CN105975642A - 一种基于网络大数据的舆情监控方法 - Google Patents
一种基于网络大数据的舆情监控方法 Download PDFInfo
- Publication number
- CN105975642A CN105975642A CN201610562038.7A CN201610562038A CN105975642A CN 105975642 A CN105975642 A CN 105975642A CN 201610562038 A CN201610562038 A CN 201610562038A CN 105975642 A CN105975642 A CN 105975642A
- Authority
- CN
- China
- Prior art keywords
- information
- class
- net
- correlation message
- subject correlation
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于网络大数据的舆情监控方法,包括以下步骤:S1、获取主题,并根据主题进行网络检索获取主题相关信息;S2、对各主题相关信息进行语义分析,并根据语义对主题相关信息进行聚类,获得多个信息类;S3、获取各信息类中包含的主题相关信息的来源网站的网信值,并计算网信值之和作为信息类的类信权值;S4、获取类信权值最大的信息类作为最倾向信息类,并选取最倾向信息类中对应的网信值最大的主题相关信息作为最倾向主题信息;S5、输出最倾向主题信息。本发明中,对信息类的处理相当于对表达语义相似的主题相关信息进行集中处理,即保证了信息处理的精确性,又保证了信息处理的效率。
Description
技术领域
本发明涉及舆情监控技术领域,尤其涉及一种基于网络大数据的舆情监控方法。
背景技术
近年来,互联网发展迅速,作为继电视、广播、报纸之外的第四媒体,已经成为反映社会舆情的一个重要载体。另一方面,由于网络的开放性和虚拟性,网上舆情已经越来越复杂,对现实生活的影响与日俱增,一些重大的网络舆情事件往往对社会产生较大的影响力。
舆情监测的目的,即为准确有效地掌握网络舆情现状,加强对网络舆情的及时监测和跟踪,以便准确快速地发现互联网上的各类舆情,产生舆论导向并积极化解舆论危机,对促进社会和企业的健康发展具有重要的现实意义。对政府部门、公众媒体和大型企业来说,如何加强对网络舆情的及时监测,以及时采取措施进行有效应对,成为网络舆情管理的一大难点。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于网络大数据的舆情监控方法。
本发明提出的一种基于网络大数据的舆情监控方法,包括以下步骤:
S1、获取主题,并根据主题进行网络检索获取主题相关信息;
S2、对各主题相关信息进行语义分析,并根据语义对主题相关信息进行聚类,获得多个信息类;
S3、获取各信息类中包含的主题相关信息的来源网站的网信值,并计算网信值之和作为信息类的类信权值;
S4、获取类信权值最大的信息类作为最倾向信息类,并选取最倾向信息类中对应的网信值最大的主题相关信息作为最倾向主题信息;
S5、输出最倾向主题信息。
优选地,步骤S2具体为:对各主题相关信息进行语义分析,提取语义,然后计算任意两条主题相关信息的语义相似度,并将语义相似度大于相似度阈值的主题相关信息归类生成信息类。
优选地,步骤S2具体包括以下步骤:
S21、对各主题相关信息进行语义分析,提取语义;
S22、任选一条主题相关信息作为核心信息,计算核心信息与剩余的各主题相关信息的语义相似度;
S23、新建一个信息类,将核心信息以及与核心信息语义相似度大于相似度阈值的主题相关信息纳入信息类中;
S24、从未纳入信息类的主题相关信息中任选一条主题相关信息作为核心信息,计算核心信息与剩余的各主题相关信息的语义相似度;
S25、新建一个信息类,将核心信息以及与核心信息语义相似度大于相似度阈值的主题相关信息纳入新的信息类中;
S26、重复步骤S24和步骤S25,直至将所有主题相关信息纳入信息类中。
优选地,还包括步骤SA、预设网信数据库,网信数据库中存储有已知网信值的网站地址及对应的网信值;
步骤S3具体包括以下步骤:
