现这些 序列具有高度相似性，进而定义流行度时序特征空 间，即流行度的平均值、走势和周期，以分析流行度
随时间的变化趋势。实验表明仅需要少量历史数 据，就能准确预测话题流行度。相关文献中基于时
[25]V
—
—
—
VV
—
[26]—
——
VV
—
V
3.2基于流行病传染模型的方法
传播过程分析和动力学研究是预测信息流行 度的重要基础。以生物数学领域中的流行病模型 为基础，构建新的传播规则和模型是微博流行度预 测的一种重要方法。这些模型通常把微博网络中 的用户节点划分为未知者S、传播者I和免疫者R 3 大类。在网络中，给定一条微博消息，未知者表示 从没有接触过消息的用户，传播者表示接触过消息 并且以一定概率传播该消息的用户，免疫者表示了 解消息但不会进行传播的用户。在消息传播过程 中，传播行为主要发生在不同状态节点相互连接所 产生的边。在Daley的DK模型[27]中，若传播者遇 到未知者，未知者则以一定的概率变为传播者;若 传播行为发生在2个传播者之间时，两者都会以一 定概率转化为免疫者。Maki提出的MK模型[28]的 传播规则有所不同，即当2个传播者相遇时，只有一 个传播者以一定概率变为免疫者。X1〇ng等[29]将用 户分为易感染人群S、接触信息人群C、感染人群I 和康复人群R 4类，建立了基于转发机制的信息传 播模型。研究结果发现:无标度网络中的接触信息 人群比规则网格中的多;感染者的密度随着点度的 增加而增长。Wang等[3°]发现微博传播与infectiousSIS ( SUS
ceptible - - susceptible)模型存在许多相似
性，因而利用SIS模型预测微博转发行为，实验结果 显示，预测的错误率很低。Yang等[31]在SIS模型
的基础上提出了线性影响模型，根据当前微博信息 的流行度预测未来某一时间的流行度。模型假设
微博信息的传播受各节点影响力支配，为每个节点 建立影响函数以量化该节点对后续被激活节点的 影响力，从而把流行度预测转换为活跃节点的影响 力计算问题。不同方法所基于的流行病传染模型 如图2所示。图中[•]表示方法所在的文献。
4西华大学学报（自然科学版)
2017 年
基于分类模型的方法将微博流行度预测问题 转换为多元分类问题，通过大量的已知数据训练出 机器学习模型，将微博流行度分为多个等级并打上
标签，但是目前没有统一的分类标准。Hong等™ 把信息是否能转发看作是二分类问题，进一步用多 分类方法预测信息的流行程度。Wang等[33]挖掘了 微博内容的文本特征和语法特征，并利用决策树和 支持向量机模型预测微博转发数。Lakkaraju等[34] 同样利用支持向量机模型把微博关注度分为非常 少、少、一般、高和非常高5类。3.4基于回归模型的方法
基于回归模型的方法试图找到影响因素与微 博信息流行度之间的相关关系，进而使用线性回归 或非线性回归模型进行微博信息流行度的预测[3Lee]。 等[35]认为在线文本的流行度有时本身就不能 被预测，Cox所以没有预测在线文本的流行度而是利用 比例风险回归模型对文本早期信息的特征进行 研究，预测其是否会流行。Jamali等[36]使用Digg信 息的评论数量、评论的平均字数和评论树状结构作 为特征，训练他们的回归模型。Tatar等[37]用信息 在其发布的一段时间后获得的评论数作为因子，提 出了一个简单有效的线性回归模型，预测其后期的 流行度。：^〇等[38]在单变量回归模型的基础上加入 了网络结构特征，包括网络连接密度和网络传播深 度。Cheng等[39]使用时间序列中常用的自回归移 动平均模型ARIMA，对网络上帖子数量随时间变化 的趋势进行了预测。相关文献中基于分类和回归 模型的流行度预测方法的对比情况如表2所示。
表
2
基于分类和回归模型的流行度预测方法比较
文献
范围精确微博网络用户预测
预测
内容
结构
特征
[32]V
—VV
V
[33]V—V—
—[34]V—V
V
—[35]V——
—
—[36]V—VV
—
[37]V
—
V—
V
[38]—VV
V
—[39]
—
V
—
—
—
3.5方法比较
前面介绍了微博信息流行度预测的研究工作， 不同的预测方法基于不同的模型，预测的重点不 同，预测的结果也存在差异。以下是对这些方法的
总结和比较。
1)
基于时间序列的方法。以微博信息流行
