CN104636324B - 话题溯源方法和系统 - Google Patents
话题溯源方法和系统 Download PDFInfo
- Publication number
- CN104636324B CN104636324B CN201510031785.3A CN201510031785A CN104636324B CN 104636324 B CN104636324 B CN 104636324B CN 201510031785 A CN201510031785 A CN 201510031785A CN 104636324 B CN104636324 B CN 104636324B
- Authority
- CN
- China
- Prior art keywords
- news
- topic
- cluster
- class cluster
- vocabulary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000000284 extract Substances 0.000 claims abstract description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Abstract
话题溯源方法包括：输入新闻，抽取其中的时间戳、专有名词和关键词；发现重复新闻，以时间戳最早的一篇新闻代表重复新闻；设置当前话题层次为根层次，创建根类簇，以时间戳最早的新闻为话题根节点；S1：构建当前类簇词汇表表示类簇中所有新闻，词汇表不含在同层次其他类簇中出现超过10次的词汇，并排序；计算当前类簇新闻之间相似度，相似度超过阈值的新闻归为一个子类簇；子类簇中时间戳最早的新闻为深一层节点，每个节点代表一个子类簇；S2：判断子类簇中是否仅包含一个新闻，如果不是，则产生深一层子类簇和深一层节点，重复步骤S1；否则，将子类簇中的该新闻作为话题树的叶子节点，为每篇新闻产生话题溯源路径。还提供话题溯源系统。
Description
【技术领域】
本发明涉及一种舆情分析方法和系统，特别是涉及一种以内容相似度构件按新闻话题溯源路径的方法及系统。
【背景技术】
话题跟踪与监测是舆情分析技术的核心模块。目前主要的舆情分析系统普遍实现了准确率较高的话题发现算法。同时，基于发现的话题，能够为决策提供辅助。
图1所示的是一种典型的平铺式话题展示示意图。如图1所示，话题新闻按照时间戳进行由早到晚的排列。这种话题发现方法中，对于话题的浏览采取平面模式，缺少话题发展及衔接关系，阅读较为困难，用户使用时，不能构建具体话题树，将耗费较多的时间。
【发明内容】
基于此，有必要提供一种改进的话题溯源方法和系统，其可以提升用户体验，并节省用户浏览时间。
一种话题溯源方法，包括：
输入新闻；
抽取所述输入的新闻中的时间戳、专有名词和关键词；
发现重复新闻，并以时间戳最早的一篇新闻代表重复的新闻；
设置当前话题层次为根层次，创建根类簇，并以时间戳最早的新闻为话题根节点；
构建当前类簇的词汇表，所述词汇表不包含在同层次其他类簇中出现超过10次的词汇，并根据出现次数排序；
以当前类簇词汇表表示类簇中的所有新闻，并计算当前类簇内新闻之间的相似度；
将相似度超过预定相似度阈值的新闻归为一个子类簇；
将子类簇中时间戳最早的新闻作为深一层节点，每个节点代表一个子类簇；
判断子类簇中是否仅包含一个新闻；
对包含多于一个新闻的子类簇，产生深一层子类簇和深一层节点，并重复所述构建当前类簇的词汇表、表示新闻、计算当前类簇内新闻之间的相似度、将相似度超过预定相似度阈值的新闻归为一个子类簇、将子类簇中时间戳最早的新闻作为深一层节点，每个节点代表一个子类簇的步骤；
将只包含一个新闻的子类簇中的该新闻作为话题树的叶子节点；
从叶子节点开始，为每篇新闻产生话题溯源路径。
一种话题溯源系统，包括：
时间戳抽取模块，用于从输入的新闻中抽取时间戳信息、专有名词和关键词；
重复新闻发现模块，用于发现重复新闻，并以时间戳最早的一篇新闻代表重复的新闻；
根节点创建模块，用于设置当前话题层次为根层次，创建根类簇，并以时间戳最早的新闻为话题根节点；
类簇词汇表构建模块，用于构建特定类簇的词汇表；所述词汇表不包含在同层次其他类簇中出现超过10次的词汇，并根据出现次数排序；
新闻相似度度量模块，用于以当前类簇词汇表表示类簇中的所有新闻，从而计算当前类簇内新闻之间的内容相似度；
文档划分模块，用于对当前层类簇进行基于相似性的划分；
深层节点创建模块，用于将子类簇中时间戳最早的新闻作为深一层节点，创建更深一层次的话题树节点，每个节点代表一个子类簇；并用于判断类簇中是否仅包含一个新闻；对包含多于一个新闻的类簇，进一步利用所述类簇词汇表构建模块构建当前类簇的词汇表；利用所述新闻相似度度量模块进一步计算当前类簇内新闻之间的内容相似度；利用文档划分模块，对当前层类簇进行基于相似性的划分；并产生深一层子类簇和深一层节点；
叶子节点创建模块，用于将只包含一个新闻的子类簇中的该新闻作为话题树的叶子节点；
