1.一种基于注意力机制的网络舆情事件演化趋势预测方法,其特征在于,包括以下步骤:S1、从基于Web的研究型推荐系统下载或者利用社交平台的公共API获取原始数据;
S2、对于获取的数据进行预处理,并去除数据中的噪声和冗余数据,提取在信息传播过程中用户之间的注意力;
S3、通过改造GRU时间维度模型融合注意力,获取基于注意力机制的GRU模型;基于注意力机制的GRU模型包括:fi=σ(Wfxi+vfdi+bf)
ri=σ(Wrxi+vrdi+br)
其中,xi为当前时间的输入的用户的嵌入向量,tanh和σ为激活函数;
Wf、Wr、Wih为权重参数,bf、br、bh为偏差参数;ri为更新门;fi为重置门;hi为隐含状态向量; 为候选隐含状态,vf、vr、vc为权重参数矩阵,⊙表示按元素乘法;di表示当前用户的注意力;
S4、利用历史数据通过时间反向传播算法对基于注意力机制的GRU模型进行训练,在训练过程中最小化损失函数,训练参数通过使用小批量的Momentum优化器来更新;
S5、将待预测的数据输入训练好的基于注意力机制的GRU模型,即可输出预测信息下一阶段可能传播的用户。
2.根据权利要求1所述的一种基于注意力机制的网络舆情事件演化趋势预测方法,其特征在于,提取在信息传播过程中用户之间的注意力包括:将用户向量化,第i个用户的向量表示表示为 其中ui为在时间tn输入的信息传播序列中的第i个用户的原始表示,d为向量的维度;
利用用户的嵌入向量来计算信息传播过程中用户之间的注意力得分,并根据该注意力得分获得用户的注意力权重,第j个用户的注意力权重表示为:其中,wkj为第k个用户的注意力得分,xk为第k个用户的嵌入向量,ELU为激活函数。
3.根据权利要求2所述的一种基于注意力机制的网络舆情事件演化趋势预测方法,其特征在于,第i个用户的嵌入向量xi通过将第i个用户的向量表示输入全连接层获得,表示为:xi=ELU(Wxei+bx);
其中,Wx、bx为可学习的参数。
4.根据权利要求2所述的一种基于注意力机制的网络舆情事件演化趋势预测方法,其特征在于,当前用户的注意力得分取决于在当前用户之前传播的历史用户,当前用户j的注意力得分表示为:其中,<,>为内积符号, 为可学习的权重参数矩阵。
5.根据权利要求1所述的一种基于注意力机制的网络舆情事件演化趋势预测方法,其特征在于,在对基于注意力机制的GRU模型的训练过程中,使用交叉熵作为损失函数为:其中, 为损失函数,p(ui|hi)、 分别代表真实的标签和预测结果。
6.根据权利要求5所述的一种基于注意力机制的网络舆情事件演化趋势预测方法,其特征在于,用户uj+1接收传播轨迹中事件的概率p(uj+1|hi)表示为:p(uj+1|hj)=softmax(Wphi+bp)其中,Wp、bp为权重参数矩阵,p(uj+1|hi)为用户uj+1接收传播轨迹中事件的概率。