一种直播电商信息跨平台传播范围预测的方法和系统技术方案

本发明专利技术公开了一种直播电商信息跨平台传播范围预测的方法和系统，涉及在线社交网络技术领域，首先分别构建基于节点关系的直播

【技术实现步骤摘要】
一种直播电商信息跨平台传播范围预测的方法和系统


[0001]本专利技术属于在线社交网络
，具体涉及一种直播电商信息跨平台传播范围预测的方法和系统
。

技术介绍

[0002]直播电商作为一种新兴的网络购物方式，通过主播在直播过程中向观众展示商品的特定
、
功能
、
使用方法等，增加用户对商品的了解和信任度，提高用户购买意愿，极大的促进了网络购物的发展
。
且直播电商具有较强的社交属性，用户通过社交网络平台来获取商品信息和交流意见，这为直播电商的营销策略提供了新的思路
。
因此如何更好的预测直播电商用户在社交网络中的信息传播，以提高商品的曝光度，增加用户购买转化率，对于直播电商企业的推广和营销非常关键
。
[0003]传统在研究跨网络信息传播范围预测问题时，通常使用传染病模型
、
演化博弈模型对信息传播过程进行建模，从宏观和微观上构建不同场景下信息传播的特点，明确信息传播的过程，以预测信息传播的趋势和范围
。
已有的研究针对传统社交网络拓扑结构上的信息传播已经取得显著成果
。
[0004]但是现实中网络并非是孤立的，而是与其他具有不同结构和功能的网络间相互耦合互相作用
。
直播电商用户在社交网络中的信息传播互动过程中会涉及到许多复杂的因素，如社交网络平台的特性
、
用户个性化因素
、
商品特性等
。
现有的研究不能很好的解释直播电商信息在多维网络空间上的传播路径和驱动因素，从而导致最终传播趋势
、
传播范围的预测出现大幅度偏差
。

