CN113590673A - 基于区块链深度学习的数据热度统计方法 - Google Patents

Abstract

本申请公开了一种基于区块链深度学习的数据热度统计方法。该方法可以包括：获取指定地址的目标数据与目标数据的热度信息；确定目标数据的第一热度值，进而计算目标数据的热度预测值；依据第一热度值与热度预测值计算得到目标数据的目标热度值并统计，获得热度表。本发明同时考虑到了用户行为及未来持续热度的影响，提高了统计数据热度的准确性。

Description

基于区块链深度学习的数据热度统计方法

技术领域

本发明涉及数据热度的技术领域，更具体地，涉及一种基于区块链深度学习的数据热度统计方法。

背景技术

随着大数据的发展，数据的需求也越来越丰富，人们通过对数据的各种研究以将其最大利用化，其中数据的热度能直观体现数据的影响范围和重要性，目前的数据热度统计通常是通过统计访问次数来确定数据热度，并没有考虑到用户行为以及未来持续热度的影响，得到的热度数据不够精准。

因此，有必要开发一种基于区块链深度学习的数据热度统计方法。

公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明提出了一种基于区块链深度学习的数据热度统计方法，所述方法可以包括：

获取指定地址的目标数据与所述目标数据的热度信息；

确定所述目标数据的第一热度值，进而计算所述目标数据的热度预测值；

依据所述第一热度值与所述热度预测值计算得到所述目标数据的目标热度值并统计，获得热度表。

优选地，还包括：

判断所述目标热度值是否超过预设阈值；

若是，则将所述目标数据存储于预设的信息库，并计算所述信息库中所有数据的目标热度值，将所述信息库中所有数据按照对应的目标热度值的高低进行排序，并按排序好的顺序将数据的信息录入预设的热度表中，将目标热度值低于所述预设阈值的数据排除出所述热度表。

优选地，所述热度信息包括目标数据的数量、最早发布时间以及关联的用户行为数据。

优选地，通过公式(1)计算第一热度值：

其中，q为第一热度值，T_now为当前时间，T₀为目标数据的最早发布时间，k＞0，s为目标数据的数量，p为目标数据关联的用户行为数据，w₁、w₂分别表示目标数据的数量以及用户行为数据影响目标数据热度值的比重。

优选地，计算所述目标数据的热度预测值包括：

将所述热度信息输入至预设的预测模型进行计算，依据计算结果得到对应所述目标数据的热度预测值。

优选地，所述预测模型为基于热度信息数据训练深度网络模型而得的模型。

优选地，依据所述第一热度值与所述热度预测值计算得到所述目标数据的目标热度值包括：

对所述第一热度值以及所述热度预测值进行权重赋值，得到对应的权重；

依据所述权重对所述第一热度值以及所述热度预测值进行计算，得到所述目标热度值。

优选地，将所述目标数据存储于预设的信息库包括：

将所述目标数据输入至预设的分类模型中分类，得到所述目标数据的类型；

判断所述信息库中是否存在所述目标数据所对应的类型的存储区，所述信息库包括多个不同的存储区，每一存储区对应存储一个类型的数据；

若是，将所述目标数据存储于对应的存储区，以更新所述存储区，否则增设一个与所述目标数据类型对应的目标存储区，并将所述目标数据存储于所述目标存储区。

优选地，还包括：

获取指定地址中多个资讯内容，并对所述资讯内容进行清洗；

将清洗后的各所述资讯内容按句子进行分割得到多个句子，得到多个与各所述资讯内容对应的句子集，并对每个所述句子集中的各句子进行分词处理，依据各所述句子的分词得到所述句子的句子向量；

计算每个所述句子与当前句子集中剩余句子的第一余弦相似度，以及与其余句子集的各句子的第二余弦相似度；

依据所述第一余弦相似度以及第二余弦相似度计算每个句子的得分，将得分最高的句子作为所述目标数据，并将所述第一余弦相似度与所述第二余弦相似度中超过预设阈值的句子作为相似句子，将所述相似句子的个数作为所述目标数据的数量。

