基于短时序多领域自适应特征融合的社交媒体内容热度预测方法技术

本发明专利技术公开了一种基于短时序多领域自适应特征融合的社交媒体内容热度预测方法，包括：使用聚类的方法将短小时间序列的划分为不同的领域；预训练领域个性特征学习模块，其中应用归一化和反归一化去除和恢复时间序列中的非平稳信息，应用TCN捕获每个领域内部的时间信息作为个性特征；预训练共享的RNN学习时间依赖；通过融合领域个性特征学习模块和共享的RNN，并且度量领域间RNN隐藏单元的分布距离作为正则化项，协同学习短小时间序列领域个性和共性特征；本发明专利技术通过融合社交媒体内容的短小时间序列的领域个性和共性特征，使训练的模型能够适应未来分布不同的测试数据，与现有技术相比有更好的预测效果，能获得全局性更优、泛化性能更好的建模结果。

【技术实现步骤摘要】

本专利技术属于社交媒体内容热度预测，特别涉及一种基于短时序多领域自适应特征融合的社交媒体内容热度预测方法。

技术介绍

1、社交媒体内容热度预测任务具有广泛的应用场景，涉及政府决策、企业营销、舆情管理等多个领域。早期基于特征的方法通过提取内容特征、结构特征、用户特征或时序特征，利用机器学习模型预测社交媒体内容的流行度。随后，基于点过程的方法则通过速率函数对内容转发的过程进行建模。前者未考虑了信息传播的动态过程，后者依赖于特定假设，可能与实际情况有所偏差。近年来，基于深度学习的方法取得了显著进展。这些方法主要通过对早期传播的级联图特征或时间序列特征进行建模。其中，时间序列数据包含了级联图中传播规模的变化。因此，基于时间序列的方法已成为社交媒体内容热度预测研究的关键技术之一。

2、然而，社交媒体内容的时间序列数据通常观测时间短，表现为短小的时间序列。每个这样的短小时间序列都属于特定的领域，而各个领域内部又存在着独特的个性特征，同时不同领域之间也存在着共性特征。目前，基于时间序列的社交媒体内容预测方法往往采用整体建模的方式处理所有短小时间序列，并且假设本文档来自技高网...

【技术保护点】

1.一种基于短时序多领域自适应特征融合的社交媒体内容热度预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的社交媒体内容热度预测方法，其特征在于，步骤1中，

3.根据权利要求2所述的社交媒体内容热度预测方法，其特征在于，步骤2中，

4.根据权利要求3所述的社交媒体内容热度预测方法，其特征在于，步骤3中，

【技术特征摘要】

1.一种基于短时序多领域自适应特征融合的社交媒体内容热度预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的社交媒体内容热度预测方法，其特征在于，步骤1中...

【专利技术属性】
技术研发人员：谢宗霞，刘美瑶，
申请(专利权)人：天津大学，
类型：发明
国别省市：