一种热点预测方法、装置、设备及可读存储介质

摘要

本申请涉及一种热点预测方法、装置、设备及可读存储介质，涉及热点预测技术领域，由于蜻蜓优化算法随着迭代次数的增加，可加快收敛速度并可朝着全局最优值进行收敛，在寻求阶段性最优解的过程中具备最佳效果，具有较强的寻优能力，所以在Seq2Seq神经网络模型中引入蜻蜓优化算法可有效提高神经网络预测模型的寻优性能，而热点就是在众多的网络信息中进行阶段性最优解的寻求过程，因此通过基于蜻蜓优化算法的Seq2Seq神经网络模型对话题点击量信息进行计算即可得到热点预测信息，工作人员可根据该热点预测信息对流量带宽等因素进行调整。因此，本申请实施例可对实时热点进行预测，为有效分配后台流量提供数据支撑，并降低运营成本。

说明书

技术领域

本申请涉及热点预测技术领域，特别涉及一种热点预测方法、装置、设备及可读存储介质。

背景技术

伴随经济的飞速发展和通信技术的日益更新，网络社交媒体规模不断扩张。其中，由于大量先进技术的采用，带来了社交网络规模庞大、社交软件种类复杂多样、后台承受压力的质量需求逐步提高等等一系列发展问题。面对这些复杂的问题和日益加剧的竞争，为了更加高效地利用目前的通信网络资源，降低当前运行成本，增加后续运营收入，就必须加强网络设备的分析力度和日常维护，不断调整和优化网络相关参数，以满足用户日益增加的需求。

但是，随着社会信息碎片化的进一步加剧，上述问题越发的难以得到简单有效的解决，且随着热点的数量不断增多，热点更新的速率也进一步加快，这两点变化使得网络设备维护的速度很难跟的上热点变化的速度，导致后台流量无法被及时有效的分配，进而造成后台系统奔溃；相关技术中，通过采取投入足够多的后台资源的方式以保障每一个可能的热点信息都有足够的资源作为支撑，但是该方法会导致运营成本过高的问题。

