CN108228670A - 一种基于轨迹相似度的目标对象关系识别方法和系统 - Google Patents
一种基于轨迹相似度的目标对象关系识别方法和系统 Download PDFInfo
- Publication number
- CN108228670A CN108228670A CN201611198489.3A CN201611198489A CN108228670A CN 108228670 A CN108228670 A CN 108228670A CN 201611198489 A CN201611198489 A CN 201611198489A CN 108228670 A CN108228670 A CN 108228670A
- Authority
- CN
- China
- Prior art keywords
- word
- vector
- target object
- node
- represent
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/374—Thesaurus
Abstract
本发明涉及一种基于轨迹相似度的目标对象关系识别方法和系统,所述方法包括:将同一时间出现在同一地点的目标对象的标识符拼接成一个行序列,并将若干个事件拼接成的M个行序列作为语料库,将语料库去重后构成字典,然后把事件中的每个目标对象作为字典中的词w,将与该目标对象同属于同一个行序列的目标对象作为w的上下文,记为Context(w),用二元组{w,Context(w)}构成一个具有n个元素的行序列;对字典中选取的词w所对应的向量v(w)进行训练;以及计算所选取的词w对应的向量v(w)与字典中其他词对应的向量之间的夹角,则与所选取的词w对应的向量v(w)夹角最小的词对应的目标对象是与所选取的词w对应的目标对象关系最密切的目标对象。
Description
技术领域
本发明涉及数据挖掘领域,并且更具体地,涉及一种基于轨迹相似度的目标对象关系识别方法和系统。
背景技术
目前,对于目标对象关系的识别,主要是通过对自然语言句子构造语义关系树来提取目标对象之间的关系,这种方法依赖于用自然语言描述的语料,但对于一些目标对象,比如犯罪分子,很难找到这样的语料用于识别他们的社会关系。
人们在乘坐飞机火车、住旅店时都留下了记录,假如有几个人经常在同一时间出现在同一地点,则他们在轨迹上的相似度很高,可以认为他们之间的关系会比较密切。本发明所述方法的目标就是根据目标对象的行为轨迹来识别其关系,特别是识别一些不易发现的社会关系,比如犯罪团伙,这些关系可为公共安全部门维护社会治安、捉拿犯罪同伙提供重要的依据。
发明内容
为了解决背景技术存在的上述问题,本发明提供一种基于轨迹相似度的目标对象关系识别方法,所述方法包括:
取时间段T内的若干个事件作为样本数据,在样本数据中将同一时间出现在同一地点的目标对象的标识符拼接成一个行序列,并将若干个事件拼接成的M个行序列作为语料库,将语料库去重后构成字典,然后把事件中的每个目标对象作为字典中的词w,将与该目标对象同属于同一个行序列的目标对象作为w的上下文,记为Context(w),用二元组{w,Context(w)}构成一个具有n个元素的行序列;
采用连续词袋模型神经网络对字典中选取的词w所对应的向量v(w)进行训练;以及
计算所选取的词w对应的向量v(w)与字典中其他词对应的向量之间的夹角,则与所选取的词w对应的向量v(w)夹角最小的词对应的目标对象是与所选取的词w对应的目标对象关系最密切的目标对象。
进一步地,所述方法采用连续词袋模型神经网络对字典中选取的词w所对应的向量v(w)进行训练时包括:
将包含Context(w)中的n-1个词的词向量 作为神经网络的输入层,其中,m表示词向量的长度;
将输入层的n-1个向量求和累加作为投影层,计算公式如下:
以语料中出现过的词当叶子节点,以各词在语料中出现的次数当权值构造出来的哈夫曼树作为输出层,在所述输出层中计算向量v(w)包括:
计算神经网络的目标函数,公式如下:
其中,pw表示从哈夫曼树的根节点出发到达w对应叶子节点的路径,lw表示路径pw中包含节点的个数,表示路径pw中的lw个结点,表示根节点,表示词w对应的结点,表示词w的哈夫曼编码,它由lw-1位编码构成,表示路径pw中第j个结点对应的编码,表示路径pw中非叶子结点对应的向量,表示路径pw中第j个非叶子结点对应的向量;
采用随机梯度下降法对目标函数进行优化,的更新公式为:
其中,η表示学习率;
计算向量v(w),计算公式如下:
进一步地,所述方法求取两个词对应的向量夹角,其计算公式如下:
其中,v(wi)和v(wj)分别表示两个词对应的向量,夹角α表示两个词对应的向量之间的夹角。
进一步地,所述方法的目标对象是人。
进一步地,当所述方法的目标对象是人时,所述词w用每个人的身份证表示。
根据本发明的另一方面,本发明提供一种基于轨迹相似度的目标对象关系识别系统,所述系统包括:
样本库构建单元,其用于取时间段T内的若干个事件作为样本数据,在样本数据中将同一时间出现在同一地点的目标对象拼接成行序列,并将若干个事件拼接成的M个行序列作为语料库,将语料库去重后构成字典,然后把事件中的每个目标对象作为字典中的词w,将与该目标对象同属于同一个行序列的目标对象作为w的上下文,记为Context(w),用二元组{w,Context(w)}构成一个具有n个元素的行序列;
向量训练单元,其用于采用连续词袋模型神经网络对字典中选取的词w对应的向量v(w)进行训练;以及