话题溯源路径创建模块，用于为话题树上的每个叶子节点的新闻构建话题溯源路径。
根据本发明的话题溯源方法和系统，基于新闻内容的相似性，实现对同一话题的新闻自动构建话题溯源树，并为每篇新闻产生话题溯源路径。能有效应对上述话题可视化、话题辅助决策以及话题模式发现等需求，可进一步拓宽话题分析研究的应用领域，提高舆情分析系统的性能。
【附图说明】
图1为典型的话题发现算法对所发现话题的平面浏览模式；
图2为本发明实施方式的话题溯源方法的流程图；
图3为本发明的一种实施方式所涉及的典型的新闻布局图；
图4为本发明一种实施方式的话题溯源系统的结构示意图；
图5为本发明一种实施方式的话题树示例图；
图6为本发明一种实施方式的话题溯源路径示例图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本发明的范围的情况下，可以将第一客户端称为第二客户端，且类似地，可将第二客户端称为第一客户端。第一客户端和第二客户端两者都是客户端，但其不是同一客户端。
如图2所示，其为本发明一种实施方式的话题溯源方法的流程图。以下将对该实施方式的话题溯源方法各步骤进行说明。
步骤202，输入新闻。
根据本发明的可选的实施方式，该输入新闻限定为隶属某特定话题的新闻。
步骤204，抽取每篇输入新闻中的时间戳、专有名词和关键词。
如图3所示，其为本发明的一种实施方式所涉及的典型的新闻布局图。图3中，时间戳信息以“发布时间：2014-12-05 06:18:57”的模式展示，这种表示方式符合“<发布时间：>yyyy-mm-dd hh:mm:ss”的正则表达式形式。通过相应的正则表达式进行提取，即可准确识别出新闻的时间戳。从而，根据本发明的一种实施方式，该时间戳由时间戳识别算法自动识别。
根据本发明的一种可选的实施方式，该专有名词包括人名、地名、组织机构名，并由外部分词工具自动识别。
根据本发明的一种可选的实施方式，该关键词由外部关键词提取工具自动识别。
步骤206，发现重复新闻，并以时间戳最早的一篇新闻代表重复的新闻。
在本实施方式中，可以基于N元文法来作为发现重复新闻的算法，其中计算所得的重叠度等于两篇新闻重叠N元字符串的次数除以两篇新闻N元字符串次数总数。在可选的实施方式中，以重叠度大于0.9判定为重复。
步骤208，设置当前话题层次为根层次，创建根类簇，并以时间戳最早的新闻为话题根节点。
在本发明的一种可选的实施方式中，所述根类簇是由所有输入的同话题新闻组成的新闻集合。
步骤210，构建当前类簇的词汇表。根据本发明的实施方式，该词汇表中包含专有名词和关键词，所述词汇表中的词汇来自当前类簇中的新闻，并根据出现次数排序。典型地，所述词汇表中不包含在同层次其他类簇中出现超过10次的词汇。
步骤212，以当前类簇词汇表表示类簇中的所有新闻，计算当前类簇内新闻之间的相似度。
根据本发明的实施方式，新闻的表示方法采用向量空间模型，其相似度由余弦距离公式计算得到。
步骤214，根据新闻之间的相似度，产生一个当前类簇的划分，将相似度超过预定的相似度阈值的新闻划分为属于一个子类簇。
具体地，基于相似度的划分，高于相似度阈值的新闻被聚合，子类簇由输入新闻的一部分组成，而子类簇的并集为输入新闻全集。
步骤216，取子类簇中时间戳最早的新闻作为深一层节点，每个节点代表一个子类簇。
具体地，所述的深一层节点是指当前层的子节点，深一层子类簇为上一层子类簇的进一步细分。
步骤218，判断每个子类簇是否仅包含一个新闻。
步骤220，若每个子类簇中包含多于一个新闻，则产生深一层子类簇和深一层节点；并在其后执行步骤210至步骤218，构建词汇表，表示新闻，计算相似度并判断相似度阈值等。
步骤222，若每个子类簇中仅包含一个新闻，则将每个子类簇的该新闻作为话题树的叶子节点。如图5所示，其示出了利用本发明一种实施方式的话题溯源方法所得到的话题树的示例。
步骤224，从叶子节点开始，为每篇新闻产生话题溯源路径。
具体地，所述话题溯源路径是指描述新闻话题发展的时间轴回溯过程。如图6所示，其表示的是利用本发明一种实施方式的话题溯源方法所得到的话题溯源路径的示例图。
图4示出了根据本发明一种实施方式的话题溯源系统的结构示意图。该话题溯源系统400包括：
时间戳抽取模块402，用于从新闻中抽取时间戳信息。
如图3所示，其时间戳信息以“发布时间：2014-12-05 06:18:57”的模式展示，这种表示方式符合“<发布时间：>yyyy-mm-dd hh:mm:ss”的正则表达式形式。通过相应的正则表达式进行提取，即可准确识别出新闻的时间戳。
根据本发明的一种可选的实施方式，该专有名词包括人名、地名、组织机构名，并由外部分词工具自动识别。
根据本发明的一种可选的实施方式，该关键词由外部关键词提取工具自动识别。
重复新闻发现模块404，用于发现重复新闻，并以时间戳最早的一篇新闻代表重复的新闻。
在本实施方式中，可以基于N元文法来作为发现重复新闻的算法，其中计算所得的重叠度等于两篇新闻重叠N元字符串的次数除以两篇新闻N元字符串次数总数。在可选的实施方式中，以重叠度大于0.9判定为重复。