优选地，还包括：

获取所述热度表中的多个所述目标数据，每个所述目标数据为一个网络信息；

获取多个用户访问各所述网络信息的痕迹数据，依据所述痕迹数据得到每个所述用户的访问特征向量；

计算目标用户与各所述用户的访问特征向量的向量距离，以找出所述向量距离最小的用户，记作相似用户；

将所述相似用户的访问对象推荐给上所述目标用户，所述访问对象为所述热度表记录的任一目标数据。

本发明的有益效果为：通过热度信息计算第一热度值以及热度预测值，再将两者结合从而得到数据的热度值，这样考虑到了用户行为的基础上还兼顾了未来持续热度的影响，从而大大地提高了统计数据热度的准确性。

本发明的方法具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。

附图说明

通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。

图1示出了根据本发明的基于区块链深度学习的数据热度统计方法的步骤的流程图。

具体实施方式

下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。

图1示出了根据本发明的基于区块链深度学习的数据热度统计方法的步骤的流程图。

在该实施例中，根据本发明的基于区块链深度学习的数据热度统计方法可以包括：

步骤101，获取指定地址的目标数据与目标数据的热度信息；

步骤102，确定目标数据的第一热度值，进而计算目标数据的热度预测值；

步骤103，依据第一热度值与热度预测值计算得到目标数据的目标热度值并统计，获得热度表。

在一个示例中，还包括：

判断目标热度值是否超过预设阈值；

若是，则将目标数据存储于预设的信息库，并计算信息库中所有数据的目标热度值，将信息库中所有数据按照对应的目标热度值的高低进行排序，并按排序好的顺序将数据的信息录入预设的热度表中，将目标热度值低于预设阈值的数据排除出热度表。

在一个示例中，热度信息包括目标数据的数量、最早发布时间以及关联的用户行为数据。

在一个示例中，通过公式(1)计算第一热度值：

其中，q为第一热度值，T_now为当前时间，T₀为目标数据的最早发布时间，k＞0，s为目标数据的数量，p为目标数据关联的用户行为数据，w₁、w₂分别表示目标数据的数量以及用户行为数据影响目标数据热度值的比重。

在一个示例中，计算目标数据的热度预测值包括：

将热度信息输入至预设的预测模型进行计算，依据计算结果得到对应目标数据的热度预测值。

在一个示例中，预测模型为基于热度信息数据训练深度网络模型而得的模型。

在一个示例中，依据第一热度值与热度预测值计算得到目标数据的目标热度值包括：

对第一热度值以及热度预测值进行权重赋值，得到对应的权重；

依据权重对第一热度值以及热度预测值进行计算，得到目标热度值。

在一个示例中，将目标数据存储于预设的信息库包括：

将目标数据输入至预设的分类模型中分类，得到目标数据的类型；

判断信息库中是否存在目标数据所对应的类型的存储区，信息库包括多个不同的存储区，每一存储区对应存储一个类型的数据；

若是，将目标数据存储于对应的存储区，以更新存储区，否则增设一个与目标数据类型对应的目标存储区，并将目标数据存储于目标存储区。

在一个示例中，还包括：

获取指定地址中多个资讯内容，并对资讯内容进行清洗；

将清洗后的各资讯内容按句子进行分割得到多个句子，得到多个与各资讯内容对应的句子集，并对每个句子集中的各句子进行分词处理，依据各句子的分词得到句子的句子向量；

计算每个句子与当前句子集中剩余句子的第一余弦相似度，以及与其余句子集的各句子的第二余弦相似度；

依据第一余弦相似度以及第二余弦相似度计算每个句子的得分，将得分最高的句子作为目标数据，并将第一余弦相似度与第二余弦相似度中超过预设阈值的句子作为相似句子，将相似句子的个数作为目标数据的数量。