目标对象关系识别单元,其用于计算选取的词w对应的向量v(w)与字典中其他词对应的向量之间的夹角,其中,与所选取的词w对应的向量v(w)夹角最小的词对应的目标对象是与所选取的词w对应的目标对象关系最密切的目标对象。
进一步地,所述系统的目标对象是人。
进一步地,在所述样本库构建单元中,当目标对象是人时,字典中的词w用每个人的身份证表示。
进一步地,所述向量训练单元采用连续词袋模型神经网络对字典中选取的词w对应的向量v(w)进行训练时包括:
将包含Context(w)中的n-1个词的词向量 作为神经网络的输入层,其中,m表示词向量的长度;
将输入层的n-1个向量求和累加作为投影层,计算公式如下:
以语料中出现过的词当叶子节点,以各词在语料中出现的次数当权值构造出来的哈夫曼树作为输出层,在所述输出层中计算向量v(w)包括:
计算神经网络的目标函数,公式如下:
其中,pw表示从哈夫曼树的根节点出发到达w对应叶子节点的路径,lw表示路径pw中包含节点的个数,表示路径pw中的lw个结点,表示根节点,表示词w对应的结点,表示词w的哈夫曼编码,它由lw-1位编码构成,表示路径pw中第j个结点对应的编码,表示路径pw中非叶子结点对应的向量,表示路径pw中第j个非叶子结点对应的向量;
采用随机梯度下降法对目标函数进行优化,的更新公式为:
其中,η表示学习率;
计算向量v(w),计算公式如下:
进一步地,所述目标对象关系识别单元求取两个词对应的向量夹角,其计算公式如下:
其中,v(wi)和v(wj)分别表示两个词对应的向量,夹角α表示两个词对应的向量之间的夹角。
本发明提供了一种基于轨迹相似度的目标对象关系识别方法和系统,通过将目标对象映射到一个多维向量空间,将目标对象的行为轨迹信息作为训练样本,利用多层训练得到每个人对应的向量,通过向量之间夹角的大小判断目标对象之间关系的疏密程度,从而可从目标对象的行为轨迹中识别出关系,特别是识别一些不易发现的社会关系,比如犯罪团伙,这些关系可为公共安全部门维护社会治安、捉拿犯罪同伙提供重要的依据。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1是基于轨迹相似度的目标对象关系识别方法的流程图;以及
图2是基于轨迹相似度的目标对象关系识别系统的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1是基于轨迹相似度的目标对象关系识别方法的流程图。如图1所示,基于轨迹相似度的目标对象关系识别方法100从步骤S101开始。
在步骤S101,取时间段T内的若干个事件作为样本数据,在样本数据中将同一时间出现在同一地点的目标对象的标识符拼接成一个行序列,并将若干个事件拼接成的M个行序列作为语料库,将语料库去重后构成字典,然后把事件中的每个目标对象作为字典中的词w,将与该目标对象同属于同一个行序列的目标对象作为w的上下文,记为Context(w),用二元组{w,Context(w)}构成一个具有n个元素的行序列。
在步骤S102,采用连续词袋模型神经网络对字典中选取的词w所对应的向量v(w)进行训练。
在步骤S103,计算所选取的词w对应的向量v(w)与字典中其他词对应的向量之间的夹角,则与所选取的词w对应的向量v(w)夹角最小的词对应的目标对象是与所选取的词w对应的目标对象关系最密切的目标对象。
优选地,所述方法采用连续词袋模型神经网络对字典中选取的词w所对应的向量v(w)进行训练时包括:
将包含Context(w)中的n-1个词的词向量 作为神经网络的输入层,其中,m表示词向量的长度;
将输入层的n-1个向量求和累加作为投影层,计算公式如下:
以语料中出现过的词当叶子节点,以各词在语料中出现的次数当权值构造出来的哈夫曼树作为输出层,在所述输出层中计算向量v(w)包括:
计算神经网络的目标函数,公式如下:
其中,pw表示从哈夫曼树的根节点出发到达w对应叶子节点的路径,lw表示路径pw中包含节点的个数,表示路径pw中的lw个结点,表示根节点,表示词w对应的结点,表示词w的哈夫曼编码,它由lw-1位编码构成,表示路径pw中第j个结点对应的编码,表示路径pw中非叶子结点对应的向量,表示路径pw中第j个非叶子结点对应的向量;
采用随机梯度下降法对目标函数进行优化,的更新公式为:
其中,η表示学习率;
计算向量v(w),计算公式如下:
优选地,所述方法求取两个词对应的向量夹角,其计算公式如下:
其中,v(wi)和v(wj)分别表示两个词对应的向量,夹角α表示两个词对应的向量之间的夹角。
优选地,所述方法的目标对象是人。
优选地,当所述方法的目标对象是人时,所述词w用每个人的身份证表示。
图2是基于轨迹相似度的目标对象关系识别系统的结构图。如图2所示,本发明所述的基于轨迹相似度的目标对象关系识别系统200包括样本库构建单元201、向量训练单元202和目标对象关系识别单元203。
样本库构建单元201,其用于取时间段T内的若干个事件作为样本数据,在样本数据中将同一时间出现在同一地点的目标对象拼接成行序列,并将若干个事件拼接成的M个行序列作为语料库,将语料库去重后构成字典,然后把事件中的每个目标对象作为字典中的词w,将与该目标对象同属于同一个行序列的目标对象作为w的上下文,记为Context(w),用二元组{w,Context(w)}构成一个具有n个元素的行序列;
向量训练单元202,其用于采用连续词袋模型神经网络对字典中选取的词w对应的向量v(w)进行训练;以及
