信息处理方法、装置及存储介质制造方法及图纸

本发明专利技术实施例公开了一种信息处理方法、装置及存储介质，属于计算机技术领域。该方法应用于信息传播模型中，信息传播模型包括输入层、隐藏层和输出层，隐藏层包括与多个时刻对应的多个隐藏层节点；方法包括：获取目标信息在第j个传播时刻的输入特征Xj；根据目标信息在第j‑1个传播时刻的隐层特征hj‑1和输入特征Xj，获取目标信息在第j个传播时刻的隐层特征hj；根据目标信息的隐层特征，获取目标信息的信息传播特征，信息传播特征用于描述目标信息的传播过程。本发明专利技术实施例充分利用历史传播记录进行深度学习，对网络信息的动态传播过程进行描述，扩展了功能，提高了信息传播模型的性能，进而提升了信息传播过程的预测准确度。

Information processing methods, devices and storage media

【技术实现步骤摘要】
信息处理方法、装置及存储介质
本专利技术涉及计算机
，特别涉及一种信息处理方法、装置及存储介质。
技术介绍
随着互联网技术的发展以及多种社交网络的出现，大量的网络信息能够以社交网络作为媒介进行传播，而信息传播特征能够对网络信息的传播过程和趋势进行描述，为确定舆论走向、发布有价值信息等工作提供参考，因此，如何获取网络信息准确的信息传播特征具有非常重要的研究意义。相关技术中，通过对样本社交网络中的样本网络信息的传播过程进行分析，发现网络信息在发布早期的传播规模的对数与最终传播规模的对数之间存在线性相关的关系。例如，参见图1，以坐标系中的一个点表示一条网络信息，以横轴表示网络信息发布7天时的传播规模，以纵轴表示网络信息发布30天时的传播规模，根据图1可以看出网络信息在发布7天时的传播规模的对数以及发布30天时的传播规模的对数存在线性相关的关系。因此，基于上述发现，可以根据多条样本网络信息发布早期的传播规模以及最终传播规模创建线性回归模型，则对于新发布的网络信息，根据该网络信息发布早期的传播规模以及该线性回归模型，可以预测出该网络信息的最终传播规模。在实现本专利技术实施例的过程中，专利技术人发现相关技术至少存在以下缺陷：上述方法仅能预测出网络信息的最终传播规模，而无法描述出网络信息的传播过程，因此功能存在局限，导致信息传播过程的预测准确度不高。
技术实现思路
本专利技术实施例提供了一种信息处理方法、装置及存储介质，可以解决相关技术的问题。所述技术方案如下：第一方面，提供了一种信息处理方法，应用于信息传播模型中，所述信息传播模型包括输入层、隐藏层和输出层，所述隐藏层包括与多个时刻对应的多个隐藏层节点；所述方法包括：通过所述输入层，获取目标信息在第j个传播时刻的输入特征Xj，所述输入特征Xj用于描述所述目标信息在所述第j个传播时刻以及所述第j个传播时刻之前时刻的历史传播过程，j为正整数；通过所述多个隐藏层节点，根据所述目标信息在第j-1个传播时刻的隐层特征hj-1和所述输入特征Xj，获取所述目标信息在所述第j个传播时刻的隐层特征hj，所述隐层特征hj-1由与所述第j-1个传播时刻对应的隐藏层节点在所述第j-1个传播时刻获取；通过所述输出层，根据所述目标信息的隐层特征，获取所述目标信息的信息传播特征，所述信息传播特征用于描述所述目标信息的传播过程。第二方面，提供了一种信息处理装置，所述装置包括：输入层模块、隐藏层模块和输出层模块，所述隐藏层模块包括与多个时刻对应的多个隐层单元；所述输入层模块，用于获取目标信息在第j个传播时刻的输入特征Xj，所述输入特征Xj用于表示所述目标信息在所述第j个传播时刻以及所述第j个传播时刻之前时刻的历史传播过程，j为正整数；所述与所述第j个传播时刻对应的隐层单元，用于根据所述目标信息在第j-1个传播时刻的隐层特征hj-1和所述输入特征Xj，获取所述目标信息在所述第j个传播时刻的隐层特征hj，所述隐层特征hj-1由与所述第j-1个传播时刻对应的隐层单元在所述第j-1个传播时刻获取；所述输出层模块，用于根据所述目标信息的隐层特征，获取所述目标信息的信息传播特征。