CN110166275B - 信息处理方法、装置及存储介质 - Google Patents

信息处理方法、装置及存储介质 Download PDF

Info

Publication number
CN110166275B
CN110166275B CN201810495759.XA CN201810495759A CN110166275B CN 110166275 B CN110166275 B CN 110166275B CN 201810495759 A CN201810495759 A CN 201810495759A CN 110166275 B CN110166275 B CN 110166275B
Authority
CN
China
Prior art keywords
propagation
target information
information
hidden layer
jth
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810495759.XA
Other languages
English (en)
Other versions
CN110166275A (zh
Inventor
鲍鹏
卢苇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Beijing Jiaotong University
Original Assignee
Tencent Technology Shenzhen Co Ltd
Beijing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd, Beijing Jiaotong University filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201810495759.XA priority Critical patent/CN110166275B/zh
Publication of CN110166275A publication Critical patent/CN110166275A/zh
Application granted granted Critical
Publication of CN110166275B publication Critical patent/CN110166275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/04—Network management architectures or arrangements
    • H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种信息处理方法、装置及存储介质，属于计算机技术领域。该方法应用于信息传播模型中，信息传播模型包括输入层、隐藏层和输出层，隐藏层包括与多个时刻对应的多个隐藏层节点；方法包括：获取目标信息在第j个传播时刻的输入特征Xj；根据目标信息在第j‑1个传播时刻的隐层特征hj‑1和输入特征Xj，获取目标信息在第j个传播时刻的隐层特征hj；根据目标信息的隐层特征，获取目标信息的信息传播特征，信息传播特征用于描述目标信息的传播过程。本发明实施例充分利用历史传播记录进行深度学习，对网络信息的动态传播过程进行描述，扩展了功能，提高了信息传播模型的性能，进而提升了信息传播过程的预测准确度。

Description

信息处理方法、装置及存储介质
技术领域
本发明涉及计算机技术领域，特别涉及一种信息处理方法、装置及存储介质。
背景技术
随着互联网技术的发展以及多种社交网络的出现，大量的网络信息能够以社交网络作为媒介进行传播，而信息传播特征能够对网络信息的传播过程和趋势进行描述，为确定舆论走向、发布有价值信息等工作提供参考，因此，如何获取网络信息准确的信息传播特征具有非常重要的研究意义。
相关技术中，通过对样本社交网络中的样本网络信息的传播过程进行分析，发现网络信息在发布早期的传播规模的对数与最终传播规模的对数之间存在线性相关的关系。例如，参见图1，以坐标系中的一个点表示一条网络信息，以横轴表示网络信息发布7天时的传播规模，以纵轴表示网络信息发布30天时的传播规模，根据图1可以看出网络信息在发布7天时的传播规模的对数以及发布30天时的传播规模的对数存在线性相关的关系。因此，基于上述发现，可以根据多条样本网络信息发布早期的传播规模以及最终传播规模创建线性回归模型，则对于新发布的网络信息，根据该网络信息发布早期的传播规模以及该线性回归模型，可以预测出该网络信息的最终传播规模。
在实现本发明实施例的过程中，发明人发现相关技术至少存在以下缺陷：上述方法仅能预测出网络信息的最终传播规模，而无法描述出网络信息的传播过程，因此功能存在局限，导致信息传播过程的预测准确度不高。
发明内容
本发明实施例提供了一种信息处理方法、装置及存储介质，可以解决相关技术的问题。所述技术方案如下：
第一方面，提供了一种信息处理方法，应用于信息传播模型中，所述信息传播模型包括输入层、隐藏层和输出层，所述隐藏层包括与多个时刻对应的多个隐藏层节点；所述方法包括：
通过所述输入层，获取目标信息在第j个传播时刻的输入特征Xj，所述输入特征Xj用于描述所述目标信息在所述第j个传播时刻以及所述第j个传播时刻之前时刻的历史传播过程，j为正整数；
通过所述多个隐藏层节点，根据所述目标信息在第j-1个传播时刻的隐层特征hj-1和所述输入特征Xj，获取所述目标信息在所述第j个传播时刻的隐层特征hj，所述隐层特征hj-1由与所述第j-1个传播时刻对应的隐藏层节点在所述第j-1个传播时刻获取；
通过所述输出层，根据所述目标信息的隐层特征，获取所述目标信息的信息传播特征，所述信息传播特征用于描述所述目标信息的传播过程。
第二方面，提供了一种信息处理装置，所述装置包括：输入层模块、隐藏层模块和输出层模块，所述隐藏层模块包括与多个时刻对应的多个隐层单元；