目标对象关系识别单元203,其用于计算选取的词w对应的向量v(w)与字典中其他词对应的向量之间的夹角,其中,与所选取的词w对应的向量v(w)夹角最小的词对应的目标对象是与所选取的词w对应的目标对象关系最密切的目标对象。
优选地,所述系统的目标对象是人。
优选地,在所述样本库构建单元中,当目标对象是人时,字典中的词w用每个人的身份证表示。
优选地,所述向量训练单元采用连续词袋模型神经网络对字典中选取的词w对应的向量v(w)进行训练时包括:
将包含Context(w)中的n-1个词的词向量 作为神经网络的输入层,其中,m表示词向量的长度;
将输入层的n-1个向量求和累加作为投影层,计算公式如下:
以语料中出现过的词当叶子节点,以各词在语料中出现的次数当权值构造出来的哈夫曼树作为输出层,在所述输出层中计算向量v(w)包括:
计算神经网络的目标函数,公式如下:
其中,pw表示从哈夫曼树的根节点出发到达w对应叶子节点的路径,lw表示路径pw中包含节点的个数,表示路径pw中的lw个结点,表示根节点,表示词w对应的结点,表示词w的哈夫曼编码,它由lw-1位编码构成,表示路径pw中第j个结点对应的编码,表示路径pw中非叶子结点对应的向量,表示路径pw中第j个非叶子结点对应的向量;
采用随机梯度下降法对目标函数进行优化,的更新公式为:
其中,η表示学习率;
计算向量v(w),计算公式如下:
优选地,所述目标对象关系识别单元求取两个词对应的向量夹角,其计算公式如下:
其中,v(wi)和v(wj)分别表示两个词对应的向量,夹角α表示两个词对应的向量之间的夹角。
已经通过上述实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该【装置、组件等】”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (10)
1.一种基于轨迹相似度的目标对象关系识别方法,其特征在于,所述方法包括:
取时间段T内的若干个事件作为样本数据,在样本数据中将同一时间出现在同一地点的目标对象的标识符拼接成一个行序列,并将若干个事件拼接成的M个行序列作为语料库,将语料库去重后构成字典,然后把事件中的每个目标对象作为字典中的词w,将与该目标对象同属于同一个行序列的目标对象作为w的上下文,记为Context(w),用二元组{w,Context(w)}构成一个具有n个元素的行序列;
采用连续词袋模型神经网络对字典中选取的词w所对应的向量v(w)进行训练;以及
计算所选取的词w对应的向量v(w)与字典中其他词对应的向量之间的夹角,则与所选取的词w对应的向量v(w)夹角最小的词对应的目标对象是与所选取的词w对应的目标对象关系最密切的目标对象。
2.根据权利要求1所述的方法,其特征在于,所述方法采用连续词袋模型神经网络对字典中选取的词w所对应的向量v(w)进行训练时包括:
将包含Context(w)中的n-1个词的词向量 作为神经网络的输入层,其中,m表示词向量的长度;
将输入层的n-1个向量求和累加作为投影层,计算公式如下:
以语料中出现过的词当叶子节点,以各词在语料中出现的次数当权值构造出来的哈夫曼树作为输出层,在所述输出层中计算向量v(w)包括:
计算神经网络的目标函数,公式如下:
其中,pw表示从哈夫曼树的根节点出发到达w对应叶子节点的路径,lw表示路径pw中包含节点的个数,表示路径pw中的lw个结点,表示根节点,表示词w对应的结点,表示词w的哈夫曼编码,它由lw-1位编码构成,表示路径pw中第j个结点对应的编码,表示路径pw中非叶子结点对应的向量,表示路径pw中第j个非叶子结点对应的向量;
采用随机梯度下降法对目标函数进行优化,的更新公式为:
其中,η表示学习率;
计算向量v(w),计算公式如下:
3.根据权利要求2所述的方法,其特征在于,所述方法求取两个词对应的向量夹角,其计算公式如下:
其中,v(wi)和v(wj)分别表示两个词对应的向量,夹角α表示两个词对应的向量之间的夹角。
4.根据权利要求1所述的方法,其特征在于,所述目标对象是人。
5.根据权利要求4所述的方法,其特征在于,所述词w用每个人的身份证表示。
6.一种基于轨迹相似度的目标对象关系识别系统,其特征在于,所述系统包括:
样本库构建单元,其用于取时间段T内的若干个事件作为样本数据,在样本数据中将同一时间出现在同一地点的目标对象拼接成行序列,并将若干个事件拼接成的M个行序列作为语料库,将语料库去重后构成字典,然后把事件中的每个目标对象作为字典中的词w,将与该目标对象同属于同一个行序列的目标对象作为w的上下文,记为Context(w),用二元组{w,Context(w)}构成一个具有n个元素的行序列;
向量训练单元,其用于采用连续词袋模型神经网络对字典中选取的词w对应的向量v(w)进行训练;以及
目标对象关系识别单元,其用于计算选取的词w对应的向量v(w)与字典中其他词对应的向量之间的夹角,其中,与所选取的词w对应的向量v(w)夹角最小的词对应的目标对象是与所选取的词w对应的目标对象关系最密切的目标对象。
7.根据权利要求6所述的系统,其特征在于,所述目标对象是人。
8.根据权利要求7所述的系统,其特征在于,在所述样本库构建单元中,字典中的词w用每个人的身份证表示。
9.根据权利要求6所述的系统,其特征在于,所述向量训练单元采用连续词袋模型神经网络对字典中选取的词w对应的向量v(w)进行训练时包括:
将包含Context(w)中的n-1个词的词向量 作为神经网络的输入层,其中,m表示词向量的长度;
将输入层的n-1个向量求和累加作为投影层,计算公式如下:
