一种基于深度信念网络的视频热度预测方法及其系统的制作方法
【技术领域】
[0001] 本发明设及互联网技术领域，尤其设及一种基于深度信念网络的视频热度预测方 法及其系统。
【背景技术】
[0002] 视频点播量预测在互联网数据挖掘领域中有着重要的作用，点播量高的视频(尤 其是电影和电视剧）能够提高广告的播放量，提前预测出视频的点播量已在广告业务扩展 方面有着广泛的应用。
[0003] 目前，对视频类资源点播量的预测一般都采用基于历史点播数据预测方法或者基 于人工方法预测，采用基于历史点播数据预测方法需要在视频播出一段时间后才能进行预 测，而不能在视频上线之前对点播量进行预测，采用基于人工方法预测严重依赖人的经验， 预测结果往往存在误差较大的问题，进而导致预测结果不准确。
[0004] 因此，亟需设计一种视频热度的预测方法，W提高预测的准确度和可靠性。
【发明内容】
[0005] 有鉴于此，本发明的目的在于提供一种基于深度信念网络的视频热度预测方法及 其系统，旨在解决现有技术中视频热度预测的准确度和可靠性较低的问题。
[0006] 本发明提出一种基于深度信念网络的视频热度预测方法，包括：
[0007] 根据视频特征选择输入变量并对影响因子进行归一量化，W对训练数据进行预处 理；
[000引根据所选择的输入变量W及特征重构误差确定单层的限制性玻尔兹曼机重构维 数，并通过多层限制性玻尔兹曼机的堆叠和BP神经网络W构成深度信念网络；
[0009] 通过全局学习算法对所述深度信念网络进行调整，W获取最优视频预测模型；
[0010] 将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析W及观 看量预测分析。
[0011] 优选的，所述输入变量具体包括视频的出品年份、国家地区、视频角标、放映电视 台、视频类型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力W及百 度捜索指数。
[0012] 优选的，所述构成深度信念网络包括深度信念网络的网络输入层、限制性玻尔兹 曼机网络层W及输出层。
[0013] 优选的，所述对所述深度信念网络进行调整包括调整所述网络输入层的层数、调 整限制性玻尔兹曼机网络层的层数W及调整所述输出层的层数，W优化网络参数和预测模 型。
[0014] 另一方面，本发明还提供一种基于深度信念网络的视频热度预测系统，包括：
[0015] 预处理模块，用于根据视频特征选择输入变量并对影响因子进行归一量化，W对 训练数据进行预处理；
[0016] 网络构建模块，用于根据所选择的输入变量W及特征重构误差确定单层的限制性 玻尔兹曼机重构维数，并通过多层限制性玻尔兹曼机的堆叠和BP神经网络W构成深度信念 网络；
[0017] 模型获取模块，用于通过全局学习算法对所述深度信念网络进行调整，W获取最 优视频预测模型；
[0018] 预测分析模块，用于将待测的视频测试数据放入所述最优视频预测模型中进行热 度预测分析W及观看量预测分析。
[0019] 优选的，所述输入变量具体包括视频的出品年份、国家地区、视频角标、放映电视 台、视频类型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力W及百 度捜索指数。
[0020] 优选的，所述构成深度信念网络包括深度信念网络的网络输入层、限制性玻尔兹 曼机网络层W及输出层。
[0021] 优选的，所述对所述深度信念网络进行调整包括调整所述网络输入层的层数、调 整限制性玻尔兹曼机网络层的层数W及调整所述输出层的层数，W优化网络参数和预测模 型。
[0022] 在本发明实施例中，本发明提供的技术方案提出了一种基于深度信念网络的在线 视频预测模型，将深层神经网络应用于在线视频预测领域，且能提高预测的准确度和可靠 性，进而能为视频在上映前的投资和播放提供有价值的参考，既能更可靠地预测在线视频 的热度，又能得到精确的播放量波动范围，具有实际的意义。
【附图说明】
[0023] 图1为本发明一实施方式中基于深度信念网络的视频热度预测方法流程图；
[0024] 图2为本发明一实施方式中DB化网络的结构示意图；
