[發明專利]短視頻流行度預測方法、系統、電子設備及存儲介質

在審

• 申請號: 202110206067.0
• 申請日: 2021-02-24
• 公開（公告）號: CN112883231A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 蔡君;張立安;劉燕;羅建楨;許迅妤
• 申請（專利權）人: 廣東技術師范大學
• 主分類號: G06F16/78
• 分類號: G06F16/78;G06F16/783;G06N3/04;G06N3/08
• 代理公司: 北京高航知識產權代理有限公司 11530
• 代理人: 趙永強

本發明涉及一種短視頻流行度預測方法、系統、電子設備及存儲介質，其方法包括：獲取短視頻數據，包括文本信息、社交信息、時間序列信息；特征提取，將文本信息進行特征提取為文本特征表示，將社交信息、時間序列信息轉成矩陣形式特征表示；將文本特征，將社交信息特征、時間序列信息特征轉成圖像三通道模式，對三通道的圖像進行特征提取；將時間序列信息矩陣的順序，按照與播放量序列的皮爾遜相關性系數的大小順序依次排列，對時間進行歸一化處理，將時間序列信息矩陣轉成單通道圖像；建立熱門短視頻預測模型進行短視頻流行度預測。解決了內部噪聲對短視頻的影響，對循環神經網絡LSTM的參數值充分利用，對流行度預測的準確值較好。

技術領域

本發明涉及視頻流行度預測技術領域，更具體地說，涉及一種短視頻流行度預測方法、系統、電子設備及存儲介質。

背景技術

在過去幾年，智能設備出現前所未有的增長，使得用戶能夠用短視頻的方式記錄生活上傳到社交媒體網站。短視頻在許多方面有巨大的潛力，如在線營銷，在線廣告，網絡緩存等。短視頻在最近幾年非常火爆，如當下的抖音，快手，嗶哩嗶哩視頻網站等。

在視頻的流行度預測上，目前的主流方法是對數線性方法，支持向量機回歸方法，自編碼器方法等。純基于早期流行度預測的代表對數線性方法預測效果并不好，沒有考慮冷啟動的問題。后來添加與短視頻信息相關的特征與早期的流行度一起預測流行度。支持向量機回歸方法使用與視頻視覺特征，賦予其權重的作用作為補充。自編碼器方法討論了內部噪聲對短視頻分析的不利影響，使用編碼器編碼視覺特征，社交特征等，編碼成隱藏表示Z，作為LSTM網絡的參數值，再使用早期流行度預測短視頻的流行度。以上方法并沒有解決好內部噪聲對短視頻的影響，對循環神經網絡 LSTM的參數值利用效果有限，對流行度預測的準確值較差。

因此，現有技術亟待有很大的進步。

發明內容

本發明要解決的技術問題在于現有技術中對循環神經網絡LSTM的參數值利用效果有限，對流行度預測的準確值較差，針對現有技術的上述的缺陷，本發明一方面提供一種短視頻流行度預測方法，包括：

S1、獲取短視頻數據，所述短視頻數據包括文本信息、社交信息、時間序列信息；

S2、對所述短視頻數據進行特征提取，將文本信息進行特征提取為文本特征表示，將社交信息、時間序列信息轉成矩陣形式特征表示；

S3、將所述文本特征，將社交信息特征、時間序列信息特征轉成圖像的RGB三通道模式，對三通道的圖像進行特征提取；

S4、將時間序列信息矩陣的順序，按照與播放量序列的皮爾遜相關性系數的大小順序依次排列，并對時間進行歸一化處理，將時間序列信息矩陣轉成單通道圖像；

S5、建立熱門短視頻預測模型，將單通道圖像輸入熱門短視頻預測模型進行短視頻流行度預測。

優選地，在所述對所述短視頻數據進行特征提取步驟之前還包括：

對所述短視頻數據進行清洗、填充。

優選地，所述步驟S3、將所述文本特征，將社交信息特征、時間序列信息特征轉成圖像的RGB三通道模式，對三通道的圖像進行特征提取進一步包括：

S31、使用Bi-RNN模型將文本信息進行特征提取為文本表示，轉成圖像的R通道；

S32、將社交信息進行填充為二維的矩陣形式，轉成圖像的G通道；

S33、將時間序列信息轉為時間矩陣的形式再進行降維，轉成圖像的B 通道。

優選地，所述皮爾遜相關性系數包括：