[发明专利]一种基于TS-LSTM和DNN的微博转发量预测方法

权利要求书

1.一种基于TS-LSTM和DNN的微博转发量预测方法，其特征在于，所述于TS-LSTM和DNN的微博转发量预测方法包括：

利用用户所发布的所有微博作为源数据，提取出用户活跃粉丝数，关注数，用户是否认证，会员等级，微博发布时间，微博图片数量，微博是否有视频，微博是否有链接，是否包含主题以及微博特相似度的特征作为输入，微博转发数量量级作为输出，建立TS-LSTM的预测模型，预测出指定微博的转发指数；

根据用户自身影响力、用户粉丝影响力、用户与粉丝的微博特征相似度、微博特征以及预测出的转指定微博的转发指数的特征作为输入，以活跃粉丝是否会转发作为输出，最后统计会转发的数量得出预测目标微博最终转发量级；

TS-LSTM预测模型中，加入两个控制门，前一时刻的细胞状态C^(t-1)和输出的h^(t-1)进入当前时刻时会先进入ts门，ts门是微博相似度的余弦函数，ts值大于0时：进入遗忘门输入门依次更新细胞状态最后得到C^(t)和h^(t)；当ts值小于0时：细胞状态直接输出上一时刻的细胞状态和上一时刻的隐藏层状态即C^(t)＝C^(t-1)，h^(t)＝h^(t-1)；

具体包括：

输入：用户活跃粉丝数、关注数、用户是否认证、会员等级、微博发布时间、微博图片数量、微博是否有视频、微博是否有链接、是否包含主题以及微博特相似度10类特征；

输出：微博转指数LSTM_P为1-10级对应区间，包括：

转发指数LSTM_P对应该条微博转发量，

10个数量级对应：

[0，10]，[10，50]，[50，100]，[100，300]，[300，600]，[600，1000]，[1000，1500]，[1500，2000]，[2000，5000]，[5000，+∞]；

LSTM模型包括：

ts判断门；改进的判断控制函数ts，

当判断的ts值大于0时：按照原来LSTM依次更新细胞状态；当ts值小于0时：细胞状态直接输出上一时刻的细胞状态和上一时刻的隐藏层状态；

LSTM的遗忘门：输入是前一时刻的隐藏状态h^(t-1)和本序列数据X^(t)，通过的激活函数提出ts函数，得到遗忘门输出：

f^(t)＝ts(θ)*δ(W_fh^(t-1)+U_fX^(t)+b_f)，

其中W_f、U_f、b_f是线性关系的系数和偏倚，X^(t)是10个转发指数LSTM_P对应的微博转发量级；

LSTM的输入门：包括i^(t)和a^(t)，

i^(t)＝ts(θ)*δ(W_ih^(t-1)+U_iX^(t)+b_i)，

a^(t) ＝ts(θ)*δ(W_ah^(t-1+U_aX^(t)+b_a)，

W_i、U_i、b_i、W_a、U_a、b_a是线性关系的系数和偏倚；

LSTM的细胞状态更新：

细胞状态更新C^(t)有两部分组成：遗忘门输出f^(t)和C^(t-1)的乘积、输入门i^(t)和a^(t)的乘积；

C^(t)＝C^(t-1)⊙f^(t)+i^(t)⊙a^(t)

其中⊙是Hadamard积；

LSTM的输出门：

o^(t)＝ts(θ)*δ(W_oh^(t-1)+U_oX^(t)+b_o)

h^(t)＝o^(t)⊙tanh(C^(t))。