CN104794161A - 对网络舆情监控的方法 - Google Patents
对网络舆情监控的方法 Download PDFInfo
- Publication number
- CN104794161A CN104794161A CN201510129837.0A CN201510129837A CN104794161A CN 104794161 A CN104794161 A CN 104794161A CN 201510129837 A CN201510129837 A CN 201510129837A CN 104794161 A CN104794161 A CN 104794161A
- Authority
- CN
- China
- Prior art keywords
- web page
- webpage
- module
- public
- network public
- 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.)
- Pending
Links
Landscapes
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种对网络舆情监控的方法,该舆情监控的方法通过网页信息采集与清洗、网页信息预处理和网络舆情分析三部分实现;网页信息采集与清洗:采用分布式协同爬虫动态获取相关的网页信息;对获取的网页清除噪声数据,萃取出相关数据,导入数据库;网页信息预处理包含网页文本分词模块、特征提取模块、VSM模型建立模块、网页相似度计算模块;网络舆情分析:选择一段时间样本网页进行一次聚类得到特征向量,使用这些特征向量对更大范围的网页数据进行二次聚类,获得舆情热点走势图表。本发明通过对网络资源的精确采集,实现对网络舆情的有效监测,能够对网络舆情进行有效的信息汇集、分析和预警。
Description
技术领域
本发明涉及网络数据监控技术领域,具体地说是一种对网络舆情监控的方法。
背景技术
舆情是指在一定的社会空间内,围绕社会事件的发生、发展和变化,民众对社会管理者产生和持有的社会政治态度,它是较多群众关于社会中各种现象以及问题所表达的信念、态度、意见和情绪等表现的总和。随着互联网的迅猛发展,网络已成为庞大的公共信息集散地和民众参政议政最常用的平台。目前,对网络舆情的研究,在理论方面有学者注意到网络舆情的影响力,提出需要建立网络舆情信息汇集、分析、预警机制,但尚未进一步涉及深入到细节的具体实施方式口。
发明内容
本发明的技术任务是提供一种对网络舆情监控的方法。
本发明的技术任务是按以下方式实现的,该舆情监控的方法通过网页信息采集与清洗、网页信息预处理和网络舆情分析三部分实现;
网页信息采集与清洗:采用分布式协同爬虫,动态配置爬虫服务器数量以及爬虫数量,在不同的采集需求下动态增减使用在采集上的计算资源;通过网页采集子系统中的爬虫模块在Internet上获取相关的网页信息;对获取的网页,通过网页清洗模块清除噪声数据,萃取出相关数据,导入数据库;
网页信息预处理包含网页文本分词模块、特征提取模块、VSM模型建立模块、网页相似度计算模块;
网络舆情分析:选择一段时间样本网页进行一次聚类,形成多个网络舆情热点簇,通过热点簇的分析得到各热点簇的特征向量,使用这些特征向量对更大范围的网页数据进行二次聚类,获得舆情热点走势图表;同时,通过一次聚类和二次聚类的区分,将系统的工作界定为热点发现和热点跟踪。
所述的爬虫模块设置爬虫的数量、抓取速度、起始URL、符合采集要求的URL的正则表达式、爬虫线程终止条件。
所述的噪声数据为网页中的广告、导航信息、图片以及版权说明;相关数据为网页的标题、正文、链接地址和采集时间。
所述的网页文本分词模块:根据是否使用切分词典,可分为有词典切分和无词典切分;根据切分的具体方法,分为基于规则的方法和基于统计的方法;
特征提取模块:采用抽取样本网页的全部网页词库作为网页的特征向量待选集合,对网页特征向量进行降维处理。
本发明的对网络舆情监控的方法和现有技术相比,通过对网页、论坛、博客、新闻评论等网络资源的精确采集,并结合网页净化、中文分词、向量模型建立、特征选择、降维处理、文本聚类等中文信息处理技术,实现对网络舆情的有效监测,能够对网络舆情进行有效的信息汇集、分析和预警。
具体实施方式
实施例1:
该舆情监控的方法通过网页信息采集与清洗、网页信息预处理和网络舆情分析三部分实现;
(一)网页信息采集与清洗:采用分布式协同爬虫,动态配置爬虫服务器数量以及爬虫数量,在不同的采集需求下动态增减使用在采集上的计算资源;通过网页采集子系统中的爬虫模块在Internet上获取相关的网页信息,爬虫模块设置爬虫的数量、抓取速度、起始URL、符合采集要求的URL的正则表达式、爬虫线程终止条件;对获取的网页,通过网页清洗模块清除网页中的广告、导航信息、图片以及版权说明等噪声数据,萃取出网页的标题、正文、链接地址和采集时间等相关数据,导入数据库。
(二)网页信息预处理包含网页文本分词模块、特征提取模块、VSM模型建立模块、网页相似度计算模块;
1)网页文本分词模块:根据是否使用切分词典,可分为有词典切分和无词典切分。根据切分的具体方法,可分为基于规则的方法和基于统计的方法。采用了层叠隐马尔可夫模型(Hidden Markov Model),主要功能包括中文分词、词性标注、命名实体识别、新词识别;同时支持用户词典,其分词速度单机可达996KB/s,分词精度到达98.45%,分词效果良好。
2)特征提取模块:首先采用抽取样本网页的全部网页词库作为网页的特征 向量待选集合,由于分词后的特征向量空间维度很大,因此有必要对网页特征向量进行降维处理。首先根据词性进行初步筛选,定义助词、介词、连词等虚词以及词语长度为1的无实际含义词为停用词,然后构造网页主题评价函数,对每个特征向量进行评估,选择符合预定阈值的词作为网页的特征向量集。采取词频与信息增益(Information Gain,IG)相结合的方法,将特征Tk信息增益的定义为:
其中n为特征集的维数,网页特征词语频率为freq(k),P(k)为该特征向量的出现概率:
