[发明专利]短视频流行度预测方法、系统、电子设备及存储介质

说明书

本发明涉及一种短视频流行度预测方法、系统、电子设备及存储介质，其方法包括：获取短视频数据，包括文本信息、社交信息、时间序列信息；特征提取，将文本信息进行特征提取为文本特征表示，将社交信息、时间序列信息转成矩阵形式特征表示；将文本特征，将社交信息特征、时间序列信息特征转成图像三通道模式，对三通道的图像进行特征提取；将时间序列信息矩阵的顺序，按照与播放量序列的皮尔逊相关性系数的大小顺序依次排列，对时间进行归一化处理，将时间序列信息矩阵转成单通道图像；建立热门短视频预测模型进行短视频流行度预测。解决了内部噪声对短视频的影响，对循环神经网络LSTM的参数值充分利用，对流行度预测的准确值较好。

技术领域

本发明涉及视频流行度预测技术领域，更具体地说，涉及一种短视频流行度预测方法、系统、电子设备及存储介质。

背景技术

在过去几年，智能设备出现前所未有的增长，使得用户能够用短视频的方式记录生活上传到社交媒体网站。短视频在许多方面有巨大的潜力，如在线营销，在线广告，网络缓存等。短视频在最近几年非常火爆，如当下的抖音，快手，哔哩哔哩视频网站等。

在视频的流行度预测上，目前的主流方法是对数线性方法，支持向量机回归方法，自编码器方法等。纯基于早期流行度预测的代表对数线性方法预测效果并不好，没有考虑冷启动的问题。后来添加与短视频信息相关的特征与早期的流行度一起预测流行度。支持向量机回归方法使用与视频视觉特征，赋予其权重的作用作为补充。自编码器方法讨论了内部噪声对短视频分析的不利影响，使用编码器编码视觉特征，社交特征等，编码成隐藏表示Z，作为LSTM网络的参数值，再使用早期流行度预测短视频的流行度。以上方法并没有解决好内部噪声对短视频的影响，对循环神经网络 LSTM的参数值利用效果有限，对流行度预测的准确值较差。

因此，现有技术亟待有很大的进步。

发明内容

本发明要解决的技术问题在于现有技术中对循环神经网络LSTM的参数值利用效果有限，对流行度预测的准确值较差，针对现有技术的上述的缺陷，本发明一方面提供一种短视频流行度预测方法，包括：

S1、获取短视频数据，所述短视频数据包括文本信息、社交信息、时间序列信息；

S2、对所述短视频数据进行特征提取，将文本信息进行特征提取为文本特征表示，将社交信息、时间序列信息转成矩阵形式特征表示；

S3、将所述文本特征，将社交信息特征、时间序列信息特征转成图像的RGB三通道模式，对三通道的图像进行特征提取；

S4、将时间序列信息矩阵的顺序，按照与播放量序列的皮尔逊相关性系数的大小顺序依次排列，并对时间进行归一化处理，将时间序列信息矩阵转成单通道图像；

S5、建立热门短视频预测模型，将单通道图像输入热门短视频预测模型进行短视频流行度预测。

优选地，在所述对所述短视频数据进行特征提取步骤之前还包括：

对所述短视频数据进行清洗、填充。

优选地，所述步骤S3、将所述文本特征，将社交信息特征、时间序列信息特征转成图像的RGB三通道模式，对三通道的图像进行特征提取进一步包括：

S31、使用Bi-RNN模型将文本信息进行特征提取为文本表示，转成图像的R通道；

S32、将社交信息进行填充为二维的矩阵形式，转成图像的G通道；

S33、将时间序列信息转为时间矩阵的形式再进行降维，转成图像的B 通道。

优选地，所述皮尔逊相关性系数包括：