CN113793227A - 一种用于社交网络事件的类人智能感知与预测方法 - Google Patents

Abstract

本发明提供了一种用于社交网络事件的类人智能感知与预测方法，包括：步骤1，根据事件异步序列数据采集方法获取事件异步序列训练集，并进行预处理；步骤2，构建双向LSTM训练模型一体化架构，对时间序列、事件序列进行训练；步骤3，构建异步序列的事件类人感知与预测模型，实现事件态势类人智能感知与预测；步骤4，结合面向事件与结构的协同流化的点过程在线更新算法，对异步序列的事件类人感知与预测模型进行迭代更新，动态调整预测模型。本发明适用于多种社交媒体突发事件的识别，可拓展性高，复用性好，开发代价低，可根据业务需求多维度应用。

Description

一种用于社交网络事件的类人智能感知与预测方法

技术领域

本发明涉及大数据人工智能领域，特别涉及一种用于社交网络事件的类人智能感知与预测方法。

背景技术

时序点过程可以对众多真实场景中产生的数据建模，这些数据都是多维异步事件数据，它们互相影响并在连续时间域上呈现出复杂的动态规律。与同步时间序列等间隔采样形成的离散特性不同的是，异步事件的时间戳处于连续时间域。对这些动态过程的研究和其潜在关联的挖掘为微观层面和宏观层面的事件预测、溯源、因果推断等应用奠定基础。充分挖掘利用人类感知与行为的异步性以及外部事件的异步性，发展面向异步序列的类人感知计算理论方法，有望显著提高人工智能系统的能效、时效和功效。现有的时序点过程模型与方法在显式参数化模型的成熟与丰富、结合深度学习的点过程模型的开拓这两方面取得了一定成果。然而在应对异步序列固有的小样本特性，特别是在高维情形下的数据稀疏性时，尚缺乏具有针对性的机器学习系统理论与方法，无法有效精细地刻画连续时间域事件的动态演化过程。

发明内容

发明目的：针对现有技术的不足，本发明具体提供了一种用于社交网络事件的类人智能感知与预测方法，包括如下步骤：

步骤1，采集社交网络事件，如微博社交网络事件采集信息包括事件名称、事件内容、事件热度、不同时间段内事件转发数量、不同时间段内事件评论数量、不同时间段内事件点赞数量、不同网民评论内容，对社交网络事件中的事件异步序列数据进行预处理，形成异步序列训练集，异步序列训练集包括时间序列训练集和时间序列训练集；

步骤2，构建双向长短期记忆神经网络LSTM(长短期记忆网络，Long Short-TermMemory)训练模型一体化架构，对时间序列训练集、事件序列训练集进行训练；

步骤3，根据步骤2训练后的事件异步序列数据，构建异步序列的事件类人感知与预测模型，异步序列的事件类人感知与预测模型包括异步事件的事件特征和动态特性学习，实现事件态势类人智能感知与预测；

步骤4，结合面向事件与结构的协同流化的点过程在线更新算法，对异步序列的事件类人感知与预测模型进行迭代更新，动态调整预测模型从而实现对社交网络时间的预测。

步骤1包括如下步骤：

步骤1-1，对社交网络事件中的事件异步序列数据通过基于内容的过滤算法，构建URL和内容双重过滤模型(该模型为现有技术)，对URL进行过滤，同时进行内容过滤处理，形成异步序列训练集；

步骤1-2，将内容过滤处理后的事件异步序列数据记录每个数据点间的时间间隔和每个时间点的时间戳，抽取时间序列和事件序列特征。

步骤1-2包括：

步骤1-2-1，对采集的事件异步序列数据中的离散值进行编码处理；

步骤1-2-2，对采集的事件异步序列数据中的连续值进行归一化处理，得到异步序列训练集；

步骤2包括如下步骤：

步骤2-1，利用卷积神经网络(Convolutional Neural Networks,CNN)，有效抽取异步序列训练集的形态学特征，形成事件异步序列数据字符级别的表示特征；

步骤2-2，使用双向长短期记忆神经网络(LSTM)，利用事件信息前面和后面的上下文信息，捕获事件信息随时间的演化信息。LSTM在很大程度上缓解梯度消失、梯度放大问题，从而可以捕获远程的依赖关系；

