[发明专利]一种基于多类特征融合的新兴热点话题检测系统

权利要求书

1.一种基于多类特征融合的新兴热点话题检测系统，其特征在于，包括：

一数据预处理模块，用于对微博文本进行预处理；

一分层序列模型，用于训练双向循环神经网络模型，通过使用双向的LSTM网络，训练输入的微博文本；

一词序列编码层，用于对句子中的各个词语向量化，形成初步的向量表示；

一句子级别特征求解层，用于对微博句子构建静态特征向量，与该层的神经网络动态特征进行链接，形成微博句子向量表示；

一话题级别特征求解层，用于对话题构建静态特征向量，与该层的神经网络动态特征进行链接，形成话题的向量表示；

一话题预测模块，用于对话题进行预测，经过softmax层输出各个话题是新兴热点话题和非新兴热点话题的概率，并得到预测概率

在所述词序列编码层，对于一个句子的词序列w_it,t∈[1,T]，将词序列中的词通过词嵌入方法映射到向量中，嵌入矩阵为(W_e,x_ij)＝W_ex_ij；通过双向循环神经网络BiRNN汇总来自双向的词的信息得到词的表示，并将词的表示中的上下文信息合并；双向循环神经网络BiRNN包括一个向前的网络RNN用来从w_i1到w_iT读取句子s_i；还有一个向后的网络RNN用来从w_iT到w_i1读取句子s_i；通过连接向前隐藏状态和向后隐藏状态得到词w_it的隐藏表示h_it，其包含了句子中围绕词w_it的总体信息，也即

在所述句子级别特征求解层，通过微博当前时刻的评论数和转发数来表示内容特征，经过对一微博的信息采集及计算，得到该微博各个时刻的评论数集合Reply及转发数集合Retweet，且分别通过如下方式获取：

其中，表示i时刻，微博t的转发数；表示i时刻，微博t的评论数；

在所述话题级别特征求解层，为了识别新兴热点话题，提取话题每个时刻点的新兴特征，包括：转发数、用户数、微博数量、微博数量变化量的泊松值、用户权威值、微博影响力累积值、话题热度值以及新颖值；

在所述话题级别特征求解层，记话题T从第一篇微博被检测到当前时刻t有n个时间窗口；

记feature₁是话题T在n个时间窗口内的转发数增长率：

其中，Rtⁱ为话题T在第i个时间窗口时的转发次数；

记feature₂是话题T在n个时间窗口内的用户数增长率：

其中，Uⁱ表示话题T在第i个时间窗口时的参与用户数量；

记feature₃是话题T在n个时间窗口内的评论数增长率：

其中，Repⁱ表示话题T在第i个时间窗口时的评论数；

记话题T对应的用户集合为U_T＝{u₁,u₂,...,u_m}，对于话题T，每个用户u_i在话题T中的权威值通过如下方式获取：

其中，num_i表示用户u_i发表的相关微博数；f_i表示在U_T中是u_i的粉丝的数量；re_i表示u_i相关微博被转发总数；fans_i表示用户u_i的粉丝数；fans_max为粉丝数最多的用户粉丝数量；

记话题T对应的微博集合为TW＝{tw₁,tw₂,...,tw_m}，记feature₄是话题T的相关微博累计值增长率：

其中，effectⁱ表示话题T在第i个时间窗口时的累积影响力；auth(tw_i)表示微博tw_i对话题T的权威值；auth(u_i)表示微博tw_i作者的权威值；U_retweet表示微博tw_i转发用户集合；auth(u)表示户用户u_i的转发用户集合中用户的权威值；

记为话题T在第i个时间窗口时的新颖值，为热度值：

其中，word_key表示当前计算时间段内的关键词集合，user_key表示当前计算时间段内的高权威值用户集合；

记feature₇是话题T在n个时间窗口内的微博数量增长率；feature₈是话题T在第n个时间窗口时微博数量变化的泊松值，通过如下获取：

其中，Nⁱ表示话题T在第i个时间窗口时的微博数量；λ为预设个数时间窗口内微博数量变化的均值；Δtw为当前时间窗口微博数据变化量。