[發明專利]一種用于社交網絡事件的類人智能感知與預測方法

在審

• 申請號: 202111086853.8
• 申請日: 2021-09-16
• 公開（公告）號: CN113793227A
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 顧學海;賀成龍;梁增玉;譚夢悅;張穎
• 申請（專利權）人: 中國電子科技集團公司第二十八研究所;南京萊斯網信技術研究院有限公司
• 主分類號: G06Q50/00
• 分類號: G06Q50/00;G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 于瀚文;胡建華

1.一種用于社交網絡事件的類人智能感知與預測方法，其特征在于，包括如下步驟：

步驟1，采集社交網絡事件，對社交網絡事件中的事件異步序列數據進行預處理，形成異步序列訓練集，異步序列訓練集包括時間序列訓練集和時間序列訓練集；

步驟2，構建雙向長短期記憶神經網絡LSTM訓練模型一體化架構，對時間序列訓練集、事件序列訓練集進行訓練；

步驟3，根據步驟2訓練后的事件異步序列數據，構建異步序列的事件類人感知與預測模型，異步序列的事件類人感知與預測模型包括異步事件的事件特征和動態特性學習，實現事件態勢類人智能感知與預測；

步驟4，結合面向事件與結構的協同流化的點過程在線更新算法，對異步序列的事件類人感知與預測模型進行迭代更新，動態調整預測模型從而實現對社交網絡時間的預測。

2.根據權利要求1所述的方法，其特征在于，步驟1包括如下步驟：

步驟1-1，對社交網絡事件中的事件異步序列數據通過基于內容的過濾算法，構建URL和內容雙重過濾模型，對URL進行過濾，同時進行內容過濾處理，形成異步序列訓練集；

步驟1-2，將內容過濾處理后的事件異步序列數據記錄每個數據點間的時間間隔和每個時間點的時間戳，抽取時間序列和事件序列特征。

3.根據權利要求2所述的方法，其特征在于，步驟1-2包括：

步驟1-2-1，對采集的事件異步序列數據中的離散值進行編碼處理；

步驟1-2-2，對采集的事件異步序列數據中的連續值進行歸一化處理，得到異步序列訓練集。

4.根據權利要求3所述的方法，其特征在于，步驟2包括如下步驟：

步驟2-1，利用卷積神經網絡CNN，抽取異步序列訓練集的形態學特征，形成事件異步序列數據字符級別的表示特征；`

步驟2-2，使用雙向長短期記憶神經網絡LSTM，利用事件信息前面和后面的上下文信息，捕獲事件信息隨時間的演化信息；

步驟2-3，將事件信息和事件異步序列數據字符特征送入雙向長短時記憶網絡Bi-LSTM，抽取時間序列特征；將雙向長短時記憶網絡Bi-LSTM的輸出送入條件隨機場CRF提取序列標注，得到訓練后的事件異步序列數據。

5.根據權利要求4所述的方法，其特征在于，步驟3包括：

步驟3-1，異步序列的事件類人感知與預測模型包括面向小樣本的異步序列點過程學習、面向刪失事件序列的自動推斷與學習；

步驟3-2，面向小樣本的異步序列點過程學習：通過反向傳播算法訓練結構化點過程模型，調整損失函數參數，結合判別式學習優化參數化點過程模型；

步驟3-3，進行面向刪失事件序列的自動推斷與學習；

步驟3-4，基于事件序列聚類與分割的低代價點過程學習。

6.根據權利要求5所述的方法，其特征在于，步驟3-2包括：

步驟3-2-1，面向小樣本的異步序列點過程學習是指將事件異步序列分為三部分：訓練序列、驗證序列和測試序列；通過訓練時間序列和事件序列進行極大似然估計，結合訓練序列和驗證序列，通過極小化均方誤差MSE得到：

其中為事件異步序列服從的分布，Y_θ是服從的點過程的預測模型，L_mse為事件異步序列的均方根誤差；表示真實的驗證序列，表示預測的驗證序列，表示真實的驗證序列1至p的均值；通過預測的驗證序列和真實的驗證序列的均方根誤差作為事件異步序列的判別損失；

步驟3-2-2，損失函數L_GAN的計算如下：將損失函數分為兩部分，即對判別器和生成器的交替訓練，事件序列的生成式對抗網絡損失函數L_GAN如下所示：

步驟3-1-3，得到對應異步序列的事件類人感知與預測模型的損失函數L_mix為：

L_mix＝δL_GAN+(1-δ)L_mse

其中δ表示權重。