根节点创建模块406，用于设置当前话题层次为根层次，创建根类簇，并以时间戳最早的新闻为话题根节点。
在本发明的一种可选的实施方式中，所述根类簇是由所有输入的同话题新闻组成的新闻集合。
类簇词汇表构建模块408，用于构建特定类簇的词汇表。根据本发明的实施方式，该词汇表中包含专有名词和关键词，所述词汇表中的词汇来自当前类簇中的新闻。类簇词汇表408还用于将词汇表中的词汇根据出现次数排序。典型地，所述词汇表中不包含在同层次其他类簇中出现超过10次的词汇。
新闻相似度度量模块410，用于计算当前类簇内新闻之间的内容相似度。
根据本发明的实施方式，新闻的表示方法采用向量空间模型，其相似度由余弦距离公式计算得到。
文档划分模块412，用于对当前层类簇进行基于相似性的划分。例如，根据本发明的一种实施方式，将相似度超过预定的相似度阈值的新闻划分为属于一个子类簇。
具体地，基于相似度的划分，高于相似度阈值的新闻被聚合，子类簇由输入新闻的一部分组成，而子类簇的并集为输入新闻全集。
深层节点创建模块414，用于创建更深一层次的话题树节点；
具体地，所述的深一层节点是指当前层的子节点，深一层子类簇为上一层子类簇的进一步细分。
叶子节点创建模块416，用于创建话题树的叶子节点。如图5所示，其示出了利用本发明一种实施方式的话题溯源方法所得到的话题树的示意。
话题溯源路径创建模块418，用于为话题树上的每个叶子节点的新闻构建话题溯源路径。如图6所示，其表示的是利用本发明一种实施方式的话题溯源方法所得到的话题溯源路径的示例图。
具体地，所述话题溯源路径是指描述新闻话题发展的时间轴回溯过程。
根据本发明的话题溯源方法和系统，可更有效地进行话题溯源分析，相比于传统的话题分析方法，其优势在于：
第一，实现了话题内容浏览的树状可视化，便于用户沿着感兴趣的话题发展路径阅览新闻，缩短了阅览时间，提升了用户体验；
第二，基于发现的话题，通过为话题构建话题溯源树，能够为决策提供辅助。当话题规模达到一定规模后，可以对话题发展模式进行机器学习，总结模式，进行更高层次的辅助决策；
第三，通过构建话题溯源树，可以从已有话题中发现话题模式，相似话题之间有参考关系。可以根据历史话题对正在进行中的话题进行辅助决策，为进一步提升舆情分析系统的话题学习能力提供了技术支撑。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序控制相关的硬件来完成的，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (19)
1.一种话题溯源方法，其特征在于，所述话题溯源方法包括：
输入新闻；
抽取所述输入的新闻中的时间戳、专有名词和关键词；
发现重复新闻，并以时间戳最早的一篇新闻代表重复的新闻，所述发现重复新闻的算法基于N元文法，并以重叠度大于0.9判定为重复；
设置当前话题层次为根层次，创建根类簇，并以时间戳最早的新闻为话题根节点；
构建当前类簇的词汇表，所述词汇表不包含在同层次其他类簇中出现超过10次的词汇，并根据出现次数排序；
以当前类簇词汇表表示类簇中的所有新闻，并计算当前类簇内新闻之间的相似度；
将相似度超过预定相似度阈值的新闻归为一个子类簇；
将子类簇中时间戳最早的新闻作为深一层节点，每个节点代表一个子类簇；
判断子类簇中是否仅包含一个新闻；
对包含多于一个新闻的子类簇，产生深一层子类簇和深一层节点，并重复所述构建当前类簇的词汇表、表示新闻、计算当前类簇内新闻之间的相似度、将相似度超过预定相似度阈值的新闻归为一个子类簇、将子类簇中时间戳最早的新闻作为深一层节点，每个节点代表一个子类簇的步骤；
将只包含一个新闻的子类簇中的该新闻作为话题树的叶子节点；
从叶子节点开始，为每篇新闻产生话题溯源路径。
2.如权利要求1所述的话题溯源方法，其特征在于：所述输入新闻限定为隶属某特定话题的新闻。
3.如权利要求1所述的话题溯源方法，其特征在于：所述时间戳由时间戳识别算法自动识别。
4.如权利要求2所述的话题溯源方法，其特征在于：基于预定义的正则表达式识别时间戳信息。
5.如权利要求1所述的话题溯源方法，其特征在于：所述关键词由外部关键词提取工具自动识别。
6.如权利要求1所述的话题溯源方法，其特征在于：重叠度等于两篇新闻重叠N元字符串的次数除以两篇新闻N元字符串次数总数。
7.如权利要求1所述的话题溯源方法，其特征在于：所述根类簇是由所有输入的同话题新闻组成的新闻集合。
8.如权利要求1所述的话题溯源方法，其特征在于：所述新闻由向量空间模型进行表示。
9.如权利要求1所述的话题溯源方法，其特征在于：所述相似度由余弦距离公式计算得到。
10.如权利要求1所述的话题溯源方法，其特征在于：高于相似度阈值的新闻聚合。
11.一种话题溯源系统，其特征在于，包括：
时间戳抽取模块，用于从输入的新闻中抽取时间戳信息、专有名词和关键词；