步骤2-3，将事件信息和事件异步序列数据字符特征送入双向长短时记忆网络Bi-LSTM，抽取时间序列特征；将双向长短时记忆网络Bi-LSTM的输出送入条件随机场CRF提取序列标注，得到训练后的事件异步序列数据。

步骤3包括：

步骤3-1，异步序列的事件类人感知与预测模型包括面向小样本的异步序列点过程学习、面向删失事件序列的自动推断与学习；

步骤3-2，面向小样本的异步序列点过程学习：通过反向传播算法训练结构化点过程模型，调整损失函数参数，结合判别式学习优化参数化点过程模型；

步骤3-3，进行面向删失事件序列的自动推断与学习；

步骤3-4，基于事件序列聚类与分割的低代价点过程学习。

步骤3-2包括：

步骤3-2-1，面向小样本的异步序列点过程学习是指将事件异步序列分为三部分：训练序列、验证序列和测试序列；通过训练时间序列和事件序列进行极大似然估计，结合训练序列和验证序列，通过极小化均方误差MSE得到：

其中

为事件异步序列服从的分布，Y_θ是服从的点过程的预测模型，L_mse为事件异步序列的均方根误差；

表示真实的验证序列，

表示预测的验证序列，

表示真实的验证序列1至p的均值；通过预测的验证序列和真实的验证序列的均方根误差作为事件异步序列的判别损失；

步骤3-2-2，损失函数L_GAN的计算如下：将损失函数分为两部分，即对判别器和生成器的交替训练，事件序列的生成式对抗网络损失函数L_GAN如下所示：

步骤3-1-3，得到对应异步序列的事件类人感知与预测模型的损失函数L_mix为：

L_mix＝δL_GAN+(1-δ)L_mse

其中δ表示权重。通过调整适合的权重δ，提高模型的准确率。

步骤3-3包括：

步骤3-3-1，删失事件序列是指：观察到的数据并非理论上的事件数据

而是在一个区间(a_i,b_i]中观察到事件数c_i，a_i表示区间的开始值，b_i表示区间的结束值，其中i＝1,2,3,···为区间索引；针对删失事件序列下的参数估计方法分为两种，一种方法是对参数的直接估计，对齐次泊松过程，其强度参数为λ，并且在观察到的时间[0,T]内，T表示时间范围，区间(a_i,b_i]中观察到事件数为c_i，则对强度的极大似然估计

为：

步骤3-3-2，在最简单的齐次泊松过程假设下，参数估计结果与各区间的左右界无关。但是，此类对参数的直接估计一般只能用在最为简单的模型。因此，在较为复杂的模型假设下，需要采用第二种方法，即对原区间(a_i,b_i]采样出c_i个事件数据，并通过采样出的事件样本进行模型参数估计。例如对U维Hawkes过程，强度函数

为：

其中μ_u是第u维Hawkes过程的基础强度，

是第u_i维对第u维的影响参数，g(t)是核函数。对于删失事件序列，需要对区间(a_i,b_i]内的c_i次事件进行采样。

采样的方法可以大致分为两种：与模型或强度函数有关的仿真方法；与参数模型或强度函数无关的仿真方法。采用参数模型或强度函数无关的仿真方法；与参数模型或强度函数无关的仿真方法是在区间(a_i,b_i]内确定地或者随机地采样c_i个点，包括：

取区间的中间点(a_i+b_i)/2；

区间内均匀取点，即先计算均匀点之间地间距d_i＝(b_i-a_i)/c_i，进而计算在区间内地均匀点t_j＝a_i+jd_i-d_i/2，其中j＝1,2,···,_i；

均匀采样取点，即在分布uniform(a_i，b_i)中采样c_i个点。

此方法本质上也可以视为在已知给定区间内点个数地情况下利用齐次泊松采样得到的结果。

步骤3-4包括：

步骤3-4-1，对事件轨迹进行聚类，将基于数据驱动的表型学习，对轨迹代表的用户进行分层，添加事件数据的标值特征，具体包括：

基于事件轨迹异构性子类与点过程的关系性，即每一个类别单独使用参数集合μ^k和影响函数γ^k来表示这些类型。从事件异步序列中抽取事件轨迹序列，将事件轨迹序列建模为一个混合Hawkes过程，定义为{HP(μ^k,γ^k)}，{HP(μ^k,γ^k)}为事件轨迹序列混合Hawkes过程，第u个事件轨迹记作

