[发明专利]一种基于深度信念网络的视频热度预测方法及其系统

说明书

本发明提供了一种基于深度信念网络的视频热度预测方法，包括：根据视频特征选择输入变量并对影响因子进行归一量化，以对训练数据进行预处理；根据所选择的输入变量以及特征重构误差确定单层的限制性玻尔兹曼机重构维数，并通过多层限制性玻尔兹曼机的堆叠和一层BP神经网络以构成深度信念网络；通过全局学习算法对所述深度信念网络进行调整，以获取最优视频预测模型；将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析以及观看量预测分析。本发明还提供了一种基于深度信念网络的视频热度预测系统。本发明提出了一种基于深度信念网络的在线视频预测模型，将深层神经网络应用于在线视频预测领域，且能提高预测的准确度和可靠性。

技术领域

本发明涉及互联网技术领域，尤其涉及一种基于深度信念网络的视频热度预测方法及其系统。

背景技术

视频点播量预测在互联网数据挖掘领域中有着重要的作用，点播量高的视频(尤其是电影和电视剧)能够提高广告的播放量，提前预测出视频的点播量已在广告业务扩展方面有着广泛的应用。

目前，对视频类资源点播量的预测一般都采用基于历史点播数据预测方法或者基于人工方法预测，采用基于历史点播数据预测方法需要在视频播出一段时间后才能进行预测，而不能在视频上线之前对点播量进行预测，采用基于人工方法预测严重依赖人的经验，预测结果往往存在误差较大的问题，进而导致预测结果不准确。

因此，亟需设计一种视频热度的预测方法，以提高预测的准确度和可靠性。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度信念网络的视频热度预测方法及其系统，旨在解决现有技术中视频热度预测的准确度和可靠性较低的问题。

本发明提出一种基于深度信念网络的视频热度预测方法，包括：

根据视频特征选择输入变量并对影响因子进行归一量化，以对训练数据进行预处理；

根据所选择的输入变量以及特征重构误差确定单层的限制性玻尔兹曼机重构维数，并通过多层限制性玻尔兹曼机的堆叠和一层BP神经网络以构成深度信念网络；

通过全局学习算法对所述深度信念网络进行调整，以获取最优视频预测模型；

将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析以及观看量预测分析。

优选的，所述输入变量具体包括视频的出品年份、国家地区、视频角标、放映电视台、视频类型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力以及百度搜索指数。

优选的，所述深度信念网络包括深度信念网络的网络输入层、限制性玻尔兹曼机网络层以及输出层。

优选的，所述对所述深度信念网络进行调整包括调整限制性玻尔兹曼机网络层的层数、重构维度以及权重参数，以优化网络参数和预测模型。

另一方面，本发明还提供一种基于深度信念网络的视频热度预测系统，包括：

预处理模块，用于根据视频特征选择输入变量并对影响因子进行归一量化，以对训练数据进行预处理；

网络构建模块，用于根据所选择的输入变量以及特征重构误差确定单层的限制性玻尔兹曼机重构维数，并通过多层限制性玻尔兹曼机的堆叠和一层BP神经网络以构成深度信念网络；

模型获取模块，用于通过全局学习算法对所述深度信念网络进行调整，以获取最优视频预测模型；

预测分析模块，用于将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析以及观看量预测分析。

优选的，所述输入变量具体包括视频的出品年份、国家地区、视频角标、放映电视台、视频类型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力以及百度搜索指数。