[发明专利]基于SFT-ALS的时间序列粉丝涨幅预测方法

说明书

基于SFT‑ALS的时间序列粉丝涨幅预测方法，步骤1，获取用户基础数据；步骤2，提取基础数据特征，包括：每日的视频更新量、粉丝量、视频点赞量、视频收藏量、视频播放量、粉丝的平均增长率和粉丝时序信号的SFT特征；步骤3，对特征进行归一化处理；步骤4，将经特征处理后的特征集组成混合矩阵送入ALS模型中进行矩阵分解，并重构混合矩阵；步骤5，使用遗传算法寻优得到最优低维矩阵的维数k；步骤6，将训练获得的粉丝涨幅模型嵌入平台系统中，并实际应用。本发明提出了基于SFT‑ALS的时间序列粉丝涨幅预测方法。通过提取和粉丝涨幅有关的各类时序特征结合ALS模型对粉丝涨幅进行预测分析，揭示各文创工作者在文创发展过程中存在的规律与特点。

技术领域

本发明涉及粉丝涨幅预测领域，特别是涉及基于SFT-ALS的时间序列粉丝涨幅预测方法。

背景技术

大数据技术起源于20世纪90年代，理论随着谷歌公开发表两篇论文《谷歌文件系统》和《基于集群的简单数据处理:MapReduce》成熟于2008年，之后此项技术广泛应用于商业、科技、医疗、政府、教育、经济、交通、物流及社会的各个领域。随着数据理论不断成熟，数据获取方式不断进步，数据研究工具不断完善，数据的分析工作由大型公司转为小型团队成为可能。

因而我们希望通过这个项目将科技的力量投放到文化创造中去。目前各流量平台(例如：抖音、快手、哔哩哔哩)上的文化创作者在面对大量观众与大量富有竞争力的其他文创工作者时，他们不得不选择那些自带流量的题材，并通过多样化呈现方式、艺术化表现手法等方式打造个性化的内容，来提高个体ip的辨识度。我们不难发现一个好的文创作品的工作量繁重，难度巨大。首先，文创工作者们为了选择一个合适的题材，他们不得不每日琢磨观众喜好并且还需发现并利用好当下热点素材的素质。其次，为了提高观众对文创工作者的内容接受度与满意度，文创工作者们不得不花费大量时间来“包装”内容，使之变得更加趣味性，让观众更容易接受。再者，当下流量平台大都有一套内容推送方式，而这种方式只会将易使观众接受的内容优先推送，从而让文创工作者面临着目标观众黏度低，内容收益不稳定的困境。尤其使随着个体文创工作者的大量涌入，必然会出现文创作品的内容相似度高，风格辨识度低，观众群体极不稳、个人IP难以被发掘等问题。

本系统通过对个人IP的定制化分析来为文创工作者提供更加科学实际的分析，为文创工作者定制创作路线提供了科学依据。

发明内容

为解决上述问题，本发明在系统平台采集数据的基础上，提出了基于SFT-ALS的时间序列粉丝涨幅预测方法。通过提取和粉丝涨幅有关的各类时序特征结合ALS模型对粉丝涨幅进行预测分析，揭示各文创工作者在文创发展过程中存在的规律与特点。为达此目的，本发明提供基于SFT-ALS的时间序列粉丝涨幅预测方法，具体步骤如下，其特征在于：

步骤1，获取用户基础数据：经授权允许后，系统平台采集用户的基本信息，以及往期用户每日发布的视频数量、粉丝涨幅数据、视频点赞量、视频收藏量和视频播放量；

步骤2，数据特征提取：利用SFT获得数据缓慢变化的本质特征，同时提取数据的平均增长率特征；

步骤3，数据预处理：为了减少模型训练时间，对采集的用户基础数据进行归一化处理；

步骤4，将经特征处理后的特征集组成混合矩阵送入ALS模型中进行矩阵分解，并重构混合矩阵；

步骤5，使用遗传算法对不同数据源的训练模型进行寻优处理，得到最优低维矩阵的维数k；

步骤6，将训练获得的粉丝涨幅模型嵌入平台系统中，并实际应用。

进一步，步骤2中数据特征提取的过程可以表示为：

本发明除了将每日的视频更新量、粉丝量、视频点赞量、视频收藏量和视频播放量作为模型的特征，同时还提取了粉丝的平均增长率，公式如下：