其中

表示第u个事件中第i个过程的时间，

表示第u个事件中第i个过程的轨迹，n_u表示第u个事件轨迹的第n个过程，且有以下概率：

p(s_u)表示第u个事件轨迹s_u的概率，p(S_u|μ^k,γ^k)表示在参数集合μ^k和影响函数γ^k条件下满足：

其中，

表示第u个事件中第i个过程的轨迹的特征矩阵，

表示表示第u个事件中第i个过程的时间，λ_m(t)表示一个事件过程的时间t对应的过程轨迹特征矩阵，M表示事件轨迹总的过程数。

步骤3-4-2，给定时间区间[0，T]，利用分割算法将整个观察周期划分为若干非重叠的连续区段，使得每个区段比原始数据更近似模型假设。

步骤4包括：

步骤4-1，基于在线更新的动态与结构模型协同学习；

步骤4-2，基于信息传播过程观测的节点影响力潜在网络估计；

步骤4-3，基于多维点过程的演化网络模型；

步骤4-1包括：

步骤4-1-1，在给定系统结构图上对系统动态进行推理式学习，构建一个参数化的物理引擎(Physics Engine)；

步骤4-1-2，给定系统动态，对图的结构特征做隐含式的学习，对给定输入按动态规划算法规则(该规则是现有技术)生成状态序列，以此模拟系统组件的相互作用与动态信息；

步骤4-1-3，使用变分自编码器结构，通过N轮(1<N<50)边点信息转换，将观测到的点过程转化为边信息，以确定动态系统组件的相互关系；在解码器中通过节点间的信息传递机制，结合异步序列的事件类人感知与预测模型，对事件异步序列的细粒度动态趋势进行预测；

步骤4-1-4，设计对动态数据和结构模型的协同学习框架。能够显式地更新动态系统的隐含结构，动态系统组件之间的相互作用可以用一张图表征，组件作为图的结点，组件间的相互关系作为图的边，其中边可以被分为不同的类型。因此，对于动态系统的处理可以依托于图神经网络(Graph Neural Network,GNN)。在GNN中定义一种节点到节点的信息传递操作，它由两种基本操作组成。

υ→e:e_(i,j)＝f_e([v_i,v_j])

其中υ代表向量表示，v_i代表节点i的向量表示，v_j代表节点j的向量表示，e和e_(i,j)分别代表边的向量表示和边ij的向量表示，f_e与f_v分别代表基于边的图神经网络函数和基于点的图神经网络函数；通过两种基本操作，提取图中点和边的特征信息；

通过这两个基本操作，有效地提取图中点和边的特征信息。

步骤4-1-5，采用变分自编码器的结构对观测数据做无监督的学习：变分自编码器的结构由编码器和解码器两部分组成，编码器通过图神经网络将节点信息转化为边信息的概率分布。解码器再将边信息采样，对事件异步序列的动态信息做出预测。值得一提的是，本发明设计的学习框架可以做到在线更新，动态地适应新的观测，并能实时地反映在解码器中。

步骤4-2包括：

步骤4-2-1，节点网络的结构未知，即不知道节点之间的相邻关系；

步骤4-2-2，信息传播过程中节点的直接因果关系未知，即考虑某一信息传播中感染节点i，只知道在i被感染之前有哪些节点被感染而不知道哪些是导致i被感染的节点(即在网络节点i的父亲节点)；

步骤4-2-3，影响力的异构分布，表现于节点间的影响力不完全等同于两相邻节点相继被感染的时间差，这是由于不同节点receive到信息的不同周期而导致的。

步骤4-3包括：

步骤4-3-1，采用已有点过程函数把信息的传播路径作为多维事件异步序列，通过多维点过程模型学习互影响矩阵作为信息传播网络的表示；

步骤4-3-2，通过信息传播网络表示学习，把信息的传播路径作为一次在信息传播网络中的随机游走，通过图表示学习的方法学习网络的表示；

步骤4-3-3，构建基于点过程的网络演化模型，将事件序列看作是在网络中的一次随机游走，使用图卷积神经网络GCN图表示学习模型，通过多维事件异步序列学习网络的表示；

步骤4-3-4，在异步序列的事件类人感知与预测模型中引入轨迹记忆网络，轨迹记忆网络将学习记忆信息传播的历史轨迹，与学习用户与实体间关系的图表示学习模型结合，共同预测信息的传播。

