[发明专利]一种微信文章真实阅读率的预测方法、装置及设备

权利要求书

1.一种微信文章真实阅读率的预测方法，其特征在于，包括：

根据微信文章的静态数据和时间序列数据提取特征数据；

根据所述特征数据构建机器学习模型；

采用所述机器学习模型对微信文章真实阅读率进行预测。

2.根据权利要求1所述的方法，其特征在于，所述根据微信文章的静态数据提取特征数据，包括如下至少之一：

对所述静态数据中的分类变量进行独热编码，将所述分类变量转换为数值向量，将所述数值向量作为特征数据；

提取所述静态数据中的数值变量，将所述数值变量作为特征数据；

提取所述静态数据中的数值变量，根据所述数值变量构造特征数据。

3.根据权利要求1所述的方法，其特征在于，所述根据微信文章的时间序列数据提取特征数据，包括：

采用高通HP滤波的方式对所述时间序列数据进行处理；

基于HP滤波处理的结果构造特征数据。

4.根据权利要求3所述的方法，其特征在于，所述采用HP滤波的方式对所述时间序列数据进行处理，包括：

将所述时间序列数据按照时间顺序进行排序，采用插值法将所述时间序列数据处理成预设时间间隔的时间序列数据；

计算所述预设时间间隔的时间序列数据的差分序列；

对所述差分序列进行HP滤波处理，得到异常值及对应的时间位置；

采用平均值法消除异常值，得到HP滤波处理后的时间序列数据。

5.根据权利要求4所述的方法，其特征在于，所述基于HP滤波处理的结果构造特征数据，包括：

基于不同时间段异常值个数、不同时间段峰值个数和基于指定时间段是否出现峰值或异常值中的至少之一构建特征数据。

6.根据权利要求3所述的方法，其特征在于，所述方法还包括：

调整HP滤波的参数，重新基于HP滤波处理的结果构造特征数据。

7.根据权利要求1所述的方法，其特征在于，所述根据所述特征数据构建机器学习模型，包括：

对所述特征数据进行数据预处理；

根据微信文章的标签数据和经过数据预处理的特征数据构建分类模型；

按照分类模型对所述特征数据进行分组，对每组特征数据分别构建回归模型。

8.根据权利要求7所述的方法，其特征在于，所述根据微信文章的标签数据和经过数据预处理的特征数据构建分类模型，包括：

获取微信文章的标签数据，根据所述标签数据的分布特性生成分类标签数据；

根据所述特征数据和分类标签数据训练LightGBM分类模型。

9.根据权利要求8所述的方法，其特征在于，所述按照分类模型对所述特征数据进行分组，对每组特征数据分别构建回归模型，包括：

按照分类模型的分类标签数据将所述特征数据划分为两组；

分别针对两组特征数据训练LightGBM回归模型。

10.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分类模型和回归模型，所述采用所述机器学习模型对微信文章真实阅读率进行预测，包括：

对微信文章进行数据预处理；

将经过数据预处理的数据输入所述分类模型确定类别；

根据所述类别确定对应的回归模型，将所述经过数据预处理的特征数据输入对应的回归模型，输出微信文章真实阅读率。

11.一种微信文章真实阅读率的预测装置，其特征在于，包括：

特征提取模块，用于根据微信文章的静态数据和时间序列数据提取特征数据；

模型构建模块，用于根据所述特征数据构建机器学习模型；

预测模块，用于采用所述机器学习模型对微信文章真实阅读率进行预测。