基於特徵表示學習之異質性社群媒體項目興衰預測

Abstract

隨著手機定位科技的完善以及社群媒體的興盛發展，基於地點位置的線上社交網路服務越來越多元且越來越受歡迎，諸多服務皆允?用戶分享生活經驗與位置訊息。而經由這些服務所記錄的資料量非常龐大，但若妥善運用其效益也相當可觀，如根據歷史的打卡記錄為用戶推薦可能感興趣的地點、根據歷史貼文的關注數量排序社群媒體網站的內容等。本研究擬提出一套研究方法預測地點的倒閉風險以及預測貼文的熱門程度。然而針對相關問題過去的研究多以擷取社群媒體事件相關的特徵，如用戶行為特徵、地理位置特徵等，需昂貴又費時的特徵標記工程，且其方法對特徵品質有一定的要求才能擁有好的預測表現，而本研究提出利用社群媒體事件時間序列建構圖形並學習特徵表示向量再結合容易擷取的特徵，此作法避免擷取特徵時需耗費的時間與金錢成本以及分散擷取之特徵品質良莠不齊的風險。此外，我們透過貼文主題分析，延伸開發出一個人化自激點過程時間序列預測模型，可有效與學習而得之特徵表示向量結合，用以預測未來時間序列。本研究以透過約 1 900萬筆 Instagram 打卡數據與約 52 000 筆 Foursquare 有標記之地點，以及約 166 000筆Twitter 貼文分享數據進行系統性實驗評估，結果顯示相比於傳統特徵擷取，我們藉由特徵表示學習所產生之特徵向量，在地點倒閉風險評估與貼文熱門程度預測上，皆有非常顯著之準確率提升，不同設定下準確率與誤差分別至少提升 10% 與降低10%。本研究具體貢獻有三，(1) 我們所提出的特徵表示學習方法可非常有效地將時間序列轉為特徵向量，可廣泛應用於時間序列資料之分類問題上；(2) 我們的預測方法可準確預測出在未來倒閉風險較高的地點，提供商家作為行銷規劃之評估，政府單位亦可監控各地區經濟消費狀況；(3) 我們的預測方法可準確預測社群媒體上貼文熱門程度的未來趨勢，可應用於社群網路病毒式行銷。

Date of Award	2018 Jul 11
Original language	Chinese
Supervisor	Cheng-Te Li (Supervisor)