新闻流行度预测是对新闻在未来时刻的点击量、评论数或者转发量的预测,通过对流行度的预测能够进行新闻质量评估,新闻排名,新闻推荐以及新闻检索等。新闻流行度的预测还能够缓解当今网络及社交媒体飞速发展带来的信息爆炸和信息过载问题。但是由于新闻存在时效性且生命周期较短为发布后的预测带来局限性,而发布前预测由于影响因素的多样性和难定义性也面临巨大的挑战。已有工作中对新闻进行发布前的流行度预测存在无法处理多源粗糙数据集且预测误差较大的问题。本文提出了一种基于Doc2vec的改进图排序关键句提取算法抽取新闻关键句;基于新闻表面信息和关键句以多特征融合的方式进行特征提取;结合神经网络结构门限循环单元训练回归预测模型并提出了一种能够处理多源粗糙数据集且极大降低预测误差的新闻流行度预测框架。本文的工作内容主要包括以下四点:(1)本文设计网络爬虫得到了来自国内10个信息安全门户网站的不同类型、不同结构的新闻数据,经过对数据的去重以及过滤等预处理操作后构造了可用于新闻分类、流行度预测以及自然语言处理等领域的中文数据集共25939条。(2)对新闻发布前进行流行度预测主要依赖新闻自身信息,不同来源、不同类型的新闻具有不同的新闻结构和组成元素。如何依靠新闻基本元素进行特征的挖掘和提取是影响框架预测准确度的关键因素。本文提出了一种多特征融合的特征提取方法,考虑到框架的通用性和未来可移植性,从新闻数据集中进行了基本特征挖掘并构建了文本特征子集合和元数据特征子集合;同时通过对新闻关键句进行提取并构建内容特征子集合。文本特征子集、元数据特征子集和内容特征子集融合构成最终的特征集合。通过多特征融合提取既能充分挖据新闻的基本信息,同时能够提取新闻内容的潜在特征。(3)与新闻的表面信息如新闻标题、新闻作者以及新闻类别相比,新闻正文中包含更多潜在信息如新闻主旨、新闻写作风格、新闻的新鲜感等。本文使用的数据集为来自于10个信息安全门户网站的新闻数据,数据集粗糙、结构不规范,且数据集中约80%的新闻为中长篇新闻,其中包含大量的冗余句。直接对新闻正文进行特征提取将面临巨大计算量以及无效计算。本文提出了一种关键句抽取算法,对新闻正文进行关键句的提取。基于Doc2vec得到新闻句子向量表达,根据TextRank得分及句子自身特征得分决定新闻分句的初始得分;对根据初始得分排名后的新闻句子进行相似度再平衡计算最终句子得分。(4)当基于回归预测在新闻发布前对新闻进行流行度预测时常用模型为机器学习线性回归模型,简单的线性回归存在较大的预测误差。本文首次将长短时间记忆网络LSTM(Long Short-Term Memory,LSTM)结构的简化变体门限循环单元GRU(Gated Recurrent Unit,GRU)结构结合全连接层引入该领域训练回归预测模型。通过多特征融合提取与门限循环单元进行回归预测结合的方式,本文提出了一种基于深度学习的多特征融合新闻流行度预测框架。与传统的处理方法相比,该框架能够处理本文的多源粗糙数据集并且极大降低预测的误差。同时由于本文使用的门限循环单元结构与长短时间记忆网络结构相比更加简单,能够缩短预测时间,提高计算性能。