2025年第二十二届五一数学建模竞赛题目C题社交媒体平台用户分析问题

最新推荐文章于 2025-05-01 16:43:55 发布

小驴数模

最新推荐文章于 2025-05-01 16:43:55 发布

阅读量1k

点赞数 15

文章标签：数学建模

本文链接：https://blog.csdn.net/m0_58496908/article/details/147644849

版权

近年来，社交媒体平台打造了多元化的线上交流空间和文化圈，深刻影响着人们社交互动与信息获取。博主基于专业知识或兴趣爱好等创作出高质量内容，吸引并获得用户的关注。用户可以随时通过观看、点赞、评论等行为积极参与其中。博主依据平台的推荐机制和用户反馈，调整并提升内容质量，从而提高自身影响力。而用户则通过互动行为，反向影响平台的内容推荐系统。

现某社交媒体平台需深入分析现有用户和博主之间的互动行为关系，来预测用户行为，并优化内容推荐方法。附件1记录了该平台在2024.7.11-2024.7.20之间的数据，包括用户ID、用户行为、博主ID、时间。其中用户行为列中，数字1、2、3分别代表用户对博主发布内容的观看、点赞、评论，4代表关注该博主。时间列代表用户行为发生的时间。需要注意的是，用户点赞、评论和关注的行为均代表用户已观看了内容。此外，用户使用该社交媒体平台的频率和时间不同，若某段时间内附件1中没有记录某用户的行为数据，则代表该时段内用户没有使用该社交媒体平台。附件2中记录了2024.7.22用户进行观看、点赞、评论的行为数据。

假设：(1) 该平台用户和博主数量固定，不存在平台新用户/博主的加入和账号注销行为；(2)用户和博主的互动关系建立后不再变化，即平台中用户不存在取消点赞、删除评论、取消关注的行为。请结合附件数据，建立数学模型，解决下列问题。

问题1. 基于用户与博主历史交互数据（观看、点赞、评论、关注）的统计分析，能够有效揭示用户行为特征，为内容优化和交互提升提供决策依据。根据附件1提供的数据，请建立数学模型，预测各博主在2024.7.21当天新增的关注数，并根据预测结果，在表1中填写当日新增关注数最多的5位博主ID及其对应的新增关注数。

表1 问题1结果

排名	1	2	3	4	5
博主ID
新增关注数

问题2. 附件2提供了2024.7.22当天用户进行观看、点赞、评论的行为数据，结合附件1中用户的历史行为数据，请建立数学模型，预测用户在2024.7.22产生的新关注行为，并将指定用户在2024.7.22新关注的博主ID填入表2。

表2 问题2结果

用户ID	U7	U6749	U5769	U14990	U52010
新关注博主ID

注：若用户在2024.7.22关注多名博主，均填入表2；若用户在2024.7.22未新关注博主，无需填写。

问题3. 用户与博主之间互动数可视为点赞数、评论数、关注数之和，平台可据此制定合理的推荐方案，为用户推送“量身定制”的内容，增加用户与博主之间的互动。请基于附件1数据，建立数学模型，预测指定用户在2024.7.21当天是否在线（即使用该社交媒体平台），如果在线，进一步预测该用户可能与博主产生的互动关系，并给出可能与其产生互动数最高的3名博主，将对应的博主ID填入表3。

表3 问题3结果

用户ID	U9	U22405	U16	U48420
博主ID 1
博主ID 2
博主ID 3

注：若该用户在2024.7.21未使用该社交媒体平台，则无需填写。

问题4. 平台在制定推荐方案时，会充分考虑不同用户使用社交媒体的时间习惯。在问题3的基础上，基于附件1数据，建立数学模型，预测表4中指定用户在2024.7.23是否在线（即使用社交媒体平台），进一步预测该用户在每个在线时段与每个博主的互动数，给出该互动数最高的3名博主ID以及对应的时段，并将结果填入表4。

表4 问题4结果

用户ID	U10	U1951	U1833	U26447
博主ID 1
时段1
博主ID 2
时段2
博主ID 3
时段3

注：若该用户在2024.7.23未使用该社交媒体平台，则无需填写；推荐时段，只能在以下24个时段中选取0:00-1:00, 1:00-2:00, ……, 23:00-24:00。

获取免费思路和资料关注b站账号小驴数模

C题社交媒体平台用户分析问题解题思路与模型构建

问题1：预测2024.7.21各博主新增关注数

目标：基于附件1的历史交互数据（2024.7.11-2024.7.20），预测2024.7.21各博主的新增关注数，并给出新增关注数最多的5位博主ID及其预测值。

解题步骤：

数据预处理：
- 提取附件1中所有“关注”行为（行为类型=4），按博主ID和时间（2024.7.11-2024.7.20）统计每日新增关注数。
- 计算每个博主的历史关注增长趋势（如每日新增关注数的滑动平均、增长率等）。
特征工程：
- 博主特征：
  - 历史日均新增关注数。
  - 历史关注增长趋势（如线性回归斜率）。
  - 博主内容特征（如发布频率、内容类型，需从数据中提取隐含特征）。
- 用户特征（可选）：
  - 用户对博主的互动行为（观看、点赞、评论）是否与关注行为正相关。
模型选择：
- 时间序列模型：
  - 对每个博主的新增关注数建立时间序列模型（如ARIMA、Prophet），预测2024.7.21的新增关注数。
- 回归模型：
  - 以历史关注增长趋势、博主内容特征为输入，建立回归模型（如线性回归、XGBoost）预测新增关注数。
- 协同过滤：
  - 基于用户-博主交互矩阵，计算博主之间的相似性，预测新增关注数。
模型训练与预测：
- 使用2024.7.11-2024.7.20的数据训练模型，预测2024.7.21的新增关注数。
- 对所有博主进行预测，并按预测值排序，取前5位。
结果输出：
- 填写表1，格式如下：
  排名 1 2 3 4 5
  博主ID B1 B2 B3 B4 B5
  新增关注数 120 110 105 98 95

