基于集体记忆霍克斯过程的文化产品搜索兴趣预测方法

本发明属于搜索，具体涉及一种基于集体记忆霍克斯过程的文化产品搜索兴趣预测方法。

背景技术：

1、随着互联网和社交媒体的快速发展，用户的行为模式和信息消费习惯发生了显著变化。特别是在文化产品领域，如音乐、电影、书籍等，用户的搜索兴趣和消费行为受到社交媒体动态的强烈影响。社交媒体平台上的内容分享、讨论和事件传播，不仅塑造了用户的个人兴趣，还形成了集体记忆，这些集体记忆在特定时刻被触发，进而影响大量用户的搜索和消费行为。

2、在信息检索和推荐系统领域，准确预测用户的搜索兴趣对于提升用户体验和满意度至关重要。然而，由于社交媒体的动态性和集体记忆的复杂性，传统的预测模型往往难以适应这种快速变化的环境。这些模型通常基于静态的用户兴趣假设，忽视了社交媒体事件和集体记忆对用户行为的即时影响。

3、现有技术方案：

4、时间序列分析：时间序列分析是一种统计方法，用于分析按时间顺序排列的数据点。在用户搜索兴趣预测中，时间序列模型如自回归模型(ar)、移动平均模型(ma)及其组合(arma/arima)被广泛使用。这些模型通过分析历史数据来预测未来的数据趋势。然而，它们通常假设未来的趋势会延续过去的趋势，可能无法有效应对由社交媒体事件触发的突发性兴趣变化。

5、机器学习算法：机器学习算法，如支持向量机(svm)、随机森林、神经网络等，被用于从历史数据中学习用户行为模式，并进行预测。这些算法能够处理非线性关系和复杂数据结构，但它们通常需要大量的标注数据进行训练，并且在模型解释性方面存在挑战。

6、统计模型：除了时间序列分析，其他统计模型如泊松过程、指数平滑等也被应用于用户兴趣的预测。这些模型尝试捕捉事件的发生频率和强度，但在处理社交媒体特有的动态性和集体记忆效应方面可能不够灵活。

7、社交影响模型：一些研究开始关注社交媒体上的信息传播和用户互动对搜索兴趣的影响。例如，hip模型通过分析youtube视频的观看量和分享量来预测视频的流行度。这类模型能够一定程度上捕捉社交媒体的动态性，但可能仍未充分考虑集体记忆的触发效应。

8、现有技术方案虽然在某些方面取得了进展，但在实时捕捉和预测由社交媒体事件触发的集体记忆效应方面仍存在局限性。

9、现有技术的缺点：

10、动态性捕捉不足：传统时间序列分析和机器学习算法往往依赖于历史数据，缺乏对社交媒体动态性和实时事件的敏感度，导致在面对突发事件或热门话题时，预测结果可能不够准确。

11、集体记忆效应忽视：现有模型很少考虑社交媒体上的集体记忆效应，即用户对过去事件的共同记忆如何被当前事件触发并影响搜索行为。这限制了模型在预测由社交媒体事件触发的搜索兴趣变化时的准确性。

12、模型解释性差：复杂的机器学习模型虽然能够提供较高的预测准确性，但往往缺乏可解释性，使得模型的决策过程难以理解和验证。

技术实现思路

1、为了克服现有技术的不足，本发明提供了一种基于集体记忆霍克斯过程的文化产品搜索兴趣预测方法，首先进行数据收集，然后进行集体记忆霍克斯过程。本发明旨在通过创新的方法和模型设计，克服现有技术在用户搜索兴趣预测方面的局限，通过结合社交媒体数据和集体记忆理论，提高对文化产品搜索兴趣的预测准确性，提供一种更准确、更快速、更全面的预测解决方案。