以语料中出现过的词当叶子节点,以各词在语料中出现的次数当权值构造出来的哈夫曼树作为输出层,在所述输出层中计算向量v(w)包括:
计算神经网络的目标函数,公式如下:
其中,pw表示从哈夫曼树的根节点出发到达w对应叶子节点的路径,lw表示路径pw中包含节点的个数,表示路径pw中的lw个结点,表示根节点,表示词w对应的结点,表示词w的哈夫曼编码,它由lw-1位编码构成,表示路径pw中第j个结点对应的编码,表示路径pw中非叶子结点对应的向量,表示路径pw中第j个非叶子结点对应的向量;
采用随机梯度下降法对目标函数进行优化,的更新公式为:
其中,η表示学习率;
计算向量v(w),计算公式如下:
10.根据权利要求6所述的系统,其特征在于,所述目标对象关系识别单元求取两个词对应的向量夹角,其计算公式如下:
其中,v(wi)和v(wj)分别表示两个词对应的向量,夹角α表示两个词对应的向量之间的夹角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611198489.3A CN108228670A (zh) | 2016-12-22 | 2016-12-22 | 一种基于轨迹相似度的目标对象关系识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611198489.3A CN108228670A (zh) | 2016-12-22 | 2016-12-22 | 一种基于轨迹相似度的目标对象关系识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108228670A true CN108228670A (zh) | 2018-06-29 |
Family
ID=62656928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611198489.3A Pending CN108228670A (zh) | 2016-12-22 | 2016-12-22 | 一种基于轨迹相似度的目标对象关系识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108228670A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110990722A (zh) * | 2019-12-19 | 2020-04-10 | 南京柏跃软件有限公司 | 基于大数据挖掘的模糊共站分析算法模型及其分析系统 |
CN111274827A (zh) * | 2020-01-20 | 2020-06-12 | 南京新一代人工智能研究院有限公司 | 一种基于词袋多目标学习的后缀翻译方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201766663U (zh) * | 2010-03-30 | 2011-03-16 | 苏州市职业大学 | 一种小区物业监控系统 |
US20150066711A1 (en) * | 2012-04-11 | 2015-03-05 | National University Of Singapore | Methods, apparatuses and computer-readable mediums for organizing data relating to a product |
CN105740823A (zh) * | 2016-02-01 | 2016-07-06 | 北京高科中天技术股份有限公司 | 基于深度卷积神经网络的动态手势轨迹识别方法 |
CN106227722A (zh) * | 2016-09-12 | 2016-12-14 | 中山大学 | 一种基于上市公司公告摘要的自动提取方法 |
-
2016
- 2016-12-22 CN CN201611198489.3A patent/CN108228670A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201766663U (zh) * | 2010-03-30 | 2011-03-16 | 苏州市职业大学 | 一种小区物业监控系统 |
US20150066711A1 (en) * | 2012-04-11 | 2015-03-05 | National University Of Singapore | Methods, apparatuses and computer-readable mediums for organizing data relating to a product |
CN105740823A (zh) * | 2016-02-01 | 2016-07-06 | 北京高科中天技术股份有限公司 | 基于深度卷积神经网络的动态手势轨迹识别方法 |
CN106227722A (zh) * | 2016-09-12 | 2016-12-14 | 中山大学 | 一种基于上市公司公告摘要的自动提取方法 |
Non-Patent Citations (2)
Title |
---|
李莉: "《管理定量分析 决策中常用的分析方法》", 31 December 2007 * |
江大鹏: "基于词向量的短文本分类方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110990722A (zh) * | 2019-12-19 | 2020-04-10 | 南京柏跃软件有限公司 | 基于大数据挖掘的模糊共站分析算法模型及其分析系统 |
