1.基于多视角神经霍克斯过程的事件热度预测方法，其特征在于，方法包括以下步骤：接收流式事件热度预测数据集，所述流式事件热度预测数据集基于事件相关数据进行构建得到，其中，所述事件相关数据包括：帖子信息、评论信息及热度信息；将流式事件热度预测数据集进行提取，得到训练集，将训练集输入至预先建立的基于多视角神经霍克斯过程的流式事件热度预测模型内，基于负对数最大似然损失函数进行训练，得到训练后的基于多视角神经霍克斯过程的流式事件热度预测模型；所述预先建立的基于多视角神经霍克斯过程的流式事件热度预测模型包括多视角特征编码器和霍克斯过程驱动的预测器；所述多视角特征编码器，包含时序视角编码、帖子视角编码和评论视角编码；时序视角编码以热度信息的历史热度序列为输入，输出时序特征；帖子视角编码以帖子信息的文本为输入，输出帖子特征；评论视角编码以评论信息的文本为输入，输出评论特征；所述的霍克斯过程驱动的预测器以时序特征、帖子特征、评论特征为输入，输出预测的未来 天的事件热度，其中 为正整数；将流式事件热度预测数据集输入至训练后的基于多视角神经霍克斯过程的流式事件热度预测模型内，输出得到事件热度预测结果；所述霍克斯过程驱动的预测器，包括：根据时序特征，计算时序视角影响下热度的变化量：其中， , 是权重映射矩阵， ， 是偏置矩阵；sign(·)是符号函数；|·|是绝对值函数； 是观测到的t时刻事件的热度值； 是预测的t+1时刻时序视角影响下热度的变化量；根据帖子特征，计算帖子视角影响下热度的变化量：其中， , 是权重映射矩阵， ， 是偏置矩阵； 是可学习时序特征； 是预测的t+1时刻帖子视角影响下热度的变化量；采用和帖子视角影响下热度的变化量相同的计算方式，计算评论视角影响下热度的变化量 ；综合各个视角的影响，预测下一天事件的热度：其中， 为预测的下一天事件的热度；根据公式进行步进式循环预测，获得未来 天事件相关的热度， 为正整数。
2.根据权利要求1所述的基于多视角神经霍克斯过程的事件热度预测方法，其特征在于，所述时序视角编码的过程，包括：采用滑动窗口策略获得历史T天的热度值，对于长度超过T天的序列进行截断，对于不足T天的进行倒叙补零；计算T天内，每天热度的变化量，得到长度为T-1的热度变化序列；通过对数变化，将热度序列进行标准化：其中， 为第t天热度的变化量， 为标准化的热度变化量，sign(·)为符号函数，|·|为绝对值函数；将热度序列中的每个标准化的热度变化量通过嵌入层映射为可学习的热度表征 ，d为表征的维度；为热度序列中每个热度表征添加可学习的位置编码：其中， 表示对于第t天热度变化量的可学习的位置编码， 表示 特征中第 位置的值， 特征中第 位置的值， 表示添加了位置编码后的热度特征；融合热度序列中每个添加了位置编码后的热度特征：其中， 为最终时序视角编码模块编码得到的特征，Transformer（·）为Transformer编码器函数。
3.根据权利要求2所述的基于多视角神经霍克斯过程的事件热度预测方法，其特征在于，所述帖子视角编码的过程，包括：从当天采集的与事件相关的帖子中随机采样 个帖子，其中， 为正整数；采用预训练的文本语义特征编码器和文本情感特征编码器编码每个帖子的特征，对于第i个帖子，其语义特征为 ，情感特征为 ;采用互注意力机制来增强语义特征和情感特征：其中， ， 为增强后的语义特征和情感特征； ， ， 为语义特征 经过线性映射得到的查询特征、索引特征和取值特征； ， ， 为情感特征 经过线性映射得到的查询特征、索引特征和取值特征；softmax(·)为softmax函数；融合每个帖子的特征：其中， 为最终帖子视角编码模块编码得到的特征， 为第n个帖子增强后的语义特征， 为第n个帖子增强后的情感特征。
4.根据权利要求3所述的基于多视角神经霍克斯过程的事件热度预测方法，其特征在于，所述评论视角的编码过程如下：从当天采集的与事件相关的评论中随机采样 个评论，其中， 为正整数；采用预训练的文本语义特征编码器和文本情感特征编码器编码每个评论的特征，对于第i个评论，其语义特征为 ，情感特征为 ;采用互注意力机制来增强语义特征和情感特征：其中， ， 为增强后的语义特征和情感特征； ， ， 为语义特征 经过线性映射得到的查询特征、索引特征和取值特征； ， ， 为情感特征 经过线性映射得到的查询特征、索引特征和取值特征；softmax(·)为softmax函数；融合每个评论的特征：其中， 为最终评论视角编码模块编码得到的特征， 为第n条评论增强后的语义特征， 为第n条评论增强后的情感特征。
5.基于多视角神经霍克斯过程的事件热度预测系统，采用了权利要求1至4中任一项所述的基于多视角神经霍克斯过程的事件热度预测方法，其特征在于，包括：数据获取模块，用于接收流式事件热度预测数据集，所述流式事件热度预测数据集基于事件相关数据进行构建得到，其中，所述事件相关数据包括：帖子信息、评论信息及热度信息；模型训练模块，用于将流式事件热度预测数据集进行提取，得到训练集，将训练集输入至预先建立的基于多视角神经霍克斯过程的流式事件热度预测模型内，基于负对数最大似然损失函数进行训练，得到训练后的基于多视角神经霍克斯过程的流式事件热度预测模型；事件热度预测模块，用于将流式事件热度预测数据集输入至训练后的基于多视角神经霍克斯过程的流式事件热度预测模型内，输出得到事件热度预测结果。
6.一种终端设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，所述存储器中存储有能够在处理器上运行的计算机程序，所述处理器加载并执行计算机程序时，采用了权利要求1至4中任一项所述的基于多视角神经霍克斯过程的事件热度预测方法。
7.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器加载并执行时，采用了权利要求1至4中任一项所述的基于多视角神经霍克斯过程的事件热度预测方法。