技术实现思路

[0005]针对现有技术中由于对直播网络信息传播机制
、
驱动因素考虑不足导致传播范围的预测偏差较大的缺陷和问题，本专利技术提供一种直播电商信息跨平台传播范围预测的方法和系统
。
[0006]本专利技术解决其技术问题所采用的方案是：一种直播电商信息跨平台传播范围预测的方法，包括以下步骤：
[0007]步骤一
、
分别构建基于节点关系的直播
、
社交信息传播网络图，并根据直播
、
社交网络历史信息数据，确定用户节点合作状态，初始化直播
、
社交网络传播路径，包括从真实的社交网络历史数据中，依据用户信息互动率
、
用户转发以及原创信息数等信息衡量用户活跃度，筛选出“积极用户”，并提取出“积极用户”的用户信息，初始化社交网络互动状态；
[0008]步骤二
、
构建社交演化博弈策略，考虑直播网络影响和用户个性化差异，定义社交网络用户节点之间的博弈收益矩阵；定义用户节点之间的博弈收益矩阵为：
[0009] 互动不互动互动
b
‑
c
‑
c
不互动
b0
[0010]其中，
b
＝
b0+
α1f
inf
(a
i
)
β1f
prod
(u
i
)
，
c
＜
b0，
b
表示用户节点选择互动行为的收益，
c
表示用户节点选择互动行为的成本；
b0表示用户节点不受其他因素影响的基本收益，
α1表示用户节点受主播影响力因素影响的比重，
β1表示用户节点受商品折扣
、
特色等产品自身因素影响的比重，
f
inf
(a
i
)
表示直播网络中主播节点
a
i
的影响力评估，
f
prod
(u
i
)
表示用户
u
i
对商品自身因素的感知；
[0011]步骤三
、
根据上述步骤二的社交演化博弈策略，构建直播电商信息传播动力学模型，考虑非结构转发和用户个性化差异，构建社交协同演化更新规则，包括定义节点行为策略模仿
、
定义节点关系更新
、
基于社交演化博弈模型进行信息传播仿真演化以及对不确定因素的风险分析；
[0012]步骤四
、
根据上述步骤三直播电商信息传播仿真结果进行传播范围预测和传播分析，包括：获取多次独立的仿真传播实验数据，取所有仿真实验结果中社交网络用户处于互动状态的节点数量的平均值作为信息传播范围预测的最终结果；再对影响信息传播的关键因素进行分析，探讨不同因素对用户间互动水平的影响
。
[0013]进一步地，所述步骤一中使用有向无权网络
G(V
，
E
，
I
；
U
，
R
，
P)
来表示直播网络中用户与主播之间的关注关系和社交网络中用户之间好友关系，其中
V
表示网络中的节点的集合；
E
表示为节点之间关系的合集；
I
标识为节点之间交互行为的集合；
U
表示为节点效用的集合；
R
表示为节点声誉的集合；
P
表示为节点交互意愿的集合
。
[0014]进一步地，所述步骤二中使用囚徒困境模型来刻画社交网络用户与其邻居之间的两两博弈，所构建的用户策略包括“互动”、“不互动”，其中“互动”表示社交网络用户参与电商直播信息的传播，“不互动”表示社交网络用户不参与直播电商信息的传播
。
[0015]进一步地，直播网络中主播节点
a
i
的影响力
f
inf
(a
i
)
为：
[0016]上式中，
N
i
表示为直播网络主播节点的粉丝平均互动量，
N
y
表示为直播网络中主播节点的观看人数，其中粉丝互动量包括直播间留言
、
点赞
、
转发
、
送礼物等互动行为的人均数量
。
[0017]用户
u
i
对商品自身因素的感知
f
prod
(u
i
)
为：
[0018]上式中，对商品自身因素的感知
f
prod
(u
i
)
包括用户对价格折扣的敏感程度和对商品口碑
、
品质的认可程度
[0019]其中，
R
i
表示社交网络用户
u
i
的历史订单的商品价格，
R
avg
表示同类别商品销量
Top本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种直播电商信息跨平台传播范围预测的方法，其特征在于：包括以下步骤：步骤一
、
分别构建基于节点关系的直播
、
社交信息传播网络图，并根据直播
、
社交网络历史信息数据，确定用户节点合作状态，初始化直播
、
社交网络传播路径，包括从真实的社交网络历史数据中，依据用户信息互动率
、
用户转发以及原创信息数等信息衡量用户活跃度，筛选出“积极用户”，并提取出“积极用户”的用户信息，初始化社交网络互动状态；步骤二
、
构建社交演化博弈策略，考虑直播网络影响和用户个性化差异，定义社交网络用户节点之间的博弈收益矩阵；定义用户节点之间的博弈收益矩阵为：互动不互动互动
b
‑
c
‑
c
不互动
b0
其中，
b
＝
b0+
α1f
inf
(a
i
)+
β1f
prod
(u
i
)
，
c
＜
b0，
b
表示用户节点选择互动行为的收益，
c
表示用户节点选择互动行为的成本；
b0表示用户节点不受其他因素影响的基本收益，
α1表示用户节点受主播影响力因素影响的比重，
β1表示用户节点受商品折扣
、
特色等产品自身因素影响的比重，
f
inf
(
α
i
)
表示直播网络中主播节点
α
i
的影响力评估，
f
prod
(u
i
)
表示用户
u
i
对商品自身因素的感知；步骤三
、
根据上述步骤二的社交演化博弈策略，构建直播电商信息传播动力学模型，考虑非结构转发和用户个性化差异，构建社交协同演化更新规则，包括定义节点行为策略模仿
、
定义节点关系更新
、
基于社交演化博弈模型进行信息传播仿真演化以及对不确定因素的风险分析；步骤四
、
根据上述步骤三直播电商信息传播仿真结果进行传播范围预测和传播分析，包括：获取多次独立的仿真传播实验数据
,
取所有仿真实验结果中社交网络用户处于互动状态的节点数量的平均值作为信息传播范围预测的最终结果；再对影响信息传播的关键因素进行分析
,
探讨不同因素对用户间互动水平的影响
。2.
根据权利要求1所述的直播电商信息跨平台传播范围预测的方法，其特征在于：所述步骤一中使用有向无权网络
G(V,E,I
；
U,R,P)
来表示直播网络中用户与主播之间的关注关系和社交网络中用户之间好友关系，其中
V
表示网络中的节点的集合；
E
表示为节点之间关系的合集；
I
标识为节点之间交互行为的集合；
U
表示为节点效用的集合；
R
表示为节点声誉的集合；
P
表示为节点交互意愿的集合
。3.
根据权利要求1所述的直播电商信息跨平台传播范围预测的方法，其特征在于：所述步骤二中使用囚徒困境模型来刻画社交网络用户与其邻居之间的两两博弈，所构建的用户策略包括“互动”、“不互动”，其中“互动”表示社交网络用户参与电商直播信息的传播，“不互动”表示社交网...

【专利技术属性】
技术研发人员：李静远，孙诗奇，王元卓，张浩亮，吴琼，
申请(专利权)人：中科大数据研究院，
类型：发明
国别省市：