在一个示例中，还包括：

获取热度表中的多个目标数据，每个目标数据为一个网络信息；

获取多个用户访问各网络信息的痕迹数据，依据痕迹数据得到每个用户的访问特征向量；

计算目标用户与各用户的访问特征向量的向量距离，以找出向量距离最小的用户，记作相似用户；

将相似用户的访问对象推荐给上目标用户，访问对象为热度表记录的任一目标数据。

具体地，如上述步骤101所述，获取指定地址的目标数据以及该目标数据的热度信息，热度信息包括目标数据的数量、最早发布时间以及关联的用户行为数据，上述指定地址可以为指定的网站地址、内存地址或数据库地址，例如社交平台。上述目标数据的数量可以为目标数据的个数，也可以为包括目标数据在内的多个相似数据的个数，例如多个不同网站上的关于同一个热点的数据，汇集在一起得到该热点的个数。上述关联的用户行为数据可以为针对目标数据的访问、点击、点赞、评论等等行为的数据。

如上述步骤102所述，依据上述热度信息得到目标数据的第一热度值，具体而言，可以通过上述热度信息中的数量、最早发布时间以及关联的用户行为是数据来进行计算，通过公式(1)计算第一热度值，本实施例中，上述用户行为数据可以为访问次数。在另一实施例中，上述目标数据为网络信息，例如新闻，上述用户行为数据可以包括点击、点赞、评论、转发行为次数，则p＝n₁×a+n₂×b+n₃×c+n₄×d，其中n₁、n₂、n₃、n₄分别为点击、点赞、评论、转发的权重，a为点击次数，b为点赞次数，c为评论次数，d为转发次数。

同时，将热度信息输入至预设的预测模型进行计算，依据计算结果得到对应目标数据的热度预测值，其中在预测模型通过深度学习而得，具体可基于热度信息数据训练深度网络模型而得，该深度网络模型为多层神经网络模型，其构架包括输入层、隐层以及输出层。首先采集预设时间段内多个热点数据所关联的用户行为数据，例如访问数据，形成训练集，以训练集对多层神经网络模型进行训练，直到多层神经网络模型预测热点数据的准确率大于阈值，得到上述预测模型；然后目标数据的用户行为数据输入上述预测模型得到预测结果，该预测结果为下一预设时间段内该目标数据是否依然是热点数据的结果，若结果为目标数据依然为热点数据则热度预测值设定为第一指定值，若依据结果目标数据不为热度数据，则热度预测值设定为第二指定值。

如上述步骤103所述，依据第一热度值与热度预测值计算得到目标数据的目标热度值并统计，获得热度表，还包括：判断所述目标热度值是否超过预设阈值；若是，则将所述目标数据存储于预设的信息库，并计算所述信息库中所有数据的目标热度值，将所述信息库中所有数据按照对应的目标热度值的高低进行排序，并按排序好的顺序将数据的信息录入预设的热度表中，将目标热度值低于所述预设阈值的数据排除出所述热度表。

本实施例中，可将第一热度值与热度预测值相加得到上述目标热度值。

本实施例中，对第一热度值以及热度预测值进行权重赋值，得到对应的权重，进一步地，可依据目标数据的具体情况来进行权重赋值，例如先查询目标数据的来源、数量以及用户行为数据，然后通过预设的权重策略来确定两者权重，该权重策略中不同的来源、数量以及关联的用户行为数据分别对应第一热度值以及热度预测值相应的权重，或者通过多次试验，设定出第一热度值与热度预测值的权重比例，从而得到对应的权重。

如步骤S4所述，当判定目标热度值超过预设阈值，即此时目标数据的热度达标，此时可进行统一管理，将目标数据存储于预设的信息库。为了保持信息库中的数据的热度持续有效，可同时对信息库所有数据进行计算，即计算信息库中所有数据的目标热度值，此处的目标热度值可按上述步骤进行计算，得到信息库中所有数据的目标热度，然后将信息库中所有数据按照其对应的目标热度值高低进行排序，再按排序好的顺序，将各数据的信息录入热度表中，并将目标热度值低于上述预测阈值的数据排除出热度表，上述热度表为预设的包含有目标数据及其关联信息的表。