所述输入层模块，用于获取目标信息在第j个传播时刻的输入特征Xj，所述输入特征Xj用于表示所述目标信息在所述第j个传播时刻以及所述第j个传播时刻之前时刻的历史传播过程，j为正整数；
所述与所述第j个传播时刻对应的隐层单元，用于根据所述目标信息在第j-1个传播时刻的隐层特征hj-1和所述输入特征Xj，获取所述目标信息在所述第j个传播时刻的隐层特征hj，所述隐层特征hj-1由与所述第j-1个传播时刻对应的隐层单元在所述第j-1个传播时刻获取；
所述输出层模块，用于根据所述目标信息的隐层特征，获取所述目标信息的信息传播特征。
第三方面，提供了一种信息处理装置，所述信息处理装置包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述指令、所述程序、所述代码集或所述指令集由所述处理器加载并执行以实现如第一方面所述的信息处理方法中所执行的操作。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述指令、所述程序、所述代码集或所述指令集由处理器加载并执行以实现如第一方面所述的信息处理方法中所执行的操作。
本发明实施例提供的技术方案带来的有益效果是：
本发明实施例提供的方法、装置及存储介质，提供了一种信息传播模型，信息传播模型包括输入层、隐藏层和输出层，隐藏层包括与多个时刻对应的多个隐藏层节点，通过输入层获取目标信息在第j个传播时刻的输入特征，通过多个隐藏层节点，能根据目标信息在第j-1个传播时刻的隐层特征和在第j个传播时刻的输入特征获取在第j个传播时刻的隐层特征，通过输出层根据目标信息在各个时刻的隐层特征获取信息传播特征。本发明实施例充分利用了历史传播记录进行深度学习，利用表征学习技术和循环神经网络对网络信息的动态传播过程进行描述，而不仅是预测最终的传播规模，扩展了功能，提高了信息传播模型的性能，进而提升了信息传播过程的预测准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是相关技术提供的一种传播规模的关系示意图；
图2是本发明实施例提供的一种信息传播模型的结构示意图；
图3是本发明实施例提供的一种信息处理方法的流程图；
图4是本发明实施例提供的一种输入特征的示意图；
图5是本发明实施例提供的一种预测传播规模的操作流程示意图；
图6是本发明实施例提供的一种预测下一个传播时刻的操作流程示意图；
图7是本发明实施例提供的一种信息处理装置的结构示意图；
图8是本发明一个示例性实施例提供的终端的结构框图；
图9是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种信息传播模型，该信息传播模型可以根据目标信息的历史传播过程提取信息传播特征，采用信息传播特征的形式对目标信息的传播过程进行描述。
该信息传播模型可以应用于预测网络信息传播过程的场景下，如在某一社交应用中，某条网络信息发布之后会进行传播，根据网络信息的历史传播过程和该信息传播模型可以获取到网络信息的信息传播特征，从而确定该网络信息的动态传播过程，获知该网络信息的传播规模或者预测该网络信息的下一个传播时刻。
在该信息传播模型的训练过程中，针对多条样本网络信息，可以通过信息传播模型获取每条样本网络信息的信息传播特征，并根据获取的信息传播特征以及样本网络信息的实际传播过程训练信息传播模型中的各项模型参数，如参数矩阵和偏置项等。之后，通过训练好的信息传播模型即可获取任一条网络信息的信息传播特征，并根据获取的信息传播特征对未来的传播过程进行预测。
图2是本发明实施例提供的一种信息传播模型的结构示意图，通过信息传播模型可以提取目标信息的信息传播特征。
参见图2，信息传播模型包括输入层、隐藏层和输出层，隐藏层中包括与多个时刻对应的多个隐藏层节点。
其中，输入层根据目标信息的历史传播记录，获取用于描述历史传播过程的输入特征，输入至隐藏层中与当前时刻对应的隐藏层节点；隐藏层中的每个隐藏层节点根据相应时刻的输入特征以及上一个时刻的隐层特征，获取相应时刻的隐层特征，输入至输出层中，该隐层特征不仅包含当前时刻的传播特征，还包括之前时刻的传播特征；输出层根据多个隐藏层节点输出的隐层特征获取目标信息的信息传播特征。
图3是本发明实施例提供的一种信息处理方法的流程图，该信息处理方法的执行主体为处理装置，该处理装置可以为服务器或者手机、计算机等终端。参见图3，该方法包括：
301、通过输入层，获取目标信息在第j个传播时刻的输入特征Xj，j为正整数。
其中，目标信息为需要预测传播过程的信息。从信息类型的角度来讲，该目标信息可以包括视频信息、文本信息、音频信息等多种类型；从应用场景的角度来讲，该目标信息可以为即时通信应用中传递的信息、信息展示应用中发布的信息或者其他场景下传播的信息；从应用方式的角度来讲，该目标信息可以为训练信息传播模型过程中采用的样本网络信息，或者也可以为需要预测传播过程的网络信息。
目标信息在发布之后，可以经过多个用户进行转发，每转发一次可以认为是发生一次传播行为，转发时间记为传播时间。将该目标信息原始的发布时间记为t0，则第j次的传播时刻tj记为第j次的传播时间与目标信息原始的发布时间之间的时间间隔，j为正整数，j用于标识目标信息的传播次数，也即是用于标识每个传播时刻是第几个传播时刻。
本发明实施例以第j个传播时刻为例，将历史传播记录输入到输入层中，通过输入层根据历史传播记录可以获取第j个传播时刻的输入特征Xj，该输入特征Xj可以用于描述目标信息在第j个传播时刻以及第j个传播时刻之前时刻的历史传播过程。
其中，该历史传播记录可以包括每次传播目标信息时的传播时刻、传播用户、地理位置等至少一项信息，则根据历史传播记录中的至少一项信息可以提取到输入特征Xj，输入特征Xj用于表示目标信息的历史传播过程。提取输入特征时采用的特征提取算法可以为node2vec(节点到向量)算法或者其他算法，通过采用特征提取算法可以对历史传播记录进行表征学习，获取对应的向量表示，作为输入特征。
根据历史传播记录中各项信息维度的不同，输入特征Xj可以包括至少一种维度的特征，例如输入特征可以包括时序特征、用户特征和地理位置特征中的至少一项。
