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

技术特征：
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。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，所述帖子-属性关联矩阵为：每个元素表示帖子是否包含潜在的属性，定义为：其中，为帖子集合，表示第i个帖子；为属性集合，表示第种属性；为帖子-属性关联矩阵。3.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，所述用户-属性关联矩阵为：每个元素表示在时刻，用户对潜在属性的偏好程度，定义为：其中，为截止到时刻，用户发布的包含属性的帖子的数目；为用户集合，表示第个用户；为时刻的用户-属性关联矩阵。4.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：体为：
其中，、和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-属性关联矩阵中第行第列的元素，表示帖子和属性之间的完全估计；为更新后的用户-属性关联矩阵中第行第列的元素，表示时刻用户和属性之间的完全估计。5.根据权利要求4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，所述第一匹配程度为：其中，
“”
表示逐元素乘积，和分别是完全估计的帖子-属性关联矩阵和用户-属性偏好的长期变化趋势矩阵的第行和第行；所述第二匹配程度为：其中，和分别是完全估计的帖子-属性关联矩阵和用户-属性偏好的短期波动矩阵的第行和第行；所述第三匹配程度：。6.根据权利要求5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具体为：对不同用户的贡献值分别进行归一化处理，处理后的结果分别与第一匹配程度、第二匹配程度和第三匹配程度对应相乘，并分别求和得到各自的表征值。7.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，所述方法还包括：构建一时间衰减因子，与平方损失函数相乘进行回归训练，用于优化预测性能。8.一种基于属性敏感交互的时序社交媒体流行度预测装置，其特征在于，所述装置包括：第一获取模块，用于分别利用帖子-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；第二获取模块，用于对用户-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；第三获取模块，用于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；
学习模块，用于对第一匹配程度、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；预测与优化模块，用于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。9.一种基于属性敏感交互的时序社交媒体流行度预测电子设备，其特征在于，所述电子设备包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使电子设备执行权利要求1-7中的任一项所述的方法步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行权利要求1-7中的任一项所述的方法步骤。

技术总结
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。提高了用户的体验度。提高了用户的体验度。


技术研发人员：郝彤 刘安安 杜宏伟 孙金生
受保护的技术使用者：天津师范大学
技术研发日：2022.11.24
技术公布日：2022/12/30