重复新闻发现模块，用于发现重复新闻，并以时间戳最早的一篇新闻代表重复的新闻，所述重复新闻发现模块基于N元文法发现重复新闻，并以重叠度大于0.9判定为重复；
根节点创建模块，用于设置当前话题层次为根层次，创建根类簇，并以时间戳最早的新闻为话题根节点；
类簇词汇表构建模块，用于构建特定类簇的词汇表；所述词汇表不包含在同层次其他类簇中出现超过10次的词汇，并根据出现次数排序；
新闻相似度度量模块，用于以当前类簇词汇表表示类簇中的所有新闻，从而计算当前类簇内新闻之间的内容相似度；
文档划分模块，用于对当前层类簇进行基于相似性的划分；
深层节点创建模块，用于将子类簇中时间戳最早的新闻作为深一层节点，创建更深一层次的话题树节点，每个节点代表一个子类簇；并用于判断类簇中是否仅包含一个新闻；对包含多于一个新闻的类簇，进一步利用所述类簇词汇表构建模块构建当前类簇的词汇表；利用所述新闻相似度度量模块进一步计算当前类簇内新闻之间的内容相似度；利用文档划分模块，对当前层类簇进行基于相似性的划分；并产生深一层子类簇和深一层节点；
叶子节点创建模块，用于将只包含一个新闻的子类簇中的该新闻作为话题树的叶子节点；
话题溯源路径创建模块，用于为话题树上的每个叶子节点的新闻构建话题溯源路径。
12.如权利要求11所述的话题溯源系统，其特征在于：所述输入的新闻限定为隶属某特定话题的新闻。
13.如权利要求11所述的话题溯源系统，其特征在于：所述时间戳抽取模块基于预定义的正则表达式识别时间戳信息。
14.如权利要求11所述的话题溯源系统，其特征在于：重叠度等于两篇新闻重叠N元字符串的次数除以两篇新闻N元字符串次数总数。
15.如权利要求11所述的话题溯源系统，其特征在于：所述根类簇是由所有输入的同话题新闻组成的新闻集合。
16.如权利要求11所述的话题溯源系统，其特征在于，进一步包括类簇词汇表构建模块，用于构建特定类簇的词汇表。
17.如权利要求11所述的话题溯源系统，其特征在于：所述新闻由向量空间模型进行表示。
18.如权利要求17所述的话题溯源系统，其特征在于：所述相似度由余弦距离公式计算得到。
19.如权利要求11所述的话题溯源系统，其特征在于：所述文档划分模块用于将相似度超过预定的相似度阈值的新闻划分为属于一个子类簇。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510031785.3A CN104636324B (zh) | 2015-01-21 | 2015-01-21 | 话题溯源方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510031785.3A CN104636324B (zh) | 2015-01-21 | 2015-01-21 | 话题溯源方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104636324A CN104636324A (zh) | 2015-05-20 |
| CN104636324B true CN104636324B (zh) | 2017-12-05 |
Family
ID=53215096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510031785.3A Active CN104636324B (zh) | 2015-01-21 | 2015-01-21 | 话题溯源方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104636324B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107135153A (zh) * | 2017-04-28 | 2017-09-05 | 常州工学院 | 基于传播路径逆向追溯的信源和影响力节点定位方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778210B (zh) * | 2015-03-13 | 2018-04-27 | 国家计算机网络与信息安全管理中心 | 一种微博转发树和转发森林构建方法 |
| CN106484680A (zh) * | 2016-10-21 | 2017-03-08 | 天津海量信息技术股份有限公司 | 一种资讯传播过程的内容溯源的计算方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101695011B1 (ko) * | 2011-08-24 | 2017-01-10 | 한국전자통신연구원 | 토픽별 오피니언과 소셜 영향력자를 기반으로 토픽을 탐지하고 추적하는 시스템 및 방법 |
| CN102651012A (zh) * | 2012-03-09 | 2012-08-29 | 华中科技大学 | 互联网新闻文本之间的转载关系识别方法 |