特征Tk的信息增益值越大,说明特征Tk中包含的鉴别信息就越多,选择信息增益值的前15%作为网页特征向量,对于符合阈值要求的特征词作为网页的主题特征。
(三)网络舆情分析:选择一段时间样本网页进行一次聚类,形成多个网络舆情热点簇,通过热点簇的分析得到各热点簇的特征向量,使用这些特征向量对更大范围的网页数据进行二次聚类,获得舆情热点走势图表;同时,通过一次聚类和二次聚类的区分,将系统的工作界定为热点发现和热点跟踪。
1)一次聚类与热点发现:对于网页信息,由于网络数据的发散性,采取密度聚类的算法,从而克服基于距离的算法只能发现“类圆形”聚类的缺点,可发现任意形状的聚类,且对噪声数据不敏感。
2)二次聚类与热点跟踪:由于网络舆情信息的随机、复杂等特性,具体表现为网页文本大小不一,舆情主题多且杂乱,形成的舆情热点簇网页数非常不均衡。第一次聚类并不能得到关于网络舆情的精确分析,因此采用了二次聚类的方法。
首先提取出所关注网页簇中的特征词。由于经过聚类后的网页簇密度较大,各簇都有一定数量的网页来表达网页簇热点的主题,因此从网页簇中提取特征词来代表热点特征更为清晰。由于噪声网页大幅度减少,使得原来易受干扰的网页的本质特征更易被显现出来,表达网页簇主题的特征词更加纯粹,因此采用二次特征提取获取代表网页主题的特征词。根据提取的网页簇特征词,再次对采集的全部网页进行二次聚类。由于第一次聚类所选网页范围较为广泛,某些特征词选 取与所关注热点的主题无关,因此聚类质量不太理想,通过热点簇的形成,提取出与舆情热点主题相关度较大的特征词。通过使用所关注热点的特征词作为特征向量,对更大空间或时间范围的网页进行二次OPTICS聚类,重用第一次聚类模块,获得关于相关热点舆情信息,根据相关度质量较高的舆情网页,绘制出网络舆情时间演变趋势图表。
通过上面具体实施方式,所述技术领域的技术人员可容易的实现本发明。但是应当理解,本发明并不限于上述的几种具体实施方式。在公开的实施方式的基础上,所述技术领域的技术人员可任意组合不同的技术特征,从而实现不同的技术方案。
Claims (4)
1.对网络舆情监控的方法,其特征在于,该舆情监控的方法通过网页信息采集与清洗、网页信息预处理和网络舆情分析三部分实现;
网页信息采集与清洗:采用分布式协同爬虫,动态配置爬虫服务器数量以及爬虫数量,在不同的采集需求下动态增减使用在采集上的计算资源;通过网页采集子系统中的爬虫模块在Internet上获取相关的网页信息;对获取的网页,通过网页清洗模块清除噪声数据,萃取出相关数据,导入数据库;
网页信息预处理包含网页文本分词模块、特征提取模块、VSM模型建立模块、网页相似度计算模块;
网络舆情分析:选择一段时间样本网页进行一次聚类,形成多个网络舆情热点簇,通过热点簇的分析得到各热点簇的特征向量,使用这些特征向量对更大范围的网页数据进行二次聚类,获得舆情热点走势图表;同时,通过一次聚类和二次聚类的区分,将系统的工作界定为热点发现和热点跟踪。
2.根据权利要求1所述的对网络舆情监控的方法,其特征在于,所述的爬虫模块设置爬虫的数量、抓取速度、起始URL、符合采集要求的URL的正则表达式、爬虫线程终止条件。
3.根据权利要求1所述的对网络舆情监控的方法,其特征在于,所述的噪声数据为网页中的广告、导航信息、图片以及版权说明;相关数据为网页的标题、正文、链接地址和采集时间。
4.根据权利要求1所述的对网络舆情监控的方法,其特征在于,所述的网页文本分词模块:根据是否使用切分词典,可分为有词典切分和无词典切分;根据切分的具体方法,分为基于规则的方法和基于统计的方法;
特征提取模块:采用抽取样本网页的全部网页词库作为网页的特征向量待选集合,对网页特征向量进行降维处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510129837.0A CN104794161A (zh) | 2015-03-24 | 2015-03-24 | 对网络舆情监控的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510129837.0A CN104794161A (zh) | 2015-03-24 | 2015-03-24 | 对网络舆情监控的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104794161A true CN104794161A (zh) | 2015-07-22 |
Family
ID=53558953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510129837.0A Pending CN104794161A (zh) | 2015-03-24 | 2015-03-24 | 对网络舆情监控的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104794161A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105573983A (zh) * | 2015-12-17 | 2016-05-11 | 清华大学 | 基于主题模型的微博用户情绪层次化分类方法和分类系统 |
CN105677921A (zh) * | 2016-03-18 | 2016-06-15 | 上海珍岛信息技术有限公司 | 一种互联网舆情数据的获取方法及系统 |
CN106230809A (zh) * | 2016-07-27 | 2016-12-14 | 南京快页数码科技有限公司 | 一种基于url的移动互联网舆情监测方法及系统 |
CN106330609A (zh) * | 2016-08-29 | 2017-01-11 | 河源市新天彩科技有限公司 | 一种网络监控系统 |
CN107093021A (zh) * | 2017-04-21 | 2017-08-25 | 深圳市创艺工业技术有限公司 | 电网工程物资合同履约诚信舆情监控系统 |