S31、依次将各主题相关信息的来源网站网址与网信数据库中存储的网站地址进行匹配;
S32、如果来源网站网址存在于网信数据库,则直接调用网信值;
S33、如果来源网站网址未存在于网信数据库,则根据来源网站内容计算网信值;
S34、计算信息类中包含的主题相关信息对应的网信值之和作为信息类的类信权值。
优选地,步骤S33中根据来源网站内容计算网信值的方法为:从带测评网站中获得多条信息,然后对信息真实性进行判断,并根据信息中真实信息所占比例评估网信值。
优选地,步骤S5具体为:获得各信息类中对应的网信值最大的主题相关信息作为类代表信息,然后将信息类的类信权值和类代表信息制成测评报告输出,并对最倾向主题信息突出显示。本发明提出的一种基于网络大数据的舆情监控方法,通过程序基于网络大数据进行主题检索,有利于保证信息检索的全面性,避免舆情监控中的信息遗漏。
本发明中,对各主题相关信息进行语义分析,并根据语义对主题相关信息进行聚类,获得多个信息类,即将零散的主题相关信息根据语义相似度转换成一个个信息类。如此,使得对于零散的主题相关信息的分析处理转换成了信息类的分析处理,简化了信息处理工作。且通过计算任意两条主题相关信息的语义相似度,并将语义相似度大于相似度阈值的主题相关信息归类生成信息类,使得信息类中囊括的主题相关信息相似度高,对信息类的处理相当于对表达语义相似的主题相关信息进行集中处理,即保证了信息处理的精确性,又保证了信息处理的效率。
本发明中,类信权值作为信息类的可信度参考标准,其计算过程中参考了信息类中每一条主题相关信息的可信度,且类信权值的获取对于取值越大的网信值依赖程度越高,从而保证了类信权值的可靠程度。类信权值的引入,使得各信息类的评估更加具象化。
本发明中,最倾向主题信息作为舆情监控的结果输出,工作人员通过最倾向主题信息可直观的获知该主题的舆情倾向。
附图说明
图1为本发明提出的一种基于网络大数据的舆情监控方法流程图;
图2为本发明提出的一种基于网络大数据的舆情监控系统框图。
具体实施方式
参照图1,本发明提出的一种基于网络大数据的舆情监控方法,包括以下步骤。
S1、获取主题,并根据主题进行网络检索获取主题相关信息。本实施方式中,主题由工作人员提供,然后通过程序基于网络大数据进行主题检索,有利于保证信息检索的全面性,避免舆情监控中的信息遗漏。
S21、对各主题相关信息进行语义分析,提取语义。
S22、任选一条主题相关信息作为核心信息,计算核心信息与剩余的各主题相关信息的语义相似度。
S23、新建一个信息类,将核心信息以及与核心信息语义相似度大于相似度阈值的主题相关信息纳入信息类中。
S24、从未纳入信息类的主题相关信息中任选一条主题相关信息作为核心信息,计算核心信息与剩余的各主题相关信息的语义相似度。
S25、新建一个信息类,将核心信息以及与核心信息语义相似度大于相似度阈值的主题相关信息纳入新的信息类中。
S26、重复步骤S24和步骤S25,直至将所有主题相关信息纳入信息类中。
以下结合一个具体地实施例对步骤S21至S26作出解释。例如,步骤S1中,根据主题获得主题相关信息为A1、A2、A3、A4、A5、A6;步骤S21中,根据A1、A2、A3、A4、A5、A6提取的语义分别为AA1、AA2、AA3、AA4、AA5、AA6;步骤S22中选择A1为核心信息,且AA1与AA2语义相似度大于相似度阈值、AA1与AA3语义相似度大于相似度阈值,则步骤S23中,将A1、A2、A3归类到一个信息类中。将A1、A2、A3聚类后,从剩余的零散信息A4、A5、A6中选择A4为核心信息,并分别计算AA4与AA5的语义相似度和AA4与AA6的语义相似度,假设AA4与AA5的语义相似度和AA4与AA6的语义相似度均小于相似度阈值,则A4自成一个信息类。然后计算AA5和AA6语义相似度,如果AA5和AA6语义相似度大于相似度阈值,则将A5、A6纳入一个信息类。至此,主题相关信息聚类完成。
本实施方式中,通过步骤S21至S26,对各主题相关信息进行语义分析,并根据语义对主题相关信息进行聚类,获得多个信息类,即将零散的主题相关信息根据语义相似度转换成一个个信息类。如此,使得对于零散的主题相关信息的分析处理转换成了信息类的分析处理,简化了信息处理工作。且通过计算任意两条主题相关信息的语义相似度,并将语义相似度大于相似度阈值的主题相关信息归类生成信息类,使得信息类中囊括的主题相关信息相似度高,对信息类的处理相当于对表达语义相似的主题相关信息进行集中处理,即保证了信息处理的精确性,又保证了信息处理的效率。