发明内容

本申请实施例提供一种热点预测方法、装置、设备及可读存储介质，以解决相关技术中存在的后台流量无法被有效分配以及运营成本过高的问题。

第一方面，提供了一种热点预测方法，包括以下步骤：

采集话题点击量信息；

将所述话题点击量信息输入基于蜻蜓优化算法的Seq2Seq神经网络模型，通过蜻蜓优化算法对所述话题点击量信息进行计算，得到热点预测信息。

一些实施例中，在所述采集话题点击量信息之前，创建基于蜻蜓优化算法的Seq2Seq神经网络模型，包括：

随机初始化蜻蜓种群的位置和步长向量；

根据所述蜻蜓种群的位置和步长向量计算蜻蜓个体的适应度值；

根据所述适应度值判断当前的最优个体和最差个体，将最优个体作为食物，最差的个体视作为外敌；

根据所述最优个体和所述最差个体分别更新避撞、结对、聚集、食物和天敌的权重值；

根据更新后的权重值分别计算避撞、结对、聚集、食物和天敌更新后的位置；

根据更新后的位置分别更新相邻两个蜻蜓之间的邻域半径和每个蜻蜓个体的位置，并输出最优的蜻蜓个体和全局最优解。

所述根据更新后的位置分别更新相邻两个蜻蜓之间的邻域半径和每个蜻蜓个体的位置，包括：

判断蜻蜓个体周围是否存在邻近个体；

若存在邻近个体，则使用第一算法更新相邻两个蜻蜓之间的邻域半径和每个蜻蜓个体的位置；

若不存在邻近个体，则使用第二算法更新每个蜻蜓个体的位置。

在通过蜻蜓优化算法对所述话题点击量信息进行计算，得到热点预测信息之后，还包括：

根据所述热点预测信息调整后台流量的分配比例，形成新的后台流量分配比例；

根据所述新的后台流量分配比例调整应用程序的运转模式。

所述热点预测信息包括：热点内容、热点的点击时间段、实时点击量和带宽占用率。

第二方面，提供了一种热点预测装置，包括：

信息采集单元，其用于采集话题点击量信息；

热点预测单元，其用于将所述话题点击量信息输入基于蜻蜓优化算法的Seq2Seq神经网络模型，通过蜻蜓优化算法对所述话题点击量信息进行计算，得到热点预测信息。

一些实施例中，所述热点预测装置还包括模型创建单元，其用于创建基于蜻蜓优化算法的Seq2Seq神经网络模型，具体包括：

随机初始化蜻蜓种群的位置和步长向量；

根据所述蜻蜓种群的位置和步长向量计算蜻蜓个体的适应度值；

根据所述适应度值判断当前的最优个体和最差个体，将最优个体作为食物，最差的个体视作为外敌；

根据所述最优个体和所述最差个体分别更新避撞、结对、聚集、食物和天敌的权重值；

根据更新后的权重值分别计算避撞、结对、聚集、食物和天敌更新后的位置；

根据更新后的位置分别更新相邻两个蜻蜓之间的邻域半径和每个蜻蜓个体的位置，并输出最优的蜻蜓个体和全局最优解。

所述热点预测装置还包括流量调整单元，其用于：

根据所述热点预测信息调整后台流量的分配比例，形成新的后台流量分配比例；

根据所述新的后台流量分配比例调整应用程序的运转模式。

第三方面，提供了一种热点预测设备，包括：存储器和处理器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现前述的热点预测方法。

第四方面，提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行前述的热点预测方法。

本申请提供的技术方案带来的有益效果包括：可对实时热点进行预测，为有效分配后台流量提供了数据支撑，并降低了运营成本。

本申请实施例提供了一种热点预测方法、装置、设备及可读存储介质，由于蜻蜓优化算法随着迭代次数的增加，可加快收敛速度，且在迭代的过程中，可朝着全局最优值进行收敛，即其在寻求阶段性最优解的过程中具备最佳效果，具有较强的寻优能力，所以在Seq2Seq神经网络模型中引入蜻蜓优化算法可以有效提高神经网络预测模型的寻优性能，而热点就是在众多的网络信息中进行阶段性最优解的寻求过程，因此通过基于蜻蜓优化算法的Seq2Seq神经网络模型对话题点击量信息进行计算即可得到热点预测信息，工作人员可根据得到的热点预测信息对流量带宽等相关因素进行调整，使得热点信息具有足够的资源作为支撑，而无需为每个热点信息单独投入后台资源，有效减小了系统奔溃的可能性。因此，本申请实施例可对实时热点进行预测，为有效分配后台流量提供了数据支撑，并降低了运营成本。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种热点预测方法的流程结构示意图；

图2为本申请实施例提供的一种热点预测装置的结构示意图；

图3为本申请实施例提供的热点预测装置中应用端、数据处理端和后台处理端之间的数据传输路径的示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种热点预测方法、装置、设备及可读存储介质，其能解决相关技术中存在的后台流量无法被有效分配以及运营成本过高的问题。

图1是本申请实施例提供的一种热点预测方法的流程示意图，包括以下步骤：

S1：采集话题点击量信息。

S2：将话题点击量信息输入基于蜻蜓优化算法的Seq2Seq神经网络模型，通过蜻蜓优化算法对话题点击量信息进行计算，得到热点预测信息。

其中，在本申请实施例中，热点预测信息包括：热点内容、热点的点击时间段、实时点击量和带宽占用率；

Seq2Seq(Sequence to Sequence，编码器-解码器)神经网络模型是循环神经网络中的一种，它可以用来处理序列预测问题的模型，常常被广泛的应用在机器翻译、语音识别、文本摘要、问答系统等领域；

DA(DragonFlyAlgorithm，蜻蜓优化算法)适用于于元启发式和基于人口的搜索领域，蜻蜓算法作为一种新提出来的智能优化算法，其参数比较少、原理简单、通用性强，与其他的优化算法相比，稳定性好、函数寻优能力强、计算复杂度低、算法执行时间短；蜻蜓算法设计的主要灵感来自于蜻蜓静态和动态的群集行为，这两个群集行为与使用元启发式优化算法群集行为非常相似，分为探索行为和剥削行为；蜻蜓产生亚群飞在静态群的不同区域，同时这也是探索阶段的主要目标，在静态群体中，一大群蜻蜓都是朝着同一个方向进行飞行，其主要行为是聚集、觅食和避开敌人，而局部的移动和飞行路径的突然改变是静态群的主要特点；在动态群体中，大量的蜻蜓会通过聚集成群统一往一个方向进行长距离的迁徙，其主要行为是避撞、聚集和结队，而蜻蜓集群飞行路径的方向一致性是动态群体的主要特征。