CN107590193A (zh) * | 2017-08-14 | 2018-01-16 | 安徽晶奇网络科技股份有限公司 | 一种政务舆情监测管理系统 |
CN107871009A (zh) * | 2017-11-17 | 2018-04-03 | 山东浪潮云服务信息科技有限公司 | 一种采集目录元数据的方法及装置 |
CN109145216A (zh) * | 2018-08-29 | 2019-01-04 | 中国平安保险(集团)股份有限公司 | 网络舆情监控方法、装置及存储介质 |
CN109526027A (zh) * | 2018-11-27 | 2019-03-26 | 中国移动通信集团福建有限公司 | 一种小区容量优化方法、装置、设备及计算机存储介质 |
CN110197713A (zh) * | 2019-05-10 | 2019-09-03 | 上海依智医疗技术有限公司 | 一种医疗影像的处理方法、装置、设备和介质 |
CN110852090A (zh) * | 2019-11-07 | 2020-02-28 | 中科天玑数据科技股份有限公司 | 一种用于舆情爬取的机构特征词汇扩展系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070088720A1 (en) * | 2005-10-17 | 2007-04-19 | Siemens Aktiengesellschaft | Method for detecting discrepancies between a user's perception of web sites and an author's intention of these web sites |
CN101751458A (zh) * | 2009-12-31 | 2010-06-23 | 暨南大学 | 一种网络舆情监控系统及方法 |
CN102567405A (zh) * | 2010-12-31 | 2012-07-11 | 北京安码科技有限公司 | 一种基于改进的文本空间向量表示的热点发现方法 |
CN104077377A (zh) * | 2014-06-25 | 2014-10-01 | 红麦聚信(北京)软件技术有限公司 | 基于网络文章属性的网络舆情热点发现方法和装置 |
CN104239436A (zh) * | 2014-08-27 | 2014-12-24 | 南京邮电大学 | 一种基于文本分类和聚类分析的网络热点事件发现方法 |
-
2015
- 2015-03-24 CN CN201510129837.0A patent/CN104794161A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070088720A1 (en) * | 2005-10-17 | 2007-04-19 | Siemens Aktiengesellschaft | Method for detecting discrepancies between a user's perception of web sites and an author's intention of these web sites |
CN101751458A (zh) * | 2009-12-31 | 2010-06-23 | 暨南大学 | 一种网络舆情监控系统及方法 |
CN102567405A (zh) * | 2010-12-31 | 2012-07-11 | 北京安码科技有限公司 | 一种基于改进的文本空间向量表示的热点发现方法 |
CN104077377A (zh) * | 2014-06-25 | 2014-10-01 | 红麦聚信(北京)软件技术有限公司 | 基于网络文章属性的网络舆情热点发现方法和装置 |
CN104239436A (zh) * | 2014-08-27 | 2014-12-24 | 南京邮电大学 | 一种基于文本分类和聚类分析的网络热点事件发现方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105573983A (zh) * | 2015-12-17 | 2016-05-11 | 清华大学 | 基于主题模型的微博用户情绪层次化分类方法和分类系统 |
CN105677921A (zh) * | 2016-03-18 | 2016-06-15 | 上海珍岛信息技术有限公司 | 一种互联网舆情数据的获取方法及系统 |
CN106230809B (zh) * | 2016-07-27 | 2019-11-19 | 南京快页数码科技有限公司 | 一种基于url的移动互联网舆情监测方法及系统 |
CN106230809A (zh) * | 2016-07-27 | 2016-12-14 | 南京快页数码科技有限公司 | 一种基于url的移动互联网舆情监测方法及系统 |
CN106330609A (zh) * | 2016-08-29 | 2017-01-11 | 河源市新天彩科技有限公司 | 一种网络监控系统 |
CN107093021A (zh) * | 2017-04-21 | 2017-08-25 | 深圳市创艺工业技术有限公司 | 电网工程物资合同履约诚信舆情监控系统 |
CN107590193A (zh) * | 2017-08-14 | 2018-01-16 | 安徽晶奇网络科技股份有限公司 | 一种政务舆情监测管理系统 |
CN107871009A (zh) * | 2017-11-17 | 2018-04-03 | 山东浪潮云服务信息科技有限公司 | 一种采集目录元数据的方法及装置 |
CN109145216A (zh) * | 2018-08-29 | 2019-01-04 | 中国平安保险(集团)股份有限公司 | 网络舆情监控方法、装置及存储介质 |
CN109145216B (zh) * | 2018-08-29 | 2023-08-25 | 中国平安保险(集团)股份有限公司 | 网络舆情监控方法、装置及存储介质 |