在一种可能实现方式中，通过输入层，根据历史传播记录可以获取目标信息的多个传播时间与初始发布时间之间的时间间隔，作为多个传播时刻，将多个传播时刻组成时序特征tj，获取包括时序特征tj的输入特征Xj，则该输入特征Xj可以表示目标信息的历史传播时刻。
在另一种可能实现方式中，通过输入层，根据历史传播记录可以获取目标信息的多个传播用户，采用node2vec算法提取多个传播用户的特征，组成用户特征uj，获取包括用户特征uj的输入特征Xj，则该输入特征Xj可以表示目标信息的历史传播用户。其中，每个传播用户的特征可以根据传播用户的年龄、性别、职业等属性信息以及传播用户关注的用户数量、关注该传播用户的用户数量等社交信息确定。
在再一种可能实现方式中，通过输入层，根据历史传播记录可以获取目标信息进行传播时的地理位置，将多个地理位置的特征组成地理位置特征Lj，获取包括地理位置特征Lj的输入特征Xj，则该输入特征Xj可以表示目标信息的历史传播位置。
当然，除上述几种特征之外，还可以获取其他维度的特征，如根据目标信息的内容可以获取内容特征等。并且，当获取到多个维度的特征时，可以将该多个维度的特征直接组合构成输入特征Xj，或者也可以对该多个维度的特征进行线性加权，构成输入特征Xj。
通过充分利用历史传播记录中的各项信息，将这些信息融合到信息传播模型，从而形成一个信息传播模型的泛化框架，以刻画真实全面的网络信息传播过程。
302、通过多个隐藏层节点，根据目标信息在第j-1个传播时刻的隐层特征hj-1和输入特征Xj，获取目标信息在第j个传播时刻的隐层特征hj，hj-1由与第j-1个传播时刻对应的隐藏层节点在第j-1个传播时刻获取。
隐藏层中包括多个隐藏层节点，每个隐藏层节点与一个时刻对应，分别用于获取相应时刻的隐层特征。
针对第j个传播时刻，将输入层输出的输入特征Xj输入至与第j个传播时刻对应的隐藏层节点，并且还会将与第j-1个传播时刻对应的隐藏层节点输出的隐层特征hj-1输入至与第j个传播时刻对应的隐藏层节点中，也即是将目标信息在第j-1个传播时刻的隐层特征hj-1输入至与第j个传播时刻对应的隐藏层节点中。那么，在第j个传播时刻对应的隐藏层节点中，可以根据目标信息在第j-1个传播时刻的隐层特征hj-1和输入特征Xj，获取目标信息在第j个传播时刻的隐层特征hj。
本发明实施例中在隐藏层中设置循环神经网络，根据上一传播时刻的隐层特征和当前传播时刻的输入特征得到当前传播时刻的隐层特征，则该隐层特征中不仅受到当前传播行为的影响，还会受到历史传播过程的影响，因此该隐层特征可以用于对历史传播过程进行描述。
可选地，通过隐藏层中与第j个传播时刻对应的隐藏层节点，根据目标信息在第j-1个传播时刻的隐层特征hj-1和输入特征Xj，采用公式(1)计算目标信息在第j个传播时刻的隐层特征hj：
hj＝max{WXXj+Whhj-1+bh，0} (1)；
其中，WX表示特征参数矩阵，Wh表示隐层参数矩阵，bh表示偏置项。
在一种可能实现方式中，当输入特征Xj包括时序特征tj时，采用公式(1-1)计算目标信息在第j个传播时刻的隐层特征hj：
hj＝max{Wttj+Whhj-1+bh，0} (1-1)；其中，Wt表示时间特征参数矩阵。
在另一种可能实现方式中，当输入特征Xj包括用户特征uj时，采用公式(1-2)计算目标信息在第j个传播时刻的隐层特征hj：
hj＝max{Wuuj+Whhj-1+bh，0} (1-2)；其中，Wu表示用户特征参数矩阵。
在再一种可能实现方式中，当输入特征Xj包括地理位置特征Lj时，采用公式(1-3)计算目标信息在第j个传播时刻的隐层特征hj：
hj＝max{WLLj+Whhj-1+bh，0} (1-3)；其中，WL表示位置特征参数矩阵。
当然，除上述几种特征之外，还可以获取其他维度的特征。当获取到多个维度的特征时，可以将该多个维度的特征直接组合构成输入特征Xj，将该多个维度的特征对应的特征参数矩阵直接组合构成特征参数矩阵WX，或者，也可以对该多个维度的特征进行线性加权，构成输入特征Xj，将该多个维度的特征对应的特征参数矩阵进行线性加权，构成特征参数矩阵WX。
例如，参见图4所示的信息传播模型，采用公式(1-4)计算目标信息在第j个传播时刻的隐层特征hj：
hj＝max{Wttj+Wuuj+WLLj+Whhj-1+bh，0} (1-4)。
303、通过输出层，根据目标信息的隐层特征，获取目标信息的信息传播特征。
隐藏层将目标信息在第j个传播时刻的隐层特征hj输入至输出层中，且在此之前，隐藏层还将目标信息在之前时刻的隐层特征输入至输出层中，则通过输出层可以获取目标信息在各个时刻的隐层特征，根据这些隐层特征可以获取到目标信息的信息传播特征，以该信息传播特征来描述目标信息的动态传播过程，从而可以预测目标信息未来的传播规模或传播时刻等。
在一种可能实现方式中，信息传播特征包括传播规模，该传播规模表示目标信息的传播次数的多少。输出层可以根据目标信息在各个时刻的隐层特征，采用公式(2)，获取目标信息的传播规模：
f(c)＝MLP(a(c)) (2)；
其中
Figure BDA0001669122310000081
a(c)表示目标信息的传播向量，f(c)表示目标信息的传播规模，MLP(·)表示多层感知器，λj表示hj的传播权重，j表示目标信息的传播次数，T表示目标信息的历史最大传播次数，j∈{1，2，……T}。
多层感知器是一种前向结构的人工神经网络模型，能够将输入向量映射为输出向量，通过多层感知器可以将传播向量转化为一个数量，以转化的数量来表示目标信息的传播规模。
在另一种可能实现方式中，信息传播特征包括预测的下一个传播时刻，输出层可以根据目标信息在第j个传播时刻的隐层特征hj，获取目标信息预测的下一个传播时刻，具体过程包括：
首先，根据获取到的隐层特征hj，将动态传播过程的非线性速率函数形式化为：
Figure BDA0001669122310000085
y(t)表示目标信息的传播速率函数，Wt表示时间特征参数矩阵，
Figure BDA0001669122310000086
