本發明公開一種基于多平臺的網絡事件流行度預測方法，包括以下步驟：分別獲取多個平臺的網絡事件的流行度預測序列，并融合多個流行度預測序列形成網絡事件的流行度聯合預測序列；分別獲取多個平臺的網絡事件的流行度歷史序列，并融合多個流行度歷史序列形成網絡事件的流行度聯合歷史序列；利用生成式對抗網絡將流行度聯合預測序列與流行度聯合歷史序列進行對齊，得到網絡事件的流行度最終預測序列。

技術領域

本發明涉及網絡信息技術領域，特別涉及一種基于多平臺的網絡事件流行度預測方法與系統。

背景技術

隨著互聯網的普及，網絡已經融入了人們生活中，并扮演了很重要的角色。與此同時，網絡上表達的各種正式與非正式觀點，產生了層出不窮的網絡事件。

在此，需要指出的是，網絡事件是指由多篇文檔構成的特定話題，屬于比較精細的話題。根據生命周期理論，一個網絡事件周期將會經歷潛伏、發展、高峰、衰落、消逝五個階段。相應的，一個網絡事件的處理過程分為五個階段，即發現、分析、預測、預警、引導。部分網絡事件可能引發重大網絡輿論，針對這些網絡事件的進行分析與預測，能夠為網絡輿情的引導提供依據，從而降低隱患與損失。

網絡事件流行度預測是根據網絡事件歷史時刻的輸入來預測未知時刻網絡事件的關注量，例如根據事件前期的發文量預測未來時刻的發文量等。網絡事件流行度預測研究旨在分析事件內在的傳播特征與變化規律，預測其未來發展走向，從而提升人們對網絡事件傳播規律的認識。

網絡事件流行度預測對人們的生產與生活影響重大，尤其在社會安全方面有重要的應用,例如在輿情監測上，及早發現相關的事件，可以做到盡早預防，并將危害降到最低；在公共管理上，對災害性事件的趨勢做出早期預測并預警，則可以最大限度地減少災害損失；在商業決策上，把握社會事件的當前趨勢，有利于未來的商業布局與決策。因此，有必要對網絡事件流行度預測進行深入研究。同時，網民在互聯網上針對網絡事件發表的言論為預測事件的趨勢提供了基礎數據。

在數據表示方面，數據表示算法作為一種特征表示，主要分為離散數據、網絡數據、文本、圖像、異構數據五種。離散數據表示目標是如何數值化，而高維的文本、網絡數據、圖像與異構數據的表示目標則是如何將高維稀疏、多樣的原始信息表示轉換到低維稠密的實數語義空間。目前的數據表示都是基于神經網絡進行表示，因為其高效的表達，在此基礎上如何進行融合又是重點與難點。

流行度預測方法主要分為兩類：基于特征與基于生成式。

基于特征的預測方法又可以分為數理統計與機器學習兩類。

第一小類以數理統計的方法為代表。在特征方面，預測的值與時間的關系呈對數相關性。在模型方面,對于時序預測非常普遍，常用的模型有線性回歸模型、自回歸移動平均、序列回歸模型等。對于非平穩序列，常用的方法有差分整合移動平均自回歸模型(Autoregressive?Integrated?Moving?Average?model,ARIMA)，Prophet模型考慮了趨勢、季節、假期以及其他突變點對預測目標所帶來的影響。

第二小類以傳統的機器學習與深度學習的機器學習算法為代表，對目標值做分類與回歸。常用的特征包括時序特征、文本的話題、詞數、鏈接、文本情感、網絡中的節點的度、聚集系數、重要度等結構，以及圖片的基本特征等特征進行預測。

基于生成式的預測方法主要分兩種，基于傳播擴散過程與基于點過程。

基于傳播擴散過程的方法，基于傳染病模型建模了傳播速率與當前的已有感染與未感染的節點數的關系，典型的是SI理論，其變體SpikeM模型在傳播速率公式中考慮了傳播過程中的信息的冪律分布和周期分布。基于概率圖模型預測事件中運用隱性馬爾可夫模型預測事件的發展狀態。