[发明专利]一种面向社交网络的热点事件预测方法

权利要求书

1.一种面向社交网络的热点事件预测方法，包括以下步骤：

步骤1、对源数据进行数据预处理得到文本数据，并对每条文本数据进行0、1分类标记，获得样本数据；

步骤2、根据预定时序将样本数据构建为带有节点特征的时序图结构数据，利用图卷积神经网络对时序图结构数据进行处理，通过图卷积模块进行卷积操作，获得聚合关键词语邻域信息的文本特征向量；

步骤3、通过维度注意力机制对步骤2所得文本特征向量进行编码，捕捉其时序相关性，获得聚合关键词语邻域信息与时序信息的文本特征向量；

具体包括如下步骤：

步骤3.1、基于维度注意力机制对文本特征向量进行编码，利用可学习的权重矩阵将上一时序文本特征向量与当前时序文本特征向量进行可学习的线性变换：

其中，与为权重矩阵，与为模型参数；

再将变换结果以预定比例进行拼接组合，获得拼接文本特征向量

步骤3.2、利用全局平均池化方法计算文本特征向量各个维度的特征统计量：

其中，F代表文本特征维度，n代表词语个数；表示关键词语j的第f维特征；

再利用激活函数处理特征统计量，获得文本特征摘要

其中，σ则为sigmod激活函数，W₁与W₂均为权重矩阵；

步骤3.3、采用文本特征摘要对拼接文本特征向量进行缩放，获得文本特征向量

步骤4、对步骤3所得文本特征向量进行可学习的线性变换，获得最终文本特征向量，并利用分类器进行分类预测计算，获得预测结果。

2.按权利要求1所述面向社交网络的热点事件预测方法，其特征在于，所述步骤1具体包括如下步骤：

步骤1.1、对源数据集进行随机采样，再对采样后数据依次进行事件合并、噪声清洗、时序切分预处理，再利用jieba工具对文本进行分词处理，再利用TF-IDF方法对关键词语进行提取过滤，再利用GloVe算法对关键词语进行预训练、生成关键词语的初始特征向量，得到文本数据；

步骤1.2、将预测问题定义为事件是否变为热点的二分类任务，根据设定的事件转发量阈值对文本数据进行标签标记，类别标签包括0和1，获得具有标签的样本数据。

3.按权利要求1所述面向社交网络的热点事件预测方法，其特征在于，所述步骤2具体包括如下步骤：

步骤2.1、设置时序k_t，k_t∈[1,T]，T为时序切分的总数；

步骤2.2、根据点互信息(PMI)算法，计算关键词语之间的相互依存关系：

其中，D_t为时序内文本集合总数，d_t(i,j)为在时序内关键词语i与关键词语j同时出现的文本总数，d_t(i)与d_t(j)分别为在时序内关键词语i与关键词语j至少出现一次的文本总数；

将关键词语以图结构的形式进行建模，构建带有节点特征的时序图结构，并将时序图结构以邻接矩阵的形式表示A_t：

步骤2.3、利用图卷积网络(GCN)模块对时序图结构中节点进行卷积处理，捕获邻域信息，获得图卷积编码的文本特征向量

其中，g为ReLU激活函数，H_t表示初始特征向量，表示邻接矩阵A_t归一化处理后的对称邻接矩阵，W^(t)、b^(t)均为模型参数。

4.按权利要求1所述面向社交网络的热点事件预测方法，其特征在于，所述步骤4具体包括如下步骤：

步骤4.1、对文本特征向量进行可学习的线性变换，获得最终文本特征向量

其中，W_T为权重矩阵，b_T为模型参数；

步骤4.2、利用分类器进行分类预测计算，获得预测结果：