SA、预设网信数据库,网信数据库中存储有已知网信值的网站地址及对应的网信值。
S31、依次将各主题相关信息的来源网站网址与网信数据库中存储的网站地址进行匹配。
S32、如果来源网站网址存在于网信数据库,则直接调用网信值。
S33、如果来源网站网址未存在于网信数据库,则根据来源网站内容计算网信值。
本实施方式中,网信数据库的建立,便于网信值的直接调用,有利于节约处理时间,提高效率。通过步骤S33又可以对网信数据库的存储限制进行补充,从而,提高网信值获取的全面性与灵活性,保证后续处理中网信值的及时提供。
步骤S33中根据来源网站内容计算网信值的方法为:从带测评网站中获得多条信息,然后对信息真实性进行判断,并根据信息中真实信息所占比例评估网信值。即,网信值计算模型为:T=真实信息数量/筛选信息数量。其中,筛选信息数量为从带测评网站中随机选取的信息数量,真实信息数量为选取的信息数量中真实信息的数量,可知,真实信息数量小于或等于筛选信息数量。本实施方式中,为了便于真实信息数量的确认,从带测评网站中随机选取信息后,可从已知网信值较高如官网对选取的信息进行检索,根据检索结果对选取的信息进行真实性确认。
S34、计算信息类中包含的主题相关信息对应的网信值之和作为信息类的类信权值。
步骤S31至S34,获取各信息类中包含的主题相关信息的来源网站的网信值,并计算网信值之和作为信息类的类信权值。类信权值作为信息类的可信度参考标准,其计算过程中参考了信息类中每一条主题相关信息的可信度,且类信权值的获取对于取值越大的网信值依赖程度越高,从而保证了类信权值的可靠程度。类信权值的引入,使得各信息类的评估更加具象化。
S4、获取类信权值最大的信息类作为最倾向信息类,并选取最倾向信息类中对应的网信值最大的主题相关信息作为最倾向主题信息。
S5、输出最倾向主题信息。本步骤具体为:获得各信息类中对应的网信值最大的主题相关信息作为类代表信息,然后将信息类的类信权值和类代表信息制成测评报告输出,并对最倾向主题信息突出显示。
本实施方式中,最倾向主题信息作为舆情监控的结果输出,工作人员通过最倾向主题信息可直观的获知该主题的舆情倾向。
以下结合一种具体地基于网络大数据的舆情监控系统对以上方法做进一步说明。
参照图2,该系统包括主题信息检索模块、缓存模块、网信预设模块、聚类模块、倾向计算模块和测评输出模块。
主题信息检索模块包括输入单元和网络爬虫。输入单元用于输入主题,网络爬虫与输入单元连接,其根据主题进行网络检索获取主题相关信息。。
缓存模块与主题信息检索模块连接,其用于存储网络爬虫检索到的主题相关信息,并对各主题相关信息的来源网站进行关联存储。缓存模块的设置为主题信息检索模块减轻了存储负担,有利于保证网络爬虫的工作效率。
本实施方式中,每当主题信息检索模块获得新的主题,缓存模块清零进行新的数据存储,以避免缓存模块空间被占用。
网信预设模块包括网信数据库和网信评估单元。
网信评估单元用于根据网站内容计算该网站的网信值。具体地,网信评估单元从带测评网站中获得多条信息,然后对信息真实性进行判断,并根据信息中真实信息所占比例评估网信值。
网信值计算模型为:T=真实信息数量/筛选信息数量。其中,筛选信息数量为网信评估单元从带测评网站中随机选取的信息数量,真实信息数量为选取的信息数量中真实信息的数量,可知,真实信息数量小于或等于筛选信息数量。
本实施方式中,为了便于真实信息数量的确认,网信评估单元从带测评网站中随机选取信息后,可从已知网信值较高如官网对选取的信息进行检索,根据检索结果对选取的信息进行真实性确认。
网信数据库用于存储网站地址及对应的网信值,以便网信值的直接调用。本实施方式中,为了适应网络的快速变化,对于网信数据库中已经存储的网站,网信评估单元也根据预设的周期值进展网信值计算,并根据新计算的网信值对存储的网信值进行更新。另外,对于网信数据库中没有存储的网站,则根据网信评估单元的计算结果补充。
本实施方式中,网信数据库的设置,有利于网信值的直接调用,提高工作效率,节约临时计算网信值的时间;网信评估单元的设置,可对网信数据库中的网信值进行更新和补充,提高了网信预设模块的适应能力,避免了网信数据库的狭隘。
