一種輿情熱度監測的方法及裝置、電子設備和存儲介質與流程

本說明書涉及數據處理，尤其涉及一種輿情熱度監測的方法及裝置、電子設備和存儲介質。

背景技術：

1、在信息傳播動力學領域，謠言的傳播與病原體在種群中的傳播有很強的相似性。在使用流行病模型檢驗謠言傳播方面已經有了很多的研究，希望以此能夠消除謠言的負面影響，或至少盡量減少謠言的負面影響。已有的流行病模型如易感-感染-暴露-恢復模型(seir)、易感-感染模型(si)、易感-感染-易感模型(sis)和易感-感染-恢復模型等被公認為經典的傳播動力學模型。

2、互聯網的發展和社交媒體的豐富要求對傳統模式進行進一步擴展，以體現新的傳播機制，并利用多平臺的數據進行研究。然而，現有的研究并沒有充分研究短視頻平臺不同于傳統社交平臺的獨特的輿情傳播機制。

技術實現思路

1、本說明書實施例提供一種輿情熱度監測的方法及裝置、電子設備和存儲介質，以解決輿情熱度監測準確率低的問題。

2、第一方面，本說明書一個或多個實施例提供一種輿情熱度監測的方法，包括：在目標短視頻社交平臺收集目標短視頻的原始信息數據，所述原始信息數據包括用戶點贊累積量、用戶轉發累積量、用戶點贊時間和用戶轉發時間；根據所述目標短視頻社交平臺中的動力學傳播機制，構建輿情熱度監測模型，所述動力學傳播機制根據對所述目標短視頻社交平臺中的用戶狀態的分類結果確定；以所述原始信息數據為驅動，利用最小二乘法估計所述輿情熱度監測模型的模型參數和游客群體總量初始值；基于所述模型參數和所述游客群體總量初始值，通過所述輿情熱度監測模型確定所述目標短視頻的輿情傳播指標體系中各個指標的值，以作為針對所述目標短視頻的輿情熱度監測的結果。

3、可選的，所述分類結果包括：

4、游客狀態、點贊狀態、分享狀態和免疫狀態；

5、其中，處于游客狀態的用戶為未瀏覽到目標短視頻的用戶；

6、處于點贊狀態的用戶為已點贊所述目標短視頻的用戶；

7、處于分享狀態的用戶為已分享所述目標短視頻的用戶；

8、處于免疫狀態的用戶由兩部分組成：一種是處于點贊狀態或分享狀態的時間超過曝光期的用戶，另一種是瀏覽過所述目標短視頻但未進入點贊狀態和/或分享狀態的用戶。

9、可選的，所述目標短視頻社交平臺的輿情熱度的動力學傳播機制，包括：

10、處于游客狀態的用戶在接觸到處于分享狀態或點贊狀態的用戶所推薦的短視頻后，將以平均點贊概率進行點贊操作，進而轉化為處于點贊狀態的用戶；

11、處于游客狀態的用戶在接觸到處于分享狀態或點贊狀態的用戶所推薦的短視頻后，將以平均分享概率進行分享操作，進而轉化為處于分享狀態的用戶；

12、處于點贊狀態的用戶以第一深度吸引概率轉化為處于分享狀態的用戶，處于分享狀態的用戶以第二深度吸引概率轉化為處于點贊狀態的用戶；

13、處于分享狀態的用戶以平均分享免疫速率轉化為處于免疫狀態的用戶，處于點贊狀態的用戶以平均點贊免疫速率轉化為處于免疫狀態的用戶。

14、可選的，所述輿情熱度監測模型為根據所述動力學傳播機制構建的微分動力學方程，所述輿情熱度監測模型包括：

15、

16、

17、

18、

19、其中，v(t)為時刻t處于游客狀態的個體總數，l(t)為時刻t處于點贊狀態的個體總數，s(t)為時刻t處于分享狀態的個體總數，i(t)為時刻t處于免疫狀態的個體總數，l1是平均點贊接觸速率，l2是平均分享接觸速率，k1是平均點贊概率，k2是平均分享概率，t1是第一深度吸引概率，t2是第二深度吸引概率，m1是平均點贊免疫速率，m2是平均分享免疫速率。

20、可選的，所述輿情傳播指標體系中的指標包括：

21、基于點贊和分享行為的短視頻傳播可再生數；

22、基于點贊和分享行為的短視頻傳播峰值和傳播最終規模；

23、基于點贊和分享行為的短視頻傳播時間；

24、基于點贊和分享行為的短視頻傳播速率。

25、在一實施例中，所述短視頻傳播可再生數的計算過程包括：

26、獲取如下公式：

27、

28、其中，表示對向量x中的各元素求導，x＝(l(t)，s(t))t，

29、

30、假設存在無短視頻傳播平衡態(ls)0＝(v0,0,0,0)，v0為易受影響的游客群體總量初始值，則根據m和v在無短視頻傳播平衡態時的導數

31、

32、

33、通過計算特征方程的根，推導矩陣mv-1的特征值

34、

35、得到作為所述短視頻傳播可再生數的特征根：

36、

37、可選的，在利用最小二乘法估計所述模型參數和所述游客群體總量初始值的過程中，設置參數向量θ＝(l1，l2，k1，k2，t1，t2，m1，m2，v0)，以得到最小二乘誤差函數：

38、

39、其中，ls為殘差平方和，和分別表示短視頻的理論點贊累積量和理論分享累積量，向量idlk和idsk分別表示短視頻的實際點贊累積量和實際分享累積量，k＝0,1,2,…，t為采樣時間。