有益效果：本发明提出一种面向异步序列的事件类人智能感知与预测技术可应用于互联网突发事件的感知与事件发展态势分析预测应用场景。适用于多种社交媒体网络事件的智能感知与发展态势预警分析，可拓展性高，复用性好，开发代价低，可根据业务需求多维度应用，便于从社交媒体异步序列事件数据中自动识别可能发生的事件及其事件发展态势，为相关及时发现突发事件，掌控事件发展态势提供辅助支撑。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是本发明的基于在线更新的动态与结构模型协同学习框架图。

图2是本发明的基于信息传播过程观测的节点影响力潜在网络估计框架思路图。

图3是本发明的多维点过程的演化网络模型信息传播示例图。

图4是本发明的基于点过程的演化网络模型示意图。

图5是本发明的整体流程图。

具体实施方式

本发明提供了基于异步序列的事件类人智能感知与预测技术，图5是本发明方法整体流程图。本发明的目的是解决社交网络平台通过对异步序列事件数据进行分析处理后实现突发事件智能感知与事件态势预测，提出了面向异步序列的事件类人智能感知与预测方法。具体实施以微博异步序列事件预测为例进行实施方式说明，如图5所示，该方法通过以下四个步骤实现，1)微博社交媒体异步序列数据获取与预处理；2)双向LSTM训练模型构建与微博事件及时间序列训练；3)构造异步序列的微博事件类人感知与预测模型，实现微博事件态势类人智能感知与预测；4)通过协同流化的点过程在线更新算法，动态调整预测模型，提升微博异步序列事件预测的准确率。

具体实施方式以微博社交媒体异步序列事件感知与预测为例对本发明的实施过程作进一步详细的描述。

步骤1：根据异步序列数据采集方法获取微博社交媒体关于事件的异步序列训练集，并进行预处理；

步骤1.1：采集微博涉及独立学院转设事件异步序列数据，转换成后续模块处理要求的输入形式{es₁,es₂,es₃,…,es_n}和{ts₁,ts₂,ts₃,…,ts_n}，抽取微博涉独立学院转设事件数据中异步事件序列和时间序列特征{f_e，f_t}，其中。es_n表示独立学院转设事件第n个异步事件序列，ts_n表示第n个时间序列，f_e表示独立学院转设事件数据中异步事件序列特征，f_t表示时间序列特征。对采集的微博涉独立学院转设异步序列的离散值进行编码处理，得出处理后数据

Dvc表示离散值编码处理后结果值；对采集的异步序列数据中的连续值进行归一化处理，

Nov表示归一化处理后结果值；

步骤1.2：将抽取微博数据中异步事件序列和时间序列特征处理后的数据，记录每个数据点间的时间间隔和每个时间点的时间戳。

步骤2：通过构建双向LSTM训练模型一体化架构，对时间序列、事件序列进行训练；

步骤2.1：利用卷积神经网络(CNN)，有效抽取微博涉事异步序列数据的形态学特征，形成异步序列数据字符级别的表示特征；

步骤2.2：使用双向长短期记忆神经网络(LSTM)充分利用微博社交媒体事件信息前面和后面的上下文信息，捕获事件信息随时间的演化信息。LSTM在很大程度上缓解梯度消失、梯度放大问题，从而捕获微博事件随事件变化的远程依赖关系数据信息；

步骤2.3：将微博涉事信息和异步序列数据字符特征送入双向长短时记忆网络(Bi-LSTM)，抽取时间序列特征；将Bi-LSTM输出送入条件随机场(CRF)提取序列标注，实现微博涉事异步信息内容分词、词性标注、命名实体识别；

步骤3：根据训练后的微博涉事异步序列数据，构建基于微博数据的异步序列事件类人感知与预测模型，对微博事件特征和动态特性进行学习，实现微博事件态势类人智能感知与预测；具体包括：

步骤3.1：根据训练后的微博异步序列数据，构建基于微博事件的异步序列类人感知与预测模型；

步骤3.2：对微博涉事信息的事件特征和动态特性进行学习，实现事件态势异步类人智能感知与预测；

步骤3.2.1：面向微博事件小样本的异步序列点过程学习，通过传播算法训练结构化点过程模型，调整损失函数，结合判别式学习优化参数化点过程模型；

步骤3.2.1.1：为了使判别式方法更高效，将微博事件整个序列抽取分类为训练序列、验证序列和测试序列三部分。通过微博涉事事件序列和事件序列进行极大似然估计，结合微博事件异步训练序列和验证序列，通过极小化均方误差(MSE)得到：