聚类模块连接缓存模块,用于对缓存模块中的各主题相关信息进行语义分析,并将语义相似度大于预设相似度阈值的主题相关信息进行归类,获得多个信息类。如此,通过语义分析,对语义相似的信息进行聚类处理,将零散的信息处理工作转换为信息类处理工作,通过化零为整,简化了后续工作的繁琐程度。且,通过语义分析,同一信息类中的主题相关信息的语义基本相似,避免了聚类处理可能造成的语义覆盖问题。
聚类模块还连接缓存模块和网信预设模块,其获取各主题相关信息来源网站的网信值并与对应的主题相关信息关联存储。即,聚类模块中生成信息类后,从缓存模块中为信息类中各主题相关信息调用来源网站的网信值并关联存储。具体地聚类模块从缓存模块调用各主题相关信息的来源网站,然后将各来源网站网址与网信数据库中存储的网站网址相匹配。如果,主题相关信息的来源网站存储于网信数据库中,则直接调用对应的网信值与该主题相关信息对应存储在信息类中;如果主题相关信息的来源网站未存储于网信数据库中,则通过网信评估单元对该来源网站进行网信值评估,并将评估获得的网信值与该主题相关信息对应存储在信息类中,且还该来源网站网址与评估获得的网信值补充到网信数据库中。
倾向计算模块与聚类模块连接,分别计算各信息类中存储的网信值之和作为类信权值,并提取类信权值最大的信息类作为最倾向信息类。本实施方式中,类信权值相当于所有发布同一语义的信息的网站的网信值之和,通过类信权值的对比,可以明确的确定该主题检索结果中可信度最高的、传播最广泛的一种舆情倾向。即,本实施方式中,通过引入类型权值,使得模糊的舆情分析工作明确化、具象化,且分析结果可信度高。
倾向计算模块在最倾向信息类中通过来源网站网信值对比选择对应的网信值最大的主题相关信息作为最倾向主题信息。最倾向信息类中收容了语义相似的多条信息,但是这些信息在细节上或多或少有些差异。本实施方式中,通过引入最倾向主题信息,使得该主题的舆情倾向的表达更加明确,便于工作人员对于舆情进行整理。
测评输出模块与倾向计算模块连接。测评输出模块从倾向计算模块获得各信息类中对应的网信值最大的主题相关信息作为类代表信息,然后将信息类的类信权值和类代表信息制成测评报告输出。可见,最倾向主题信息即为最倾向信息类的类代表信息。本实施方式中,为了便于测评报告的表达,测评报告中对最倾向信息类和最倾向主题信息突出显示。此外,测评报告还包括类代表信息来源网站的地址和网信值,以便工作人员进行核查。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于网络大数据的舆情监控方法,其特征在于,包括以下步骤:
S1、获取主题,并根据主题进行网络检索获取主题相关信息;
S2、对各主题相关信息进行语义分析,并根据语义对主题相关信息进行聚类,获得多个信息类;
S3、获取各信息类中包含的主题相关信息的来源网站的网信值,并计算网信值之和作为信息类的类信权值;
S4、获取类信权值最大的信息类作为最倾向信息类,并选取最倾向信息类中对应的网信值最大的主题相关信息作为最倾向主题信息;
S5、输出最倾向主题信息。
2.如权利要求1所述的基于网络大数据的舆情监控方法,其特征在于,步骤S2具体为:对各主题相关信息进行语义分析,提取语义,然后计算任意两条主题相关信息的语义相似度,并将语义相似度大于相似度阈值的主题相关信息归类生成信息类。
3.如权利要求2所述的基于网络大数据的舆情监控方法,其特征在于,步骤S2具体包括以下步骤:
S21、对各主题相关信息进行语义分析,提取语义;
S22、任选一条主题相关信息作为核心信息,计算核心信息与剩余的各主题相关信息的语义相似度;
S23、新建一个信息类,将核心信息以及与核心信息语义相似度大于相似度阈值的主题相关信息纳入信息类中;
S24、从未纳入信息类的主题相关信息中任选一条主题相关信息作为核心信息,计算核心信息与剩余的各主题相关信息的语义相似度;
S25、新建一个信息类,将核心信息以及与核心信息语义相似度大于相似度阈值的主题相关信息纳入新的信息类中;
S26、重复步骤S24和步骤S25,直至将所有主题相关信息纳入信息类中。
4.如权利要求1所述的基于网络大数据的舆情监控方法,其特征在于,还包括步骤SA、预设网信数据库,网信数据库中存储有已知网信值的网站地址及对应的网信值;
步骤S3具体包括以下步骤:
S31、依次将各主题相关信息的来源网站网址与网信数据库中存储的网站地址进行匹配;
