论文部分内容阅读
随着互联网的快速发展,社交平台成为用户信息获取、更新、交流和互动的主要平台。社交平台上产生的话题如果引起大家关注,并在整个网络蔓延,将发展成热门话题,热门话题会给网民、社会以及政府带来各方面影响。因此,本文提出新的基于回声状态网络的热门话题预测模型,用于预测热门话题未来走势。本文针对回声状态网络预测模型中存在的缺陷,提出两种优化方法：分别利用人工鱼群算法和布谷鸟算法对回声状态网络储备池参数寻优,得到适合当前热门话题预测问题的最优储备池参数,并利用优化参数训练模型,得到话题预测结果。同时,针对布谷鸟算法局部搜索能力不足的缺点做了改进,并将其与回声状态网络结合构建热门话题预测模型。回声状态网络是一种新型的递归神经网络,因其训练算法简单、计算方便被广泛应用于非线性时间序列的预测问题中。但是,如果按照经验人为指定储备池参数,构建得到的模型并不一定适合当前热门话题预测问题。本文提出两种针对储备池参数优化的热门话题预测模型：一种是基于ASFA-ESN的热门话题预测模型,该模型利用人工鱼群算法对储备池参数——谱半径和输入单元尺度寻优,寻找适合当前模型的最优储备池参数；另一种是基于CS-ESN的热门话题预测模型,针对人工鱼群算法不适合同时优化不同取值范围参数的缺陷,本文将CS算法引入模型对回声状态网络储备池参数——储备池规模、谱半径、稀疏程度和输入单元尺度同时寻优,得到一组全局最优参数,再利用其对模型进行训练,并用于热门话题的预测。实验结果表明,基于AFSA-ESN的热门话题预测模型较传统ESN热门话题预测模型的预测精度更高,而基于CS-ESN的热门话题又比AFSA-ESN的热门话题预测模型的预测精度更高,且模型储备池参数寻优的效率更好。同时,针对CS算法存在的局部搜索能力不足的缺陷,本文提出了一种向最优鸟巢位置靠近的机制,将一代鸟巢中的最差鸟巢位置舍弃,向最优鸟巢位置逐渐靠近,使其能够局部收敛于当前最优解。实验结果表明,改进后的CS算法收敛性和寻优精度较CS算法更高。此外,本文将改进后的CS算法与回声状态网络结合,构建基于CS-ESN热门话题预测模型。实验结果表明,该模型较CS-ESN模型有更高的预测精度。