其中

为微博涉事序列服从的分布，Y_θ是服从的点过程的微博事件态势预测模型。通过微博事件预测的验证序列和真实的验证序列的均方根误差作为其判别损失，以此达到有效提高预测微博事件未来序列的精准性。

步骤3.2.1.2：将损失函数分为两部分，即对判别器和生成器的交替训练，微博事件序列的生成式对抗网络损失函数如下所示：

步骤3.2.1.3：得到对应微博异步序列的事件感知与预测模型的损失函数L_wb-mix为：

L_wb-mix＝δL_wb-GAN+(1-δ)L_wb-mse

权重δ可进行适配，从而提高基于异步序列的微博事件预测模型的准确率。

步骤3.2.2：面向删失事件序列的自动推断与学习；

步骤3.2.2.1：由于微博信息采集间隔性不准确等原因，得到的微博事件序列可能并非包含精确时间戳，存在部分删失的情况。获取的微博信息数据并非理论上的事件数据

而是在一个区间(a_i,b_i]中观察到微博事件数c_i，其中i＝1,2,3,···为区间索引。上述数据即为事件序列的删失数情形。针对删失事件序列下的参数估计，通过齐次或者部分非齐次泊松过程对参数的直接估计。对齐次泊松过程其强度参数为λ,并且在观察到的时间[0,T]内，区间(a_i,b_i]中观察到事件数为c_i，则对强度的极大似然估计为

步骤3.2.2.2：在类似微博事件预测等较为复杂的模型下，对原区间(a_i,b_i]采样出c_i个事件数据，并通过采样出的事件样本进行模型参数估计。对U维Hawkes过程而言，其强度函数为：

其中μ_u是第u维Hawkes过程的基础强度，

是第u_i维对第u维的影响参数，g(t)是核函数。对于删失事件序列，通过对区间(a_i,b_i]内的c_i次微博事件进行采样。

步骤3.2.2.3：微博事件信息采样通过在区间(a_i,b_i]内确定地或者随机地采样c_i个点，取区间的中间点(a_i+b_i)/2；区间内均匀取点，即先计算均匀点之间地间距d_i＝(b_i-a_i)/c_i，进而计算在区间内地均匀点t_j＝a_i+jd_i-d_i/2对对j＝1,2,···,c_i；均匀采样取点，即在分布uniform(a_i，b_i)中采样c_i个点。

步骤3.2.3：基于微博事件序列聚类与分割的低代价点过程学习；

步骤3.2.3.1：对微博事件轨迹进行横向聚类和纵向分割，将基于数据驱动的表型学习，对微博事件轨迹代表的用户进行分层，添加事件数据的标值特征，改进表型的定义，进行新的事件分类以及扩展。

步骤3.2.3.2：基于微博事件的轨迹异构性子类与点过程的关系性，通过每一个类别单独使用参数集合μ^k和影响函数γ^k来表示这些类型。所有微博事件轨迹集合可以建模为一个混合Hawkes过程，即{HP(μ^k,γ^k)}。

步骤3.2.3.3：给定时间区间[0，T]，利用分割算法将整个观察周期划分为若干非重叠的连续区段，使得每个区段比原始数据更近似模型假设。

步骤4：结合面向事件与结构的协同流化的点过程在线更新算法，对微博异步序列的事件类人感知与预测模型进行迭代更新，动态调整预测模型从而实现对社交网络时间的预测。

步骤4.1：基于在线更新的动态与结构模型协同学习；

步骤4.1.1：构建基于微博事件的参数化的物理引擎(Physics Engine)，进行推理式学习，如图1所示；

步骤4.1.2：给定系统动态，对微博序列数据的图结构特征做隐含式的学习，对给定输入通过动态规划算法规则生成状态序列得到动态信息。

步骤4.1.3：使用变分自编码器结构，通过20次边点信息转换，将观测到的点过程转化为边信息，从而确定动态系统组件的相互关系信息。在解码器中通过节点间的信息传递机制和结构模型，对微博事件观测数据的细粒度动态趋势进行预测。

步骤4.1.4：基于设计的对动态数据和结构模型的协同学习框架，显式地更新动态系统的隐含结构，组件作为图的结点，组件间的相互关系作为图的边，其中边可以被分为不同的类型。因此，对于动态系统的处理可以依托于图神经网络(Graph Neural Network,GNN)。在GNN中定义一种节点到节点的信息传递操作，它由两种基本操作组成。