表示时间特征参数矩阵的转置矩阵，tj表示目标信息的第j个传播时刻，bt表示初始速率，
Figure BDA0001669122310000084
可以表示历史传播过程的影响，Wt(t-tj)可以表示当前传播时刻的影响；
之后可以得到下一次传播行为发生在t时刻的概率为：
Figure BDA0001669122310000082
p(t)表示目标信息在t时刻进行传播的概率；
下一次传播行为发生的时刻的期望为：
Figure BDA0001669122310000083
tj+1’表示目标信息预测的下一个传播时刻。
实际应用中，每次根据信息传播模型进行预测，得到下一个传播时刻，那么随着时间的推移，可以预测出目标信息的多个传播时刻。
综上所述，针对一条目标信息，预测传播规模的操作流程如图5所示，参见图5，首先针对该目标信息提取多个维度的特征，然后构建隐藏层，经过隐藏层的计算之后，根据传播权重对隐藏层输出的隐层特征进行加权向量表示，之后通过多层感知器转化为传播规模。而预测下一个传播时刻的操作流程如图6所示，参见图6，首先针对该目标信息提取多个维度的特征，然后构建隐藏层，经过隐藏层的计算之后，计算动态传播过程的速率函数，计算下一次传播行为发生在t时刻的概率，进而计算出下一次传播行为发生时刻的期望，即为预测的下一个传播时刻。
需要说明的是，本发明实施例提供了一种信息传播模型的网络架构，基于该信息传播模型的网络架构，可以根据多个样本网络信息进行训练，确定信息传播模型中的模型参数，包括上述参数矩阵、偏置项、传播权重、多层感知器等，从而得到训练好的信息传播模型，之后即可根据该信息传播模型获取信息传播特征，从而对网络信息的动态传播过程进行预测。
其中，在训练过程中，获取多条样本网络信息，每条样本网络信息的历史传播记录和信息传播特征已知，则以样本网络信息的历史传播记录和信息传播特征作为已知量，信息传播模型中的模型参数作为未知量，针对多条样本网络信息进行多次训练，从而得出较为准确的模型参数，此时信息传播模型训练完成。之后，针对待预测的网络信息，获取该网络信息的历史传播记录，输入到训练完成的信息传播模型中，即可获取到该网络信息的信息传播特征，从而预测出该网络信息未来的传播过程。
本发明实施例提供的方法，提供了一种信息传播模型，信息传播模型包括输入层、隐藏层和输出层，隐藏层包括与多个时刻对应的多个隐藏层节点，通过输入层获取目标信息在第j个传播时刻的输入特征，通过多个隐藏层节点，能根据目标信息在第j-1个传播时刻的隐层特征和在第j个传播时刻的输入特征获取在第j个传播时刻的隐层特征，通过输出层根据目标信息在各个时刻的隐层特征获取信息传播特征。本发明实施例中的信息传播模型未对网络信息的传播过程进行任何假设，而是充分利用了历史传播记录进行深度学习，利用表征学习技术和循环神经网络对网络信息的动态传播过程进行描述，而不仅是预测最终的传播规模，扩展了功能，提高了信息传播模型的性能，进而提升了信息传播过程的预测准确度。
另外，考虑到信息传播是一个复杂的过程，当前基于对传播过程的先验认识而提出的一些信息传播模型仍然具有很强的局限性，如相关技术中的线性回归模型等，并不能准确地刻画网络信息真实的传播过程，也不具备较强的泛化能力。而本发明实施例中，不仅利用表征学习技术实现了对网络信息的动态传播过程的建模和预测，而且根据历史传播记录中各个维度的信息获取到包括时序特征、用户特征和地理位置特征中至少一项的输入特征，充分考虑了网络信息历史传播过程中各项可被利用的信息，提升了泛化能力，进一步提高了信息传播模型的性能。
另外，利用多层感知器，并基于Attention(注意力)机制的循环神经网络对网络信息的动态传播过程进行建模，从而能够预测网络信息的传播规模，提高了预测准确度。
图7是本发明实施例提供的一种信息处理装置的结构示意图。参见图7，该装置包括：输入层模块701、隐藏层模块702和输出层模块703，隐藏层模块702包括与多个时刻对应的多个隐层单元7021；
输入层模块701，用于执行上述实施例中获取输入特征的步骤；
隐层单元7021，用于执行上述实施例中获取隐层特征的步骤；
输出层模块703，用于执行上述实施例中根据隐层特征获取信息传播特征的步骤。
在一种可能实现方式中，信息传播特征包括传播规模，输出层模块703包括：
传播规模获取单元，用于执行上述实施例中获取传播规模的步骤。
在另一种可能实现方式中，信息传播特征包括预测的下一个传播时刻，输出层模块703包括：
传播时刻预测单元，用于执行上述实施例中获取目标信息的下一个传播时刻的步骤。
在一种可能实现方式中，输入层模块701，还用于执行上述实施例中根据历史传播记录获取输入特征的步骤。
需要说明的是：上述实施例提供的信息处理装置在获取信息传播特征时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将处理装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的信息处理装置与信息处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图8示出了本发明一个示例性实施例提供的终端800的结构框图。该终端800可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(MovingPicture Experts GroupAudio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture ExpertsGroup Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端800还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端800包括有：处理器801和存储器802。
