[發明專利]預測微博事件熱度的方法及裝置

在審

• 申請號: 201710059472.8
• 申請日: 2017-01-24
• 公開（公告）號: CN106897388A
• 公開（公告）日: 2017-06-27
• 發明（設計）人: 李建欣;鐘盛海;李晨;彭浩;張日崇
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06N3/08
• 代理公司: 北京同立鈞成知識產權代理有限公司11205
• 代理人: 楊澤,劉芳

1.一種預測微博事件熱度的方法，其特征在于，包括：

獲取與微博事件相關聯的K個第一關鍵詞，并獲取各第一關鍵詞各自在當前日的當前熱度值；其中，K≥2，且K為正整數；

以各所述當前熱度值作為輸入，通過基于門控循環單元GRU的循環神經網絡模型預測得到所述微博事件在下一日的目標熱度值。

2.根據權利要求1所述的方法，其特征在于，所述基于GRU的循環神經網絡模型包括輸入層、隱藏層和輸出層，所述GRU為隱藏層節點；

在所述以各當前熱度值作為輸入，通過GRU的循環神經網絡模型預測得到所述微博事件在下一日的目標熱度值之前，所述方法還包括：

獲取各所述第一關鍵詞在多個歷史日各自對應的熱度值h_n，k，n＝1，2……N，N為正整數，k＝1，2……K；其中，h_n，_k表示第k個關鍵詞在所述當前日之前的前n天的熱度值；

根據所述第一關鍵詞的熱度值h_n，k，采用基于GRU的循環神經網絡模型學習得到目標預測參數，其中，所述目標預測參數包括：所述輸入層的節點和所述GRU之間的第一目標連接權重、GRU和所述輸出層的節點之間的第二目標連接權重和GRU的目標向量參數；

相應地，所述以各當前熱度值作為輸入，采用基于GRU的循環神經網絡模型預測得到所述微博事件在下一日的目標熱度值，包括：

以各當前熱度值作為輸入，根據所述目標預測參數，通過基于GRU的循環神經網絡模型預測得到所述微博事件在下一日的目標熱度值。

3.根據權利要求2所述的方法，其特征在于，所述輸入層的節點為K個，所述GRU為M個，所述輸出層節點為1個，其中，K＝M；

所述根據所述第一關鍵詞的熱度值h_n，k，采用基于GRU的循環神經網絡模型學習得到目標預測參數，包括：

根據所述基于GRU的循環神經網絡模型的第n-1次學習時的輸出與h_N-n+1，k的實際權重平均的平方誤差，采用誤差反向傳播算法對第n-1次學習時對應的第一連接權重w_n-1,k,m、第二連接權重w_n-1,m,o和GRU的向量參數進行更新，得到第n次學習時對應的第一連接權重w_n,k,m、第二連接權重w_n,m,o和GRU的向量參數；其中，所述第n-1次學習時的輸出為h_N-n+1，k的預測權重平均，w_n,k,m表示第n次學習時對應的第k個輸入節點與第m個GRU之間的第一連接權重，w_n,m,o表示第n次學習時第m個GRU與輸出層節點之間的第二連接權重，m＝1,2……M；

以h_N-n+1，k作為第n次學習時的輸入，以h_N-n，k的實際權重平均作為第n次學習時的期望輸出，根據得到的第n次學習時的第一連接權重w_n,k,m、第二連接權重w_n,m,o和GRU的向量參數，采用基于GRU的循環神經網絡模型學習得到的h_N-n，k的預測權重平均；

根據h_N-n，k的預測權重平均與h_N-n，k的實際權重平均的平方誤差，采用誤差反向傳播算法對第n次學習時對應的第一連接權重w_n,k,m、第二連接權重w_n,m,o和GRU的向量參數進行更新，得到第n+1次學習時第一連接權重w_n+1,k,m、第二連接權重w_n+1,m,o和GRU的向量參數；

重復執行更新相應學習次數對應的第一連接權重、第二連接權重和GRU的向量參數的操作，直至學習次數達到N次，將對第N次學習時對應的GRU的向量參數和第一連接權重w_N,k,m、第二連接權重w_N,m,o進行更新后得到的第一連接權重w_N+1,k,m、第二連接權重w_N+1,m,o和GRU的向量參數作為所述目標預測參數。