一种浏览资源热度的预测方法、预测装置及可读存储介质制造方法及图纸

本申请提供了一种浏览资源热度的预测方法、预测装置及可读存储介质。其中，所述预测方法包括：获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与待分析浏览资源相关的外部关联信息；基于内部关联信息以及外部关联信息，确定待分析浏览资源的多个属性特征以及多个分值特征；根据多个属性特征以及多个分值特征，确定待分析浏览资源的信息特征矩阵；将信息特征矩阵输入至热度预测模型中，确定待分析浏览资源的热度预测值。能够从所述待分析浏览资源的内部关联信息与外部关联信息两个方面，对所述待分析浏览资源的热度进行更准确的预测，有助于提高浏览资源投放的合理性，减少资源的浪费，提高资源的利用率。

A prediction method, prediction device and readable storage medium for browsing resource heat

【技术实现步骤摘要】
一种浏览资源热度的预测方法、预测装置及可读存储介质
本申请涉及大数据处理
，尤其是涉及一种浏览资源热度的预测方法、预测装置及可读存储介质。
技术介绍
随着经济的增长，人们生活水平的提高，人们能够在网络中观看到更多的浏览资源。为了迎合人们的喜好，网络平台将会对待投放的浏览资源进行热度预测，从而能够针对于人们的兴趣爱好投放更受欢迎的浏览资源。目前，对于浏览资源热度的预测大多都只考虑浏览资源本身制作时所涉及的关联信息，例如该浏览资源的导演信息、编剧信息以及参与的演员信息等，未考虑该浏览资源的外部关联信息，例如该浏览资源的投放平台以及投放平台的关联信息等，如果仅从浏览资源本身在制作时所涉及的关联信息对浏览资源的热度进行预测，不能够全面的预测浏览资源，因此使得对浏览资源的预测不够准确。
技术实现思路
有鉴于此，本申请的目的在于提供一种浏览资源热度的预测方法、预测装置及可读存储介质，能够结合所述待分析浏览资源的内部关联信息与外部关联信息，对所述待分析浏览资源的热度进行更全面准确的预测，有助于提高浏览资源投放的合理性，减少资源的浪费，提高资源的利用率。本申请实施例提供了一种浏览资源热度的预测方法，所述预测方法包括：获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息；基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征；使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵；将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。进一步的，所述将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值，包括：将所述信息特征矩阵输入至所述热度预测模型中的时间序列模型中，确定所述待分析浏览资源的第一热度值以及所述待分析浏览资源的残差特征矩阵；将所述残差特征矩阵输入至所述热度预测模型中的机器学习模型中，确定所述待分析浏览资源的第二热度值；基于所述第一热度值以及所述第二热度值，确定所述待分析浏览资源的热度预测值。进一步的，所述使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵，包括：确定所述多个属性特征中每个属性特征对应的属性特征值；基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值；基于多个所述属性特征值以及多个所述评价分值，生成所述待分析浏览资源的信息特征矩阵。进一步的，所述基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值，包括：检测所述多个分值特征是否属于处理类分值特征；若所述分值特征属于所述处理类分值特征，确定每个属于处理类分值特征的分值特征对应的至少一个第一特征值；基于所述至少一个第一特征值，确定每个属于处理类分值特征的分值特征对应的评价分值。进一步的，在所述检测所述多个分值特征是否属于处理类分值特征之后，所述预测方法还包括：若所述分值特征不属于所述处理类分值特征，确定每个不属于处理类分值特征的分值特征的第二特征值，将所述第二特征值确定为每个不属于处理类分值特征的分值特征的评价分值。本申请实施例还提供了一种浏览资源热度的预测装置，所述预测装置包括：信息获取模块，用于获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息；特征确定模块，用于基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征；矩阵确定模块，用于使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵；热度预测模块，用于将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。进一步的，所述热度预测模块在用于将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值时，所述热度预测模块还用于：将所述信息特征矩阵输入至所述热度预测模型中的时间序列模型中，确定所述待分析浏览资源的第一热度值以及所述待分析浏览资源的残差特征矩阵；将所述残差特征矩阵输入至所述热度预测模型中的机器学习模型中，确定所述待分析浏览资源的第二热度值；基于所述第一热度值以及所述第二热度值，确定所述待分析浏览资源的热度预测值。进一步的，所述矩阵确定模块在用于使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵时，所述矩阵确定模块还用于：确定所述多个属性特征中每个属性特征对应的属性特征值；基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值；基于多个所述属性特征值以及多个所述评价分值，确定所述待分析浏览资源的信息特征矩阵。进一步的，所述矩阵确定模块在用于基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值时，所述矩阵确定模块还用于：检测所述多个分值特征是否属于处理类分值特征；若所述分值特征属于所述处理类分值特征，确定每个属于处理类分值特征的分值特征对应的至少一个第一特征值；基于所述至少一个第一特征值，确定每个属于处理类分值特征的分值特征对应的评价分值。进一步的，所述矩阵确定模块在用于检测所述多个分值特征是否属于处理类分值特征之后，所述矩阵确定模块还用于：若所述分值特征不属于所述处理类分值特征，确定每个不属于处理类分值特征的分值特征的第二特征值，将所述第二特征值确定为每个不属于处理类分值特征的分值特征的评价分值。本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的浏览资源热度的预测方法的步骤。本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述的浏览资源热度的预测方法的步骤。本申请实施例提供的浏览资源热度的预测方法、预测装置及可读存储介质，获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息；基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征；使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵；将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。这样，本申请通过获取待分析浏览资源的内部关联信息以及外部关联信息，并从所述内部关联信息以及所述外部关联信息中，确定出所述待分析浏览资源的多个属性特征以及多个分值特征，并构成信息特征矩阵，最后通过所述信息特征矩阵以及热度预测模型，确定所述待分析浏览资源的热度预测值本文档来自技高网...

