[发明专利]一种文章热度预测系统及预测方法

权利要求书

1.一种文章热度预测系统，其特征在于，包括：

获取模块，用于获取该文章在当前时刻之前的多个连续预定时间长度内的数据信息，并将获取的数据信息传送至映射模块；

映射模块，用于接收获取模块的数据信息，将数据信息转化成对应的向量数据序列，并将向量数据序列传送至回归模型建立模块；

回归模型建立模块，用于根据映射模块传送过来的向量数据序列建立对应预定时间长度内该文章热度值的回归模型；

LSTM预测模块，利用当前时刻之前的多个连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。

2.根据权利要求1所述的文章热度预测系统，其特征在于：所述获取模块获取的信息包括该文章的阅读量信息、转发量信息、点赞量信息、评论量信息和引用量信息中的一种或多种。

3.根据权利要求1所述的文章热度预测系统，其特征在于：所述获取模块获取该文章在当前时刻之前的两个连续预定时间长度内的数据信息；所述LSTM预测模块利用当前时刻之前的两个连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。

4.根据权利要求1所述的文章热度预测系统，其特征在于：所述获取模块获取该文章在当前时刻之前的两个以上连续预定时间长度内的数据信息；所述LSTM预测模块利用当前时刻之前的两个以上连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。

5.根据权利要求1所述的文章热度预测系统，其特征在于：所述LSTM模块中的神经网络采用如下向前算法公式：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

o_t＝σ(W_o[h_t-1，x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中，i_t，f_t，o_t和c_t分别代表t时刻输入门、记忆门、输出门和核心门所对应的状态量；对于每一个逻辑门，W_i，W_f，W_o和W_c分别代表输入门、记忆门、输出门和核心门所对应的权重转移矩阵；h_t-1为t-1时刻隐藏层变量，b_i,b_f,b_o,b_c则代表输入门、记忆门、输出门和核心门所对应偏置向量。

6.根据权利要求1所述的文章热度预测系统，其特征在于：所述获取模块与映射模块相连，映射模块与回归模型建立模块相连，回归模型建立模块与LSTM预测模块相连，LSTM预测模块的输出端与显示器相连。

7.根据权利要求1所述的文章热度预测系统，其特征在于：所述LSTM模块为加载有如权利要求5功能程序的计算机或者移动智能终端。

8.一种利用权利要求1所述的文章热度预测系统的文章热度预测方法，其特征在于，包括以下步骤：

A.获取该文章在当前时刻之前的多个连续预定时间长度内的数据信息；

B.将获取的数据信息转化成对应的向量数据序列；

C.根据步骤B中的向量数据序列建立对应预定时间长度内该文章热度值的回归模型；

D.利用建立的对应预定时间长度内的该文章热度值进行LSTM运算，预测当前时刻该文章的热度值。