CN109526027A (zh) * | 2018-11-27 | 2019-03-26 | 中国移动通信集团福建有限公司 | 一种小区容量优化方法、装置、设备及计算机存储介质 |
CN109526027B (zh) * | 2018-11-27 | 2022-07-01 | 中国移动通信集团福建有限公司 | 一种小区容量优化方法、装置、设备及计算机存储介质 |
CN110197713A (zh) * | 2019-05-10 | 2019-09-03 | 上海依智医疗技术有限公司 | 一种医疗影像的处理方法、装置、设备和介质 |
CN110852090A (zh) * | 2019-11-07 | 2020-02-28 | 中科天玑数据科技股份有限公司 | 一种用于舆情爬取的机构特征词汇扩展系统和方法 |
CN110852090B (zh) * | 2019-11-07 | 2024-03-19 | 中科天玑数据科技股份有限公司 | 一种用于舆情爬取的机构特征词汇扩展系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104794161A (zh) | 对网络舆情监控的方法 | |
Ruder et al. | Character-level and multi-channel convolutional neural networks for large-scale authorship attribution | |
CN111310476B (zh) | 一种使用基于方面的情感分析方法的舆情监控方法和系统 | |
Farnadi et al. | A multivariate regression approach to personality impression recognition of vloggers | |
Gunawan et al. | Automatic text summarization for Indonesian language using textteaser | |
Çakir et al. | Text mining analysis in Turkish language using big data tools | |
CN106599072B (zh) | 一种文本聚类方法及装置 | |
Nandi et al. | Bangla news recommendation using doc2vec | |
CN109815401A (zh) | 一种应用于Web人物搜索的人名消歧方法 | |
Zhu et al. | Real-time personalized twitter search based on semantic expansion and quality model | |
Celikyilmaz et al. | Leveraging web query logs to learn user intent via bayesian latent variable model | |
Yao et al. | Online deception detection refueled by real world data collection | |
Campbell et al. | Content+ context networks for user classification in twitter | |
Al Mostakim et al. | Bangla content categorization using text based supervised learning methods | |
Xiao | A Survey of Document Clustering Techniques & Comparison of LDA and moVMF | |
Sitorus et al. | Sensing trending topics in twitter for greater Jakarta area | |
Chen et al. | Research on clustering analysis of Internet public opinion | |
Procter et al. | Enabling social media research through citizen social science | |
Yeh et al. | Topic model allocation of conversational dialogue records by Latent Dirichlet Allocation | |
ALQARALEH | Turkish Sentiment Analysis System via Ensemble Learning | |
CN109241438B (zh) | 基于要素的跨通道热点事件发现方法、装置及存储介质 | |
Shin et al. | Content-Based Unsupervised Fake News Detection on Ukraine-Russia War | |
Harshvardhan et al. | Topic modelling Twitterati sentiments using Latent Dirichlet allocation during demonetization | |
Mussina et al. | Parametrized event analysis from social networks | |
Mojiri et al. | Event detection in Twitter using multi timing chained windows |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150722 |
|
WD01 | Invention patent application deemed withdrawn after publication |