Due to the rapid development of information and communication technologies with several emerging computing paradigms, such as ubiquitous computing, social computing, and mobile computing, modeling of information diffusion becomes an increasingly significant issue in the big data era. In this study, we focus on a periodic-aware intelligent prediction method based on a comprehensive modeling of user and contagion features, which can be applied to support information diffusion across social networks in accordance with users’ adoption behaviors. In particular, the Dynamically Socialized User Networking (DSUN) model and sentiment-Latent Dirichlet Allocation (LDA) topic model, which consider a series of social factors, including user interests and social roles, semantic topics and sentiment polarities, are constructed and integrated together to facilitate the information diffusion process. A periodic-aware preception mechanism usingreinforcement learning with a newly designed reward rule based on topic distribution is then designed to detect and classify different periods into the so-called routine period and emergency period. Finally, a deep learning scheme based on multi-factor analysis is developed for adoption behavior prediction within the identified different periods. Experiments using the real-world data demonstrate the effectiveness and usefulness of our proposed model and method in heterogenous social network environments.

中文翻译：

---

社交网络信息扩散的周期感知智能预测模型

由于信息通信技术的快速发展，伴随着泛在计算、社交计算和移动计算等多种新兴计算范式的出现，信息传播的建模成为大数据时代越来越重要的问题。在这项研究中，我们专注于基于用户和传染特征的综合建模的周期性感知智能预测方法，该方法可用于根据用户的采用行为支持跨社交网络的信息传播。特别是动态社会化用户网络（DSUN）模型和情感-潜在狄利克雷分配（LDA）主题模型，考虑了一系列社会因素，包括用户兴趣和社会角色、语义主题和情感极性，被构建和集成在一起以促进信息传播过程。然后设计使用强化学习和基于主题分布的新设计奖励规则的周期性感知预测机制，以检测不同时期并将其分类为所谓的常规时期和紧急时期。最后，开发了一种基于多因素分析的深度学习方案，用于预测不同时期内的采用行为。使用真实世界数据的实验证明了我们提出的模型和方法在异构社交网络环境中的有效性和实用性。然后设计使用强化学习和基于主题分布的新设计奖励规则的周期性感知预测机制，以检测不同时期并将其分类为所谓的常规时期和紧急时期。最后，开发了一种基于多因素分析的深度学习方案，用于预测不同时期内的采用行为。使用真实世界数据的实验证明了我们提出的模型和方法在异构社交网络环境中的有效性和实用性。然后设计使用强化学习和基于主题分布的新设计奖励规则的周期性感知预测机制，以检测不同时期并将其分类为所谓的常规时期和紧急时期。最后，开发了一种基于多因素分析的深度学习方案，用于预测不同时期内的采用行为。使用真实世界数据的实验证明了我们提出的模型和方法在异构社交网络环境中的有效性和实用性。