由于蜻蜓优化算法随着迭代次数的增加，可加快收敛速度，且在迭代的过程中，可朝着全局最优值进行收敛，即其在寻求阶段性最优解的过程中具备最佳效果，具有较强的寻优能力，所以在Seq2Seq神经网络模型中引入蜻蜓优化算法可以有效提高神经网络预测模型的寻优性能，而热点就是在众多的网络信息中进行阶段性最优解的寻求过程，因此通过基于蜻蜓优化算法的Seq2Seq神经网络模型对话题点击量信息进行计算即可得到热点预测信息，工作人员可根据得到的热点预测信息对流量带宽等相关因素进行调整，使得热点信息具有足够的资源作为支撑，而无需为每个热点信息单独投入后台资源，有效减小了系统奔溃的可能性。因此，本申请实施例可对实时热点进行预测，为有效分配后台流量提供了数据支撑，并降低了运营成本。

更进一步的，在本申请实施例中，在采集话题点击量信息之前，创建基于蜻蜓优化算法的Seq2Seq神经网络模型，包括：

随机初始化蜻蜓种群的位置和步长向量；

根据蜻蜓种群的位置和步长向量计算蜻蜓个体的适应度值；

根据适应度值判断当前的最优个体和最差个体，将最优个体作为食物，最差的个体视作为外敌；

根据最优个体和所述最差个体分别更新避撞、结对、聚集、食物和天敌的权重值；

根据更新后的权重值分别计算避撞、结对、聚集、食物和天敌更新后的位置；

根据更新后的位置分别更新相邻两个蜻蜓之间的邻域半径和每个蜻蜓个体的位置，并输出最优的蜻蜓个体和全局最优解。

更进一步的，在本申请实施例中，根据更新后的位置分别更新相邻两个蜻蜓之间的邻域半径和每个蜻蜓个体的位置，包括：

判断蜻蜓个体周围是否存在邻近个体；

若存在邻近个体，则使用第一算法更新相邻两个蜻蜓之间的邻域半径和每个蜻蜓个体的位置；

若不存在邻近个体，则使用第二算法更新每个蜻蜓个体的位置。

更进一步的，在本申请实施例中，在通过蜻蜓优化算法对话题点击量信息进行计算，得到热点预测信息之后，还包括：

根据热点预测信息调整后台流量的分配比例，形成新的后台流量分配比例；

根据新的后台流量分配比例调整应用程序的运转模式。

参见图2所示，本申请实施例还提供了一种热点预测装置，包括：

信息采集单元，其用于采集话题点击量信息；

热点预测单元，其用于将所述话题点击量信息输入基于蜻蜓优化算法的Seq2Seq神经网络模型，通过蜻蜓优化算法对所述话题点击量信息进行计算，得到热点预测信息。

由于蜻蜓优化算法随着迭代次数的增加，可加快收敛速度，且在迭代的过程中，可朝着全局最优值进行收敛，即其在寻求阶段性最优解的过程中具备最佳效果，具有较强的寻优能力，所以在Seq2Seq神经网络模型中引入蜻蜓优化算法可以有效提高神经网络预测模型的寻优性能，而热点就是在众多的网络信息中进行阶段性最优解的寻求过程，因此通过基于蜻蜓优化算法的Seq2Seq神经网络模型对话题点击量信息进行计算即可得到热点预测信息，工作人员可根据得到的热点预测信息对流量带宽等相关因素进行调整，使得热点信息具有足够的资源作为支撑，而无需为每个热点信息单独投入后台资源，有效减小了系统奔溃的可能性。因此，本申请实施例可对实时热点进行预测，为有效分配后台流量提供了数据支撑，并降低了运营成本。

