基于Python的微博發(fā)表意向預(yù)測(cè)研究

陳智 梁娟 謝兵 傅籬

摘 要：微博的龐大數(shù)量以及微博文本的多樣性，給微博輿情監(jiān)控和預(yù)測(cè)帶來(lái)較多困難，如果能夠預(yù)先判斷用戶發(fā)表微博的意向，那么就可以進(jìn)行更有針對(duì)性的引導(dǎo)和控制。文中根據(jù)微博用戶數(shù)據(jù)的主要特征，使用Python的scikit-learn包中的主要回歸預(yù)測(cè)模型，對(duì)用戶發(fā)表微博的意向進(jìn)行預(yù)測(cè)分析，評(píng)價(jià)不同回歸預(yù)測(cè)模型預(yù)測(cè)微博發(fā)表意向的能力以及用戶特征對(duì)微博發(fā)表意向的影響。通過(guò)實(shí)驗(yàn)研究發(fā)現(xiàn)，用戶的微博發(fā)表意向更多取決于用戶關(guān)注數(shù)，而梯度提升回歸模型對(duì)此問(wèn)題有更好的適應(yīng)性。

關(guān)鍵詞：微博發(fā)表意向；Python；回歸預(yù)測(cè)模型；特征貢獻(xiàn)度

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2018）04-00-03

0 引 言

作為虛擬社交的重要方式之一，微博在主導(dǎo)輿論方面的作用越來(lái)越重要。微博輿論具有擴(kuò)散圈層化、傳播裂變化等特征[1]，社會(huì)影響巨大。如何監(jiān)測(cè)和控制微博輿論，避免惡意言論和謠言在微博傳播，成為微博輿情監(jiān)控的重要研究?jī)?nèi)容。目前，已有不少微博輿情分析[2]、垃圾信息檢測(cè)[3]、傳播趨勢(shì)預(yù)測(cè)[4，5]、輿論引導(dǎo)[6]等研究，但由于微博數(shù)據(jù)量龐大，且具有形式多樣化的特點(diǎn)，使得各種輿情監(jiān)控算法在效率和性能方面都面臨著巨大壓力。如果可以預(yù)先判斷用戶發(fā)表微博的意向，進(jìn)而進(jìn)行引導(dǎo)和控制，那么就可以在一定程度上將惡意言論或謠言控制在產(chǎn)生初期并遏制其傳播，提高微博輿情監(jiān)控的效率。

本研究從爬盟[7]獲取微博用戶數(shù)據(jù)，提取微博用戶數(shù)據(jù)的特征，并使用Python機(jī)器學(xué)習(xí)回歸預(yù)測(cè)模型分析這些數(shù)據(jù)與微博用戶發(fā)表意向之間的潛在規(guī)律，進(jìn)而對(duì)用戶可能發(fā)表微博的意向進(jìn)行預(yù)測(cè)，為微博輿情控制提供更細(xì)化的數(shù)據(jù)參考。

1 數(shù)據(jù)預(yù)處理

通過(guò)爬盟獲取的新浪微博用戶數(shù)據(jù)包括24個(gè)數(shù)據(jù)項(xiàng)，即用戶ID，屏幕名，用戶名，是否VIP，VIP描述，自我介紹，性別，地區(qū)，工作，教育，頭像，生日，QQ，MSN，Email，標(biāo)簽，關(guān)注數(shù)，粉絲數(shù)，微博數(shù)，創(chuàng)建時(shí)間，關(guān)注列表，是否會(huì)員，是否達(dá)人，等級(jí)。在這些數(shù)據(jù)項(xiàng)中，用戶ID，屏幕名，用戶名都可以看作是用戶的唯一標(biāo)識(shí)，作為一個(gè)數(shù)據(jù)項(xiàng)處理；是否VIP，VIP描述反映用戶加入VIP的情況，作為一個(gè)數(shù)據(jù)項(xiàng)處理；性別，地區(qū)，工作，教育，頭像，生日，QQ，MSN，Email，創(chuàng)建時(shí)間可以看作自我介紹的明細(xì)和補(bǔ)充內(nèi)容，根據(jù)其詳細(xì)程度統(tǒng)一處理為自我介紹；關(guān)注列表是關(guān)注該用戶的其他用戶ID，對(duì)判斷用戶微博發(fā)表意向及后續(xù)研究沒(méi)有直接作用。因此，對(duì)微博用戶數(shù)據(jù)進(jìn)行篩選后，只留下用戶ID、自我介紹、關(guān)注數(shù)、粉絲數(shù)、微博數(shù)、是否VIP、標(biāo)簽、是否會(huì)員、是否達(dá)人、等級(jí)共10個(gè)數(shù)據(jù)項(xiàng)，對(duì)其進(jìn)行必要的規(guī)范化轉(zhuǎn)換。

