[发明专利]一种预测图片流行度的方法及系统

说明书

技术领域

本发明涉及数据分析领域，特别涉及一种预测图片流行度的方法、系统和一种计算机可读存储介质及服务器。

背景技术

信息技术的飞速发展推动了社交媒体的流行，社交媒体改变了人们交互的方式。用户主要通过发送图片的方式，在社交媒体平台分享自己的生活和经历。因此，社交媒体积累了海量的图片数据。然而，这些图片的流行度不尽相同。不同知名度的用户所发的图片的流行度相差甚远，同一用户发的图片的流行度也不同。许多领域的应用，例如新闻个性化推荐系统的设计，网上广告的投放等等，都得益于社交媒体图片流行度预测这一课题研究。

现有技术中，基于循环神经网络的社交网络消息爆发检测是对社交网络中用户发布与转发的历史消息的分类预测，判断消息是否爆发。该现有技术只涉及到对社交媒体上面的文本信息的预测，无法实现对社交图片流行度的精准预测。

因此，如何实现对社交图片流行度进行精准预测，是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种预测图片流行度的方法、系统和一种计算机可读存储介质及服务器，能够实现对社交图片流行度进行精准预测。

为解决上述技术问题，本申请提供一种预测图片流行度的方法，该方法包括：

步骤1：对接收的源数据进行预处理得到特征样本；其中，所述特征样本包括视觉特征和社交特征；

步骤2：对所述特征样本按照预设比率进行随机失活处理，得到第一输入特征；

步骤3：利用预设数个回归模型对所述输入特征进行预测操作得到中间预测结果，并将所述中间预测结果与所述第一输入特征进行组合得到第二输入特征；

步骤4：根据所述第二输入特征判断深度堆叠回归模型是否收敛；若否，则将所述中间预测结果与所述第二输入特征组合得到第三输入特征，并将所述第三输入结果作为新的所述特征样本进入步骤2；若是，则进入步骤5；

步骤5：根据所述中间预测结果生成相对应的所述图片流行度。

可选的，所述对接收的源数据进行预处理得到特征样本包括：

将所述源数据划分为图片数据和社交数据；

利用人工神经网络对所述图片数据进行特征提取得到所述视觉特征；

利用多时态标度和Z-score(标准分数)标准化对所述社交数据进行转化得到所述社交特征；

将所述视觉特征和所述社交特征按预设规则拼接得到所述特征样本。

可选的，所述利用人工神经网络对所述图片数据进行特征提取得到所述视觉特征包括：

利用人工神经网络对所述图片数据进行两级特征提取得到低级特征和高级特征；

将所述低级特征和所述高级特征进行组合得到所述视觉特征。

可选的，所述利用人工神经网络对所述图片数据进行两级特征提取得到低级特征和高级特征包括：

在ImageNet数据集和Place365数据集上训练得到ResNeXt模型，Xception模型和DenseNet模型；其中，所述ResNeXt模型、Xception模型和DenseNet模型均为人工神经网络；

将所述图片数据输入到所述ResNeXt模型、Xception模型和DenseNet模型中，并将所述ResNeXt模型、Xception模型和DenseNet模型最后一层之前的特征图的值提取并经过特征压缩和特征选择得到所述低级特征；

将所述ResNeXt模型、Xception模型和DenseNet模型对图片预测的场景信息和类别信息连接得到所述高级特征。

本申请还提供了一种预测图片流行度的系统，该系统包括：

预处理模块，用于对接收的源数据进行预处理得到特征样本；其中，所述特征样本包括视觉特征和社交特征；

Dropout模块，用于对所述特征样本按照预设比率进行随机失活处理，得到第一输入特征；

Block模块，用于利用预设数个回归模型对所述第一输入特征进行预测操作得到中间预测结果，并将所述中间预测结果与所述输入特征进行组合得到第二输入特征；

Detector模块，用于根据所述第二输入特征判断深度堆叠回归模型是否收敛；若否，则将所述中间预测结果与所述第二输入特征组合得到第三输入特征，并将所述第三输入结果作为新的所述特征样本进入下一层堆叠回归模型；若是，则根据所述中间预测结果生成相对应的所述图片流行度。

可选的，所述预处理模块包括：

分类子模块，用于将所述源数据划分为图片数据和社交数据；