40、第二方面，本說明書實施例提供了一種輿情熱度監測的裝置，包括：數據收集模塊，用于在目標短視頻社交平臺收集目標短視頻的原始信息數據，所述原始信息數據包括用戶點贊累積量、用戶轉發累積量、用戶點贊時間和用戶轉發時間；模型構建模塊，用于根據所述目標短視頻社交平臺中的動力學傳播機制，構建輿情熱度監測模型，所述動力學傳播機制根據對所述目標短視頻社交平臺中的用戶狀態的分類結果確定；參數估計模塊，用于以所述原始信息數據為驅動，利用最小二乘法估計所述輿情熱度監測模型的模型參數和游客群體總量初始值；指標監測模塊，用于基于所述模型參數和所述游客群體總量初始值，通過所述輿情熱度監測模型確定所述目標短視頻的輿情傳播指標體系中各個指標的值，以作為針對所述目標短視頻的輿情熱度監測的結果。

41、可選的，所述分類結果包括：

42、游客狀態、點贊狀態、分享狀態和免疫狀態；

43、其中，處于游客狀態的用戶為未瀏覽到目標短視頻的用戶；

44、處于點贊狀態的用戶為已點贊所述目標短視頻的用戶；

45、處于分享狀態的用戶為已分享所述目標短視頻的用戶；

46、處于免疫狀態的用戶由兩部分組成：一種是處于點贊狀態或分享狀態的時間超過曝光期的用戶，另一種是瀏覽過所述目標短視頻但未進入點贊狀態和/或分享狀態的用戶。

47、可選的，所述目標短視頻社交平臺的輿情熱度的動力學傳播機制，包括：

48、處于游客狀態的用戶在接觸到處于分享狀態或點贊狀態的用戶所推薦的短視頻后，將以平均點贊概率進行點贊操作，進而轉化為處于點贊狀態的用戶；

49、處于游客狀態的用戶在接觸到處于分享狀態或點贊狀態的用戶所推薦的短視頻后，將以平均分享概率進行分享操作，進而轉化為處于分享狀態的用戶；

50、處于點贊狀態的用戶以第一深度吸引概率轉化為處于分享狀態的用戶，處于分享狀態的用戶以第二深度吸引概率轉化為處于點贊狀態的用戶；

51、處于分享狀態的用戶以平均分享免疫速率轉化為處于免疫狀態的用戶，處于點贊狀態的用戶以平均點贊免疫速率轉化為處于免疫狀態的用戶。

52、可選的，所述輿情熱度監測模型為根據所述動力學傳播機制構建的微分動力學方程，所述輿情熱度監測模型包括：

53、

54、

55、

56、

57、其中，v(t)為時刻t處于游客狀態的個體總數，l(t)為時刻t處于點贊狀態的個體總數，s(t)為時刻t處于分享狀態的個體總數，i(t)為時刻t處于免疫狀態的個體總數，l1是平均點贊接觸速率，l2是平均分享接觸速率，k1是平均點贊概率，k2是平均分享概率，t1是第一深度吸引概率，t2是第二深度吸引概率，m1是平均點贊免疫速率，m2是平均分享免疫速率。

58、可選的，所述輿情傳播指標體系中的指標包括：

59、基于點贊和分享行為的短視頻傳播可再生數；

60、基于點贊和分享行為的短視頻傳播峰值和傳播最終規模；

61、基于點贊和分享行為的短視頻傳播時間；

62、基于點贊和分享行為的短視頻傳播速率。

63、可選的，所述短視頻傳播可再生數的計算過程包括：

64、獲取如下公式：

65、

66、其中，表示對向量x中的各元素求導，x＝(l(t)，s(t))t，

67、

68、假設存在無短視頻傳播平衡態(ls)0＝(v0,0,0,0)，v0為易受影響的游客群體總量初始值，則根據m和v在無短視頻傳播平衡態時的導數

69、

70、

71、通過計算特征方程的根，推導矩陣mv-1的特征值

72、

73、得到作為所述短視頻傳播可再生數的特征根：

74、

75、可選的，在利用最小二乘法估計所述模型參數和所述游客群體總量初始值的過程中，設置參數向量θ＝(l1，l2，k1，k2，t1，t2，m1，m2，v0)，以得到最小二乘誤差函數：

76、

77、其中，ls為殘差平方和，和分別表示短視頻的理論點贊累積量和理論分享累積量，向量idlk和idsk分別表示短視頻的實際點贊累積量和實際分享累積量，k＝0,1,2,…，t為采樣時間。

78、第三方面，本說明書實施例提供了一種電子設備，該電子設備包括處理器、存儲器及存儲在所述存儲器上并可在所述處理器上運行的程序或指令，所述程序或指令被所述處理器執行時實現如第一方面所述的方法的步驟。

79、第四方面，本說明書實施例提供了一種可讀存儲介質，所述可讀存儲介質上存儲程序或指令，所述程序或指令被處理器執行時實現如第一方面所述的方法的步驟。

80、第五方面，本說明書實施例提供了一種芯片，所述芯片包括處理器和通信接口，所述通信接口和所述處理器耦合，所述處理器用于運行程序或指令，實現如第一方面所述的方法。

81、在本說明書實施例中，利用目標短視頻社交平臺中的動力學傳播機制構建輿情熱度監測模型，使用最小二乘法基于原始信息數據估計所述輿情熱度監測模型的模型參數和游客群體總量初始值，進而估算輿情傳播指標體系中各個指標的值。該過程在考慮了短視頻社交平臺中游客、分享、點贊、免疫等傳播機制的基礎上，構建了符合短視頻傳播特征的輿情熱度監測模型，實現了對短視頻平臺輿情熱度傳播的監測分析，為互聯網業務保障提供了支撐數據，進而可以提高網絡運維效率及故障處理效率，助力網絡運維及網絡的質量提升。