CN111274827A (zh) * | 2020-01-20 | 2020-06-12 | 南京新一代人工智能研究院有限公司 | 一种基于词袋多目标学习的后缀翻译方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Subramani et al. | Domestic violence crisis identification from facebook posts based on deep learning | |
Tandera et al. | Personality prediction system from facebook users | |
Lara-Cabrera et al. | Measuring the radicalisation risk in social networks | |
CN104318340B (zh) | 基于文本履历信息的信息可视化方法及智能可视分析系统 | |
CN108073569A (zh) | 一种基于多层级多维度语义理解的法律认知方法、装置和介质 | |
Nguyen et al. | Forecasting people’s needs in hurricane events from social network | |
CN110826316B (zh) | 一种应用于裁判文书中敏感信息的识别方法 | |
Banna et al. | A hybrid deep learning model to predict the impact of COVID-19 on mental health from social media big data | |
Lwowski et al. | Geospatial event detection by grouping emotion contagion in social media | |
CN113326358B (zh) | 基于知识图谱语义匹配的地震灾害信息服务方法和系统 | |
CN111079031A (zh) | 一种基于深度学习和XGBoost算法的博文关于灾难信息重要性加权分类方法 | |
Mredula et al. | A review on the trends in event detection by analyzing social media platforms’ data | |
CN113779429A (zh) | 交通拥堵态势预测方法、装置、设备及存储介质 | |
Wang et al. | Self-information loss compensation learning for machine-generated text detection | |
Barakhnin et al. | Methods to identify the destructive information | |
Dahou et al. | A social media event detection framework based on transformers and swarm optimization for public notification of crises and emergency management | |
Naaz et al. | Sequence classification of tweets with transfer learning via bert in the field of disaster management | |
CN108228670A (zh) | 一种基于轨迹相似度的目标对象关系识别方法和系统 | |
CN113761192A (zh) | 文本处理方法、文本处理装置及文本处理设备 | |
Sindhu et al. | Disaster management from social media using machine learning | |
Wu et al. | Public opinion monitoring for proactive crime detection using named entity recognition | |
Wan et al. | Rescue implicit and long-tail cases: Nearest neighbor relation extraction | |
Sany et al. | An opinion mining of text in COVID-19 issues along with comparative study in ML, BERT & RNN | |
Mothe et al. | Instruments and tools to identify radical textual content | |
Dutta et al. | Fake news prediction: a survey |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |
|
RJ01 | Rejection of invention patent application after publication |