第三方面，提供了一种信息处理装置，所述信息处理装置包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述指令、所述程序、所述代码集或所述指令集由所述处理器加载并执行以实现如第一方面所述的信息处理方法中所执行的操作。第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述指令、所述程序、所述代码集或所述指令集由处理器加载并执行以实现如第一方面所述的信息处理方法中所执行的操作。本专利技术实施例提供的技术方案带来的有益效果是：本专利技术实施例提供的方法、装置及存储介质，提供了一种信息传播模型，信息传播模型包括输入层、隐藏层和输出层，隐藏层包括与多个时刻对应的多个隐藏层节点，通过输入层获取目标信息在第j个传播时刻的输入特征，通过多个隐藏层节点，能根据目标信息在第j-1个传播时刻的隐层特征和在第j个传播时刻的输入特征获取在第j个传播时刻的隐层特征，通过输出层根据目标信息在各个时刻的隐层特征获取信息传播特征。本专利技术实施例充分利用了历史传播记录进行深度学习，利用表征学习技术和循环神经网络对网络信息的动态传播过程进行描述，而不仅是预测最终的传播规模，扩展了功能，提高了信息传播模型的性能，进而提升了信息传播过程的预测准确度。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是相关技术提供的一种传播规模的关系示意图；图2是本专利技术实施例提供的一种信息传播模型的结构示意图；图3是本专利技术实施例提供的一种信息处理方法的流程图；图4是本专利技术实施例提供的一种输入特征的示意图；图5是本专利技术实施例提供的一种预测传播规模的操作流程示意图；图6是本专利技术实施例提供的一种预测下一个传播时刻的操作流程示意图；图7是本专利技术实施例提供的一种信息处理装置的结构示意图；图8是本专利技术一个示例性实施例提供的终端的结构框图；图9是本专利技术实施例提供的一种服务器的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供了一种信息传播模型，该信息传播模型可以根据目标信息的历史传播过程提取信息传播特征，采用信息传播特征的形式对目标信息的传播过程进行描述。该信息传播模型可以应用于预测网络信息传播过程的场景下，如在某一社交应用中，某条网络信息发布之后会进行传播，根据网络信息的历史传播过程和该信息传播模型可以获取到网络信息的信息传播特征，从而确定该网络信息的动态传播过程，获知该网络信息的传播规模或者预测该网络信息的下一个传播时刻。在该信息传播模型的训练过程中，针对多条样本网络信息，可以通过信息传播模型获取每条样本网络信息的信息传播特征，并根据获取的信息传播特征以及样本网络信息的实际传播过程训练信息传播模型中的各项模型参数，如参数矩阵和偏置项等。之后，通过训练好的信息传播模型即可获取任一条网络信息的信息传播特征，并根据获取的信息传播特征对未来的传播过程进行预测。图2是本专利技术实施例提供的一种信息传播模型的结构示意图，通过信息传播模型可以提取目标信息的信息传播特征。参见图2，信息传播模型包括输入层、隐藏层和输出层，隐藏层中包括与多个时刻对应的多个隐藏层节点。其中，输入层根据目标信息的历史传播记录，获取用于描述历史传播过程的输入特征，输入至隐藏层中与当前时刻对应的隐藏层节点；隐藏层中的每个隐藏层节点根据相应时刻的输入特征以及上一个时刻的隐层特征，获取相应时刻的隐层特征，输入至输出层中，该隐层特征不仅包含当前时刻的传播特征，还包括之前时刻的传播特征；输出层根据多个隐藏层节点输出的隐层特征获取目标信息的信本文档来自技高网...