本发明提供的基于区块链深度学习的数据热度统计方法，通过热度信息计算第一热度值以及热度预测值，再将两者结合从而得到数据的热度值，这样考虑到了用户行为的基础上还兼顾了未来持续热度的影响，从而大大地提高了统计数据热度的准确性。

本实施例中，为了方便管理目标数据，处理当前热点，可对目标数据进行分类管理。具体而言，将目标数据输入至预设的分类模型中进行分类，该分类模型通过可通过无监督学习而得，采用大量得不同类型得目标数据作为训练数据对预设的神经网络进行训练，通过损失函数计算损失值，然后依据损失值对网络反向传播计算出网络的参数梯度，从而根据参数梯度更新神经网络的参数直到网络模型收敛，得到上述分类模型。

得到目标数据的类型后，判断信息库中是否存在目标数据所对应的类型的存储区，信息库中包括多个不同的存储区，每一存储区对应存储一个类型的数据，当信息库中存在目标数据所对应的类型的存储区时，将目标数据存储于对应的存储区，从而更新该存储区，当信息库中不存在目标数据所对应的类型的存储区时，即说明当前目标数据为一个新类型数据，这时可以增设一个与目标数据类型对应的目标存储区，并将目标数据存储于目标存储区。

本实施例中，指定地址可以为网站地址，此时可先获取网站地址中的多个不同的资讯内容，然后对资讯内容进行清洗，例如统一格式、缺失值和错误值处理等，然后将清洗后的各资讯内容按句子进行分割得到多个句子，得到多个与各资讯内容对应的句子集，即每一资讯内容对应一个句子集，并对每个句子集中的各句子进行分词处理，依据各句子的分词得到句子的句子向量，具体地，可以先构建深度网络训练词向量，将句子中各词对应的向量进行加权求和组成句子向量，然后计算每个句子与当前句子集中剩余句子的第一余弦相似度，以及与其余句子集的各句子的第二余弦相似度，依据第一余弦相似度以及第二余弦相似度计算每个句子的得分，具体可以将第一余弦相似度以及第二余弦相似度相加得到该句子的得分，将得分最高的句子作为目标数据，并将所述第一余弦相似度与所述第二余弦相似度中超过指定阈值的句子作为相似句子，该指定阈值可以根据实际情况设定，将包括目标数据在内的所有相似句子的个数作为目标数据的数量，这样可以在确定目标数据的目标热度值之前，先进行初步热度筛选，不但可以提高计算精度，而且不必每个资讯信息都进行热度值计算，节省更多的计算资源。

上述目标数据为网络信息，例如新闻信息，对应的，多个不同的用户可均可访问新闻信息，本实施例还可以将热度表中新闻信息精准地推荐给目标用户。首先获取热度表中的多个目标数据，也即获取多个新闻信息，然后获取多个用户访问这些新闻信息的痕迹数据，该痕迹数据包括访问次数以及用户的操作行为，依据痕迹数据得到每个用户的访问特征向量，例如依据访问次数以及用户操作行为确定每个用户对各新闻信息的分值，每一个分值作为该用户的访问特征向量的一维数据，然后计算目标用户与各用户的访问特征向量的向量距离，也即计算出两者的多维向量距离，该向量距离可以为欧几里得距离，距离越小两者越相似，然后找出向量距离最小的用户，记作相似用户，须知相似用户曾访问过多个新闻信息，由于目标用户与相似用户访问的对象较为相似，这时可以将相似用户的访问对象推荐给目标用户，此处的访问对象为即是热度表记录的任一新闻信息，也即上述目标数据。

在另一实施例中，首先从热度表中将多个用户都相互访问过的新闻信息提取出来，并排除热度表中目标用户已经访问过的新闻信息，得到剩下的新闻信息，记为新闻集；并对新闻集进行评分和用户相似度加权的计算，包括：目标用户与每一个用户的相似度计算，以及每个用户对剩下新闻信息中每条新闻信息的得分计算，从而得到新闻集中每条新闻相对于目标用户的最终得分；将新闻集中的新闻信息按照得分高低的顺序排序，并将排序第一的新闻信息推荐给目标用户。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (10)

