[发明专利]基于动静态深度表征的协同预测方法

权利要求书

1.一种基于动静态深度表征的协同预测方法，其特征在于，包括：

获取众筹平台上各项目的相关数据，并提取出其中项目属性数据，划分为动态属性与静态属性；

将静态属性转换为向量表征；将动态属性通过预训练的模型进行情感表征与特征连接，并结合双向长短期记忆网络和注意力机制，得到相应的动态特征；

将一个项目的向量表征与动态特征协同建模，并通过Softmax层处理，得到预测结果。

2.根据权利要求1所述的一种基于动静态深度表征的协同预测方法，其特征在于，每一项目的动态属性包括：用户评论信息以及融资金额序列信息；每一项目的静态属性包括：发起人、投资人、奖励设置和项目其他信息。

3.根据权利要求2所述的一种基于动静态深度表征的协同预测方法，其特征在于，所述将静态属性转换为向量表征的过程包括：

将发起人、投资人、奖励设置和项目其他信息做形式化处理，结果依次记为X_owner、X_backer、X_perk、X_other；

将形式化结果转化为特征向量表示，记为(V_owner，V_backer，V_perk，V_other)，然后，将它们进行拼接，再利用全连接网络进行特征降维，得到最终的向量表征H_static：

H_static＝LeakyRelu(W₁·V_static+b₁)；

上式中，W₁、b₁分别为设定的权值、偏置，LeakyRelu()代表激活函数。

4.根据权利要求2所述的一种基于动静态深度表征的协同预测方法，其特征在于，所述将动态属性通过预训练的模型进行情感表征与特征连接的过程包括：

基于交互式注意力迁移网络，以亚马逊评论数据集为源域，众筹领域的项目评论数据集为目标域进行跨域情感分类训练，得到跨领域的模型M_iatn；

对于用户评论信息，假设有一条条有k个单词的评论信息，表示为r＝{w₁,w₂,…,w_k}，首先使用Word2vec进行向量表征，得到e_r＝{e₁,e₂,…,e_k}；再通过预训练的模型M_iatn进行情感表征后得到其深度情感表征向量V_sen；

对于融资金额序列信息，使用同样的方式处理得到对应的表征向量，再通过独热方法映射成特征向量V_fund；

将同一天的用户评论信息与融资金额序列信息所对应的向量连接起来，表示为：

其中，函数Day()代表将每日的向量进行拼接，1≤t≤n，n表示预设置的项目持续时间。