随时间的变化数值为研究对象，挖掘流行度时间序 列的变化规律。该方法输入参数少，执行起来简 单，但是没有考虑影响微博流行度变化的各种因 素，忽略了微博信息传播过程中存在的个体差异; 因此，仅适用于部分具有普遍传播规律的微博信息 预测。
2)
基于流行病模型的方法。利用数学模型
述信息传播的动力学演化过程。该方法具有严密 的逻辑性，对于估计信息在某时刻的传播范围具有 理论指导意义，但模型中用到的网络拓扑结构、网 络节点的状态属性和状态转移概率，均建立在多个 理想化假设条件之上；因此，所构建的模型与现实 世界的信息传播仍具有较大差异。此外，基于流行 病模型的流行度预测方法主要用于尾巴预测[2]，即 在一个高峰时间窗口之后预测。这种预测方式具 有局限性，对于多峰值的流行度预测效果较差。
3)
基于分类模型的方法。利用机器学习方
对不同影响因素赋予权重，训练流行度分类模型。 由于可以融合各种影响微博信息流行度的因素，所 以该方法对于具有差异性的微博具有较高准确率; 但因为不依赖于网络结构，所以无法预测微博信息 的传播范围和传播路径。
4)
基于回归模型的方法。通过挖掘流行度
影响因素的相关性，构建回归模型进行预测。由于 该方法高度依赖信息流行度的历史数据，因此仅适 用于具有大量历史数据的微博流行度预测。
第1期吴越等:微博信息流行度预测研究综述
tion Sciences, 2016, 339(C) ： 310.
5
4流行度预测未来的研究方向
根据已有研究，结合自己在学习过程中的一些
[7 ] DING Hongyi, WU Ji. Predicting Retweet Scale Using Log - Normal Distribution [ C ]//Proceedings of the Multimedia Big Data (BigMM) , 2015 IEEE International Conference on. [ S. 1. ] ： IEEE, 2015： 56 -63.
[8]孔庆超，毛文吉.基于动态演化的讨论帖流行度预测[J].
发现，笔者提出了几个值得进一步挖掘的研究点， 希望对本领域的其他研究者有所启发。
1) 时间粒度的划分。
微博流行度是随时间不断变化的序列，时间粒 度的划分决定了数据的采样频率。时间粒度划分 得太细，如以秒为单位，可能导致工作量过大，同时 软件学报，2014, 25(12) : 2767.
[9JBANDARI R, ASUR S, HUBERMAN B A. The pulse of news in social media： Forecasting popularity[ C]//Proceedings of the Sixth In- temationalAaai Conference on Weblogs &Social Media. [ S. 1. ] ： [ s. n.], 2012. https ：//arxiv. org/abs/1202. 0332.
可能造成大量时间段无数据而无法进行后续研究； 时间粒度选取太大，如以年为单位，又可能超过了 微博的生命周期，使得预测结果没有意义。合理划 分时间粒度是微博信息预测工作的一个重要问题。
2) 最小观测时间的确定。由于不同信息的流行度具有异质性，因此在预 测准确率和预测后信息在余下时间段的吸引力之 间寻求一个平衡是很重要的，这样才可以在信息的 吸引力消失之前做出有意义的预测。虽然直觉上 认为观察时间越长，预测出来的结果越准确，但是 人们总是希望尽早知道预测结果；因此，如何确定 最小观察时间，以便及时做出准确预测需要进行深 入研究。
3) 微博流行度的动态预测。
现有的研究主要以用户的静态属性为前提，没 有考虑用户连接的动态性、用户对于微博兴趣的衰 减性和用户行为随时间的变化性，然而，用户的各 种动态属性都会造成微博信息流行度的变化；因 此，融合多个动态因素，构建微博流行度动态预测 模型可能会是未来的一个研究方向。
参考文献
[1]BAKSHY E, HOFMAN J M, MASON W A, et al. Everyone^ an influencer： quantifying influence on twitter [ C ]//Proceedings of the fourth ACM international conference on Web search and data mining. Hong Kong, China：ACM, 2011： 65 -74.
