[發(fā)明專利]一種用于社交網(wǎng)絡(luò)事件的類人智能感知與預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111086853.8
• 申請(qǐng)日: 2021-09-16
• 公開(kāi)（公告）號(hào): CN113793227A
• 公開(kāi)（公告）日: 2021-12-14
• 發(fā)明（設(shè)計(jì)）人: 顧學(xué)海;賀成龍;梁增玉;譚夢(mèng)悅;張穎
• 申請(qǐng)（專利權(quán)）人: 中國(guó)電子科技集團(tuán)公司第二十八研究所;南京萊斯網(wǎng)信技術(shù)研究院有限公司
• 主分類號(hào): G06Q50/00
• 分類號(hào): G06Q50/00;G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 江蘇圣典律師事務(wù)所 32237
• 代理人: 于瀚文;胡建華

本發(fā)明提供了一種用于社交網(wǎng)絡(luò)事件的類人智能感知與預(yù)測(cè)方法，包括：步驟1，根據(jù)事件異步序列數(shù)據(jù)采集方法獲取事件異步序列訓(xùn)練集，并進(jìn)行預(yù)處理；步驟2，構(gòu)建雙向LSTM訓(xùn)練模型一體化架構(gòu)，對(duì)時(shí)間序列、事件序列進(jìn)行訓(xùn)練；步驟3，構(gòu)建異步序列的事件類人感知與預(yù)測(cè)模型，實(shí)現(xiàn)事件態(tài)勢(shì)類人智能感知與預(yù)測(cè)；步驟4，結(jié)合面向事件與結(jié)構(gòu)的協(xié)同流化的點(diǎn)過(guò)程在線更新算法，對(duì)異步序列的事件類人感知與預(yù)測(cè)模型進(jìn)行迭代更新，動(dòng)態(tài)調(diào)整預(yù)測(cè)模型。本發(fā)明適用于多種社交媒體突發(fā)事件的識(shí)別，可拓展性高，復(fù)用性好，開(kāi)發(fā)代價(jià)低，可根據(jù)業(yè)務(wù)需求多維度應(yīng)用。

技術(shù)領(lǐng)域

本發(fā)明涉及大數(shù)據(jù)人工智能領(lǐng)域，特別涉及一種用于社交網(wǎng)絡(luò)事件的類人智能感知與預(yù)測(cè)方法。

背景技術(shù)

時(shí)序點(diǎn)過(guò)程可以對(duì)眾多真實(shí)場(chǎng)景中產(chǎn)生的數(shù)據(jù)建模，這些數(shù)據(jù)都是多維異步事件數(shù)據(jù)，它們互相影響并在連續(xù)時(shí)間域上呈現(xiàn)出復(fù)雜的動(dòng)態(tài)規(guī)律。與同步時(shí)間序列等間隔采樣形成的離散特性不同的是，異步事件的時(shí)間戳處于連續(xù)時(shí)間域。對(duì)這些動(dòng)態(tài)過(guò)程的研究和其潛在關(guān)聯(lián)的挖掘?yàn)槲⒂^層面和宏觀層面的事件預(yù)測(cè)、溯源、因果推斷等應(yīng)用奠定基礎(chǔ)。充分挖掘利用人類感知與行為的異步性以及外部事件的異步性，發(fā)展面向異步序列的類人感知計(jì)算理論方法，有望顯著提高人工智能系統(tǒng)的能效、時(shí)效和功效。現(xiàn)有的時(shí)序點(diǎn)過(guò)程模型與方法在顯式參數(shù)化模型的成熟與豐富、結(jié)合深度學(xué)習(xí)的點(diǎn)過(guò)程模型的開(kāi)拓這兩方面取得了一定成果。然而在應(yīng)對(duì)異步序列固有的小樣本特性，特別是在高維情形下的數(shù)據(jù)稀疏性時(shí)，尚缺乏具有針對(duì)性的機(jī)器學(xué)習(xí)系統(tǒng)理論與方法，無(wú)法有效精細(xì)地刻畫(huà)連續(xù)時(shí)間域事件的動(dòng)態(tài)演化過(guò)程。