【技术保护点】
1.一种信息处理方法，其特征在于，应用于信息传播模型中，所述信息传播模型包括输入层、隐藏层和输出层，所述隐藏层包括与多个时刻对应的多个隐藏层节点；所述方法包括：通过所述输入层，获取目标信息在第j个传播时刻的输入特征Xj，所述输入特征Xj用于描述所述目标信息在所述第j个传播时刻以及所述第j个传播时刻之前时刻的历史传播过程，j为正整数；通过所述多个隐藏层节点，根据所述目标信息在第j‑1个传播时刻的隐层特征hj‑1和所述输入特征Xj，获取所述目标信息在所述第j个传播时刻的隐层特征hj，所述隐层特征hj‑1由与所述第j‑1个传播时刻对应的隐藏层节点在所述第j‑1个传播时刻获取；通过所述输出层，根据所述目标信息的隐层特征，获取所述目标信息的信息传播特征，所述信息传播特征用于描述所述目标信息的传播过程。

【技术特征摘要】
1.一种信息处理方法，其特征在于，应用于信息传播模型中，所述信息传播模型包括输入层、隐藏层和输出层，所述隐藏层包括与多个时刻对应的多个隐藏层节点；所述方法包括：通过所述输入层，获取目标信息在第j个传播时刻的输入特征Xj，所述输入特征Xj用于描述所述目标信息在所述第j个传播时刻以及所述第j个传播时刻之前时刻的历史传播过程，j为正整数；通过所述多个隐藏层节点，根据所述目标信息在第j-1个传播时刻的隐层特征hj-1和所述输入特征Xj，获取所述目标信息在所述第j个传播时刻的隐层特征hj，所述隐层特征hj-1由与所述第j-1个传播时刻对应的隐藏层节点在所述第j-1个传播时刻获取；通过所述输出层，根据所述目标信息的隐层特征，获取所述目标信息的信息传播特征，所述信息传播特征用于描述所述目标信息的传播过程。2.根据权利要求1所述的方法，其特征在于，所述通过所述多个隐藏层节点，根据所述目标信息在第j-1个传播时刻的隐层特征hj-1和所述输入特征Xj，获取所述目标信息在所述第j个传播时刻的隐层特征hj，包括：通过所述隐藏层中与所述第j个传播时刻对应的隐藏层节点，根据所述目标信息在所述第j-1个传播时刻的隐层特征hj-1和所述输入特征Xj，采用公式(1)计算所述目标信息在所述第j个传播时刻的隐层特征hj：hj＝max{WXXj+Whhj-1+bh，0}(1)；其中，WX表示特征参数矩阵，Wh表示隐层参数矩阵，bh表示偏置项。3.根据权利要求1所述的方法，其特征在于，所述信息传播特征包括传播规模，所述通过所述输出层，根据所述目标信息的隐层特征，获取所述目标信息的信息传播特征，包括：通过所述输出层，根据所述目标信息在各个时刻的隐层特征，采用公式(2)获取所述目标信息的传播规模：f(c)＝MLP(a(c))(2)；其中a(c)表示所述目标信息的传播向量，f(c)表示所述目标信息的传播规模，MLP(·)表示多层感知器，λj表示hj的传播权重，j表示所述目标信息的传播次数，T表示所述目标信息的历史最大传播次数，j∈{1，2，……T}。4.根据权利要求1所述的方法，其特征在于，所述信息传播特征包括预测的下一个传播时刻，所述通过所述输出层，根据所述目标信息的隐层特征，获取所述目标信息的信息传播特征，包括：通过所述输出层，根据所述目标信息在所述第j个传播时刻的隐层特征hj，采用公式(4)，获取所述目标信息预测的下一个传播时刻：其中，y(t)表示所述目标信息的传播速率函数，Wt表示时间特征参数矩阵，表示时间特征参数矩阵的转置矩阵，bt表示初始速率，p(t)表示所述目标信息在t时刻进行传播的概率，tj表示所述目标信息的第j个传播时刻，tj+1’表示所述目标信息预测的下一个传播时刻。5.根据权利要求1-4任一项所述的方法，其特征在于，所述通过所述输入层，获取目标信息在第j个传播时刻的输入特征Xj，包括：通过所述输入层，根据所述目标信息的历史传播记录，获取所述输入特征Xj，所述历史传播记录中包括历史传播时刻、历史传播用户和历史地理位置中的至少一项，所述输入特征Xj包括时序特征、用户特征和地理位置特征中的至少一项。6.一种信息处理装置，其特征在于，所述装置包括：输入层模块、隐藏层模块和...

【专利技术属性】
技术研发人员：鲍鹏，卢苇，
申请(专利权)人：腾讯科技深圳有限公司，北京交通大学，
类型：发明
国别省市：广东,44