S32、如果来源网站网址存在于网信数据库,则直接调用网信值;
S33、如果来源网站网址未存在于网信数据库,则根据来源网站内容计算网信值;
S34、计算信息类中包含的主题相关信息对应的网信值之和作为信息类的类信权值。
5.如权利要求4所述的基于网络大数据的舆情监控方法,其特征在于,步骤S33中根据来源网站内容计算网信值的方法为:从带测评网站中获得多条信息,然后对信息真实性进行判断,并根据信息中真实信息所占比例评估网信值。
6.如权利要求1所述的基于网络大数据的舆情监控方法,其特征在于,步骤S5具体为:获得各信息类中对应的网信值最大的主题相关信息作为类代表信息,然后将信息类的类信权值和类代表信息制成测评报告输出,并对最倾向主题信息突出显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610562038.7A CN105975642A (zh) | 2016-07-15 | 2016-07-15 | 一种基于网络大数据的舆情监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610562038.7A CN105975642A (zh) | 2016-07-15 | 2016-07-15 | 一种基于网络大数据的舆情监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105975642A true CN105975642A (zh) | 2016-09-28 |
Family
ID=56952789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610562038.7A Pending CN105975642A (zh) | 2016-07-15 | 2016-07-15 | 一种基于网络大数据的舆情监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975642A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491548A (zh) * | 2017-08-28 | 2017-12-19 | 武汉烽火普天信息技术有限公司 | 一种网络舆情文本信息推荐及可视化方法 |
CN107562722A (zh) * | 2017-08-14 | 2018-01-09 | 上海文军信息技术有限公司 | 基于大数据的互联网舆情监测分析系统 |
CN110659436A (zh) * | 2019-08-22 | 2020-01-07 | 阿里巴巴集团控股有限公司 | 网络舆情监控方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102110140A (zh) * | 2011-01-26 | 2011-06-29 | 桂林电子科技大学 | 基于网络离散文本的舆情信息分析方法 |
US20120078876A1 (en) * | 2006-05-09 | 2012-03-29 | Los Alamos National Security, Llc | Method of Recommending Items to a User Based on User Interest |
CN105373558A (zh) * | 2014-08-27 | 2016-03-02 | 青岛海尔智能家电科技有限公司 | 一种衡量产品推荐度的方法及系统 |
-
2016
- 2016-07-15 CN CN201610562038.7A patent/CN105975642A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120078876A1 (en) * | 2006-05-09 | 2012-03-29 | Los Alamos National Security, Llc | Method of Recommending Items to a User Based on User Interest |
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 |