更进一步的，在本申请实施例中，热点预测装置还包括模型创建单元，其用于创建基于蜻蜓优化算法的Seq2Seq神经网络模型，具体包括：

随机初始化蜻蜓种群的位置和步长向量；

根据蜻蜓种群的位置和步长向量计算蜻蜓个体的适应度值；

根据适应度值判断当前的最优个体和最差个体，将最优个体作为食物，最差的个体视作为外敌；

根据最优个体和所述最差个体分别更新避撞、结对、聚集、食物和天敌的权重值；

根据更新后的权重值分别计算避撞、结对、聚集、食物和天敌更新后的位置；

根据更新后的位置分别更新相邻两个蜻蜓之间的邻域半径和每个蜻蜓个体的位置，并输出最优的蜻蜓个体和全局最优解。

更进一步的，在本申请实施例中，热点预测装置还包括流量调整单元，其用于：

根据热点预测信息调整后台流量的分配比例，形成新的后台流量分配比例；

根据新的后台流量分配比例调整应用程序的运转模式。

具体的，参见图3所示，可将热点预测装置分为三个具有不同功能的端：应用端、数据处理端和后台处理端，其中：

应用端主要指代应用程序与后台进行更新的阶段，其包含应用程序与应用程序后台两个模块，应用程序就是指被用户用于进行热点预测的应用，在本申请实施例的预测体系中，主要负责传输实时用户的浏览信息以及根据最终的预测结果而输入的指令进行调整；应用程序后台模块主要负责接收后台传来的数据化指令并根据指令调整应用程序后台中的预设信息，如流量带宽资源的分配等，最终作用于应用程序模块；

数据处理端主要用于数据的处理以及指令的传输，即主要负责处理应用端传来的热点信息得出热点预测结果，传输至后台端，并且传输转化反馈的人工指令；数据处理端可设置数据处理模块和指令传输模块，其中，数据处理模块接收应用程序传来的用户实时点击量信息，并将其代入蜻蜓优化算法中进行处理，得出局部最优解，即热点预测信息，再将热点预测信息传输至后台处理端；然后指令传输模块接收后台处理端所传输来的人工指令，并将其进行数据化处理，即得出机器所能明白的数据指令，并将其传输至应用程序后台；

后台处理端主要是供工作人员接收热点预测信息并进行相关处理，可将其设置为数据反馈模块和人工指令输入模块，数据反馈模块接收热点预测信息并供工作人员浏览，且会将时间段、实时点击量以及带宽占用等相关参数传输至人工指令输入模块，人工指令输入模块则会负责供工作人员输入相关参数的调整指令，并将其传输至数据处理端。

热点预测装置的工作流程如下：

用户在预览应用程序时留下不同时间段对于不同话题点击量等信息，应用程序将其传输至数据处理端的数据处理模块；

数据处理模块接收到应用程序传来的点击量等信息，将其代入蜻蜓优化算法进行处理，得到局部最优解，即热点预测信息，并将其传输至后台处理端的数据反馈模块；

数据反馈模块接收热点预测信息，将其反馈显示给工作人员，并将数据的相关参数传输至人工指令输入模块；

工作人员在浏览热点预测信息后，在人工指令输入模块输入调整的指令，并将其传输至数据处理端的指令传输模块；

指令传输模块接收人工指令，并将其转化为数据语言，即机器可以理解的数据指令，然后将其传输至应用程序后台；

应用程序后台接收数据指令，并根据数据指令对流量带宽等相关因素进行调整，并传输至应用程序进行运转；

应用程序接收到调整后的相关信息后调整运转模式，并最终使得下一阶段的热点点击量高速增长，而不会影响到应用程序的运行。

本申请实施例还提供了一种热点预测设备，包括：存储器和处理器，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行，以实现前述的热点预测方法的全部步骤或部分步骤。

其中，处理器可以是CPU，还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(应用程序lication Specific IntegratedCircuit，ASIC)、现成可编程门阵列(FieldProgrammable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件分立硬件组件等。通用处理器可以是微处理器，或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。

存储器可用于存储计算杋程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如视频播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如视频数据、图像数据等)等。此外，存储器可以包括高速随存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMediacard，SMC)，安全数字(Secure digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。

本申请施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现前述的热点预测方法的全部步骤或部分步骤。

本申请实施例实现前述的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法的步骤。其中，计算机程序包括计算机程序代码，计算杋程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的仼何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only memory，ROM)、随机存取存储器(RandomAccessmemory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。