问题2：预测2024.7.22用户新关注行为

目标：基于附件1的历史行为数据和附件2的2024.7.22互动数据（观看、点赞、评论），预测指定用户在2024.7.22的新关注行为。

解题步骤：

数据预处理：
- 提取附件1中所有用户的历史行为数据，统计每个用户对每个博主的互动行为（观看、点赞、评论、关注）的次数。
- 提取附件2中2024.7.22的用户互动数据（观看、点赞、评论），记录用户与博主的交互。
特征工程：
- 用户特征：
  - 用户对博主的历史互动行为（观看、点赞、评论）的次数。
  - 用户对博主的互动频率（如最近7天的互动次数）。
  - 用户对博主的互动类型分布（如点赞/评论占比）。
- 博主特征：
  - 博主的内容质量（如平均点赞数、评论数）。
  - 博主的历史关注转化率（如互动用户中最终关注的比例）。
模型选择：
- 二分类模型：
  - 对每个用户-博主对，建立二分类模型（如逻辑回归、随机森林、XGBoost），预测用户是否会在2024.7.22关注该博主。
  - 输入特征：用户对博主的历史互动行为、博主的内容特征、用户与博主的互动时间间隔等。
- 关联规则挖掘：
  - 使用Apriori算法挖掘用户互动行为与关注行为之间的关联规则（如“点赞+评论”后关注概率高）。
模型训练与预测：
- 使用附件1的数据训练模型，预测附件2中指定用户在2024.7.22的新关注行为。
- 对每个指定用户，输出其可能新关注的博主ID。
结果输出：
- 填写表2，格式如下：
  用户ID U7 U6749 U5769 U14990 U52010
  新关注博主ID B1,B2 B3 B4,B5

问题3：预测用户在线状态及互动关系

目标：基于附件1的数据，预测指定用户在2024.7.21是否在线，若在线，预测其可能互动的博主ID（互动数最高的3位）。

解题步骤：

用户在线状态预测：
- 特征工程：
  - 用户的历史活跃时间分布（如每日活跃时段、活跃天数）。
  - 用户最近7天的活跃频率（如每日活跃次数）。
- 模型选择：
  - 使用二分类模型（如逻辑回归、随机森林）预测用户是否在线。
  - 输入特征：用户的历史活跃时间、活跃频率等。
用户互动博主预测：
- 特征工程：
  - 用户对每个博主的历史互动行为（观看、点赞、评论）的次数。
  - 用户与博主的最近互动时间间隔。
  - 博主的内容质量（如平均互动数）。
- 模型选择：
  - 对在线用户，使用排序模型（如Learning to Rank）或回归模型预测用户与每个博主的互动数。
  - 输入特征：用户对博主的历史互动行为、博主的内容特征等。
- 排序与选择：
  - 对每个在线用户，按预测互动数排序，取前3位博主。
结果输出：
- 填写表3，格式如下：
  用户ID U9 U22405 U16 U48420
  博主ID 1 B1 B2 B3
  博主ID 2 B4 B5 B6
  博主ID 3 B7 B8 B9

问题4：预测用户在线时段及互动关系

目标：基于附件1的数据，预测指定用户在2024.7.23是否在线，若在线，预测其在线时段及每个时段内互动数最高的3位博主ID。

解题步骤：

用户在线状态预测：
- 与问题3类似，使用二分类模型预测用户是否在线。
用户在线时段预测：
- 特征工程：
  - 用户的历史活跃时段分布（如每日活跃时段占比）。
  - 用户最近7天的活跃时段。
- 模型选择：
  - 使用多分类模型（如随机森林、XGBoost）预测用户在线的时段（24个时段之一）。
  - 或使用时间序列模型预测用户活跃时段的概率分布。
用户互动博主预测：
- 特征工程：
  - 用户对每个博主的历史互动行为（按时段统计）。
  - 博主的内容质量（按时段统计）。
- 模型选择：
  - 对每个在线用户和时段，使用回归模型预测用户与每个博主的互动数。
  - 输入特征：用户对博主的历史互动行为（按时段）、博主的内容特征（按时段）等。
- 排序与选择：
  - 对每个在线用户和时段，按预测互动数排序，取前3位博主。

结果输出：

填写表4，格式如下：

	`用户ID U10 U1951 U1833 U26447`
	`博主ID 1 B1 B2 B3`
	`时段1 12:00-13:00 14:00-15:00 18:00-19:00`
	`博主ID 2 B4 B5 B6`
	`时段2 13:00-14:00 15:00-16:00 19:00-20:00`
	`博主ID 3 B7 B8 B9`
	`时段3 14:00-15:00 20:00-21:00 21:00-22:00`

模型优化与验证

交叉验证：
- 使用时间序列交叉验证（如滑动窗口法）验证模型性能。
评估指标：
- 问题1：RMSE、MAE（预测新增关注数）。
- 问题2：准确率、召回率、F1-score（预测新关注行为）。
- 问题3：AUC、准确率（预测在线状态），NDCG（预测互动博主）。
- 问题4：AUC（预测在线状态），NDCG（预测互动博主及时段）。
特征重要性分析：
- 使用SHAP值或特征重要性分析关键特征。