【技术保护点】
1.一种浏览资源热度的预测方法，其特征在于，所述预测方法包括：/n获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息；/n基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征；/n使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵；/n将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。/n

【技术特征摘要】
1.一种浏览资源热度的预测方法，其特征在于，所述预测方法包括：
获取在制作时与待分析浏览资源相关的内部关联信息以及在播出时与所述待分析浏览资源相关的外部关联信息；
基于所述内部关联信息以及所述外部关联信息，确定所述待分析浏览资源的多个属性特征以及多个分值特征；
使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵；
将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值。


2.根据权利要求1所述的预测方法，其特征在于，所述将所述信息特征矩阵输入至热度预测模型中，确定所述待分析浏览资源的热度预测值，包括：
将所述信息特征矩阵输入至所述热度预测模型中的时间序列模型中，确定所述待分析浏览资源的第一热度值以及所述待分析浏览资源的残差特征矩阵；
将所述残差特征矩阵输入至所述热度预测模型中的机器学习模型中，确定所述待分析浏览资源的第二热度值；
基于所述第一热度值以及所述第二热度值，确定所述待分析浏览资源的热度预测值。


3.根据权利要求1所述的预测方法，其特征在于，所述使用所述多个属性特征以及所述多个分值特征，生成所述待分析浏览资源的信息特征矩阵，包括：
确定所述多个属性特征中每个属性特征对应的属性特征值；
基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值；
基于多个所述属性特征值以及多个所述评价分值，生成所述待分析浏览资源的信息特征矩阵。


4.根据权利要求3所述的预测方法，其特征在于，所述基于所述多个分值特征，确定所述多个分值特征中每个分值特征对应的评价分值，包括：
检测所述多个分值特征是否属于处理类分值特征；
若所述分值特征属于所述处理类分值特征，确定每个属于处理类分值特征的分值特征对应的至少一个第一特征值；
基于所述至少一个第一特征值，确定每个属于处理类分值特征的分值特征对应的评价分值。


5.根据权利要求4所述的预测方法，其特征在于，在所述检测所述多个分值特征是否属于处理类分值特征之后，所述预测方法还包括：
若所述分值特征不属于所述处理类分值特征，确定每个不属于处理类分值特征的分值特征的第二特征值，将所述第二特征值确定为每个不属于处理类分值...

【专利技术属性】
技术研发人员：黄丽娜，向宇，
申请(专利权)人：精硕科技北京股份有限公司，
类型：发明
国别省市：北京;11