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。