1.一种预测事件流行度方法，应用于服务器，其特征在于，所述方法包括步骤：将社交网站的用户关系结构抽象成节点图；

获取所述社交网站某个时刻事件，并在所述节点图上对所述事件可能传播的序列进行采样；

建立基于门控循环单元的双循环神经网络模型；

将所述采样的序列输入至所述基于门控循环单元的双循环神经网络模型；

将所述基于门控循环单元的双循环神经网络模型的输出转换成向量图，使用全连接层输出预测结果得到所述事件的影响度，所述向量图用以下向量表示：其中，gc是被事件影响的子图，k为序列序号，i为节点序号，B为mini‑batch的分块数，是序列的编码，ac和λi是在深度学习的过程中学习得到的；

设定一预设时间；

当到达所述预设时间时，输出关于所述事件的热度预测结果，表征经过任意时间的事件影响人数；

设定一预设人数值；

当所述事件的影响人数达到所述预设人数时，输出关于所述事件的热度预测结果，表征达到任意人数值，需要经过多长时间。

2.如权利要求1所述的预测事件流行度方法，其特征在于，所述将所述采样的序列输入至所述基于门控循环单元的双循环神经网络模型的步骤，具体包括如下步骤：将所述节点图的每个节点映射成向量；

将每个节点传播的关于所述事件的文本内容映射成向量；

将所述每个节点映射成的向量以及所述每个节点传播的文本内容映射成的向量连接成序列向量作为双向循环神经网络模型的输入。

3.如权利要求2所述的预测事件流行度方法，其特征在于，所述通过所述基于门控循环单元的双循环神经网络模型输出预测得到所述事件的影响度的步骤，具体包括：使用注意力(attention)机制将图的序列向量转化成向量图的表示；

使用全连接层输出最终预测结果。

4.如权利要求1所述的预测事件流行度方法，其特征在于，在所述节点图上对所述事件可能传播的序列进行采样的步骤，具体包括如下步骤：采用随机游走对所述事件可能传播的序列进行采样；

计算在随机游走中正在访问的节点转移到邻居节点的概率；

根据马尔科夫性质及所述概率，采样出不同的节点转移序列。

5.一种服务器，其特征在于，所述服务器包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的预测事件流行度系统，所述预测事件流行度系统被所述处理器执行时实现如下步骤：将社交网站的用户关系结构抽象成节点图；

获取所述社交网站某个时刻事件，并在所述节点图上对所述事件可能传播的序列进行采样；

建立基于门控循环单元的双循环神经网络模型；

将所述采样的序列输入至所述基于门控循环单元的双循环神经网络模型；

将所述基于门控循环单元的双循环神经网络模型的输出转换成向量图，使用全连接层输出预测结果得到所述事件的影响度，所述向量图用以下向量表示：其中，gc是被事件影响的子图，k为序列序号，i为节点序号，B为mini‑batch的分块数，是序列的编码，ac和λi是在深度学习的过程中学习得到的；

设定一预设时间；

当到达所述预设时间时，输出关于所述事件的热度预测结果，表征经过任意时间的事件影响人数；

设定一预设人数值；

当所述事件的影响人数达到所述预设人数时，输出关于所述事件的热度预测结果，表征达到任意人数值，需要经过多长时间。

6.如权利要求5所述的服务器，其特征在于，将所述采样的序列输入至所述基于门控循环单元的双循环神经网络模型的步骤，具体包括如下步骤：将所述节点图的每个节点映射成向量；

将每个节点传播的关于所述事件的文本内容映射成向量；

将所述每个节点映射成的向量以及所述每个节点传播的文本内容映射成的向量连接成序列向量作为双向循环神经网络模型的输入。

7.如权利要求6所述的服务器，其特征在于，在所述节点图上对所述事件可能传播的序列进行采样的步骤，具体包括如下步骤：采用随机游走对所述事件可能传播的序列进行采样；

计算在随机游走中正在访问的节点转移到邻居节点的概率；

根据马尔科夫性质及所述概率，采样出不同的节点转移序列；

所述通过所述基于门控循环单元的双循环神经网络模型输出预测得到所述事件的影响度的步骤，具体包括：使用注意力(attention)机制将图的序列向量转化成向量图的表示；

使用全连接层输出最终预测结果。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有预测事件流行度系统，所述预测事件流行度系统可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1‑4中任一项所述的预测事件流行度方法的步骤。