（1）用戶ID、關(guān)注數(shù)、粉絲數(shù)、微博數(shù)、是否VIP、是否會(huì)員、是否達(dá)人、等級(jí)：這些數(shù)據(jù)項(xiàng)保留其值，不做進(jìn)一步轉(zhuǎn)換；

（2）自我介紹：根據(jù)相關(guān)數(shù)據(jù)項(xiàng)（自我介紹，性別，地區(qū)，工作，教育，頭像，生日，QQ，MSN，Email）是否為空，即根據(jù)用戶是否有介紹的相關(guān)數(shù)據(jù)項(xiàng)值來(lái)賦值，如果相關(guān)數(shù)據(jù)項(xiàng)中至少6項(xiàng)有值，則賦值為1，否則賦值為0；

（3）標(biāo)簽：標(biāo)簽在微博用戶相似度分析、博文推薦、影響力研究等領(lǐng)域都有較重要的作用，用戶添加標(biāo)簽的個(gè)數(shù)反映了用戶興趣領(lǐng)域的深度或廣度，同地區(qū)數(shù)據(jù)類似，考慮后續(xù)分析中數(shù)據(jù)維過(guò)于分散的問(wèn)題，以用戶標(biāo)簽個(gè)數(shù)作為參考值。

此外，在獲取的用戶數(shù)據(jù)中，有一部分?jǐn)?shù)據(jù)存在數(shù)據(jù)缺失的情況，可直接刪除。

在本實(shí)驗(yàn)中，共從爬盟獲取了2 021個(gè).csv格式的用戶數(shù)據(jù)文件，包括用戶數(shù)據(jù)共3 583 677條，在預(yù)處理過(guò)程中，刪除了不完整數(shù)據(jù)共126 097條，最后獲得3 457 580條用戶數(shù)據(jù)為后續(xù)分析使用。

2 預(yù)測(cè)分析的方法及過(guò)程

用戶微博發(fā)表意向可以看作是一個(gè)回歸預(yù)測(cè)問(wèn)題，以用戶發(fā)表的微博數(shù)作為輸出，以除了用戶ID之外的其他數(shù)據(jù)項(xiàng)作為高維輸入。即：

X= {[自我介紹，關(guān)注數(shù)，粉絲數(shù)，標(biāo)簽數(shù)，是否VIP，是否會(huì)員，是否達(dá)人，等級(jí)]}

Y={微博數(shù)}

F（X）→Y的映射關(guān)系即為回歸預(yù)測(cè)模型，需要通過(guò)實(shí)驗(yàn)確定。在Python的scikit-learn包[8]中，包含了多個(gè)回歸預(yù)測(cè)模型，因此可以直接使用scikit-learn包中的模型，通過(guò)輸入用戶相關(guān)數(shù)據(jù)，估計(jì)用戶發(fā)表微博數(shù)。通過(guò)模型評(píng)價(jià)選取其中最合適的一個(gè)或多個(gè)模型。

線性回歸模型是回歸分析中最基本、最簡(jiǎn)單的模型，其模型預(yù)測(cè)能力的評(píng)價(jià)結(jié)果體現(xiàn)了X和Y滿足線性關(guān)系的程度；隨機(jī)梯度下降回歸模型采用隨機(jī)梯度下降參數(shù)估計(jì)算法，適用于輸入數(shù)據(jù)較多的回歸預(yù)測(cè)，可以看作是線性回歸模型的有力補(bǔ)充。

K近鄰回歸模型和回歸樹(shù)模型雖然能夠較好地解決非線性數(shù)據(jù)的建模問(wèn)題，但是當(dāng)數(shù)據(jù)量過(guò)大時(shí)，其訓(xùn)練效率低下。因此，綜合考慮模型的可用性和實(shí)現(xiàn)效率，采用集成模型中常用的隨機(jī)森林回歸模型、梯度提升回歸模型和極端隨機(jī)森林回歸模型作為參與比較的模型。

選取了以下模型進(jìn)行對(duì)比分析：

（1）線性回歸模型（Linear Regression）；

（2）隨機(jī)梯度下降回歸模型（SGDR egressor）；

（3）隨機(jī)森林回歸模型（Random Forest Regressor）；

（4）梯度提升回歸模型（Gradient Boosting Regressor）；

（5）極端隨機(jī)森林回歸模型（Extra Trees Regressor）。

在建立模型的過(guò)程中，首先對(duì)獲得的用戶數(shù)據(jù)進(jìn)行分割和規(guī)范化處理，然后用訓(xùn)練集數(shù)據(jù)訓(xùn)練各模型的參數(shù)，最后使用測(cè)試集數(shù)據(jù)，用R-square評(píng)價(jià)函數(shù)進(jìn)行模型能力評(píng)價(jià)，其函數(shù)定義見(jiàn)式（1）。

