【技术实现步骤摘要】
一种微信公众号文章阅读量的预测方法及系统
本专利技术涉及一种预测方法，具体是关于一种微信公众号文章阅读量的预测方法及系统。
技术介绍
自从进入到网络2.0时代，对于网络上某些特定内容受欢迎程度的研究工作逐渐增多，这些工作的研究对象主要包括网上新闻、网上视频以及用户在社交平台上发表的内容。对于网上新闻而言，现有的工作通常将评论数作为受欢迎程度的衡量标准，且将预测评论数的任务分为先判断这个新闻是否能够收到评论、再基于此定性预测评论数的高低两个阶段。为更进一步地估计评论数，新闻发布后短时间内观察到的评论数被用于预测后续可能获得的总评论数的分布情况。对于网上视频来说，大部分工作以其播放量作为衡量标准，且利用历史的播放量信息来对当前视频进行预测。此外，还有一些工作关注于用户在社交平台上发布的内容，例如Facebook、Twitter等，通过社交平台上的好友关系和社交网的网络结构，对发布内容的受关注程度进行预测。到目前为止，这些现有工作取得一定的效果。然而，现有的预测某特定内容受欢迎程度的方法主要关注于网页新闻、视频和用户在社交...
【技术保护点】
1.一种微信公众号文章阅读量的预测方法，其特征在于，包括以下内容：/n1)在微信文章数据集上分别训练XGBoost分类模型和XGBoost回归模型；/n2)获取待测文章的文章特征；/n3)采用训练后的XGBoost分类模型，根据待测文章的文章特征，判断待测文章是否为超级文章，若是，则该待测文章的阅读量预测值为超过10万；若不是，则进入步骤4)；/n4)采用训练后的XGBoost回归模型，根据待测文章的文章特征，确定待测文章的阅读量预测值。/n
【技术特征摘要】
1.一种微信公众号文章阅读量的预测方法，其特征在于，包括以下内容：
1)在微信文章数据集上分别训练XGBoost分类模型和XGBoost回归模型；
2)获取待测文章的文章特征；
3)采用训练后的XGBoost分类模型，根据待测文章的文章特征，判断待测文章是否为超级文章，若是，则该待测文章的阅读量预测值为超过10万；若不是，则进入步骤4)；
4)采用训练后的XGBoost回归模型，根据待测文章的文章特征，确定待测文章的阅读量预测值。
2.如权利要求1所述的一种微信公众号文章阅读量的预测方法，其特征在于，所述步骤1)的具体过程为：
1.1)根据文章的发布时间，将微信文章数据集划分为训练集、验证集和测试集，且每一集合之间没有重叠；
1.2)确定微信文章数据集中各微信文章的样本正负，其中，微信文章为超级文章，则表示为正样本；微信文章为非超级文章，则表示为负样本；
1.3)在微信文章数据集上训练XGBoost分类模型；
1.4)在微信文章数据集上训练XGBoost回归模型。
3.如权利要求2所述的一种微信公众号文章阅读量的预测方法，其特征在于，所述步骤1.3)的具体过程为：
1.3.1)构建XGBoost分类模型，其中，XGBoost分类模型的分类任务采用的评价指标包括准确率、精确率、召回率和F1分数；
1.3.2)通过训练集中表示为正样本的微信文章和部分表示为负样本的微信文章训练XGBoost分类模型；
1.3.3)在验证集调整XGBoost分类模型的参数，在测试集测试XGBoost分类模型，得到训练后的XGBoost分类模型。
4.如权利要求2所述的一种微信公众号文章阅读量的预测方法，其特征在于，所述步骤1.4)的具体过程为：
1.4.1)构建XGBoost回归模型，其中，XGBoost回归模型的评价指标包括平均绝对误差MAE、均方根误差RMSE和决定系数R2：
其中，yi表示第i篇微信文章的目标值；表示第i篇微信文章的预测值；n表示微信文章的数量；
其中，表示目标值的平均值；Variance表示所有微信文章目标值的方差；
1.4.2)将训练集中微信文章的文章特征作为样本、微信文章的阅读量作为标签训练XGBoost回归模型；
1.4.3)在验证集调整XGBoost回归模型的参数，在测试集测试XGBoost回归模型，得到训练后的XGBoost回归模型。
5.如权利要求1所述的一种微信公众号文章阅读量的预测方法，其特征在于，所述文章特征包括历史信息特征，历史信息特征包括待测文...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。