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。