υ→e:e_(i,j)＝f_e([v_i,v_j])

其中e_(i,j)和υ_j分别代表边ij和节点j的向量表示，f_e与f_v分别代表基于边与基于点的图神经网络函数。通过这两个基本操作，有效地提取图中点和边的特征信息。完整的模型框架由图4所示。

步骤4.1.5：采用变分自编码器的结构对观测数据做无监督的学习，由编码器和解码器两部分组成。编码器通过图神经网络将节点信息转化为边信息的概率分布。解码器再将边信息采样，对原始数据的动态信息做出预测。通过学习框架的在线更新，动态地适应新的观测，实时地反映在解码器中。

步骤4.2：基于信息传播过程观测的节点影响力微博事件的潜在网络估计；

步骤4.2.1：节点网络的结构未知，即不知道节点之间的相邻关系；

步骤4.2.2：微博信息传播过程中节点的直接因果关系未知，如图2所示，即考虑某一信息传播中感染节点i，只知道在i被感染之前有哪些节点被感染而不知道哪些是导致i被感染的节点(即在网络节点i的父亲节点)；

步骤4.2.3：影响力的异构分布，表现于节点间的影响力不完全等同于两相邻节点相继被感染的时间差，这是由于不同节点receive到信息的不同周期而导致的。例如一些用户只在晚上9点登录微博，这时如果其看到一大V用户上午10点发布的微博而进行转发。虽然两次事件间隔长达11个小时，但同样有可能该用户是大V的铁杆粉丝，大V对其存在着较强的影响力。

步骤4.3：基于多维点过程的微博事件演化网络模型；

步骤4.3.1：采用点过程模型把微博信息的传播路径作为多维异步事件序列，通过多维点过程模型学习互影响矩阵作为网络的表示；

步骤4.3.2：通过网络表示学习，把微博信息的传播路径作为一次在网络中的随机游走，通过图表示学习的方法学习网络的表示，如图3所示；

步骤4.3.3：构建基于点过程的微博传播网络演化模型，将微博事件序列看作是在网络中的一次随机游走，使用GCN等图表示学习模型，通过多维微博事件序列学习网络的表示，如图4所示；

步骤4.3.4：在模型中引入轨迹记忆网络，轨迹记忆网络将学习记忆微博信息传播的历史轨迹，与学习用户/实体间关系的图表示学习模型结合，共同预测微博事件信息的传播。对微博涉校事件序列进行上述处理分析，进行热度事件预测、热度事件的发展趋势预测、热度事件涉及的地区与人物组织的预测，可得到“独立学院转设”事件的热度趋势呈现50％的上升趋势，并且预测到江苏、浙江、山东为事件的重点发展地区，并预测到涉及人物或机构包括高校、学生、教育局等，测试结果数据显示预测结果与事件实际发生情况吻合度达89％。

本发明提供了一种用于社交网络事件的类人智能感知与预测方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (10)

1.一种用于社交网络事件的类人智能感知与预测方法，其特征在于，包括如下步骤：

步骤1，采集社交网络事件，对社交网络事件中的事件异步序列数据进行预处理，形成异步序列训练集，异步序列训练集包括时间序列训练集和时间序列训练集；

步骤2，构建双向长短期记忆神经网络LSTM训练模型一体化架构，对时间序列训练集、事件序列训练集进行训练；

步骤3，根据步骤2训练后的事件异步序列数据，构建异步序列的事件类人感知与预测模型，异步序列的事件类人感知与预测模型包括异步事件的事件特征和动态特性学习，实现事件态势类人智能感知与预测；

