[发明专利]基于属性敏感交互的时序社交媒体流行度预测方法及装置

权利要求书

1.一种基于属性敏感交互的时序社交媒体流行度预测方法，其特征在于，所述方法包括：

分别利用帖子-属性关联矩阵和用户-属性关联矩阵中的已知元素，采用平方损失函数得到关于帖子、用户以及属性的潜在表示，并对两矩阵中的缺失项进行推断；

对用户-属性关联矩阵中的每一个元素序列，分别采用长短期记忆网络和卷积神经网络捕捉用户-属性偏好的长期变化趋势和短期波动；

基于完全估计的帖子-属性关联矩阵、用户-属性偏好的长期变化趋势矩阵，获取帖子与用户关于属性的第一匹配程度；基于完全估计的帖子-属性关联矩阵、用户-属性偏好的短期波动矩阵，获取帖子与用户关于属性的第二匹配程度；获取帖子和用户关于属性的潜在表示之间的第三匹配程度；

对第一匹配程度、第二匹配程度及第三匹配程度分别使用注意力网络，获取不同用户对帖子流行度的贡献值；

根据不同用户对帖子流行度的贡献值，得到更新后的帖子对所有用户吸引程度的表征，将对所有用户吸引程度的表征与多模态特征的潜在表示进行整合，预测帖子的流行度分数，并基于流行度分数对社交网站的服务质量进行优化；

所述帖子-属性关联矩阵为：

每个元素c_ik∈C表示帖子m_i∈M是否包含潜在的属性s_k∈S，定义为：

其中，M为帖子集合，m_i表示第i个帖子；S为属性集合，s_k表示第k种属性；C为帖子-属性关联矩阵；

所述用户-属性关联矩阵为：

每个元素d_jk,t∈D_t表示在t时刻，用户n_j∈N对潜在属性s_k∈S的偏好程度，定义为：

其中，x_jk,t为截止到t时刻，用户n_j发布的包含属性s_k的帖子的数目；N为用户集合，n_j表示第j个用户；D_t为t时刻的用户-属性关联矩阵；

所述对第一匹配程度第二匹配程度及第三匹配程度分别使用注意力网络，获取不同用户对帖子流行度的贡献值和为：

其中，和b_l、b_s、b_e分别为映射的权重和偏置；和为归一化处理后的结果；

将对所有用户吸引程度的表征与多模态特征的潜在表示进行整合，预测帖子的流行度分数s_i,t为：

其中，p是不同特征的种类数；和b_p为待学习的参数；和为帖子m_i对所有用户吸引程度的表征；m_vis、m_text、m_num和m_add分别是视觉特征、文本特征、数值特征和附加用户特征的嵌入表示。

2.根据权利要求1所述的一种基于属性敏感交互的时序社交媒体流行度预测方法，其特征在于，所述分别利用帖子-属性关联矩阵和用户-属性关联矩阵中的已知元素，采用平方损失函数得到关于帖子、用户以及属性的潜在表示，并对两矩阵中的缺失项进行推断具体为：

其中，m_i、s_k和n_j,t分别为经过训练后的帖子、属性和用户的潜在表示；为更新后的帖子-属性关联矩阵中第i行第k列的元素，表示帖子m_i和属性s_k之间的完全估计；为更新后的用户-属性关联矩阵中第j行第k列的元素，表示t时刻用户n_j和属性s_k之间的完全估计。