[发明专利]预测事件流行度方法、服务器及计算机可读存储介质

说明书

本发明公开了一种预测事件流行度的方法，该方法包括：将社交网站的用户关系结构抽象成节点图；获取所述社交网站某个时刻事件，并在所述节点图上对所述事件可能传播的序列进行采样；建立基于门控循环单元的双循环神经网络模型；将所述采样的序列输入至所述基于门控循环单元的双循环神经网络模型；通过所述基于门控循环单元的双循环神经网络模型输出预测得到所述事件的影响度。本发明还提供一种服务器及计算机可读存储介质。本发明提供的预测事件流行度方法、服务器及计算机可读存储介质能够预测事件未来的流行度，为决策者提供科学的信息支持。

技术领域

本发明涉及互联网技术领域，尤其涉及一种预测事件流行度方法、服务器及计算机可读存储介质。

背景技术

随着互联网以及移动终端的快速发展，社交媒体已经逐渐成为人们生活中不可缺少的一部分，也成为了这个时代信息传播的主要渠道。同时，社交媒体也是舆情传播的重要途径。在一个事件的早期发展阶段，预测这个事件将来的流行度，具有重大的意义。针对复杂网络的结构和信息扩散的模式，提出端到端的社交媒体事件热度预测方法，该方法通过对信息传播模式的学习，从而预测事件未来的流行度，为决策者提供科学的信息支持。

发明内容

有鉴于此，本发明提出一种预测事件流行度方法、服务器及计算机可读存储介质，以解决如何的问题。

首先，为实现上述目的，本发明提出一种预测事件流行度方法，该方法包括步骤：

将社交网站的用户关系结构抽象成节点图；

获取所述社交网站某个时刻事件，并在所述节点图上对所述事件可能传播的序列进行采样；

建立基于门控循环单元的双循环神经网络模型；

将所述采样的序列输入至所述基于门控循环单元的双循环神经网络模型；

通过所述基于门控循环单元的双循环神经网络模型输出预测得到所述事件的影响度。

可选地，所述将所述采样的序列输入至所述基于门控循环单元的双循环神经网络模型的步骤，具体包括如下步骤：

将所述节点图的每个节点映射成向量；

将每个节点传播的关于所述事件的文本内容映射成向量；

将所述每个节点映射成的向量以及所述每个节点传播的文本内容映射成的向量连接成序列向量作为双向循环神经网络模型的输入。

可选地，所述通过所述基于门控循环单元的双循环神经网络模型输出预测得到所述事件的影响度的步骤，具体包括：

使用注意力(attention)机制将图的序列向量转化成向量图的表示；

使用全连接层输出最终预测结果。

可选地，在所述节点图上对所述事件可能传播的序列进行采样的步骤，具体包括如下步骤：

采用随机游走对所述事件可能传播的序列进行采样；

计算在随机游走中正在访问的节点转移到邻居节点的概率；

根据马尔科夫性质及所述概率，采样出不同的节点转移序列。

可选地，所述方法还包括：

设定一预设时间；

当到达所述预设时间时，输出关于所述事件的热度预测结果；

设定一预设人数值；

当所述事件的影响人数达到所述预设人数时，输出关于所述事件的热度预测结果。