步骤4，结合面向事件与结构的协同流化的点过程在线更新算法，对异步序列的事件类人感知与预测模型进行迭代更新，动态调整预测模型从而实现对社交网络时间的预测。

2.根据权利要求1所述的方法，其特征在于，步骤1包括如下步骤：

步骤1-1，对社交网络事件中的事件异步序列数据通过基于内容的过滤算法，构建URL和内容双重过滤模型，对URL进行过滤，同时进行内容过滤处理，形成异步序列训练集；

步骤1-2，将内容过滤处理后的事件异步序列数据记录每个数据点间的时间间隔和每个时间点的时间戳，抽取时间序列和事件序列特征。

3.根据权利要求2所述的方法，其特征在于，步骤1-2包括：

步骤1-2-1，对采集的事件异步序列数据中的离散值进行编码处理；

步骤1-2-2，对采集的事件异步序列数据中的连续值进行归一化处理，得到异步序列训练集。

4.根据权利要求3所述的方法，其特征在于，步骤2包括如下步骤：

步骤2-1，利用卷积神经网络CNN，抽取异步序列训练集的形态学特征，形成事件异步序列数据字符级别的表示特征；`

步骤2-2，使用双向长短期记忆神经网络LSTM，利用事件信息前面和后面的上下文信息，捕获事件信息随时间的演化信息；

步骤2-3，将事件信息和事件异步序列数据字符特征送入双向长短时记忆网络Bi-LSTM，抽取时间序列特征；将双向长短时记忆网络Bi-LSTM的输出送入条件随机场CRF提取序列标注，得到训练后的事件异步序列数据。

5.根据权利要求4所述的方法，其特征在于，步骤3包括：

步骤3-1，异步序列的事件类人感知与预测模型包括面向小样本的异步序列点过程学习、面向删失事件序列的自动推断与学习；

步骤3-2，面向小样本的异步序列点过程学习：通过反向传播算法训练结构化点过程模型，调整损失函数参数，结合判别式学习优化参数化点过程模型；

步骤3-3，进行面向删失事件序列的自动推断与学习；

步骤3-4，基于事件序列聚类与分割的低代价点过程学习。

6.根据权利要求5所述的方法，其特征在于，步骤3-2包括：

步骤3-2-1，面向小样本的异步序列点过程学习是指将事件异步序列分为三部分：训练序列、验证序列和测试序列；通过训练时间序列和事件序列进行极大似然估计，结合训练序列和验证序列，通过极小化均方误差MSE得到：

其中

为事件异步序列服从的分布，Y_θ是服从的点过程的预测模型，L_mse为事件异步序列的均方根误差；

表示真实的验证序列，

表示预测的验证序列，

表示真实的验证序列1至p的均值；通过预测的验证序列和真实的验证序列的均方根误差作为事件异步序列的判别损失；

步骤3-2-2，损失函数L_GAN的计算如下：将损失函数分为两部分，即对判别器和生成器的交替训练，事件序列的生成式对抗网络损失函数L_GAN如下所示：

步骤3-1-3，得到对应异步序列的事件类人感知与预测模型的损失函数L_mix为：

L_mix＝δL_GAN+(1-δ)L_mse

其中δ表示权重。

7.根据权利要求6所述的方法，其特征在于，步骤3-3包括：

步骤3-3-1，删失事件序列是指：观察到的数据并非理论上的事件数据

而是在一个区间(a_i，b_i]中观察到事件数c_i，a_i表示区间的开始值，b_i表示区间的结束值，其中i＝1，2，3，···为区间索引；针对删失事件序列下的参数估计方法分为两种，一种方法是对参数的直接估计，对齐次泊松过程，其强度参数为λ，并且在观察到的时间[0，T]内，T表示时间范围，区间(a_i，b_i]中观察到事件数为c_i，则对强度的极大似然估计

为：

步骤3-3-2，对原区间(a_i，b_i]采样出c_i个事件数据，并通过采样出的事件样本进行模型参数估计，对U维Hawkes过程，强度函数

为：

其中μ_u是第u维Hawkes过程的基础强度，

是第u_i维对第u维的影响参数，g(t)是核函数；对于删失事件序列，需要对区间(a_i，b_i]内的c_i次事件进行采样，采用参数模型或强度函数无关的仿真方法；与参数模型或强度函数无关的仿真方法是在区间(a_i，b_i]内确定地或者随机地采样c_i个点，包括：

取区间的中间点(a_i+b_i)/2；

区间内均匀取点，即先计算均匀点之间地间距d_i＝(b_i-a_i)/c_i，进而计算在区间内地均匀点t_j＝a_i+jd_i-d_i/2，其中j＝1，2，…，c_i；

均匀采样取点，即在分布uniform(a_i，b_i)中采样c_i个点。

8.根据权利要求7所述的方法，其特征在于，步骤3-4包括：

步骤3-4-1，对事件轨迹进行聚类，将基于数据驱动的表型学习，对轨迹代表的用户进行分层，添加事件数据的标值特征，具体包括：

基于事件轨迹异构性子类与点过程的关系性，即每一个类别单独使用参数集合μ^k和影响函数γ^k来表示这些类型；从事件异步序列中抽取事件轨迹序列，将事件轨迹序列集合建模为一个混合Hawkes过程，定义为{HP(μ^k，γ^k)}，{HP(μ^k，γ^k)}为事件轨迹序列混合Hawkes过程，第u个事件轨迹记作

