(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211479412.9 (22)申请日 2022.11.24 (71)申请人 天津师范大学 地址 300387 天津市西青区 宾水西道393号 (72)发明人 郝彤　刘安安　杜宏伟　孙金生　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 专利代理师 李林娟 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/00(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于属性敏感交互的时序社交媒体流行度 预测方法及装置 (57)摘要 本发明公开了一种基于属性敏感交互的时 序社交媒体流行度预测方法及装置， 方法包括： 利用关联矩 阵中的已知元素对未知元素进行推 断， 弥补稀疏矩阵带来的模型学习困难的问题； 对用户‑属性关联矩阵中的每一个元素序列， 分 别采用长短期记忆网络和卷积神经网络捕捉用 户‑属性偏好的长期变化趋势和短期波动； 以各 种属性为桥梁， 分析帖子与用户之间的匹配等 级； 采用注 意力机制计算帖子对不同用户的吸引 程度； 将不同时刻帖子对用户吸引程度的表征与 其它多模态特征进行整合， 并构建时序衰减损失 函数进行回归训练。 装置包括： 处理器和存储器。 本发明利用社交媒体的属性信息进行交互式学 习， 提高了基于时序过程的流行度预测的准确 度， 提高了用户的体验度。 权利要求书3页 说明书12页 附图3页 CN 115545349 A 2022.12.30 CN 115545349 A 1.一种基于属性敏感交互的时序社交媒体流行度预测方法， 其特征在于， 所述方法包 括： 分别利用帖子 ‑属性关联矩阵和用户 ‑属性关联矩阵中的已知元素， 采用平方损失函数 得到关于帖子、 用户以及属性的潜在表示， 并对两矩阵中的缺失项 进行推断； 对用户‑属性关联矩阵中的每一个元素序列， 分别采用长短期记忆网络和卷积神经网 络捕捉用户 ‑属性偏好的长期变化趋势和短期波动； 基于完全估计的帖子 ‑属性关联矩阵、 用户 ‑属性偏好的长期变化趋势矩阵， 获取帖子 与用户关于属性的第一匹配程度； 基于完全估计的帖子 ‑属性关联矩阵、 用户 ‑属性偏好的 短期波动矩阵， 获取帖子与用户关于属 性的第二匹配程度； 获取帖子和用户关于属 性的潜 在表示之间的第三匹配程度； 对第一匹配程度、 第二匹配程度及第三匹配程度分别使用注意力网络， 获取不同用户 对帖子流行度的贡献值； 根据不同用户对帖子流行度的贡献值， 得到更新后的帖子对所有用户吸引程度的表 征， 将对所有用户吸引程度的表征与多模态特征 的潜在表示进行整合， 预测帖子的流行度 分数， 并基于流行度分数对社交网站的服 务质量进行优化。 2.根据权利要求1所述的一种基于属性敏感交互的时序社交媒体流行度预测方法， 其 特征在于， 所述帖子 ‑属性关联矩阵为： 每个元素 表示帖子 是否包含潜在的属性 ， 定义为： 其中， 为帖子集合， 表示第i个帖子； 为属性集合， 表示第 种属性； 为帖子‑属性 关联矩阵。 3.根据权利要求1所述的一种基于属性敏感交互的时序社交媒体流行度预测方法， 其 特征在于， 所述用户 ‑属性关联矩阵为： 每个元素 表示在 时刻， 用户 对潜在属性 的偏好程度， 定义 为： 其中， 为截止到 时刻， 用户 发布的包含属性 的帖子的数目； 为用户集合， 表示 第 个用户； 为 时刻的用户 ‑属性关联矩阵。 4.根据权利要求1所述的一种基于属性敏感交互的时序社交媒体流行度预测方法， 其 特征在于， 所述分别利用帖子 ‑属性关联矩阵和用户 ‑属性关联矩阵中的 已知元素， 采用平 方损失函数得到关于帖子、 用户以及属 性的潜在表示， 并对两矩阵中的缺失项进行推 断具 体为： 权　利　要　求　书 1/3 页 2 CN 115545349 A 2其中， 、 和 分别为经过训练后的帖子、 属性和用户的潜在表示； 为更新后的帖 子‑属性关联矩阵 中第 行第 列的元素， 表示帖子 和属性 之间的完全估计； 为更新 后的用户 ‑属性关联矩阵 中第 行第 列的元素， 表示 时刻用户 和属性 之间的完全估 计。 5.根据权利要求4所述的一种基于属性敏感交互的时序社交媒体流行度预测方法， 其 特征在于， 所述第一匹配程度为： 其中，“ ”表示逐元素乘积， 和 分别是完全估计的帖子 ‑属性关联矩阵 和用户‑属 性偏好的长期变化趋势 矩阵 的第 行和第 行； 所述第二匹配程度为： 其中， 和 分别是完全估计的帖子 ‑属性关联矩阵 和用户‑属性偏好的短期波动矩 阵 的第 行和第 行； 所述第三匹配程度 ： 。 6.根据权利要求5所述的一种基于属性敏感交互的时序社交媒体流行度预测方法， 其 特征在于， 所述根据不同用户对帖子流行度的贡献值， 得到更新后的帖子对所有用户吸引 程度的表征 具体为： 对不同用户的贡献值分别进行归一化处理， 处理后的结果分别与第一匹配程度、 第二 匹配程度和第三匹配程度对应相乘， 并分别求和得到各自的表征值。 7.根据权利要求1所述的一种基于属性敏感交互的时序社交媒体流行度预测方法， 其 特征在于， 所述方法还包括： 构建一时间衰减因子， 与平方损失函数相乘进行回归训练， 用 于优化预测性能。 8.一种基于属性敏感交互的时序社交媒体流行度预测装置， 其特征在于， 所述装置包 括： 第一获取模块， 用于分别利用帖子 ‑属性关联矩阵和用户 ‑属性关联矩阵中的已知元 素， 采用平方损失函数得到 关于帖子、 用户以及属性的潜在表示， 并对两矩阵中的缺 失项进 行推断； 第二获取模块， 用于对用户 ‑属性关联矩阵中的每一个元素序列， 分别采用长短期记忆 网络和卷积神经网络捕捉用户 ‑属性偏好的长期变化趋势和短期波动； 第三获取模块， 用于基于完全估计的帖子 ‑属性关联矩阵、 用户 ‑属性偏好的长期变化 趋势矩阵， 获取帖子与用户关于属性的第一匹配程度； 基于完全估计的帖子 ‑属性关联矩 阵、 用户‑属性偏好的短期波动矩阵， 获取帖子与用户关于属性的第二匹配程度： 获取帖子 和用户关于属性的潜在表示之间的第三匹配程度；权　利　要　求　书 2/3 页 3 CN 115545349 A 3