处理器801可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器801可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器801还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器802可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器802中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的信息处理方法。
在一些实施例中，终端800还可选包括有：外围设备接口803和至少一个外围设备。处理器801、存储器802和外围设备接口803之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口803相连。具体地，外围设备包括：射频电路804、触摸显示屏805、摄像头组件806、音频电路807、定位组件808和电源809中的至少一种。
外围设备接口803可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器801和存储器802。在一些实施例中，处理器801、存储器802和外围设备接口803被集成在同一芯片或电路板上；在一些其他实施例中，处理器801、存储器802和外围设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路804用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路804包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路804还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏805用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时，显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时，显示屏805还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏805可以为一个，设置终端800的前面板；在另一些实施例中，显示屏805可以为至少两个，分别设置在终端800的不同表面或呈折叠设计；在再一些实施例中，显示屏805可以是柔性显示屏，设置在终端800的弯曲表面上或折叠面上。甚至，显示屏805还可以设置成非矩形的不规则图形，也即异形屏。显示屏805可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件806用于采集图像或视频。可选地，摄像头组件806包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件806还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路807可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器801进行处理，或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路807还可以包括耳机插孔。
定位组件808用于定位终端800的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件808可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统或俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源809用于为终端800中的各个组件进行供电。电源809可以是交流电、直流电、一次性电池或可充电电池。当电源809包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端800还包括有一个或多个传感器810。该一个或多个传感器810包括但不限于：加速度传感器811、陀螺仪传感器812、压力传感器813、指纹传感器814、光学传感器815以及接近传感器816。
加速度传感器811可以检测以终端800建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器811可以用于检测重力加速度在三个坐标轴上的分量。处理器801可以根据加速度传感器811采集的重力加速度信号，控制触摸显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器811还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器812可以检测终端800的机体方向及转动角度，陀螺仪传感器812可以与加速度传感器811协同采集用户对终端800的3D动作。处理器801根据陀螺仪传感器812采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器813可以设置在终端800的侧边框和/或触摸显示屏805的下层。当压力传感器813设置在终端800的侧边框时，可以检测用户对终端800的握持信号，由处理器801根据压力传感器813采集的握持信号进行左右手识别或快捷操作。当压力传感器813设置在触摸显示屏805的下层时，由处理器801根据用户对触摸显示屏805的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器814用于采集用户的指纹，由处理器801根据指纹传感器814采集到的指纹识别用户的身份，或者，由指纹传感器814根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器801授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器814可以被设置终端800的正面、背面或侧面。当终端800上设置有物理按键或厂商Logo时，指纹传感器814可以与物理按键或厂商标志集成在一起。
