[发明专利]基于多平台的网络事件流行度预测方法与系统

权利要求书

1.一种基于多平台的网络事件流行度预测方法，其特征在于，包括：

步骤1，分别获取多个平台的网络事件的流行度预测序列，并融合所述多个流行度预测序列形成所述网络事件的流行度联合预测序列；

步骤2，分别获取所述多个平台的网络事件的流行度历史序列，并融合所述多个流行度历史序列形成所述网络事件的流行度联合历史序列；

步骤3，利用生成式对抗网络将所述流行度联合预测序列与所述流行度联合历史序列进行对齐，得到所述网络事件的流行度最终预测序列；

所述步骤1中的分别获取多个平台的网络事件的流行度预测序列包括：

步骤11，将各个所述平台的所述网络事件在时序上按照固定时间间隔进行划分以形成多个事件片段，并提取各个所述事件片段的多个维度特征；

步骤12，分别提取各个所述事件片段的所述多个维度特征中的相同维度特征以形成多个维度时序特征，并融合所述多个维度时序特征得到所述网络事件的统一特征；

步骤13，根据所述统一特征得到所述网络事件的流行度预测序列。

2.如权利要求1所述的基于多平台的网络事件流行度预测方法，其特征在于，所述生成式对抗网络采用WGAN-gp网络。

3.如权利要求1所述的基于多平台的网络事件流行度预测方法，其特征在于，所述步骤11中的提取各个所述平台的所述网络事件对应的各个所述事件片段的多个维度特征包括：

步骤111，利用卷积神经网络对所述事件片段的多个维度特征进行卷积，得到对应的所述事件片段的多个维度特征的一维向量表示；

步骤112，利用注意力机制计算得到所述事件片段的多个维度特征中的不同维度特征的权重。

4.如权利要求1所述的基于多平台的网络事件流行度预测方法，其特征在于，各个所述事件片段包括多篇文档。

5.如权利要求1所述的基于多平台的网络事件流行度预测方法，其特征在于，所述多个维度特征包括实数型、文本型和离散型。

6.如权利要求1所述的基于多平台的网络事件流行度预测方法，其特征在于，所述步骤12包括：

步骤121，利用循环神经网络提取各个所述事件片段的所述多个维度特征中的相同维度特征以形成所述多个维度时序特征；

步骤122，利用注意力机制计算得到各个所述事件片段的所述多个维度特征中的相同维度特征的权重；

步骤123，利用多头注意力机制计算得到所述多个维度时序特征的权重，根据所述权重融合所述多个维度时序特征得到所述网络事件的统一特征。

7.如权利要求1所述的基于多平台的网络事件流行度预测方法，其特征在于，所述步骤1中的融合所述多个流行度预测序列形成所述网络事件的流行度联合预测序列包括：

利用多头注意力机制计算得到各个所述流行度预测序列的权重，根据所述权重融合所述多个流行度预测序列形成所述网络事件的流行度联合预测序列。

8.一种基于多平台的网络事件流行度预测系统，其特征在于，包括：

单平台预测模块，用于分别获取多个平台的网络事件的流行度预测序列，并融合所述多个流行度预测序列形成所述网络事件的流行度联合预测序列；

单平台历史模块，用于分别获取所述多个平台的网络事件的流行度历史序列，并融合所述多个流行度历史序列形成所述网络事件的流行度联合历史序列；

多平台预测模块，用于利用生成式对抗网络将所述流行度联合预测序列与所述流行度联合历史序列进行对齐，得到所述网络事件的流行度最终预测序列；

所述单平台预测模块包括：

片段特征提取模块，用于将各个所述平台的所述网络事件在时序上按照固定时间间隔进行划分以形成多个事件片段，并提取各个所述事件片段的多个维度特征；

事件特征获取模块，用于分别提取各个所述事件片段的所述多个维度特征中的相同维度特征以形成多个维度时序特征，并融合所述多个维度时序特征得到所述网络事件的统一特征；

事件流行度预测模块，用于根据所述统一特征得到所述网络事件的流行度预测序列。