[发明专利]一种基于小程序的事件热度趋势确定方法及系统

权利要求书

1.一种基于小程序的事件热度趋势确定方法，其特征在于，包括：

通过小程序获取待检测事件的待检测当前访问数据和待检测分词数据；

将所述待检测分词数据输入到预设的历史事件热度匹配模型，获得所述待检测分词数据对应的目标热度变化曲线；其中，所述历史事件热度匹配模型通过将带有热度变化曲线数据的若干历史事件分词数据输入到深度神经网络中训练获得；

根据所述待检测当前访问数据，生成待检测线段，在所述目标热度变化曲线中，进行所述待检测线段的匹配，确定匹配度大于匹配阈值的目标线段，并获得所述目标线段对应的目标时间区间；

在所述目标热度变化曲线中，基于目标时间区间之后的时间段所对应的曲线，确定所述待检测事件的热度趋势，并将所述热度趋势传输给所述小程序，以使所述小程序根据所述热度趋势进行显示。

2.根据权利要求1所述的基于小程序的事件热度趋势确定方法，其特征在于，所述通过小程序获取待检测事件的待检测当前访问数据和待检测分词数据，包括：

接收由小程序传输的待检测事件的待检测当前访问数据和待检测分词数据；其中，所述待检测当前访问数据的生成，具体为：所述小程序采集用户当前访问待检测事件的访问数据生成待检测当前访问数据；所述待检测分词数据的生成，具体为：所述小程序采集用于描述待检测事件的文本数据，并对文本数据进行词向量计算，获得待检测分词数据。

3.根据权利要求2所述的基于小程序的事件热度趋势确定方法，其特征在于，所述小程序采集用于描述待检测事件的文本数据，并对文本数据进行词向量计算，获得待检测分词数据，包括：

所述小程序采集用于描述待检测事件的文本数据；

所述小程序基于自然语言处理技术对所述文本数据进行分词处理，获得若干词汇数据；

将各所述词汇数据分别输入到预设的词向量模型中进行计算，获得待检测分词数据。

4.根据权利要求3所述的基于小程序的事件热度趋势确定方法，其特征在于，所述待检测分词数据，包括：各所述词汇数据的词向量数据和每一词汇数据对应的各相似词向量数据；所述词向量模型，包括：

所述词向量模型对每一所述词汇数据进行词向量计算，获得每一所述词汇数据的词向量数据；

所述词向量模型根据每一所述词汇数据的词向量数据和余弦距离算法，获得每一词汇数据对应的各相似词向量数据；其中，每一所述词汇数据的词向量数据与所对应的各相似词向量数据之间的余弦距离小于余弦阈值；

所述词向量模型汇总各所述词汇数据的词向量数据和每一词汇数据对应的各相似词向量数据。

5.根据权利要求1所述的基于小程序的事件热度趋势确定方法，其特征在于，所述历史事件热度匹配模型的训练，包括：

获取若干历史事件数据，将每一所述历史事件数据输入到预设的词向量模型中进行计算，获得历史事件分词数据，对历史事件分词数据进行热度变化曲线数据的标记，获得训练样本集；

将所述训练样本集输入RNN神经网络中进行模型训练，获得历史事件热度匹配模型。

6.根据权利要求1所述的基于小程序的事件热度趋势确定方法，其特征在于，所述在所述目标热度变化曲线中，基于目标时间区间之后的时间段所对应的曲线，确定所述待检测事件的热度趋势，包括：

在目标热度变化曲线中，选取在目标时间区间之后的时间段所对应的曲线作为目标曲线；

对所述目标曲线进行斜率判断：

若目标曲线的斜率为正数且在时间段内斜率变化率为正数，则所述待检测事件的热度趋势为第一上升趋势；若目标曲线的斜率为正数且在时间段内斜率变化率为负数，则所述待检测事件的热度趋势为第二上升趋势；若目标曲线的斜率为负数且在时间段内斜率变化率为正数，则所述待检测事件的热度趋势为第一下降趋势；若目标曲线的斜率为负数且在时间段内斜率变化率为负数，则所述待检测事件的热度趋势为第二下降趋势。