2、本发明解决其技术问题所采用的技术方案如下：

3、步骤1：数据收集；

4、通过收集vevo上艺术家的姓名，并利用这些姓名在google上获取搜索数据以及在youtube上获取相关音乐视频数据，将这些数据按时间序列进行聚合和预处理；

5、步骤2：集体记忆霍克斯过程，包括集体记忆触发和霍克斯过程；

6、步骤2-1：集体记忆触发；

7、源事件触发目标事件的记忆必须满足三个条件：

8、首先，一个人必须听说过源事件；

9、其次，一个人必须已经将目标事件存储在他或她的长期记忆中；

10、最后，两个事件之间的耦合需要超过阈值才能触发记忆；

11、设听说源事件的人数与youtube视频观看量成正比，并将其命名为v；设记忆中存储目标事件的人数与google搜索兴趣的平均值g成正比；假设两个事件的耦合强度为1；

12、得出基于集体记忆的跨社交媒体触发查询模型，该模型为：

13、s(t)＝v·g·1

14、步骤2-2：集体记忆霍克斯过程；

15、将用户搜索兴趣建模为一个霍克斯过程，霍克斯过程的强度函数λ(t)表示在时间t发生事件的速率，即用户进行搜索的速率；

16、当某个文化产品或事件在社交媒体上引发关注时，集体记忆的触发效应会导致搜索兴趣的增长，这一时期内，强度函数λ(t)会变大，表示用户进行搜索的速率增加；随着时间的推移，集体记忆的触发效应逐渐减弱，搜索兴趣也逐渐衰退；在这个过程中，强度函数λ(t)会逐渐减小，表示搜索兴趣的速率逐渐降低；

17、结合集体记忆的触发效应，集体记忆的霍克斯过程模型表示为：

18、ζ(t)＝μs(t)+c∫0tζ(t-τ)(τ+c)-(1+θ)dτ

19、在该模型中事件强度ξ(t)在时间t的表达式由外部刺激s(t)决定，并且是其自身历史与幂律记忆核(τ+c)^(-(1+θ))的卷积结果；μ是比例常数，c是常数，表示为(1-α)/(2-α)，α>0是用户影响力分布的幂律指数；

20、将连续的事件强度模型转换为离散的形式，以适应实际的数据采集和处理方式，如下式所示：

21、

22、在式中，s[t]表示youtube中每日视频的播放量，ξ[t]表示每日google搜索兴趣。

23、优选地，所述幂律指数α通过使用标准拟合程序从样本中估计出来，具体数值为α＝2.016。

24、本发明的有益效果如下：

25、1.提高动态性捕捉能力：本发明通过融合集体记忆触发理论与霍克斯过程，能够更有效地捕捉社交媒体上的动态变化。霍克斯过程的自激励特性使得模型能够实时响应新事件的发生，而集体记忆理论的应用则进一步增强了模型对社交媒体事件背后深层社会心理因素的理解，从而提高了对实时事件的响应速度和预测准确性。

26、2.引入集体记忆效应：本发明考虑了社交媒体上的集体记忆效应，这是现有技术往往忽视的一个关键因素。通过量化集体记忆的触发效应，本发明能够更准确地预测由社交媒体事件触发的搜索兴趣变化，使得预测模型不仅关注当前的流行趋势，还能够深入理解并预测由长期记忆触发的搜索兴趣变化。

27、3.增强跨平台整合能力：本发明通过构建独特的数据集，整合了来自不同社交媒体平台的数据，如google trends和youtube，提供了一个全面的用户行为视图。这种跨平台的整合能力超越了现有技术通常只关注单一平台数据的局限，使得本发明能够更全面地理解用户搜索兴趣的演变，从而提高预测的全面性和准确性。

28、4.提升模型解释性：本发明的模型结构设计注重可解释性，使得模型的决策过程更加透明。通过清晰的模型参数和逻辑关系，用户和开发者可以更容易地理解模型是如何做出预测的，这不仅有助于建立对模型预测结果的信任，还便于对模型进行验证和优化。