社交媒体内容流行度预测模型训练方法、预测方法及设备

摘要: 本发明涉及深度学习,尤其涉及一种社交媒体内容流行度预测模型训练方法、预测方法及设备。背景技术:1、社交媒体内容流行度预测旨在通过分析多模态内容与元数据,预测其未...
社交媒体内容流行度预测模型训练方法、预测方法及设备

本发明涉及深度学习,尤其涉及一种社交媒体内容流行度预测模型训练方法、预测方法及设备。

背景技术:

1、社交媒体内容流行度预测旨在通过分析多模态内容与元数据,预测其未来的流行程度,在个性化推荐、内容运营和广告投放等领域具有重要价值。现有研究主要围绕构建多模态融合管道展开,早期工作依赖于手工设计的视觉特征和基于规则的文本分析。随着深度学习的发展,普遍采用卷积神经网络提取图像特征、循环神经网络或transformer编码文本信息,并通过基于图的推理或跨模态注意力机制进行融合,最后将融合后的表示输入全局的梯度提升回归器或神经网络来预测互动分数。

2、然而,现有方法在实际应用中仍面临三个核心挑战。第一,流行度分布的异质性问题:社交媒体内容来源于专业创作者和普通用户,其流行度分布存在显著差异(例如:专业内容呈现长尾分布,而普通用户内容则集中在低互动区域)。现有强基线方法通常为所有内容拟合单一的全局回归器,这会强制模型学习一个混合的分布,导致对高互动专业内容的预测趋于保守,而对普通用户内容则产生有偏的噪声估计。第二,发布时间的周期性模式未被有效利用:用户活跃度和内容传播力呈现出明确的日、周的周期性规律。然而,现有方法会忽略时间特征,或者将时间戳编码为原始整数(如0点到23点被数值化,破坏了00:00与23:00实际相邻的循环关系),无法捕捉到用户参与的结构化热点与冷点时段。第三,用户提供的标签语义未被充分挖掘:现有方法(如使用tf-idf向量)将标签视为孤立特征,仅能统计词频,却丢弃了预训练语言模型中蕴含的丰富、稠密的语义关系结构,未能利用标签来桥接抽象视觉风格与具体互动模式之间的语义鸿沟。

技术实现思路

1、鉴于此,本发明实施例提供了一种社交媒体内容流行度预测模型训练方法、预测方法及设备,以消除或改善现有技术中存在的一个或更多个缺陷。

2、本发明的一个方面提供了一种社交媒体内容流行度预测模型训练方法,该方法包括:

3、所述方法包括:

4、提取训练集中各个训练样本中包括的社交媒体的原始图像数据、原始文本数据、标签集合以及结构化元数据各自对应的原始特征向量;

5、基于各个所述标签集合、各个所述结构化元数据以及预设的各个风格类型计算得到各个所述训练样本分别对应的语义先验向量;

6、基于各个所述结构化元数据中的发布时间对应的小时标量和星期标量,计算得到各个所述训练样本分别对应的周期性特征向量、相对偏移量和目标流行度均值,拼接得到各个所述训练样本分别对应的时间特征块;

7、拼接每个所述训练样本对应的各个所述原始特征向量、所述语义先验向量以及所述时间特征块得到各个所述训练样本分别对应的多模态特征向量;

8、将各个所述训练样本按照预设的路由分流方式划分为两个分支,在每个分支中分别训练两个回归专家模型以更新模型参数,得到用于社交媒体内容流行度预测的两个回归专家模型;基于验证集计算得到各个分支分别对应的目标权重。

9、在本发明的一些实施例中,所述训练集和所述验证集由获取的原始社交媒体数据集按照时间顺序切分得到;所述结构化元数据包括用户粉丝数、关注数、历史发布内容数量、内容类别、内容公开状态、账号认证状态以及发布时间戳;各个所述原始特征向量为图像特征向量、文本特征向量、标签特征向量以及结构化元数据特征向量;所述流行度表示互动量,所述互动量包括点赞数量、转发数量和评论数量中的至少一种。

10、在本发明的一些实施例中,所述基于各个所述标签集合、各个所述结构化元数据以及预设的各个风格类型计算得到各个所述训练样本分别对应的语义先验向量,包括:

11、基于各个所述训练样本中的所述标签集合构建全局标签词汇表并计算所述词汇表中的各个标签词对应的词向量;

12、根据预设的各个所述风格类型分别对应的种子词集合计算得到各个所述种子词集合分别对应的种子词平均向量;所述风格类型包括专业、审美和情感;

13、分别计算各个所述词向量与各个所述种子词平均向量的余弦相似度,按照所述余弦相似度从大到小的顺序选取预设个数的词向量以构成各个所述风格类型分别对应的锚点集合;

14、基于各个所述锚点集合计算得到各个所述锚点集合分别对应的语义锚点向量;

15、将从各个所述结构化元数据提取得到的各个类别标签编码为查询向量;

16、针对每个训练样本,基于该训练样本的各个词向量、各个所述语义锚点向量以及各个所述查询向量计算得到各个所述训练样本分别对应的语义先验向量。

17、在本发明的一些实施例中,所述计算得到各个所述训练样本分别对应的周期性特征向量、相对偏移量和目标流行度均值,包括:

18、将各个所述结构化元数据中的发布时间对应的小时标量和星期标量映射得到各个所述训练样本分别对应的周期性特征向量;