[0025] 图3为本发明一实施方式中不同视频数据的观看量预测值与实际值的对比示意 图；
[0026] 图4为本发明一实施方式中基于深度信念网络的视频热度预测系统结构示意图。
【具体实施方式】
[0027] 为了使本发明的目的、技术方案及优点更加清楚明白，W下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用W解释本发明，并 不用于限定本发明。
[0028] 本发明【具体实施方式】提供了一种基于深度信念网络的视频热度预测方法，主要包 括如下步骤：
[0029] S11、根据视频特征选择输入变量并对影响因子进行归一量化，W对训练数据进行 预处理；
[0030] S12、根据所选择的输入变量W及特征重构误差确定单层的限制性玻尔兹曼机重 构维数，并通过多层限制性玻尔兹曼机的堆叠和BP神经网络W构成深度信念网络；
[0031] S13、通过全局学习算法对所述深度信念网络进行调整，W获取最优视频预测模 型；
[0032] S14、将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析W 及观看量预测分析。
[0033] 本发明通过对实际在线视频服务系统所采集的海量数据研究，结合中国在线视频 市场提供了一种基于深度信念网络的视频热度预测方法，结合社交网络的关注度和视频关 键词的捜索热度，对影响因子进行了建模和量化处理，提出了一种基于深度信念网络的在 线视频预测模型，将深层神经网络应用于在线视频预测领域，且能提高预测的准确度和可 靠性，进而能为视频在上映前的投资和播放提供有价值的参考，既能更可靠地预测在线视 频的热度，又能得到精确的播放量波动范围，具有实际的意义。
[0034] W下将对本发明所提供的一种基于深度信念网络的视频热度预测方法进行详细 说明。
[0035] 请参阅图1，为本发明一实施方式中基于深度信念网络的视频热度预测方法流程 图。
[0036] 在步骤Sll中，根据视频特征选择输入变量并对影响因子进行归一量化，W对训练 数据进行预处理。
[0037] 在本实施方式中，训练数据主要分为站内数据和站外数据，站内数据来自腾讯视 频分布式数据上报系统的每日观看数据和腾讯视频官方提供的媒资信息。每条媒资信息包 括电视剧视频的名称、标识、国家地区、制作集数、类型、上映时间等;站外数据通过对视频 关键字的提取，人工爬取了百度平台的捜索指数，W及通过新浪博客提供的接口爬取了视 频演员的粉丝量作为衡量演员影响力的重要指标。
[0038] 在本实施方式中，为了提高预测模型的性能，合理选择变量，在进行预测分析之 前，本发明可W把视频特征归纳成=个维度，即一级数据、二级数据W及=级数据，其中，一 级数据包括视频放映信息、视频基本内容W及民众关注度，二级数据包括档期、放映数据、 人物信息、视频介绍、捜索热度、社区热度等等，=级数据包括出品年份、国家地区、放映电 视台、导演、演员、类型、视频简介、百度指数、豆瓣评分、新浪微博等等。
[0039] 在本实施方式中，所述输入变量具体包括视频的出品年份、国家地区、视频角标、 放映电视台、视频类型、视频总集数、制作等级、豆瓣评分、演员影响力W及百度捜索指数。
[0040] 在本实施方式中，选取视频的出品年份、国家地区、视频角标、放映电视台、视频类 型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力W及百度捜索指 数作为输入特征，并赋予各输入特征不同的权值表示输入变量，即：
[0042] 其中，Wyear表示出品年份影响力权值;Warea表示国家地区影响力权值;Wimgtag表示视 频角标影响力权值;Wtv表示视频放映电视台影响力权值;Wgenre表示视频类型影响力权值； Wright表示视频版权影响力权值;Wepisode表示视频总集数影响力权值;Wrank表示视频制作等 级影响力权值;Wcbuban表示豆瓣评分影响力权值;Wactor表示演员影响力权值;Wdirctor表示视 频导演影响力权值;Wbaidu表示百度捜索指数影响力权值，本发明考虑到连续的变量值可W 提高网络的敏感性，本文将所有的输入变量都处理成[0，1 ]区间的连续数值。
[0043] 在本实施方