其中

表示第u个事件中第i个过程的时间，

表示第u个事件中第i个过程的轨迹，n_u表示第u个事件轨迹的第n个过程，且有以下概率：

p(s_u)表示第u个事件轨迹s_u的概率，p(S_u|μ^k，γ^k)表示在参数集合μ^k和影响函数γ^k条件下满足：

其中，

表示第u个事件中第i个过程的轨迹的特征矩阵，

表示第u个事件中第i个过程的时间，λ_m(t)表示一个事件过程的时间t对应的过程轨迹特征矩阵，M表示事件轨迹总的过程数；

步骤3-4-2，给定时间区间[0，T]，利用分割算法将整个观察周期划分为非重叠的连续区段。

9.根据权利要求8所述的方法，其特征在于，步骤4包括：

步骤4-1，基于在线更新的动态与异步序列的事件类人感知与预测模型协同学习；

步骤4-2，基于信息传播过程观测的节点影响力潜在网络估计；

步骤4-3，基于多维点过程的演化网络模型。

10.根据权利要求9所述的方法，其特征在于，步骤4-1包括：

步骤4-1-1，在给定系统结构图上对系统动态进行推理式学习，构建一个参数化的物理引擎Physics Engine；

步骤4-1-2，给定系统动态，对事件异步序列的图结构特征做隐含式的学习，对给定输入按动态规划算法规则生成状态序列，以此模拟系统组件的相互作用与动态信息；

步骤4-1-3，使用变分自编码器结构，通过N边点信息转换，将观测到的点过程转化为边信息，以确定动态系统组件的相互关系；在解码器中通过节点间的信息传递机制，结合异步序列的事件类人感知与预测模型，对事件异步序列的细粒度动态趋势进行预测；

步骤4-1-4，设计对动态数据和结构模型的协同学习框架：动态系统组件之间的相互作用用一张图表征，组件作为图的结点，组件间的相互关系作为图的边，其中边被分为不同的类型；对于动态系统的处理依托于图神经网络GNN，在图神经网络GNN中定义一种节点到节点的信息传递操作，它由两种基本操作组成：

υ→e：e_(i，j)＝f_e([v_i，v_j])

其中υ代表向量表示，v_i代表节点i的向量表示，v_j代表节点j的向量表示，e和e_(i，j)分别代表边的向量表示和边ij的向量表示，f_e与f_v分别代表基于边的图神经网络函数和基于点的图神经网络函数；通过两种基本操作，提取图中点和边的特征信息；

步骤4-1-5，采用变分自编码器的结构对观测数据做无监督的学习：变分自编码器的结构由编码器和解码器两部分组成，编码器通过图神经网络将节点信息转化为边信息的概率分布，解码器再将边信息采样，对事件异步序列的动态信息做出预测；

步骤4-2包括：

步骤4-2-1，节点网络的结构未知，即不知道节点之间的相邻关系；

步骤4-2-2，信息传播过程中节点的直接因果关系未知，即考虑一信息传播中感染节点i，只知道在i被感染之前有哪些节点被感染而不知道哪些是导致i被感染的节点；

步骤4-2-3，影响力的异构分布，表现于节点间的影响力不完全等同于两相邻节点相继被感染的时间差；

步骤4-3包括：

步骤4-3-1，采用已有点过程函数把信息的传播路径作为多维事件异步序列，通过多维点过程模型学习互影响矩阵作为信息传播网络的表示；

步骤4-3-2，通过信息传播网络表示学习，把信息的传播路径作为一次在信息传播网络中的随机游走，通过图表示学习的方法学习网络的表示；

步骤4-3-3，构建基于点过程的网络演化模型，将事件序列看作是在网络中的一次随机游走，使用图卷积神经网络GCN图表示学习模型，通过多维事件异步序列学习网络的表示；

步骤4-3-4，在异步序列的事件类人感知与预测模型中引入轨迹记忆网络，轨迹记忆网络将学习记忆信息传播的历史轨迹，与学习用户与实体间关系的图表示学习模型结合，共同预测信息的传播。

Images