發(fā)明內(nèi)容

發(fā)明目的：針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明具體提供了一種用于社交網(wǎng)絡(luò)事件的類人智能感知與預(yù)測(cè)方法，包括如下步驟：

步驟1，采集社交網(wǎng)絡(luò)事件，如微博社交網(wǎng)絡(luò)事件采集信息包括事件名稱、事件內(nèi)容、事件熱度、不同時(shí)間段內(nèi)事件轉(zhuǎn)發(fā)數(shù)量、不同時(shí)間段內(nèi)事件評(píng)論數(shù)量、不同時(shí)間段內(nèi)事件點(diǎn)贊數(shù)量、不同網(wǎng)民評(píng)論內(nèi)容，對(duì)社交網(wǎng)絡(luò)事件中的事件異步序列數(shù)據(jù)進(jìn)行預(yù)處理，形成異步序列訓(xùn)練集，異步序列訓(xùn)練集包括時(shí)間序列訓(xùn)練集和時(shí)間序列訓(xùn)練集；

步驟2，構(gòu)建雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM(長(zhǎng)短期記憶網(wǎng)絡(luò)，Long Short-TermMemory)訓(xùn)練模型一體化架構(gòu)，對(duì)時(shí)間序列訓(xùn)練集、事件序列訓(xùn)練集進(jìn)行訓(xùn)練；

步驟3，根據(jù)步驟2訓(xùn)練后的事件異步序列數(shù)據(jù)，構(gòu)建異步序列的事件類人感知與預(yù)測(cè)模型，異步序列的事件類人感知與預(yù)測(cè)模型包括異步事件的事件特征和動(dòng)態(tài)特性學(xué)習(xí)，實(shí)現(xiàn)事件態(tài)勢(shì)類人智能感知與預(yù)測(cè)；

步驟4，結(jié)合面向事件與結(jié)構(gòu)的協(xié)同流化的點(diǎn)過(guò)程在線更新算法，對(duì)異步序列的事件類人感知與預(yù)測(cè)模型進(jìn)行迭代更新，動(dòng)態(tài)調(diào)整預(yù)測(cè)模型從而實(shí)現(xiàn)對(duì)社交網(wǎng)絡(luò)時(shí)間的預(yù)測(cè)。

步驟1包括如下步驟：

步驟1-1，對(duì)社交網(wǎng)絡(luò)事件中的事件異步序列數(shù)據(jù)通過(guò)基于內(nèi)容的過(guò)濾算法，構(gòu)建URL和內(nèi)容雙重過(guò)濾模型(該模型為現(xiàn)有技術(shù))，對(duì)URL進(jìn)行過(guò)濾，同時(shí)進(jìn)行內(nèi)容過(guò)濾處理，形成異步序列訓(xùn)練集；

步驟1-2，將內(nèi)容過(guò)濾處理后的事件異步序列數(shù)據(jù)記錄每個(gè)數(shù)據(jù)點(diǎn)間的時(shí)間間隔和每個(gè)時(shí)間點(diǎn)的時(shí)間戳，抽取時(shí)間序列和事件序列特征。

步驟1-2包括：

步驟1-2-1，對(duì)采集的事件異步序列數(shù)據(jù)中的離散值進(jìn)行編碼處理；

步驟1-2-2，對(duì)采集的事件異步序列數(shù)據(jù)中的連續(xù)值進(jìn)行歸一化處理，得到異步序列訓(xùn)練集；

步驟2包括如下步驟：

步驟2-1，利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)，有效抽取異步序列訓(xùn)練集的形態(tài)學(xué)特征，形成事件異步序列數(shù)據(jù)字符級(jí)別的表示特征；