19、基于各个所述训练样本的小时标量和星期标量计算各个所述训练样本的发布时间的相对偏移量;

20、将一星期划分为预设数量的网格并利用贝叶斯平滑公式计算得到各个所述网格对应的第一流行度均值;

21、基于各个所述训练样本的小时标量和星期标量确定各个所述训练样本对应的目标网格,将所述目标网格对应的第一流行度均值作为各个所述训练样本对应的目标流行度均值。

22、在本发明的一些实施例中,所述将各个所述训练样本按照预设的路由分流方式划分为两个分支,在每个分支中分别训练两个回归专家模型以更新模型参数,得到用于社交媒体内容流行度预测的两个回归专家模型,包括:

23、基于各个所述结构化元数据计算得到各个所述训练样本分别对应的第一路由键;根据所述第一路由键和所述路由分流方式将各个所述训练样本划分为两个分支;

24、对长尾分布的分支对应的真实流行度进行非线性对数变换;其中,在输出预测结果时,对所述预测结果进行指数反变换;

25、当各个分支的样本量不少于预设的阈值时,则在每个分支中分别训练两个回归专家模型以更新模型参数,得到用于社交媒体内容流行度预测的两个回归专家模型;其中,两个所述回归专家模型为两种不同类型的模型;

26、根据所述训练集的各个所述训练样本训练得到全局回退模型。

27、在本发明的一些实施例中,所述基于验证集计算得到各个分支分别对应的目标权重,包括:

28、基于验证集中各个验证样本中的所述结构化元数据计算得到各个所述验证样本分别对应的第二路由键;根据所述第二路由键和所述路由分流方式将各个所述验证样本划分为两个分支;

29、在每个分支中分别基于斯皮尔曼相关系数计算得到各个分支目标分别对应的目标权重;其中,所述目标权重仅为该目标权重所属分支中的其中一个所述回归专家模型预测结果的权重系数,且与该分支的另一个所述回归专家模型的权重系数之和为1。

30、本发明的第二个方面提供了一种社交媒体内容流行度预测方法,该方法包括:

31、获取待预测的社交媒体内容样本,基于所述样本执行如权利要求1至6任一项所述的社交媒体内容流行度预测模型训练方法以得到多模态特征向量并提取所述样本对应的路由键;

32、根据所述路由键和预设的路由分流方式进行分支判定确认所述样本对应的分支;

33、将所述多模态特征向量输入所述分支中的两个回归专家模型以得到第一预测结果和第二预测结果,基于所述分支对应的目标权重加权融合所述第一预测结果和所述第二预测结果以得到所述样本对应的目标预测结果;其中,两个所述回归专家模型和所述目标权重均由所述的社交媒体内容流行度预测模型训练方法训练得到。

34、在本发明的一些实施例中,还包括:

35、若任一所述分支对应的样本量小于预设的阈值或所述样本中的结构化元数据缺失时,则跳过分支判定;

36、将所述多模态特征向量输入全局回退模型以得到所述样本对应的目标预测结果;其中,所述全局回退模型由所述的社交媒体内容流行度预测模型训练方法训练得到。

37、本技术的第三个方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的社交媒体内容流行度预测模型训练方法,和/或,社交媒体内容流行度预测方法。

38、本技术的第四个方面提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的社交媒体内容流行度预测模型训练方法,和/或,社交媒体内容流行度预测方法。

39、本技术的第五个方面提供了一种计算机程序产品,包含有计算机程序,该计算机程序被处理器执行时实现所述的社交媒体内容流行度预测模型训练方法,和/或,社交媒体内容流行度预测方法。

40、本技术提供一种社交媒体内容流行度预测模型训练方法,所述方法包括:提取训练集中各个训练样本中包括的社交媒体的原始图像数据、原始文本数据、标签集合以及结构化元数据各自对应的原始特征向量;基于各个所述标签集合、各个所述结构化元数据以及预设的各个风格类型计算得到各个所述训练样本分别对应的语义先验向量;基于各个所述结构化元数据中的发布时间对应的小时标量和星期标量,计算得到各个所述训练样本分别对应的周期性特征向量、相对偏移量和目标流行度均值,拼接得到各个所述训练样本分别对应的时间特征块;拼接每个所述训练样本对应的各个所述原始特征向量、所述语义先验向量以及所述时间特征块得到各个所述训练样本分别对应的多模态特征向量;将各个所述训练样本按照预设的路由分流方式划分为两个分支,在每个分支中分别训练两个回归专家模型以更新模型参数,得到用于社交媒体内容流行度预测的两个回归专家模型;基于验证集计算得到各个分支分别对应的目标权重。通过循环时间目标编码模块与语言模型引导的语义先验注入模块的协同,将异构的时间与离散文本强制对齐至统一的低维紧凑语义先验空间中,有效解决下游模型的拟合高维噪声,降低下游基于树的回归模型的拟合门槛,并提升模型对用户活跃度热点/冷点时段的捕获能力;通过分布感知混合专家路由模块的硬路由机制与长尾独立变换,切断极值对整体梯度的污染,确保长尾专家能够独立、稳定地拟合高热度数据,保障融合特征在各本征分布上的高保真排序预测,进而保障极端情况下的排序保真度,以实现预测性能的非线性跃升。

41、本技术的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本技术的实践而获知。本技术的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。

42、本领域技术人员将会理解的是,能够用本技术实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本技术能够实现的上述和其他目的。