光学传感器815用于采集环境光强度。在一个实施例中，处理器801可以根据光学传感器815采集的环境光强度，控制触摸显示屏805的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏805的显示亮度；当环境光强度较低时，调低触摸显示屏805的显示亮度。在另一个实施例中，处理器801还可以根据光学传感器815采集的环境光强度，动态调整摄像头组件806的拍摄参数。
接近传感器816，也称距离传感器，通常设置在终端800的前面板。接近传感器816用于采集用户与终端800的正面之间的距离。在一个实施例中，当接近传感器816检测到用户与终端800的正面之间的距离逐渐变小时，由处理器801控制触摸显示屏805从亮屏状态切换为息屏状态；当接近传感器816检测到用户与终端800的正面之间的距离逐渐变大时，由处理器801控制触摸显示屏805从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图8中示出的结构并不构成对终端800的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
图9是本发明实施例提供的一种服务器的结构示意图，该服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，CPU)901和一个或一个以上的存储器902，其中，所述存储器902中存储有至少一条指令，所述至少一条指令由所述处理器901加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。
服务器900可以用于执行上述信息处理方法中处理装置所执行的步骤。
本发明实施例还提供了一种信息处理装置，该信息处理装置包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，指令、程序、代码集或指令集由处理器加载并执行以实现上述实施例的信息处理方法中所执行的操作。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，该指令、该程序、该代码集或该指令集由处理器加载并执行以实现上述实施例的信息处理方法中所执行的操作。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种信息处理方法，其特征在于，应用于信息传播模型中，所述信息传播模型包括输入层、隐藏层和输出层，所述隐藏层包括与多个时刻对应的多个隐藏层节点；所述方法包括：
通过所述输入层，获取目标信息在第j个传播时刻的输入特征Xj，所述输入特征Xj用于描述所述目标信息在所述第j个传播时刻以及所述第j个传播时刻之前时刻的历史传播过程，j为正整数；
通过所述多个隐藏层节点，根据所述目标信息在第j-1个传播时刻的隐层特征hj-1和所述输入特征Xj，获取所述目标信息在所述第j个传播时刻的隐层特征hj，所述隐层特征hj-1由与所述第j-1个传播时刻对应的隐藏层节点在所述第j-1个传播时刻获取；
通过所述输出层，根据所述目标信息的隐层特征，获取所述目标信息的信息传播特征，所述信息传播特征用于描述所述目标信息的传播过程。
2.根据权利要求1所述的方法，其特征在于，所述通过所述多个隐藏层节点，根据所述目标信息在第j-1个传播时刻的隐层特征hj-1和所述输入特征Xj，获取所述目标信息在所述第j个传播时刻的隐层特征hj，包括：
通过所述隐藏层中与所述第j个传播时刻对应的隐藏层节点，根据所述目标信息在所述第j-1个传播时刻的隐层特征hj-1和所述输入特征Xj，采用公式(1)计算所述目标信息在所述第j个传播时刻的隐层特征hj：
hj＝max{WXXj+Whhj-1+bh，0} (1)；
其中，WX表示特征参数矩阵，Wh表示隐层参数矩阵，bh表示偏置项。
3.根据权利要求1所述的方法，其特征在于，所述信息传播特征包括传播规模，所述通过所述输出层，根据所述目标信息的隐层特征，获取所述目标信息的信息传播特征，包括：
通过所述输出层，根据所述目标信息在各个时刻的隐层特征，采用公式(2)获取所述目标信息的传播规模：
f(c)＝MLP(a(c)) (2)；
其中
Figure FDA0001669122300000021
a(c)表示所述目标信息的传播向量，f(c)表示所述目标信息的传播规模，MLP(·)表示多层感知器，λj表示hj的传播权重，j表示所述目标信息的传播次数，T表示所述目标信息的历史最大传播次数，j∈{1，2，……T}。
4.根据权利要求1所述的方法，其特征在于，所述信息传播特征包括预测的下一个传播时刻，所述通过所述输出层，根据所述目标信息的隐层特征，获取所述目标信息的信息传播特征，包括：
通过所述输出层，根据所述目标信息在所述第j个传播时刻的隐层特征hj，采用公式(4)，获取所述目标信息预测的下一个传播时刻：
Figure FDA0001669122300000022
其中，
Figure FDA0001669122300000023
Figure FDA0001669122300000024
y(t)表示所述目标信息的传播速率函数，Wt表示时间特征参数矩阵，
Figure FDA0001669122300000025
表示时间特征参数矩阵的转置矩阵，bt表示初始速率，p(t)表示所述目标信息在t时刻进行传播的概率，tj表示所述目标信息的第j个传播时刻，tj+1’表示所述目标信息预测的下一个传播时刻。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述通过所述输入层，获取目标信息在第j个传播时刻的输入特征Xj，包括：
通过所述输入层，根据所述目标信息的历史传播记录，获取所述输入特征Xj，所述历史传播记录中包括历史传播时刻、历史传播用户和历史地理位置中的至少一项，所述输入特征Xj包括时序特征、用户特征和地理位置特征中的至少一项。