| CN103995849B (zh) * | 2014-05-07 | 2017-05-03 | 中国科学院计算技术研究所 | 一种事件跟踪方法及系统 |
| CN104182504B (zh) * | 2014-08-18 | 2017-06-06 | 合肥工业大学 | 一种新闻事件的动态跟踪和总结算法 |
-
2015
- 2015-01-21 CN CN201510031785.3A patent/CN104636324B/zh active Active
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107135153A (zh) * | 2017-04-28 | 2017-09-05 | 常州工学院 | 基于传播路径逆向追溯的信源和影响力节点定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104636324A (zh) | 2015-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102831121B (zh) | 一种网页信息抽取的方法和系统 | |
| CN108460014A (zh) | 企业实体的识别方法、装置、计算机设备及存储介质 | |
| CN104199972A (zh) | 一种基于深度学习的命名实体关系抽取与构建方法 | |
| CN108287858A (zh) | 自然语言的语义提取方法及装置 | |
| CN104391942A (zh) | 基于语义图谱的短文本特征扩展方法 | |
| CN104615589A (zh) | 训练命名实体识别模型的方法、命名实体识别方法及装置 | |
| CN109685056A (zh) | 获取文档信息的方法及装置 | |
| CN106649260A (zh) | 基于评论文本挖掘的产品特征结构树构建方法 | |
| CN105844424A (zh) | 基于网络评论的产品质量问题发现及风险评估方法 | |
| CN105138670A (zh) | 音频文件标签生成方法和系统 | |
| CN109670039A (zh) | 基于三部图和聚类分析的半监督电商评论情感分析方法 | |
| CN103778200B (zh) | 一种报文信息源抽取方法及其系统 | |
| US10002142B2 (en) | Method and apparatus for generating schema of non-relational database | |
| CN108197197A (zh) | 实体描述型标签挖掘方法、装置及终端设备 | |
| CN104699835A (zh) | 用于确定网页页面中包括兴趣点poi数据的方法及装置 | |
| CN103294781A (zh) | 一种用于处理页面数据的方法与设备 | |
| CN106503256B (zh) | 一种基于社交网络文档的热点信息挖掘方法 | |
| CN102651002A (zh) | 一种网页信息抽取方法及其系统 | |
| CN103034726A (zh) | 文本过滤系统及方法 | |
| CN103678279B (zh) | 基于异质网络时态语义路径相似度的人物唯一性识别方法 | |
| CN104636324B (zh) | 话题溯源方法和系统 | |
| CN104572888A (zh) | 一种时间序列关联的信息检索方法 | |
| CN105609116A (zh) | 一种语音情感维度区域的自动识别方法 | |
| CN109710710A (zh) | 兴趣点的事件挖掘方法及其装置 | |
| CN103440328A (zh) | 一种基于鼠标行为的用户分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Topic Traceability Method and system Effective date of registration: 20210726 Granted publication date: 20171205 Pledgee: Shenzhen hi tech investment small loan Co.,Ltd. Pledgor: SHENZHEN RAIXUN INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2021980006742 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20171205 Pledgee: Shenzhen hi tech investment small loan Co.,Ltd. Pledgor: SHENZHEN RAIXUN INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2021980006742 |