[2JDAVENP0RTT H, VOLPEL S C. The rise of knowledge towards attention management [ J ] • Journal of knowledge management,2001, 5(3) ： 212.
[3]
李洋，陈毅恒，刘挺.微博信息传播预测研究综述[J].件学报，2016,27(2):247.
[4]
邓青，马晔风，刘艺，等.基于BP神经网络的微博转发量
的预测[J].清华大学学报（自然科学版），2015 (12) : 1342.
[5]
陈江，刘玮，巢文涵，等.融合热点话题的微博转发预测研 究[J] •中文信息学报，2015, 29(6): 150.
[6]
LI C T, SHAN M K, JHENG S H, et al. Exploiting conceptdrift to predict popularity of social multimedia inmicroblogs [ J ]. Informa
[10] CAN E F, OKTAY H, MANMATHA R. Predictingretweet count using visual cues[ C]//Proceedings of the 22nd ACM international conference on Conference on information & knowledge management. San Francisco, California, USA ：ACM, 2013： 1481 -1484.
[11] ZHAO X, ZHU F, QIAN W, et al. Impact of multimedia in- Sina Weibo： popularity and life span[M]// LI Juanzi, QI Guilin, Zhao Dongyan. Semantic Web and Web science. New York ： Springer, 2013 ： 55 -65.
[12] YANG J, COUNTS S. Predicting the speed, scale, and range of information diffusion in Twitter[J]. ICWSM, 2010, 10： 355.
[13] WU B, SHEN H. Analyzing and predicting news popularity on Twitter[ J]. International Journal of Information Management, 2015 , 35(6) ： 702.
[14JTANCH, LEE L, PANG B. The effect of wording on message propagation ： Topic - and author - controlled natural experiments on Twitter[ C]//Proceedings of the ACL 2014. Baltimore ： Association for Computational Linguistics, 2014： 175 -185.
[15]
张旸，路荣，杨青.微博客中转发行为的预测研究[J].中
信息学报，2012, 26(4) :109.
[16]
曹玖新，吴江林，石伟，等.新浪微博网信息传播分析
预测[J].计算机学报，2014, 37(4) : 779.
[17] ZAMAN T, FOX E B , BRADLOW E T. A Bayesian approach for predicting the popularity of tweets [J]. The Annals of Applied Statistics, 2014, 8(3) ： 1583.
[18JWENG L, MENCZER F, AHN Y Y. Predicting successful memes using network and community structure[ C]//The Eighth International AAAI Conference on Weblogs and Social Media. [ S. 1. ] ： [ s. n.], 2014:1-11.
[19] ZHANG J, TANG J, LI J, et al. Who influenced you? predictingretweet via social influence locality [ J ]. ACM Transactions on Knowledge Discovery from Data (TKDD) , 2015 , 9(3) ： 25.
[20 ] Bao P, Shen H W, Huang J, et al. Popularity prediction in microblogging network ： a case study on sina weibo [ C ]//Proceedings of
the 22nd International Conference on World Wide Web. [ S. 1. ] ：ACM,
2013： 177 -178.
[21] KUANG L, TANG X, GUO K. Predicting the times
ofretweeting in microblogs [ J ] • Mathematical Problems in Engineering,
2014(1) ： 1.
[22] BAE Y, RYU PM, KIM H. Predicting the lifespan an-
dretweet times of tweets based on multiple feature analysis [ J ]. ETRI
Journal, 2014, 36(3) ： 418.