6.一种信息处理装置，其特征在于，所述装置包括：输入层模块、隐藏层模块和输出层模块，所述隐藏层模块包括与多个时刻对应的多个隐层单元；
所述输入层模块，用于获取目标信息在第j个传播时刻的输入特征Xj，所述输入特征Xj用于表示所述目标信息在所述第j个传播时刻以及所述第j个传播时刻之前时刻的历史传播过程，j为正整数；
所述与所述第j个传播时刻对应的隐层单元，用于根据所述目标信息在第j-1个传播时刻的隐层特征hj-1和所述输入特征Xj，获取所述目标信息在所述第j个传播时刻的隐层特征hj，所述隐层特征hj-1由与所述第j-1个传播时刻对应的隐层单元在所述第j-1个传播时刻获取；
所述输出层模块，用于根据所述目标信息的隐层特征，获取所述目标信息的信息传播特征。
7.根据权利要求6所述的装置，其特征在于，所述与所述第j个传播时刻对应的隐层单元，还用于根据所述目标信息在所述第j-1个传播时刻的隐层特征hj-1和所述输入特征Xj，采用公式(1)计算所述目标信息在所述第j个传播时刻的隐层特征hj：
hj＝max{WXXj+Whhj-1+bh，0} (1)；
其中，WX表示特征参数矩阵，Wh表示隐层参数矩阵，bh表示偏置项。
8.根据权利要求6所述的装置，其特征在于，所述信息传播特征包括传播规模，所述输出层模块，包括：
传播规模获取单元，用于通过所述输出层，根据所述目标信息在各个时刻的隐层特征，采用公式(2)获取所述目标信息的传播规模：
f(c)＝MLP(a(c)) (2)；
其中
Figure FDA0001669122300000031
a(c)表示所述目标信息的传播向量，f(c)表示所述目标信息的传播规模，MLP(·)表示多层感知器，λj表示hj的传播权重，j表示所述目标信息的传播次数，T表示所述目标信息的历史最大传播次数，j∈{1，2，……T}。
9.根据权利要求6所述的装置，其特征在于，所述信息传播特征包括预测的下一个传播时刻，所述输出层模块，包括：
传播时刻预测单元，用于根据所述目标信息在所述第j个传播时刻的隐层特征hj，采用公式(4)，获取所述目标信息预测的下一个传播时刻：
Figure FDA0001669122300000041
其中，
Figure FDA0001669122300000042
Figure FDA0001669122300000043
y(t)表示所述目标信息的传播速率函数，Wt表示时间特征参数矩阵，
Figure FDA0001669122300000044
表示时间特征参数矩阵的转置矩阵，bt表示初始速率，p(t)表示所述目标信息在t时刻进行传播的概率，tj表示所述目标信息的第j个传播时刻，tj+1’表示所述目标信息预测的下一个传播时刻。
10.根据权利要求6-9任一项所述的装置，其特征在于，所述输入层模块，还用于通过所述输入层，根据所述目标信息的历史传播记录，获取所述输入特征Xj，所述历史传播记录中包括历史传播时刻、历史传播用户和历史地理位置中的至少一项，所述输入特征Xj包括时序特征、用户特征和地理位置特征中的至少一项。
11.一种信息处理装置，其特征在于，所述信息处理装置包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述指令、所述程序、所述代码集或所述指令集由所述处理器加载并执行以实现如权利要求1至5任一权利要求所述的信息处理方法中所执行的操作。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述指令、所述程序、所述代码集或所述指令集由处理器加载并执行以实现如权利要求1至5任一权利要求所述的信息处理方法中所执行的操作。
CN201810495759.XA 2018-05-22 2018-05-22 信息处理方法、装置及存储介质 Active CN110166275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810495759.XA CN110166275B (zh) 2018-05-22 2018-05-22 信息处理方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810495759.XA CN110166275B (zh) 2018-05-22 2018-05-22 信息处理方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN110166275A CN110166275A (zh) 2019-08-23
CN110166275B true CN110166275B (zh) 2021-06-11

Family

ID=67645013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810495759.XA Active CN110166275B (zh) 2018-05-22 2018-05-22 信息处理方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN110166275B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110727705B (zh) * 2019-10-12 2021-05-25 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备及计算机可读存储介质
CN112052957B (zh) * 2020-09-02 2023-08-04 平安科技（深圳）有限公司 深度学习模型的可解释性参数获取方法及装置
CN113111288A (zh) * 2021-04-09 2021-07-13 湖南科技大学 一种融合非结构化和结构化信息的Web服务分类方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134159A (zh) * 2014-08-04 2014-11-05 中国科学院软件研究所 一种基于随机模型预测信息最大化传播范围的方法