其中：n為用戶數(shù)據(jù)的條數(shù)；yi為第i個(gè)用戶實(shí)際發(fā)表的微博數(shù)；為第i個(gè)用戶發(fā)表微博數(shù)的預(yù)測(cè)值；為用戶發(fā)表微博數(shù)的平均值。

R-square評(píng)價(jià)函數(shù)既考慮了預(yù)測(cè)值的內(nèi)部差異，也考慮了預(yù)測(cè)值與真實(shí)值之間的回歸差異，其數(shù)值表明模型回歸結(jié)果可被真實(shí)值驗(yàn)證的百分比。

3 回歸模型的預(yù)測(cè)能力分析

確定回歸模型預(yù)測(cè)能力的實(shí)驗(yàn)基于經(jīng)過(guò)預(yù)處理的所有用戶數(shù)據(jù)進(jìn)行，首先對(duì)這些數(shù)據(jù)進(jìn)行分割，選擇其中90%的數(shù)據(jù)作為訓(xùn)練集，10%的數(shù)據(jù)作為測(cè)試集，并使用隨機(jī)數(shù)種子35進(jìn)行隨機(jī)分割。分割之后的數(shù)據(jù)提供給5個(gè)回歸模型訓(xùn)練模型參數(shù)，使用R-square評(píng)價(jià)函數(shù)評(píng)價(jià)模型預(yù)測(cè)能力。

此外，在所有采集的3 457 580條用戶數(shù)據(jù)中，存在發(fā)表微博數(shù)為0的數(shù)據(jù)。為確定發(fā)表的微博數(shù)為0對(duì)模型是否有影響，以及影響程度，在對(duì)所有數(shù)據(jù)執(zhí)行回歸分析后，排除了其中發(fā)表微博數(shù)為0的數(shù)據(jù)，以剩下的2 882 839條數(shù)據(jù)再次進(jìn)行實(shí)驗(yàn)。兩種情況下各種模型的預(yù)測(cè)能力比較見(jiàn)表1所列。

從表1的實(shí)驗(yàn)結(jié)果可以看出，兩種線性模型（線性回歸模型和隨機(jī)梯度下降回歸模型）對(duì)用戶微博發(fā)表意向的預(yù)測(cè)能力均較差。在集成模型中，隨機(jī)森林回歸模型和梯度提升回歸模型的預(yù)測(cè)能力較強(qiáng)，而極端隨機(jī)森林回歸模型在包含微博數(shù)為0和不包含微博數(shù)為0的情況時(shí)，預(yù)測(cè)能力差異較大。

數(shù)據(jù)中是否包含微博數(shù)為0的數(shù)據(jù)對(duì)模型預(yù)測(cè)能力的影響并不明顯，但倘若不包含微博數(shù)為0的數(shù)據(jù)，模型能夠得到更好的預(yù)測(cè)結(jié)果。

各種模型的R-square評(píng)價(jià)函數(shù)值最高為0.486 783 374 421，說(shuō)明模型預(yù)測(cè)能力差強(qiáng)人意。一個(gè)可能的原因是：微博發(fā)表的數(shù)量一定為整數(shù)，而回歸預(yù)測(cè)模型的預(yù)測(cè)結(jié)果為實(shí)數(shù)，影響了評(píng)價(jià)函數(shù)的計(jì)算結(jié)果。

4 各數(shù)據(jù)項(xiàng)貢獻(xiàn)度分析

對(duì)3種集成回歸模型（隨機(jī)森林回歸模型、梯度提升回歸模型和極端隨機(jī)森林回歸模型）做進(jìn)一步分析，可以得到輸入的各數(shù)據(jù)項(xiàng)對(duì)模型的貢獻(xiàn)度，進(jìn)而確定哪些數(shù)據(jù)項(xiàng)對(duì)模型預(yù)測(cè)能力有決定性作用。

使用3種集成模型，包含微博數(shù)為0的數(shù)據(jù)時(shí)，各數(shù)據(jù)項(xiàng)貢獻(xiàn)度見(jiàn)表2所列。

使用3種集成模型，不包含微博數(shù)為0的數(shù)據(jù)時(shí)，各數(shù)據(jù)項(xiàng)貢獻(xiàn)度見(jiàn)表3所列。