CN102110140A (zh) * | 2011-01-26 | 2011-06-29 | 桂林电子科技大学 | 基于网络离散文本的舆情信息分析方法 |
CN105373558A (zh) * | 2014-08-27 | 2016-03-02 | 青岛海尔智能家电科技有限公司 | 一种衡量产品推荐度的方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562722A (zh) * | 2017-08-14 | 2018-01-09 | 上海文军信息技术有限公司 | 基于大数据的互联网舆情监测分析系统 |
CN107491548A (zh) * | 2017-08-28 | 2017-12-19 | 武汉烽火普天信息技术有限公司 | 一种网络舆情文本信息推荐及可视化方法 |
CN110659436A (zh) * | 2019-08-22 | 2020-01-07 | 阿里巴巴集团控股有限公司 | 网络舆情监控方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108121795B (zh) | 用户行为预测方法及装置 | |
US8768935B2 (en) | Bigram suggestions | |
CN106777331A (zh) | 知识图谱生成方法及装置 | |
CN104991899A (zh) | 用户属性的识别方法及装置 | |
CN109284502B (zh) | 一种文本相似度计算方法、装置、电子设备及存储介质 | |
CN105095179B (zh) | 对用户评价进行处理的方法及装置 | |
US8844031B1 (en) | Detecting spam events in event management systems | |
CN108845986A (zh) | 一种情感分析方法、设备及系统、计算机可读存储介质 | |
CN105975642A (zh) | 一种基于网络大数据的舆情监控方法 | |
CN113360711A (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN107704763A (zh) | 多源异构漏洞情报去重方法、分级方法及装置 | |
CN109934631A (zh) | 问答信息处理方法、装置及计算机设备 | |
CN106997340A (zh) | 词库的生成以及利用词库的文档分类方法及装置 | |
CN111324725B (zh) | 一种话题获取方法、终端、计算机可读存储介质 | |
CN109471953A (zh) | 一种语音数据检索方法及终端设备 | |
Arafat et al. | Analyzing public emotion and predicting stock market using social media | |
CN107665443B (zh) | 获取目标用户的方法及装置 | |
CN115641198A (zh) | 用户运营方法、装置、电子设备和存储介质 | |
CN110263175B (zh) | 一种信息归类的方法、装置及电子设备 | |
CN112214673A (zh) | 一种舆情分析方法及装置 | |
CN112115258A (zh) | 一种用户的信用评价方法、装置、服务器及存储介质 | |
CN117743698B (zh) | 基于ai大模型的网络恶意写手识别方法及系统 | |
Feng et al. | Design and implementation of personalized recommendation system under big data platform | |
CN114969543B (zh) | 推广方法、系统、电子设备和存储介质 | |
CN109977221B (zh) | 基于大数据的用户验证方法及装置、存储介质、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160928 |
|
RJ01 | Rejection of invention patent application after publication |