软 6
[23]
西华大学学报（自然科学版)
YANG J, LESKOVEC J. Patterns of temporal variation in on
2017 年
[33 ] WANG A, CHEN T, KAN MY. Re - tweeting from a linguistic perspective[ C]//Proceedings of the second workshop on language in social media. [S. 1. ] ： Association for Computational Linguistics, 2012：
line media[ C]//Proceedings of the fourth ACM international conference on Web search and data mining. [ S. 1. ] ： ACM, 2011 ： 177 - 186.
[24JMATSUBARA Y, SAKURAI Y, PRAKASH B A, et al. Riseand fall patterns of information diffusion ： model and implications [ C ]// Proceedings of the 18 th ACM SIGKDD international conference on Knowledge discovery and data mining. [ S. 1. ] ： ACM, 2012 ： 6 - 14.
[25JFIGUEIREDO F, ALMEIDA J M, GONSALVES M A, et al. TrendLearner： Early Prediction of Popularity Trends of User Generated Content[ J]. Information Science, Eprint Arxiv, 2016, 349： 172.
[26] HU Y, HU C, FU S, et al. Predicting the popularity of viral topics based on time series forecasting [ J ] • Neurocomputing, 2016, 46 -55.
[34 ] LAKKARAJU H, AJMERA J. Attention prediction on social media brand pages[ C]//Proceedings of the 20th ACM international conference on information and knowledge management. [ S. 1. ] ： ACM, 2011 ： 2157 -2160.
[35]
LEE J G, MOON S, SALAMATIAN K. An approach to mo
and predict the popularity of online contents with explanatory factors [C]//Web Intelligence and Intelligent Agent Technology ( WI - IAT), 2010 IEEE/WIC/ACM International Conference on. Toronto, Ontario 210:55.
[27JDALEYDJ, KENDALL D G. Stochasticrumours [ J]. IMA Journal of Applied Mathematics, 1965,1(1) ： 42.
[28JMAKI D P, THOMPSON M. Mathematical models and applications ：with emphasis on the social, life, and management sciences [M], [S.l. ]：Prentice-Hall Englewood Cliffs, 1973： 55 -62.
[29] XIONG F,YUN L, ZHANG Z J, et al. An informationdiffus- tion model based on retweeting mechanism for online social media [ J ]. Physics Letters A, 2012, 376： 2013.
[30] WANG H, LI Y P, FENG Z N. Re - tweeting analysis and prediction inmicroblogs ： an epidemic inspired approach [J]. China Communications, 2013, 10(3) ： 13.
[31 ] YANG J, LESKOVEC J. Modeling information diffusion in implicit networks[ C]//Proceedings of the 2010 IEEE International Conference on Data Mining. [S. 1. ] ：IEEE, 2010： 599 -608.
[32] HONG L, DAN O, DAVISON B D. Predicting popular messages in twitter[ C]//Proceedings of the 20th international conference companion on world wide web. [ S. 1. ] ： ACM, 2011 ： 57 -58.
Canada：IEEE, 2010： 623 -630.
[36] JAMALI S, RANGWALA H. Digging ： comment mining, popularity prediction, and social network analysis [ C ]//Web Information Systems and Mining, 2009 ( WISM 2009 ) International Conference on. [S. 1. ] ：IEEE, 2009： 32 -38.
[37] TATAR A, LEGUAY J, ANTONIADIS P, et al. Predicting the popularity of online articles based on user comments [ C ]//Proceedings of the International Conference on Web Intelligence, Mining and Semantics. [S. 1. ] ：ACM, 2011 ： 671 -678.
[38]
BAO P, SHEN H W, HUANG J, et al. Popularity predic
inmicroblogging network ： a case study on sina weibo [ C ] //Proceedings of the 22nd International Conference on World Wide Web. [S. 1. ] ： ACM, 2013： 177 -178.
[39] CHENG H, LIU Y. An online public opinion forecast model based on time series [ J ]. Journal of Internet Technology, 2008 , 9 (5) ：429.
(编校:饶莉）
因篇幅问题不能全部显示，请点此查看更多更全内容