[发明专利]热门资源的预测方法、装置、设备及存储介质

权利要求书

1.一种热门资源的预测方法，其特征在于，所述方法包括：

针对于发行时间与当前时间之间的时间间隔小于第一时间阈值的资源，获取多个资源的第一特征，所述第一特征包括资源的标签数量、价格、发行时长、评测数量、访问数量中的一项或多项；调用机器学习模型，所述机器学习模型用于根据资源的第一特征对资源的第二特征进行预测，所述第二特征能够表示资源的热门程度；将所述多个资源的第一特征输入所述机器学习模型，输出每个资源的第二特征；根据每个资源的第二特征，对所述多个资源进行排序；将所述多个资源中排在前第一数目的资源输出为热门资源；

针对于发行时间与当前时间之间的时间间隔大于第二时间阈值且在上一个统计周期具有所述第二特征的资源，对所述资源在当前统计周期的第二特征的平均值以及上一个统计周期的第二特征的平均值进行对比，得到所述资源的环比增长率，所述第二时间阈值不小于所述第一时间阈值；按照环比增长率从大到小的顺序，对多个资源进行排序；将所述多个资源中排在前第二数目的资源输出为热门资源；

针对于发行时间与当前时间之间的时间间隔大于所述第二时间阈值且在上一个统计周期不具有所述第二特征的资源，选取发行时间点位于当前统计周期的多个资源，并获取每个资源在当前统计周期的第二特征的平均值；对所述多个资源按照平均值从大到小的顺序排序；将所述多个资源中排在前第三数目的资源输出为热门资源。

2.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括多个回归树，所述将所述多个资源的第一特征输入所述机器学习模型，输出每个资源的第二特征，包括：

对于所述多个资源中的每个资源，将所述资源的第一特征输入所述多个回归树，得到每个回归树的预测结果；

获取所述多个回归树的预测结果之和，作为所述资源的第二特征。

3.根据权利要求2所述的方法，其特征在于，每个回归树包括一个或多个非叶子节点、多个分支以及多个叶子节点，所述非叶子节点为第一节点、第二节点、第三节点、第四节点或第五节点；

所述第一节点用于根据标签数量进行分类，所述第一节点的每个分支表示标签数量的一个取值范围；

所述第二节点用于根据价格进行分类，所述第二节点的每个分支表示价格的一个取值范围；

所述第三节点用于根据发行时长进行分类，所述第三节点的每个分支表示发行时长的一个取值范围；

所述第四节点用于根据评测数量进行分类，所述第四节点的每个分支表示评测数量的一个取值范围；

所述第五节点用于根据访问数量进行分类，所述第五节点的每个分支表示访问数量的一个取值范围；

所述将所述资源的第一特征输入所述多个回归树，得到每个回归树的预测结果，包括：

对于所述多个回归树中的每个回归树，根据所述资源的第一特征在所述回归树中经过的目标非叶子节点以及目标分支，确定所述资源对应的目标叶子节点；

将所述目标叶子节点表示的预测结果，获取为所述回归树的预测结果。

4.根据权利要求2或3所述的方法，其特征在于，

所述第二特征为所述资源的销量，所述多个回归树中第一个回归树的预测结果表示销量的预测值，所述多个回归树中第n个回归树的预测结果表示销量的预测误差，所述预测误差为第1个回归树至第n-1个回归树的误差之和，所述n为大于1的正整数；或者，

所述第二特征为所述资源的在线用户数量，所述多个回归树中第一个回归树的预测结果表示在线用户数量的预测值，所述多个回归树中第n个回归树的预测结果表示在线用户数量的预测误差。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多个资源类型的第三特征以及第四特征，所述第三特征能够表示厂商对资源类型的偏好程度，所述第四特征能够表示用户对资源类型的偏好程度；

根据每个资源类型的第三特征以及第四特征，生成目标图像，所述目标图像的第一坐标轴表示所述第三特征，所述目标图像的第二坐标轴表示所述第四特征；

输出所述目标图像。