1.一种基于区块链深度学习的数据热度统计方法，其特征在于，包括：

获取指定地址的目标数据与所述目标数据的热度信息；

确定所述目标数据的第一热度值，进而计算所述目标数据的热度预测值；

依据所述第一热度值与所述热度预测值计算得到所述目标数据的目标热度值并统计，获得热度表。

2.根据权利要求1所述的基于区块链深度学习的数据热度统计方法，其中，还包括：

判断所述目标热度值是否超过预设阈值；

若是，则将所述目标数据存储于预设的信息库，并计算所述信息库中所有数据的目标热度值，将所述信息库中所有数据按照对应的目标热度值的高低进行排序，并按排序好的顺序将数据的信息录入预设的热度表中，将目标热度值低于所述预设阈值的数据排除出所述热度表。

3.根据权利要求1所述的基于区块链深度学习的数据热度统计方法，其中，所述热度信息包括目标数据的数量、最早发布时间以及关联的用户行为数据。

4.根据权利要求1所述的基于区块链深度学习的数据热度统计方法，其中，通过公式(1)计算第一热度值：

其中，q为第一热度值，T_now为当前时间，T₀为目标数据的最早发布时间，k＞0，s为目标数据的数量，p为目标数据关联的用户行为数据，w₁、w₂分别表示目标数据的数量以及用户行为数据影响目标数据热度值的比重。

5.根据权利要求1所述的基于区块链深度学习的数据热度统计方法，其中，计算所述目标数据的热度预测值包括：

将所述热度信息输入至预设的预测模型进行计算，依据计算结果得到对应所述目标数据的热度预测值。

6.根据权利要求5所述的基于区块链深度学习的数据热度统计方法，其中，所述预测模型为基于热度信息数据训练深度网络模型而得的模型。

7.根据权利要求1所述的基于区块链深度学习的数据热度统计方法，其中，依据所述第一热度值与所述热度预测值计算得到所述目标数据的目标热度值包括：

对所述第一热度值以及所述热度预测值进行权重赋值，得到对应的权重；

依据所述权重对所述第一热度值以及所述热度预测值进行计算，得到所述目标热度值。

8.根据权利要求2所述的基于区块链深度学习的数据热度统计方法，其中，将所述目标数据存储于预设的信息库包括：

将所述目标数据输入至预设的分类模型中分类，得到所述目标数据的类型；

判断所述信息库中是否存在所述目标数据所对应的类型的存储区，所述信息库包括多个不同的存储区，每一存储区对应存储一个类型的数据；

若是，将所述目标数据存储于对应的存储区，以更新所述存储区，否则增设一个与所述目标数据类型对应的目标存储区，并将所述目标数据存储于所述目标存储区。

9.根据权利要求1所述的基于区块链深度学习的数据热度统计方法，其中，还包括：

获取指定地址中多个资讯内容，并对所述资讯内容进行清洗；

将清洗后的各所述资讯内容按句子进行分割得到多个句子，得到多个与各所述资讯内容对应的句子集，并对每个所述句子集中的各句子进行分词处理，依据各所述句子的分词得到所述句子的句子向量；

计算每个所述句子与当前句子集中剩余句子的第一余弦相似度，以及与其余句子集的各句子的第二余弦相似度；

依据所述第一余弦相似度以及第二余弦相似度计算每个句子的得分，将得分最高的句子作为所述目标数据，并将所述第一余弦相似度与所述第二余弦相似度中超过预设阈值的句子作为相似句子，将所述相似句子的个数作为所述目标数据的数量。

10.根据权利要求2所述的基于区块链深度学习的数据热度统计方法，其中，还包括：

获取所述热度表中的多个所述目标数据，每个所述目标数据为一个网络信息；

获取多个用户访问各所述网络信息的痕迹数据，依据所述痕迹数据得到每个所述用户的访问特征向量；

计算目标用户与各所述用户的访问特征向量的向量距离，以找出所述向量距离最小的用户，记作相似用户；

将所述相似用户的访问对象推荐给上所述目标用户，所述访问对象为所述热度表记录的任一目标数据。

Images