綜合表2與表3的結(jié)果可以看出，“是否會(huì)員”數(shù)據(jù)項(xiàng)對(duì)模型貢獻(xiàn)度為0；“是否VIP”“是否達(dá)人”數(shù)據(jù)項(xiàng)對(duì)模型貢獻(xiàn)度約等于0。對(duì)模型貢獻(xiàn)度最大的是“粉絲數(shù)”和“關(guān)注數(shù)”，除了用包含微博數(shù)為0的數(shù)據(jù)訓(xùn)練的梯度提升回歸模型之外，其他模型中，“關(guān)注數(shù)”的貢獻(xiàn)度均大于“粉絲數(shù)”，即關(guān)注其他用戶越多的用戶，發(fā)表微博的熱情越高；而不是粉絲越多的用戶，發(fā)表微博的熱情越高。

5 數(shù)據(jù)分割對(duì)預(yù)測(cè)能力的影響

集成模型得到的回歸模型并不是確定不變的，使用不同的訓(xùn)練集或者在模型訓(xùn)練過(guò)程中選取的隨機(jī)值不同，都會(huì)對(duì)模型的參數(shù)造成影響，從而影響模型的預(yù)測(cè)效果。因此，在后續(xù)實(shí)驗(yàn)中，采用不同的隨機(jī)數(shù)種子多次分割數(shù)據(jù)，訓(xùn)練3種集成模型并評(píng)價(jià)其性能，可更全面地說(shuō)明模型的預(yù)測(cè)能力。

在實(shí)驗(yàn)中，從[0，100]之間隨機(jī)選取隨機(jī)數(shù)種子，作為Python中train_test_split（）函數(shù)的參數(shù)，得到不同訓(xùn)練集情況下，3種集成回歸模型的R-square值變化趨勢(shì)如圖1所示。

從圖1可以看出，排除少數(shù)孤立值，隨機(jī)森林回歸模型和梯度提升回歸模型的R-square值均在0.4～0.5之間變化，且梯度提升回歸模型的R-square值變化更集中，在預(yù)測(cè)微博發(fā)表意向時(shí)表現(xiàn)更加穩(wěn)定，而極端隨機(jī)森林回歸模型受測(cè)試集數(shù)據(jù)影響較大，其R-square值主要在0.35～0.5之間浮動(dòng)。

6 結(jié) 語(yǔ)

綜合以上實(shí)驗(yàn)研究可以發(fā)現(xiàn)，關(guān)注數(shù)、粉絲數(shù)是用戶微博發(fā)表意向預(yù)測(cè)模型的主要特征項(xiàng)，特征貢獻(xiàn)度最高的是用戶關(guān)注數(shù)，即關(guān)注其他用戶越多的用戶，越有可能發(fā)表新的微博。在各種回歸預(yù)測(cè)模型中，3種集成回歸模型（隨機(jī)森林回歸模型、梯度提升回歸模型和極端隨機(jī)森林回歸模型）具有更好的模型預(yù)測(cè)能力。當(dāng)訓(xùn)練集變化時(shí)，梯度提升回歸模型表現(xiàn)最穩(wěn)定。但是，各種回歸預(yù)測(cè)模型的預(yù)測(cè)能力都不盡如人意，一個(gè)可能的原因是：回歸預(yù)測(cè)模型的結(jié)果為實(shí)數(shù)，而微博發(fā)表數(shù)據(jù)為整數(shù)。模型的適應(yīng)性以及如何提高模型預(yù)測(cè)能力還需要今后進(jìn)一步的研究和探討。

參考文獻(xiàn)

[1]王慧.微博輿論的傳播特征及社會(huì)影響[J].合肥學(xué)院學(xué)報(bào)（綜合版），2017，34（4）：65-68.

[2]張露晨，張良，孫昊良，等.基于領(lǐng)域文法的微博輿情分析方法及其應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2016，33（8）：43-49.

[3]鄒永潘，李偉，王儒敬.基于多特征的垃圾微博檢測(cè)方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2017，26（10）：184-189.

[4]劉巧玲，李勁，肖人彬.基于參數(shù)反演的網(wǎng)絡(luò)輿情傳播趨勢(shì)預(yù)測(cè)——以新浪微博為例[J].計(jì)算機(jī)應(yīng)用，2017，37（5）：1419-1423.

[5]李文娟. 基于灰色模型的微博輿情預(yù)測(cè)研究[J]. 開(kāi)封教育學(xué)院學(xué)報(bào)，2017，37（1）：280-282.

[6]張明旺. 基于微博的網(wǎng)絡(luò)輿情監(jiān)測(cè)與引導(dǎo)機(jī)制探索[J].電腦知識(shí)與技術(shù)，2015，11（31）：32-34.

[7]中國(guó)爬盟[DB/OL].http：//www.cnpameng.com/

[8] Scikit-learn： machine learning in Python[DB/OL].http：// scikit-learn.org/