(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210477541.8 (22)申请日 2022.05.04 (71)申请人 骆瑜 地址 710049 陕西省西安市碑林区咸宁西 路28号 (72)发明人 陈秉佑　骆瑜　 (51)Int.Cl. G06Q 10/04(2012.01) G06F 40/30(2020.01) G06F 17/18(2006.01) G06F 17/10(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于情境信息的人气值预测模型构建 与训练方法 (57)摘要 本发明公开了一种基于情境信息的网络流 行语人气值预测模型构建与训练方法， 具体包 括： 模型构建包括获取用户与网络流行语之间的 情境数据、 计算基于情境特征的网络流行语人气 值置信度、 计算整体人气值置信 度矩阵X、 根据人 气值置信度矩阵求得各个网络流行语的人气值； 模型训练包括使用回归曲线拟合的方法求得各 类人气值置信度计算公式中的参数、 使用高斯概 率线性模型得到人气值的概率分布 函数、 通过最 大化后验概率得到待优化的目标函数、 使用梯度 下降法优化目标函数。 该模型可 以从较少的、 最 新的网络用户行为数据中预测潜在的网络流行 语， 从而实现基于用户情境信息的流行语预测和 发现， 与其他方法相比具有更好的性能和更广泛 的应用范围。 权利要求书2页 说明书5页 附图2页 CN 114723172 A 2022.07.08 CN 114723172 A 1.一种基于情境信息的网络流行语人气值预测模型构建方法， 其特 征在于， 包括： 获取用户m与网络流行语i之间的情境数据； 根据情境数据计算基于情境特 征的网络流行语人气值置信度； 计算整体人气值置信度矩阵X； 根据人气值置信度矩阵X求得 各个网络流行语人气值。 2.根据权利要求1所述的网络流行语人气值预测模型构建方法， 其特征在于， 所述情境 数据包括空间距离D(m,i)、 时间距离T(m,i)、 归一化的关系 评分值NR(m,i)、 用户从该网络 流行语的社交行为中获得的归一 化情感得分值 NS(m,i)。 3.根据权利要求1所述的网络流行语人气值预测模型构建方法， 其特征在于， 基于情境 特征的网络流行语人气值置信度包括基于空间特征的置信度CS(m,i)， 基于时间特征的置信 度CT(m,i)， 基于用户关系特 征的置信度CNR(m,i)和基于语义特 征的置信度CNS(m,i)。 4.根据权利要求3所述的网络流行语人气值预测模型构建方法， 其特征在于， CS(m,i)、 CT(m,i)、 CNR(m,i)、 CNS(m,i)的计算公式分别如下： 其中， N是用户的总数， u,v,w是通过曲线拟合学习得到的参数。 5.根据权利要求1所述的网络流行语人气值预测模型构建方法， 其特征在于， 置信度矩 阵的计算公式如下： X=A×CS+B×CT+J×CNR+K×CNS或 Xm,i=AS(m,i)×CS(m,i)+BT(m,i)×CT(m,i)+JNR(m,i)×CNR(m,i)+KNS(m,i)×CNS(m,i) 其中A、 B、 J、 K 是CS、 CT、 CNR、 CNS对应的系数矩阵。 6.根据权利要求1所述的网络流行语人气值预测模型构建方法， 其特征在于， 流行语i 的置信度Xi的值为流行语i对应的所有用户置信度之和， 它满足： 。 7.一种基于情境信息的网络流行语人气值预测模型训练方法， 其特 征在于， 包括： 利用已有的话题流行量和情境数据， 使用回归曲线拟合的方法求得各类人气值置信度 计算公式 中的参数； 使用高斯概率线性模型并设置适当的噪声值， 得到网络流行语人气值的概率分布函 数； 通过最大化后验概 率， 得到待优化的目标函数；权　利　要　求　书 1/2 页 2 CN 114723172 A 2利用带标记的社交媒体数据， 使用梯度下降法不断优化所述目标函数。 8.根据权利要求7所述的网络流行语人气值预测模型训练方法， 其特征在于， 待优化的 目标函数为四个情境特 征的代价 函数与系数矩阵的正则化代价之和。权　利　要　求　书 2/2 页 3 CN 114723172 A 3