(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 202211167868.1 (22)申请日 2022.09.23 (71)申请人 清华大学 地址 100084 北京市海淀区双清路3 0号清 华大学清华园北京 100084-82信箱 (72)发明人 赵虹　李炜　李悦江　戴亦欣　 钟玮　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 刘雯 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/00(2012.01) G06F 16/35(2019.01) G06F 40/30(2020.01)G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 基于社交平台的舆情预测方法、 装置和电子 设备 (57)摘要 本发明提供一种基于社交平台的舆情预测 方法、 装置和电子设备， 包括： 获取待预测的目标 文本， 并提取所述目标文本的时间序列特征向 量、 文本表示特征向量和绝对时刻表示特征向 量； 基于预先构建的时变预测模型， 将所述时间 序列特征向量、 所述文本表示特征向量和所述绝 对时刻表示特征向量进行融合， 以得到预测结 果， 所述预测结果包括下一时刻转发数与当前时 刻转发数的残差值； 所述时变预测模型， 是基于 深度分布式融合网络构建的。 本发 明提供的基于 社交平台的舆情预测方法、 装置和电子设备， 能 利用原始文本丰富的信息并灵活地融合， 实现提 升预测准确度的效果。 权利要求书2页 说明书12页 附图4页 CN 115545288 A 2022.12.30 CN 115545288 A 1.一种基于社交平台的舆情预测方法， 其特 征在于， 包括： 获取待预测的目标文本， 并提取所述目标文本的时间序列特征向量、 文本表示特征向 量和绝对时刻表示特 征向量； 基于预先构建的时变预测模型， 将所述时间序列特征向量、 所述文本表示特征向量和 所述绝对时刻表示特征向量进行融合， 以得到预测结果， 所述预测结果包括下一时刻转发 数与当前时刻转发数的残差值； 所述时变预测模型， 是基于深度分布式 融合网络构建的。 2.根据权利要求1所述的基于社交平台的舆情预测方法， 其特征在于， 提取所述目标文 本的文本表示特 征向量， 具体包括： 提取所述目标文本的原始文本向量、 基于预先训练 的框架效应分类模型得到的框架效 应标签向量， 和所述目标文本的主题向量； 所述框架效应分类模型 是通过文本样本的标签特 征向量样本训练得到的。 3.根据权利要求1所述的基于社交平台的舆情预测方法， 其特征在于， 提取所述目标文 本的时间序列特 征向量， 具体包括： 获取t时刻之前， 所述目标文本的所有转发数， 并记为r0,r1,…rt‑1； 基于所述转发数得到隐状态输出， 以所述隐状态输出作为所述转发数的历史变化表 示， 并记为h(r0,r1,…rt‑1)； 以h(r0,r1,…rt‑1)作为所述时间序列特 征向量。 4.根据权利要求3所述的基于社交平台的舆情预测方法， 其特征在于， 利用预设表达 式， 将所述时间序列特征向量、 所述文本表示特征向量和所述绝对时刻表示特征向量进行 融合， 以得到预测结果； 所述预设表达式为： 其中， h(r0,r1,…rt‑1)表示所述时间序列特征向量， F表示框架效应标签 向量， L表示原 始文本向量， T表示主题向量， At表示绝对时刻表示特 征向量。 5.根据权利要求4所述的基于社交平台的舆情预测方法， 其特征在于， 将所述 时间序列 特征向量、 所述文本表示特 征向量和所述 绝对时刻表示特 征向量进行融合， 具体包括： 将所述时间序列特征向量与所述目标文本的原始文本向量、 所述框架效应标签向量、 所述目标文本的主题向量、 所述绝对时刻表示特征向量分别进行两两拼接， 以及一次全部 拼接， 以得到 5个融合向量； 将各所述融合向量分别输入预存的融合预测模型， 以得到 5个预测数值； 基于各所述预测数值得到所述预测结果。 6.根据权利要求5所述的基于社交平台的舆情预测方法， 其特征在于， 基于各所述预测 数值得到所述预测结果， 之前还 包括： 确定预测时间步； 判定所述预测时间步大于时间步阈值， 则以所述 时间序列特征向量与 所述绝对时刻表 示特征向量拼接得到的预测数值进行线性 转化后进行的下一时刻转发数作为预测结果； 判定所述预测时间步小于时间步阈值， 则以所有所述预测数值进行线性变化结果进行 的下一时刻转发数作为预测结果。权　利　要　求　书 1/2 页 2 CN 115545288 A 27.一种基于社交平台的舆情预测装置， 其特 征在于， 包括： 特征向量提取单元， 用于获取待预测的目标文本， 并提取所述目标文本的时间序列特 征向量、 文本表示特 征向量和绝对时刻表示特 征向量； 结果预测单元， 用于基于预先构建的时变预测模型将所述时间序列特征向量、 所述文 本表示特征向量和所述绝对时刻表示特征向量进行融合， 以得到预测结果， 所述预测结果 包括下一时刻转发数与当前时刻转发数的残差值； 所述时变预测模型， 是基于深度分布式 融合网络构建的。 8.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运 行的计算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求1至6任一项所 述基于社交平台的舆情预测方法。 9.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机 程序被处 理器执行时实现如权利要求1至 6任一项所述基于社交平台的舆情预测方法。 10.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现如权利要求1至 6任一项所述基于社交平台的舆情预测方法。权　利　要　求　书 2/2 页 3 CN 115545288 A 3