[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

说明书

本发明公开了一种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，方法包括：利用关联矩阵中的已知元素对未知元素进行推断，弥补稀疏矩阵带来的模型学习困难的问题；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；以各种属性为桥梁，分析帖子与用户之间的匹配等级；采用注意力机制计算帖子对不同用户的吸引程度；将不同时刻帖子对用户吸引程度的表征与其它多模态特征进行整合，并构建时序衰减损失函数进行回归训练。装置包括：处理器和存储器。本发明利用社交媒体的属性信息进行交互式学习，提高了基于时序过程的流行度预测的准确度，提高了用户的体验度。

技术领域

本发明涉及媒体属性，以及时序社交媒体流行度预测领域，尤其涉及一种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。

背景技术

最新数据显示，截至2022年1月，全球社交媒体用户超过46.2亿，相当于全球总人口的58.4%。伴随着，每天都有数以千万计的帖子在各种社交平台（如Twitter、Instagram、Flickr、微博、微信等）上被上传和分享，其内容涵盖文本、图片、音频、视频等多种形式。如此庞大的数据量，一方面给平台的管理带来了巨大的挑战，另一方面也给人们带来了信息过载的困扰。社交媒体流行度预测作为提升社交网络服务质量的一种重要手段，旨在显式地分析用户生成的内容，并进一步预测其流行程度，这可以在一定程度上辅助社交媒体平台进行质量控制，过滤掉一些无关紧要的内容，从而帮助人们摆脱信息过载的困扰。

现有的流行度预测方法主要分为两类：基于时间过程的建模方法和基于特征提取的建模方法。基于时间过程的建模方法将消息传播过程视为用户转发行为的到达点过程，依赖于统计模型或基于点过程的方法。然而，其需要基于特定的假设进行建模，而且未能充分利用媒体本身包含的有效信息，因此在一定程度上限制了模型的表达能力。基于特征提取的建模方法手动地从媒体数据中提取特征，然后将特征输入到模型中对流行度分数进行预测或者分类。然而，这种非端到端的学习方式很难全面而有效地捕捉各种有效的特征以及它们之间的关联，很容易得出不精确的预测结果。

此外，依据总浏览量将社交网络用户分为活跃用户和非活跃用户，通过对当前代表性模型的预测结果进行检测发现：如果活跃用户发布低人气的帖子，模型会习惯性地预测出高得分；相反，如果非活跃用户提供了高人气的帖子，模型仍然会错误地给出低得分。因此，现有模型存在对用户特征过拟合、对帖子内容不敏感的问题，如何平衡好不同特征的重要性是研究的关键所在。

虽然研究者们在社交媒体流行度预测领域进行了很多有利的探索，但是他们仅仅单独致力于构建时序过程或简单地提取手工特征，并忽略了特征之间存在的重要关联，导致模型表达能力弱、预测不精准的问题。基于此现状，目前面临的挑战主要有以下两个方面：

1、如何整合时间过程和内容特征来进行社交媒体帖子不同阶段的流行度预测；

2、如何对不同特征之间存在的重要关联进行建模以此来促进准确的预测。

发明内容

本发明提供了一种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，受到深度学习在文本、音频和图像等领域成功应用的启发，本发明一方面对媒体本身包含的各种有效特征进行充分挖掘；另一方面利用社交媒体的属性信息进行交互式学习，对用户属性与帖子属性进行关联，从而动态地捕捉用户的偏好以及帖子对社交网络用户的吸引程度；最终通过注意力网络对上述特征进行整合，从而构建了一种端到端的深度社交媒体流行度预测架构，提高了时序流行度预测的准确度，基于预测结果对社交网络的服务质量进行优化，维护了网站的实用性，提高了用户的体验度，详见下文描述：

第一方面，一种基于属性敏感交互的时序社交媒体流行度预测方法，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；