CN104933622A (zh) * 2015-03-12 2015-09-23 中国科学院计算技术研究所 一种基于用户和微博主题的微博流行度预测方法及系统
CN105095988A (zh) * 2015-07-01 2015-11-25 中国科学院计算技术研究所 社交网络信息爆发检测方法与系统
KR20160058531A (ko) * 2014-11-17 2016-05-25 포항공과대학교 산학협력단 딥 러닝을 이용하는 구문 분석 모델 구축 방법 및 이를 수행하는 장치
CN105608200A (zh) * 2015-12-28 2016-05-25 湖南蚁坊软件有限公司 一种网络舆论趋势预测分析方法
CN106156030A (zh) * 2014-09-18 2016-11-23 华为技术有限公司 社交网络中预测信息传播的方法及设备
CN107590558A (zh) * 2017-03-07 2018-01-16 北京理工大学 一种基于多层集成学习的微博转发预测方法
CN107808067A (zh) * 2017-10-19 2018-03-16 重庆邮电大学 基于网络结构与用户心理特质的信息传播预测系统及方法
CN107870957A (zh) * 2016-09-28 2018-04-03 郑州大学 一种基于信息增益和bp神经网络的热门微博预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134159A (zh) * 2014-08-04 2014-11-05 中国科学院软件研究所 一种基于随机模型预测信息最大化传播范围的方法
CN106156030A (zh) * 2014-09-18 2016-11-23 华为技术有限公司 社交网络中预测信息传播的方法及设备
KR20160058531A (ko) * 2014-11-17 2016-05-25 포항공과대학교 산학협력단 딥 러닝을 이용하는 구문 분석 모델 구축 방법 및 이를 수행하는 장치
CN104933622A (zh) * 2015-03-12 2015-09-23 中国科学院计算技术研究所 一种基于用户和微博主题的微博流行度预测方法及系统
CN105095988A (zh) * 2015-07-01 2015-11-25 中国科学院计算技术研究所 社交网络信息爆发检测方法与系统
CN105608200A (zh) * 2015-12-28 2016-05-25 湖南蚁坊软件有限公司 一种网络舆论趋势预测分析方法
CN107870957A (zh) * 2016-09-28 2018-04-03 郑州大学 一种基于信息增益和bp神经网络的热门微博预测方法
CN107590558A (zh) * 2017-03-07 2018-01-16 北京理工大学 一种基于多层集成学习的微博转发预测方法
CN107808067A (zh) * 2017-10-19 2018-03-16 重庆邮电大学 基于网络结构与用户心理特质的信息传播预测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进型前向神经网络的时间序列预测及其性能比较;戴群;《中国优秀硕士学位论文全文数据库》;20030228;全文 *

Also Published As

Publication number Publication date
CN110166275A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN110149541B (zh) 视频推荐方法、装置、计算机设备及存储介质
CN110083791B (zh) 目标群组检测方法、装置、计算机设备及存储介质
CN109284445B (zh) 网络资源的推荐方法、装置、服务器及存储介质
CN109784351B (zh) 行为数据分类方法、分类模型训练方法及装置
CN110674022A (zh) 行为数据获取方法、装置及存储介质
CN108288032B (zh) 动作特征获取方法、装置及存储介质
CN111338910B (zh) 日志数据处理、显示方法、装置、设备及存储介质
CN111104980B (zh) 确定分类结果的方法、装置、设备及存储介质
CN111127509B (zh) 目标跟踪方法、装置和计算机可读存储介质
CN111897996A (zh) 话题标签推荐方法、装置、设备及存储介质
CN110166275B (zh) 信息处理方法、装置及存储介质
CN114154068A (zh) 媒体内容推荐方法、装置、电子设备及存储介质
CN113918767A (zh) 视频片段定位方法、装置、设备及存储介质
CN109961802B (zh) 音质比较方法、装置、电子设备及存储介质
CN112001442B (zh) 特征检测方法、装置、计算机设备及存储介质
CN112699268A (zh) 训练评分模型的方法、设备及存储介质
CN109829067B (zh) 音频数据处理方法、装置、电子设备及存储介质
CN111563201A (zh) 内容推送方法、装置、服务器及存储介质
CN112100528A (zh) 对搜索结果评分模型进行训练的方法、装置、设备、介质
CN111982293B (zh) 体温测量方法、装置、电子设备及存储介质
CN114385854A (zh) 资源推荐方法、装置、电子设备及存储介质
CN111294253B (zh) 测试数据处理方法、装置、计算机设备及存储介质
CN114817709A (zh) 排序方法、装置、设备及计算机可读存储介质
CN113139614A (zh) 特征提取方法、装置、电子设备及存储介质
CN111159551A (zh) 用户生成内容的显示方法、装置及计算机设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant