CN109189934A - 舆情推荐方法、装置、计算机设备及存储介质 - Google Patents
舆情推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109189934A CN109189934A CN201811346051.4A CN201811346051A CN109189934A CN 109189934 A CN109189934 A CN 109189934A CN 201811346051 A CN201811346051 A CN 201811346051A CN 109189934 A CN109189934 A CN 109189934A
- Authority
- CN
- China
- Prior art keywords
- text
- group
- corpus
- vector
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010586 diagram Methods 0.000 claims description 49
- 238000000605 extraction Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 230000007423 decrease Effects 0.000 claims description 15
- 230000009193 crawling Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 210000003813 thumb Anatomy 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 235000019227 E-number Nutrition 0.000 description 1
- 239000004243 E-number Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 210000003811 finger Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了舆情推荐方法、装置、计算机设备及存储介质。该方法由根据初始语料分词得到的关键词集合从外网网址的文本资源中爬取外部语料,获取各文本一一对应的外网全文文章向量;将各外网全文文章向量根据预先聚类的聚类群进行分类,得到更新后聚类群;获取更新后聚类群中各聚类群所对应语料数据,根据语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值;接收所录入的检索关键词,若在更新后聚类群中存在有聚类群的标签与检索关键词相同,将对应聚类群的舆情内容和舆情热度值进行显示。该方法实现了对外部语料中各文本对应判断聚类群归属后自动打标签,而且可根据检索关键词快速且精准从聚类群中检索得到目标舆情内容。
Description
技术领域
本发明涉及数据采集技术领域,尤其涉及一种舆情推荐方法、装置、计算机设备及存储介质。
背景技术
目前的舆情系统,集成了舆情监测、舆情采集、舆情智能分析、舆情处理、舆情预警等功能,帮助用户全面掌握舆情动态。但是,目前的舆情系统大多数是不提供检索功能和标签自动标注功能,或者这部分工作是人工编辑的。而随着网络大数据的兴起,原先的舆情系统已不能满足在海量舆情数据进行精准检索数据的需求。
发明内容
本发明实施例提供了一种舆情推荐方法、装置、计算机设备及存储介质,旨在解决现有技术中舆情系统不提供检索功能,导致不能满足在海量舆情数据进行精准检索的问题。
第一方面,本发明实施例提供了一种舆情推荐方法,其包括:
获取从预设的内网网址中所爬取初始语料进行关键词提取得到的关键词集合,根据关键词集合从外网网址的文本资源中爬取外部语料,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量;
将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,得到更新后聚类群;
获取更新后聚类群中每一聚类群所对应语料数据,根据所述语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值;以及
接收所录入的检索关键词,若在更新后聚类群中存在有聚类群的标签与所述检索关键词相同,将对应聚类群的舆情内容和舆情热度值进行显示。
第二方面,本发明实施例提供了一种舆情推荐装置,其包括:
外网全文文章向量获取单元,用于根据关键词集合从外网网址的文本资源中爬取外部语料,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量;
外网文章聚类单元,用于将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,得到更新后聚类群;
舆情热度值计算单元,用于获取更新后聚类群中每一聚类群所对应语料数据,根据所述语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值;
检索单元,用于接收所录入的检索关键词,若在更新后聚类群中存在有聚类群的标签与所述检索关键词相同,将对应聚类群的舆情内容和舆情热度值进行显示。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的舆情推荐方法。
第四方面,本发明实施例还提供了一种存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的舆情推荐方法。
本发明实施例提供了一种舆情推荐方法、装置、计算机设备及存储介质。该方法获取从预设的内网网址中所爬取初始语料进行关键词提取得到的关键词集合,根据关键词集合从外网网址的文本资源中爬取外部语料,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量;将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,得到更新后聚类群;获取更新后聚类群中每一聚类群所对应语料数据,根据所述语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值;接收所录入的检索关键词,若在更新后聚类群中存在有聚类群的标签与所述检索关键词相同,将对应聚类群的舆情内容和舆情热度值进行显示。该方法实现了对外部语料中各文本对应判断聚类群归属后自动打标签,而且可根据检索关键词快速且精准从聚类群中检索得到目标舆情内容。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的舆情推荐方法的流程示意图;
图2为本发明实施例提供的舆情推荐方法的另一流程示意图;
图3为本发明实施例提供的舆情推荐方法的子流程示意图;
图4为本发明实施例提供的舆情推荐方法的另一子流程示意图;
图5为本发明实施例提供的舆情推荐方法的另一子流程示意图;
图6为本发明实施例提供的舆情推荐方法的另一子流程示意图;
图7为本发明实施例提供的舆情推荐方法的另一子流程示意图;
图8为本发明实施例提供的舆情推荐装置的示意性框图;
图9为本发明实施例提供的舆情推荐装置的另一示意性框图;
图10为本发明实施例提供的舆情推荐装置的子单元示意性框图;
图11为本发明实施例提供的舆情推荐装置的另一子单元示意性框图;
图12为本发明实施例提供的舆情推荐装置的另一子单元示意性框图;
图13为本发明实施例提供的舆情推荐装置的另一子单元示意性框图;
图14为本发明实施例提供的舆情推荐装置的另一子单元示意性框图;
图15为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1是本发明实施例提供的舆情推荐方法的流程示意图,该舆情推荐方法应用于管理服务器中,该方法通过安装于管理服务器中的应用软件进行执行,管理服务器即是用于进行舆情推荐的企业终端。
如图1所示,该方法包括步骤S110~S140。
S110、获取从预设的内网网址中所爬取初始语料进行关键词提取得到的关键词集合,根据关键词集合从外网网址的文本资源中爬取外部语料,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量。
在本实施例中,先是从预设的内网网址中爬取初始语料,然后将初始语料进行关键词提取得到初始语料关键词列表,根据初始语料关键词列表筛选而得到的关键词集合中每一关键词或者由至少两个关键词组成的关键词组合作为检索条件,根据关键词集合从外网网址的文本资源中爬取外部语料。根据关键词集合从外网网址的文本资源中爬取外部语料后,由于存在海量的外部语料,此时为了将海量的外部语料进行分类,需要对应获取各文本一一对应的外网全文文章向量,以外网全文文章向量作为聚类分类的参考值。
在一实施例中,如图7所示,步骤S110包括:
S111、获取所述内网网址相对应的网址归属方名称的归属方关键词,及与所述归属方关键词对应的归属方词向量;
S112、将所述初始语料进行关键词提取,得到与所述初始语料对应的初始语料关键词列表,及与所述初始语料关键词列表中每一关键词对应的初始语料关键词向量;
S113、获取每一初始语料关键词向量与归属方词向量之间的欧氏距离以作为欧式距离结果集合,将欧式距离结果集合中欧氏距离值排名位于预设排名阈值之前的欧氏距离所对应的初始语料关键词向量作为候选关键词向量集合;
S114、获取所述候选关键词向量集合中每一初始语料关键词向量对应的关键词以作为关键词集合。
在本实施例中,在获取关键词集合时,是先获取初始语料中与归属方关键词(一般是公司名称)较为近似的多个关键词,这样即可自动根据关键词集合自动从外网网址的文本资源中爬取外部语料。
而在获取初始语料中与归属方关键词较为近似的多个关键词时,可以先获取所述归属方关键词对应的归属方词向量,再获取所述初始语料关键词列表中每一关键词对应的初始语料关键词向量,最后筛选满足条件(初始语料关键词向量与归属方词向量之间的欧氏距离的距离排名位于预设的排名阈值之前,如预设的排名阈值11,则取初始语料关键词向量与归属方词向量之间的欧氏距离的距离排名位于前10位的关键词)的初始语料关键词向量所对应关键词作为筛选结果。
在一实施例中,如图3所示,步骤S110还包括:
S115、将所述外部语料所包括的多篇文本中各文本的标题和正文分别通过词频-逆文本频率指数模型进行关键词信息抽取,得到与各文本对应的标题关键词列表和正文关键词列表;
S116、通过Word2Vec模型获取各标题关键词列表所包括标题关键词对应的标题词向量,及与标题关键词列表对应的标题平均向量;
S117、通过Word2Vec模型获取各正文关键词列表所包括正文关键词对应的正文词向量,及与各正文关键词列表对应的正文平均向量;
S118、根据文本的全文文章向量=标题平均向量*预设的第一权重+正文平均向量*预设的第二权重,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量。
其中,第一权重+第二权重=1。
在本实施例中,当通过TF-IDF模型(即term frequency–inverse documentfrequency,表示词频-逆文本频率指数模型)对所述所述外部语料所包括的多篇文本中各文本的标题和正文均进行关键词信息抽取,可以将每一文本简化表述为对应的关键词列表。
词频-逆文本频率指数模型是一种用于信息检索与数据挖掘的常用加权技术。TF意思是词频(Term Frequency),IDF意思是逆文本频率指数(Inverse DocumentFrequency)。TF-IDF是一种统计方法,用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降。
再通过Word2Vec模型(Word2Vec是从大量文本语料中以无监督的方式学习语义知识的一种模型)获取各标题关键词列表所包括标题关键词对应的标题词向量,及与标题关键词列表对应的标题平均向量;且通过Word2Vec模型获取各正文关键词列表所包括正文关键词对应的正文词向量,及与各正文关键词列表对应的正文平均向量。
在获取了与标题关键词列表对应的标题平均向量,和与各正文关键词列表对应的正文平均向量,此时即根据文本的全文文章向量=标题平均向量*预设的第一权重+正文平均向量*预设的第二权重,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量。
例如,将所述外部语料所包括的多篇文本中各文本的标题和正文分别通过词频-逆文本频率指数模型进行关键词信息抽取,得到如下表1所示的与各文本对应的标题关键词列表和正文关键词列表:
序号 | 正文关键词列表 | 标题关键词列表 | 标签 |
1 | kw11,kw12,...,kw110 | W11,W12 | Tag1 |
2 | kw21,kw22,...,kw210 | W21,W22 | Tag2 |
3 | |||
4 | |||
5 | |||
... | |||
n |
表1
即每一文本所提取得到的正文关键词列表中只保留了该文本的所抽取得到的多个关键词中权重值排名前10位的关键词,而标题关键词列表只保留2个权重值最大的关键词。
由于将每一文本均对应转化为对应的外网全文文章向量,能有效的根据外网全文文章向量对多篇文本分别进行聚类群归属的判断,以确定每一文本的分类标签。
在一实施例中,如图6所示,步骤S118之后还包括:
S119、根据所述更新后聚类群中每一聚类群对应建立图数据,并存储至图数据库;其中,以所述更新后聚类群中每一聚类群的标签作为图数据的实体,以每一聚类群对应的舆情热度值作为图数据的对象。
在本实施例中,可以构建图数据库Neo4j,然后所述更新后聚类群中每一聚类群对应建立图数据,将图数据存储在图数据库Neo4j中。此时,是以所述更新后聚类群中每一聚类群的标签作为图数据的实体,以每一聚类群对应的舆情热度值作为图数据的对象来构建图数据进行存储。通过图数据的方式存储语料数据,能便于后续以拓扑图的方式展示检索结果。
在一实施例中,如图2所示,步骤S110之前还包括:
S101、从预设的内网网址中爬取初始语料,获取与所述初始语料所包括的多篇文本中各文本一一对应的内网全文文章向量;
S102、将各文本对应的全文文章向量进行DBSCAN聚类,得到多个聚类群,并对每一聚类群各设置一个标签。
在本实施例中,从预设的内网网址(主要是公司的官网)爬取初始语料(如公司官网内的公司简介、新闻报道等资料),以初始语料作为素材,与上述根据外网语料获取每一文本的外网全文文章向量步骤相同,得到所述初始语料所包括的多篇文本中各文本一一对应的内网全文文章向量。之后将通过DBSCAN聚类模型对所述初始语料所包括的多篇文本中各文本一一对应的内网全文文章向量进行聚类,得到至少一个聚类簇。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。
DBSCAN需要二个参数:扫描半径(eps)和最小包含点数(minPts)。任选一个未被访问(unvisited)的点开始,找出与其距离在eps之内(包括eps)的所有附近点。
如果附近点的数量≥minPts,则当前点与其附近点形成一个簇,并且出发点被标记为已访问(visited)。然后递归,以相同的方法处理该簇内所有未被标记为已访问(visited)的点,从而对簇进行扩展。如果附近点的数量<minPts,则该点暂时被标记作为噪声点。如果簇充分地被扩展,即簇内的所有点被标记为已访问,然后用同样的算法去处理未被访问的点。
S120、将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,得到更新后聚类群。
在本实施例中,由于已根据爬取的初始语料进行DBSCAN聚类,得到多个聚类群,而且每一聚类群各设置一个标签,相当于构建了初始的聚类群和对应的标签。之后获取了所爬取的外部语料后,只需将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,无需人工对外部语料中各文本进行分类,提高了分类效率。
在一实施例中,如图4所示,步骤S120包括:
S121、获取所述外部语料中各文本一一对应的外网全文文章向量,计算每一外网全文文章向量与多个聚类群中各聚类群中心之间的欧式距离;
S122、获取每一外网全文文章向量与多个聚类群中各聚类群中心之间的欧式距离中的最短距离,以作为外网全文文章向量的聚类归属判断距离;
S123、若外网全文文章向量的聚类归属判断距离小于多个聚类群其中一个聚类群的扫描半径,将外网全文文章向量增加至对应的聚类群,直至各聚类群中无新增的外网全文文章向量以得到更新后聚类群;
S124、若外网全文文章向量的聚类归属判断距离大于多个聚类群各聚类群的扫描半径,将外网全文文章向量增加至未聚类的文本集合。
在本实施例中,在对外网全文文章向量进行所归属的聚类群的判断时,是以外网全文文章向量与各聚类群中心之间的欧式距离中的最短距离作为判断参数。具体为:若外网全文文章向量的聚类归属判断距离小于多个聚类群其中一个聚类群的扫描半径,将外网全文文章向量增加至对应的聚类群,直至各聚类群中无新增的外网全文文章向量以得到更新后聚类群。若仍存在外网全文文章向量的聚类归属判断距离大于多个聚类群各聚类群的扫描半径,将外网全文文章向量增加至未聚类的文本集合,此时需手工对未聚类的文本集合增加设置标签。通过上述方式,实现了半监督聚类,并自动对每个聚类群中新增的文本进行标签标注。
S130、获取更新后聚类群中每一聚类群所对应语料数据,根据所述语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值。
在本实施例中,对外部语料进行聚类分类后,需根据更新后聚类群中每一聚类群所对应语料数据、以及预设的舆情热度模型,以计算获取更新后聚类群中每一聚类群的舆情热度值。通过对每一聚类群进行舆情热度值的计算,能获取该聚类群对应的一类标签中所有文章的舆论关注度,以判断此类标签文章对应的舆情热度。
在一实施例中,如图5所示,步骤S130包括:
S131、获取所述语料数据包括的多篇文本中每一文本的点赞数、评论数和转发数之和以得到每一文本的热度值;
S132、获取每一文本的发表时间与当前系统时间之差并乘以预设调节参数以作为自然指数e的指数,计算得到每一文本的时间衰退因子;
S133、将所述语料数据中各文本的热度值乘以对应的时间衰退因子并求和,得到所述语料数据相对应聚类群的舆情热度值。
在本实施例中,每一类标签对应多个文本,每一文本均至少包括标题、正文、作者、发表时间、点赞数、评论数和转发数等信息,故对某一个聚类群的舆情热度值进行计算时,可通过以下公式:
其中,Heati表示标签i对应聚类群的舆情热度值,heatij表示标签i对应聚类群中每一文本的热度值,表示标签i对应聚类群中每一文本的时间衰退因子。由于对每一文本的时间衰退因子进行了考虑,故随着系统时间的推移,每一文本对该类标签的热度贡献值就会逐渐衰减,这也能能准确的拟合现实情况。
S140、接收所录入的检索关键词,若在更新后聚类群中存在有聚类群的标签与所述检索关键词相同,将对应聚类群的舆情内容和舆情热度值进行显示。
在本实施例中,当用户需检索某一类标签的语料数据时,可在检索框中录入检索关键词,若在更新后聚类群中存在有聚类群的标签与所述检索关键词相同则表示有匹配检索关键词的检索结果,此时将检索关键词对应聚类群的舆情内容和舆情热度值进行显示,以直观的对用户进行此类标签的舆情热度。
该方法实现了对外部语料中各文本对应判断聚类群归属后自动打标签,而且可根据检索关键词快速且精准从聚类群中检索得到目标舆情内容。
本发明实施例还提供一种舆情推荐装置,该舆情推荐装置用于执行前述舆情推荐方法的任一实施例。具体地,请参阅图8,图8是本发明实施例提供的舆情推荐装置的示意性框图。该舆情推荐装置100可以配置于管理服务器中。
如图8所示,舆情推荐装置100包括外网全文文章向量获取单元110、外网文章聚类单元120、舆情热度值计算单元130、和检索单元140。
外网全文文章向量获取单元110,用于根据关键词集合从外网网址的文本资源中爬取外部语料,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量。
在本实施例中,先是从预设的内网网址中爬取初始语料,然后将初始语料进行关键词提取得到初始语料关键词列表,根据初始语料关键词列表筛选而得到的关键词集合中每一关键词或者由至少两个关键词组成的关键词组合作为检索条件,根据关键词集合从外网网址的文本资源中爬取外部语料。根据关键词集合从外网网址的文本资源中爬取外部语料后,由于存在海量的外部语料,此时为了将海量的外部语料进行分类,需要对应获取各文本一一对应的外网全文文章向量,以外网全文文章向量作为聚类分类的参考值。
在本实施例中,如图14所示,外网全文文章向量获取单元110包括:
归属方词向量获取单元111,用于获取所述内网网址相对应的网址归属方名称的归属方关键词,及与所述归属方关键词对应的归属方词向量;
初始语料关键词向量获取单元112,用于将所述初始语料进行关键词提取,得到与所述初始语料对应的初始语料关键词列表,及与所述初始语料关键词列表中每一关键词对应的初始语料关键词向量;
候选关键词向量集合获取单元113,用于获取每一初始语料关键词向量与归属方词向量之间的欧氏距离以作为欧式距离结果集合,将欧式距离结果集合中欧氏距离值排名位于预设排名阈值之前的欧氏距离所对应的初始语料关键词向量作为候选关键词向量集合;
关键词集合获取单元114,用于获取所述候选关键词向量集合中每一初始语料关键词向量对应的关键词以作为关键词集合。
在本实施例中,在获取关键词集合时,是先获取初始语料中与归属方关键词(一般是公司名称)较为近似的多个关键词,这样即可自动根据关键词集合自动从外网网址的文本资源中爬取外部语料。
而在获取初始语料中与归属方关键词较为近似的多个关键词时,可以先获取所述归属方关键词对应的归属方词向量,再获取所述初始语料关键词列表中每一关键词对应的初始语料关键词向量,最后筛选满足条件(初始语料关键词向量与归属方词向量之间的欧氏距离的距离排名位于预设的排名阈值之前,如预设的排名阈值11,则取初始语料关键词向量与归属方词向量之间的欧氏距离的距离排名位于前10位的关键词)的初始语料关键词向量所对应关键词作为筛选结果。
在一实施例中,如图10所示,外网全文文章向量获取单元110还包括:
关键词抽取单元115,用于将所述外部语料所包括的多篇文本中各文本的标题和正文分别通过词频-逆文本频率指数模型进行关键词信息抽取,得到与各文本对应的标题关键词列表和正文关键词列表;
标题平均向量获取单元116,用于通过Word2Vec模型获取各标题关键词列表所包括标题关键词对应的标题词向量,及与标题关键词列表对应的标题平均向量;
正文平均向量获取单元117,用于通过Word2Vec模型获取各正文关键词列表所包括正文关键词对应的正文词向量,及与各正文关键词列表对应的正文平均向量;
全文文章向量获取单元118,用于根据文本的全文文章向量=标题平均向量*预设的第一权重+正文平均向量*预设的第二权重,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量。
其中,第一权重+第二权重=1。
在本实施例中,当通过TF-IDF模型(即term frequency–inverse documentfrequency,表示词频-逆文本频率指数模型)对所述所述外部语料所包括的多篇文本中各文本的标题和正文均进行关键词信息抽取,可以将每一文本简化表述为对应的关键词列表。
词频-逆文本频率指数模型是一种用于信息检索与数据挖掘的常用加权技术。TF意思是词频(Term Frequency),IDF意思是逆文本频率指数(Inverse DocumentFrequency)。TF-IDF是一种统计方法,用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降。
再通过Word2Vec模型(Word2Vec是从大量文本语料中以无监督的方式学习语义知识的一种模型)获取各标题关键词列表所包括标题关键词对应的标题词向量,及与标题关键词列表对应的标题平均向量;且通过Word2Vec模型获取各正文关键词列表所包括正文关键词对应的正文词向量,及与各正文关键词列表对应的正文平均向量。
在获取了与标题关键词列表对应的标题平均向量,和与各正文关键词列表对应的正文平均向量,此时即根据文本的全文文章向量=标题平均向量*预设的第一权重+正文平均向量*预设的第二权重,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量。
由于将每一文本均对应转化为对应的外网全文文章向量,能有效的根据外网全文文章向量对多篇文本分别进行聚类群归属的判断,以确定每一文本的分类标签。
在一实施例中,如图13所示,外网全文文章向量获取单元110还包括:
图数据存储单元119,用于根据所述更新后聚类群中每一聚类群对应建立图数据,并存储至图数据库;其中,以所述更新后聚类群中每一聚类群的标签作为图数据的实体,以每一聚类群对应的舆情热度值作为图数据的对象。
在本实施例中,可以构建图数据库Neo4j,然后所述更新后聚类群中每一聚类群对应建立图数据,将图数据存储在图数据库Neo4j中。此时,是以所述更新后聚类群中每一聚类群的标签作为图数据的实体,以每一聚类群对应的舆情热度值作为图数据的对象来构建图数据进行存储。通过图数据的方式存储语料数据,能便于后续以拓扑图的方式展示检索结果。
在一实施例中,如图9所示,舆情推荐装置100还包括:
内网全文文章向量获取单元101,用于从预设的内网网址中爬取初始语料,获取与所述初始语料所包括的多篇文本中各文本一一对应的内网全文文章向量;
向量聚类单元102,用于将各文本对应的全文文章向量进行DBSCAN聚类,得到多个聚类群,并对每一聚类群各设置一个标签。
在本实施例中,从预设的内网网址(主要是公司的官网)爬取初始语料(如公司官网内的公司简介、新闻报道等资料),以初始语料作为素材,与上述根据外网语料获取每一文本的外网全文文章向量步骤相同,得到所述初始语料所包括的多篇文本中各文本一一对应的内网全文文章向量。之后将通过DBSCAN聚类模型对所述初始语料所包括的多篇文本中各文本一一对应的内网全文文章向量进行聚类,得到至少一个聚类簇。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。
DBSCAN需要二个参数:扫描半径(eps)和最小包含点数(minPts)。任选一个未被访问(unvisited)的点开始,找出与其距离在eps之内(包括eps)的所有附近点。
如果附近点的数量≥minPts,则当前点与其附近点形成一个簇,并且出发点被标记为已访问(visited)。然后递归,以相同的方法处理该簇内所有未被标记为已访问(visited)的点,从而对簇进行扩展。如果附近点的数量<minPts,则该点暂时被标记作为噪声点。如果簇充分地被扩展,即簇内的所有点被标记为已访问,然后用同样的算法去处理未被访问的点。
外网文章聚类单元120,用于将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,得到更新后聚类群。
在本实施例中,由于已根据爬取的初始语料进行DBSCAN聚类,得到多个聚类群,而且每一聚类群各设置一个标签,相当于构建了初始的聚类群和对应的标签。之后获取了所爬取的外部语料后,只需将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,无需人工对外部语料中各文本进行分类,提高了分类效率。
在一实施例中,如图11所示,外网文章聚类单元120包括:
欧式距离计算单元121、获取所述外部语料中各文本一一对应的外网全文文章向量,计算每一外网全文文章向量与多个聚类群中各聚类群中心之间的欧式距离;
判断距离获取单元122、获取每一外网全文文章向量与多个聚类群中各聚类群中心之间的欧式距离中的最短距离,以作为外网全文文章向量的聚类归属判断距离;
聚类扫描单元123,用于若外网全文文章向量的聚类归属判断距离小于多个聚类群其中一个聚类群的扫描半径,将外网全文文章向量增加至对应的聚类群,直至各聚类群中无新增的外网全文文章向量以得到更新后聚类群;
非聚类文本集中单元124,用于若外网全文文章向量的聚类归属判断距离大于多个聚类群各聚类群的扫描半径,将外网全文文章向量增加至未聚类的文本集合。
在本实施例中,在对外网全文文章向量进行所归属的聚类群的判断时,是以外网全文文章向量与各聚类群中心之间的欧式距离中的最短距离作为判断参数。具体为:若外网全文文章向量的聚类归属判断距离小于多个聚类群其中一个聚类群的扫描半径,将外网全文文章向量增加至对应的聚类群,直至各聚类群中无新增的外网全文文章向量以得到更新后聚类群。若仍存在外网全文文章向量的聚类归属判断距离大于多个聚类群各聚类群的扫描半径,将外网全文文章向量增加至未聚类的文本集合,此时需手工对未聚类的文本集合增加设置标签。通过上述方式,实现了半监督聚类,并自动对每个聚类群中新增的文本进行标签标注。
舆情热度值计算单元130,用于获取更新后聚类群中每一聚类群所对应语料数据,根据所述语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值。
在本实施例中,对外部语料进行聚类分类后,需根据更新后聚类群中每一聚类群所对应语料数据、以及预设的舆情热度模型,以计算获取更新后聚类群中每一聚类群的舆情热度值。通过对每一聚类群进行舆情热度值的计算,能获取该聚类群对应的一类标签中所有文章的舆论关注度,以判断此类标签文章对应的舆情热度。
在一实施例中,如图12所示,舆情热度值计算单元130包括:
文本热度值计算单元131,用于获取所述语料数据包括的多篇文本中每一文本的点赞数、评论数和转发数之和以得到每一文本的热度值;
时间衰退因子计算单元132,用于获取每一文本的发表时间与当前系统时间之差并乘以预设调节参数以作为自然指数e的指数,计算得到每一文本的时间衰退因子;
舆情热度值获取单元133,用于将所述语料数据中各文本的热度值乘以对应的时间衰退因子并求和,得到所述语料数据相对应聚类群的舆情热度值。
在本实施例中,每一类标签对应多个文本,每一文本均至少包括标题、正文、作者、发表时间、点赞数、评论数和转发数等信息,故对某一个聚类群的舆情热度值进行计算时,可通过以下公式:
其中,Heati表示标签i对应聚类群的舆情热度值,heatij表示标签i对应聚类群中每一文本的热度值,表示标签i对应聚类群中每一文本的时间衰退因子。由于对每一文本的时间衰退因子进行了考虑,故随着系统时间的推移,每一文本对该类标签的热度贡献值就会逐渐衰减,这也能能准确的拟合现实情况。
检索单元140,用于接收所录入的检索关键词,若在更新后聚类群中存在有聚类群的标签与所述检索关键词相同,将对应聚类群的舆情内容和舆情热度值进行显示。
在本实施例中,当用户需检索某一类标签的语料数据时,可在检索框中录入检索关键词,若在更新后聚类群中存在有聚类群的标签与所述检索关键词相同则表示有匹配检索关键词的检索结果,此时将检索关键词对应聚类群的舆情内容和舆情热度值进行显示,以直观的对用户进行此类标签的舆情热度。
该装置实现了对外部语料中各文本对应判断聚类群归属后自动打标签,而且可根据检索关键词快速且精准从聚类群中检索得到目标舆情内容。
上述舆情推荐装置可以实现为计算机程序的形式,该计算机程序可以在如图15所示的计算机设备上运行。
请参阅图15,图15是本发明实施例提供的计算机设备的示意性框图。
参阅图15,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行舆情推荐方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行舆情推荐方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图15中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下功能:获取从预设的内网网址中所爬取初始语料进行关键词提取得到的关键词集合,根据关键词集合从外网网址的文本资源中爬取外部语料,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量;将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,得到更新后聚类群;获取更新后聚类群中每一聚类群所对应语料数据,根据所述语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值;以及接收所录入的检索关键词,若在更新后聚类群中存在有聚类群的标签与所述检索关键词相同,将对应聚类群的舆情内容和舆情热度值进行显示。
在一实施例中,处理器502在执行所述根据关键词集合从外网网址的文本资源中爬取外部语料,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量的步骤之前,还执行如下操作:从预设的内网网址中爬取初始语料,获取与所述初始语料所包括的多篇文本中各文本一一对应的内网全文文章向量;将各文本对应的全文文章向量进行DBSCAN聚类,得到多个聚类群,并对每一聚类群各设置一个标签。
在一实施例中,处理器502在执行所述获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量的步骤时,执行如下操作:将所述外部语料所包括的多篇文本中各文本的标题和正文分别通过词频-逆文本频率指数模型进行关键词信息抽取,得到与各文本对应的标题关键词列表和正文关键词列表;通过Word2Vec模型获取各标题关键词列表所包括标题关键词对应的标题词向量,及与标题关键词列表对应的标题平均向量;通过Word2Vec模型获取各正文关键词列表所包括正文关键词对应的正文词向量,及与各正文关键词列表对应的正文平均向量;根据文本的全文文章向量=标题平均向量*预设的第一权重+正文平均向量*预设的第二权重,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量。
在一实施例中,处理器502在执行所述将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,得到更新后聚类群的步骤时,执行如下操作:获取所述外部语料中各文本一一对应的外网全文文章向量,计算每一外网全文文章向量与多个聚类群中各聚类群中心之间的欧式距离;获取每一外网全文文章向量与多个聚类群中各聚类群中心之间的欧式距离中的最短距离,以作为外网全文文章向量的聚类归属判断距离;若外网全文文章向量的聚类归属判断距离小于多个聚类群其中一个聚类群的扫描半径,将外网全文文章向量增加至对应的聚类群,直至各聚类群中无新增的外网全文文章向量以得到更新后聚类群;若外网全文文章向量的聚类归属判断距离大于多个聚类群各聚类群的扫描半径,将外网全文文章向量增加至未聚类的文本集合。
在一实施例中,处理器502在执行所述根据所述语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值的步骤时,执行如下操作:获取所述语料数据包括的多篇文本中每一文本的点赞数、评论数和转发数之和以得到每一文本的热度值;获取每一文本的发表时间与当前系统时间之差并乘以预设调节参数以作为自然指数e的指数,计算得到每一文本的时间衰退因子;将所述语料数据中各文本的热度值乘以对应的时间衰退因子并求和,得到所述语料数据相对应聚类群的舆情热度值。
在一实施例中,处理器502在执行所述根据文本的全文文章向量=标题平均向量*预设的第一权重+正文平均向量*预设的第二权重,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量的步骤之后,还执行如下操作:根据所述更新后聚类群中每一聚类群对应建立图数据,并存储至图数据库;其中,以所述更新后聚类群中每一聚类群的标签作为图数据的实体,以每一聚类群对应的舆情热度值作为图数据的对象。
在一实施例中,处理器502在执行所述获取从预设的内网网址中所爬取初始语料进行关键词提取得到的关键词集合的步骤时,执行如下操作:获取所述内网网址相对应的网址归属方名称的归属方关键词,及与所述归属方关键词对应的归属方词向量;将所述初始语料进行关键词提取,得到与所述初始语料对应的初始语料关键词列表,及与所述初始语料关键词列表中每一关键词对应的初始语料关键词向量;获取每一初始语料关键词向量与归属方词向量之间的欧氏距离以作为欧式距离结果集合,将欧式距离结果集合中欧氏距离值排名位于预设排名阈值之前的欧氏距离所对应的初始语料关键词向量作为候选关键词向量集合;获取所述候选关键词向量集合中每一初始语料关键词向量对应的关键词以作为关键词集合。
本领域技术人员可以理解,图15中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图15所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现以下步骤:获取从预设的内网网址中所爬取初始语料进行关键词提取得到的关键词集合,根据关键词集合从外网网址的文本资源中爬取外部语料,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量;将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,得到更新后聚类群;获取更新后聚类群中每一聚类群所对应语料数据,根据所述语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值;以及接收所录入的检索关键词,若在更新后聚类群中存在有聚类群的标签与所述检索关键词相同,将对应聚类群的舆情内容和舆情热度值进行显示。
在一实施例中,所述根据关键词集合从外网网址的文本资源中爬取外部语料,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量之前,还包括:从预设的内网网址中爬取初始语料,获取与所述初始语料所包括的多篇文本中各文本一一对应的内网全文文章向量;将各文本对应的全文文章向量进行DBSCAN聚类,得到多个聚类群,并对每一聚类群各设置一个标签。
在一实施例中,所述获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量,包括:将所述外部语料所包括的多篇文本中各文本的标题和正文分别通过词频-逆文本频率指数模型进行关键词信息抽取,得到与各文本对应的标题关键词列表和正文关键词列表;通过Word2Vec模型获取各标题关键词列表所包括标题关键词对应的标题词向量,及与标题关键词列表对应的标题平均向量;通过Word2Vec模型获取各正文关键词列表所包括正文关键词对应的正文词向量,及与各正文关键词列表对应的正文平均向量;根据文本的全文文章向量=标题平均向量*预设的第一权重+正文平均向量*预设的第二权重,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量。
在一实施例中,所述将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,得到更新后聚类群,包括:获取所述外部语料中各文本一一对应的外网全文文章向量,计算每一外网全文文章向量与多个聚类群中各聚类群中心之间的欧式距离;获取每一外网全文文章向量与多个聚类群中各聚类群中心之间的欧式距离中的最短距离,以作为外网全文文章向量的聚类归属判断距离;若外网全文文章向量的聚类归属判断距离小于多个聚类群其中一个聚类群的扫描半径,将外网全文文章向量增加至对应的聚类群,直至各聚类群中无新增的外网全文文章向量以得到更新后聚类群;若外网全文文章向量的聚类归属判断距离大于多个聚类群各聚类群的扫描半径,将外网全文文章向量增加至未聚类的文本集合。
在一实施例中,所述根据所述语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值,包括:获取所述语料数据包括的多篇文本中每一文本的点赞数、评论数和转发数之和以得到每一文本的热度值;获取每一文本的发表时间与当前系统时间之差并乘以预设调节参数以作为自然指数e的指数,计算得到每一文本的时间衰退因子;将所述语料数据中各文本的热度值乘以对应的时间衰退因子并求和,得到所述语料数据相对应聚类群的舆情热度值。
在一实施例中,所述根据文本的全文文章向量=标题平均向量*预设的第一权重+正文平均向量*预设的第二权重,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量之后,还包括:根据所述更新后聚类群中每一聚类群对应建立图数据,并存储至图数据库;其中,以所述更新后聚类群中每一聚类群的标签作为图数据的实体,以每一聚类群对应的舆情热度值作为图数据的对象。
在一实施例中,所述获取从预设的内网网址中所爬取初始语料进行关键词提取得到的关键词集合,包括:获取所述内网网址相对应的网址归属方名称的归属方关键词,及与所述归属方关键词对应的归属方词向量;将所述初始语料进行关键词提取,得到与所述初始语料对应的初始语料关键词列表,及与所述初始语料关键词列表中每一关键词对应的初始语料关键词向量;获取每一初始语料关键词向量与归属方词向量之间的欧氏距离以作为欧式距离结果集合,将欧式距离结果集合中欧氏距离值排名位于预设排名阈值之前的欧氏距离所对应的初始语料关键词向量作为候选关键词向量集合;获取所述候选关键词向量集合中每一初始语料关键词向量对应的关键词以作为关键词集合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种舆情推荐方法,其特征在于,包括:
获取从预设的内网网址中所爬取初始语料进行关键词提取得到的关键词集合,根据关键词集合从外网网址的文本资源中爬取外部语料,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量;
将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,得到更新后聚类群;
获取更新后聚类群中每一聚类群所对应语料数据,根据所述语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值;以及
接收所录入的检索关键词,若在更新后聚类群中存在有聚类群的标签与所述检索关键词相同,将对应聚类群的舆情内容和舆情热度值进行显示。
2.根据权利要求1所述的舆情推荐方法,其特征在于,所述根据关键词集合从外网网址的文本资源中爬取外部语料,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量之前,还包括:
从预设的内网网址中爬取初始语料,获取与所述初始语料所包括的多篇文本中各文本一一对应的内网全文文章向量;
将各文本对应的全文文章向量进行DBSCAN聚类,得到多个聚类群,并对每一聚类群各设置一个标签。
3.根据权利要求1所述的舆情推荐方法,其特征在于,所述获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量,包括:
将所述外部语料所包括的多篇文本中各文本的标题和正文分别通过词频-逆文本频率指数模型进行关键词信息抽取,得到与各文本对应的标题关键词列表和正文关键词列表;
通过Word2Vec模型获取各标题关键词列表所包括标题关键词对应的标题词向量,及与标题关键词列表对应的标题平均向量;
通过Word2Vec模型获取各正文关键词列表所包括正文关键词对应的正文词向量,及与各正文关键词列表对应的正文平均向量;
根据文本的全文文章向量=标题平均向量*预设的第一权重+正文平均向量*预设的第二权重,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量。
4.根据权利要求1所述的舆情推荐方法,其特征在于,所述将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,得到更新后聚类群,包括:
获取所述外部语料中各文本一一对应的外网全文文章向量,计算每一外网全文文章向量与多个聚类群中各聚类群中心之间的欧式距离;
获取每一外网全文文章向量与多个聚类群中各聚类群中心之间的欧式距离中的最短距离,以作为外网全文文章向量的聚类归属判断距离;
若外网全文文章向量的聚类归属判断距离小于多个聚类群其中一个聚类群的扫描半径,将外网全文文章向量增加至对应的聚类群,直至各聚类群中无新增的外网全文文章向量以得到更新后聚类群;
若外网全文文章向量的聚类归属判断距离大于多个聚类群各聚类群的扫描半径,将外网全文文章向量增加至未聚类的文本集合。
5.根据权利要求1所述的舆情推荐方法,其特征在于,所述根据所述语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值,包括:
获取所述语料数据包括的多篇文本中每一文本的点赞数、评论数和转发数之和以得到每一文本的热度值;
获取每一文本的发表时间与当前系统时间之差并乘以预设调节参数以作为自然指数e的指数,计算得到每一文本的时间衰退因子;
将所述语料数据中各文本的热度值乘以对应的时间衰退因子并求和,得到所述语料数据相对应聚类群的舆情热度值。
6.根据权利要求3所述的舆情推荐方法,其特征在于,所述根据文本的全文文章向量=标题平均向量*预设的第一权重+正文平均向量*预设的第二权重,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量之后,还包括:
根据所述更新后聚类群中每一聚类群对应建立图数据,并存储至图数据库;其中,以所述更新后聚类群中每一聚类群的标签作为图数据的实体,以每一聚类群对应的舆情热度值作为图数据的对象。
7.根据权利要求1所述的舆情推荐方法,其特征在于,所述获取从预设的内网网址中所爬取初始语料进行关键词提取得到的关键词集合,包括:
获取所述内网网址相对应的网址归属方名称的归属方关键词,及与所述归属方关键词对应的归属方词向量;
将所述初始语料进行关键词提取,得到与所述初始语料对应的初始语料关键词列表,及与所述初始语料关键词列表中每一关键词对应的初始语料关键词向量;
获取每一初始语料关键词向量与归属方词向量之间的欧氏距离以作为欧式距离结果集合,将欧式距离结果集合中欧氏距离值排名位于预设排名阈值之前的欧氏距离所对应的初始语料关键词向量作为候选关键词向量集合;
获取所述候选关键词向量集合中每一初始语料关键词向量对应的关键词以作为关键词集合。
8.一种舆情推荐装置,其特征在于,包括:
外网全文文章向量获取单元,用于根据关键词集合从外网网址的文本资源中爬取外部语料,获取与所述外部语料所包括的多篇文本中各文本一一对应的外网全文文章向量;
外网文章聚类单元,用于将所述外部语料中各文本对应的外网全文文章向量根据预先聚类所得到的聚类群进行分类,得到更新后聚类群;
舆情热度值计算单元,用于获取更新后聚类群中每一聚类群所对应语料数据,根据所述语料数据及预设的舆情热度模型获取更新后聚类群中每一聚类群的舆情热度值;
检索单元,用于接收所录入的检索关键词,若在更新后聚类群中存在有聚类群的标签与所述检索关键词相同,将对应聚类群的舆情内容和舆情热度值进行显示。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的舆情推荐方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的舆情推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811346051.4A CN109189934A (zh) | 2018-11-13 | 2018-11-13 | 舆情推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811346051.4A CN109189934A (zh) | 2018-11-13 | 2018-11-13 | 舆情推荐方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109189934A true CN109189934A (zh) | 2019-01-11 |
Family
ID=64939560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811346051.4A Pending CN109189934A (zh) | 2018-11-13 | 2018-11-13 | 舆情推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109189934A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885747A (zh) * | 2019-01-28 | 2019-06-14 | 平安科技(深圳)有限公司 | 行业舆情监控方法、装置、计算机设备及存储介质 |
CN110009128A (zh) * | 2019-01-28 | 2019-07-12 | 平安科技(深圳)有限公司 | 行业舆情指数预测方法、装置、计算机设备及存储介质 |
CN110188265A (zh) * | 2019-04-26 | 2019-08-30 | 中国科学院计算技术研究所 | 一种融合用户画像的网络舆情热点推荐方法及系统 |
CN110377695A (zh) * | 2019-06-17 | 2019-10-25 | 广州艾媒数聚信息咨询股份有限公司 | 一种舆情主题数据聚类方法、装置及存储介质 |
CN110389932A (zh) * | 2019-07-02 | 2019-10-29 | 华北电力科学研究院有限责任公司 | 电力文件自动分类方法及装置 |
CN110472132A (zh) * | 2019-08-01 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 一种安全舆情信息的获取方法、装置及介质 |
CN110532411A (zh) * | 2019-07-22 | 2019-12-03 | 平安科技(深圳)有限公司 | 图片搜索热度获取方法、装置、计算机设备及存储介质 |
CN110866088A (zh) * | 2019-08-22 | 2020-03-06 | 中国人民解放军军事科学院评估论证研究中心 | 一种语料库之间的快速全文检索方法及系统 |
CN110991785A (zh) * | 2019-10-11 | 2020-04-10 | 平安科技(深圳)有限公司 | 基于文本的指标提取方法、装置、计算机设备及存储介质 |
CN111125561A (zh) * | 2019-11-28 | 2020-05-08 | 泰康保险集团股份有限公司 | 一种网络热度的展示方法及装置 |
CN111597336A (zh) * | 2020-05-14 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 训练文本的处理方法、装置、电子设备及可读存储介质 |
CN111813905A (zh) * | 2020-06-17 | 2020-10-23 | 平安科技(深圳)有限公司 | 语料生成方法、装置、计算机设备及存储介质 |
CN112256842A (zh) * | 2020-12-17 | 2021-01-22 | 上海朝阳永续信息技术股份有限公司 | 用于文本聚类的方法、电子设备和存储介质 |
CN112883267A (zh) * | 2021-02-22 | 2021-06-01 | 深圳市星网储区块链有限公司 | 基于深度学习的数据热度统计方法及装置 |
CN112989040A (zh) * | 2021-03-10 | 2021-06-18 | 河南中原消费金融股份有限公司 | 一种对话文本标注方法、装置、电子设备及存储介质 |
CN113569128A (zh) * | 2020-04-29 | 2021-10-29 | 北京金山云网络技术有限公司 | 数据检索方法、装置及电子设备 |
CN113704464A (zh) * | 2021-07-05 | 2021-11-26 | 中央民族大学 | 基于网络新闻的时评类作文素材语料库的构建方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544255A (zh) * | 2013-10-15 | 2014-01-29 | 常州大学 | 基于文本语义相关的网络舆情信息分析方法 |
CN103593358A (zh) * | 2012-08-16 | 2014-02-19 | 江苏金鸽网络科技有限公司 | 一种基于聚类分析的互联网信息热点控制方法 |
CN105550365A (zh) * | 2016-01-15 | 2016-05-04 | 中国科学院自动化研究所 | 一种基于文本主题模型的可视化分析系统 |
CN107066585A (zh) * | 2017-04-17 | 2017-08-18 | 济南大学 | 一种概率主题计算与匹配的舆情监测方法及系统 |
CN107526819A (zh) * | 2017-08-29 | 2017-12-29 | 江苏飞搏软件股份有限公司 | 一种面向短文本主题模型的大数据舆情分析方法 |
-
2018
- 2018-11-13 CN CN201811346051.4A patent/CN109189934A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593358A (zh) * | 2012-08-16 | 2014-02-19 | 江苏金鸽网络科技有限公司 | 一种基于聚类分析的互联网信息热点控制方法 |
CN103544255A (zh) * | 2013-10-15 | 2014-01-29 | 常州大学 | 基于文本语义相关的网络舆情信息分析方法 |
CN105550365A (zh) * | 2016-01-15 | 2016-05-04 | 中国科学院自动化研究所 | 一种基于文本主题模型的可视化分析系统 |
CN107066585A (zh) * | 2017-04-17 | 2017-08-18 | 济南大学 | 一种概率主题计算与匹配的舆情监测方法及系统 |
CN107526819A (zh) * | 2017-08-29 | 2017-12-29 | 江苏飞搏软件股份有限公司 | 一种面向短文本主题模型的大数据舆情分析方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885747A (zh) * | 2019-01-28 | 2019-06-14 | 平安科技(深圳)有限公司 | 行业舆情监控方法、装置、计算机设备及存储介质 |
CN110009128A (zh) * | 2019-01-28 | 2019-07-12 | 平安科技(深圳)有限公司 | 行业舆情指数预测方法、装置、计算机设备及存储介质 |
CN110188265A (zh) * | 2019-04-26 | 2019-08-30 | 中国科学院计算技术研究所 | 一种融合用户画像的网络舆情热点推荐方法及系统 |
CN110377695A (zh) * | 2019-06-17 | 2019-10-25 | 广州艾媒数聚信息咨询股份有限公司 | 一种舆情主题数据聚类方法、装置及存储介质 |
CN110377695B (zh) * | 2019-06-17 | 2022-11-22 | 广州艾媒数聚信息咨询股份有限公司 | 一种舆情主题数据聚类方法、装置及存储介质 |
CN110389932A (zh) * | 2019-07-02 | 2019-10-29 | 华北电力科学研究院有限责任公司 | 电力文件自动分类方法及装置 |
CN110389932B (zh) * | 2019-07-02 | 2023-01-13 | 华北电力科学研究院有限责任公司 | 电力文件自动分类方法及装置 |
CN110532411A (zh) * | 2019-07-22 | 2019-12-03 | 平安科技(深圳)有限公司 | 图片搜索热度获取方法、装置、计算机设备及存储介质 |
CN110472132A (zh) * | 2019-08-01 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 一种安全舆情信息的获取方法、装置及介质 |
CN110866088B (zh) * | 2019-08-22 | 2020-10-30 | 中国人民解放军军事科学院评估论证研究中心 | 一种语料库之间的快速全文检索方法及系统 |
CN110866088A (zh) * | 2019-08-22 | 2020-03-06 | 中国人民解放军军事科学院评估论证研究中心 | 一种语料库之间的快速全文检索方法及系统 |
CN110991785A (zh) * | 2019-10-11 | 2020-04-10 | 平安科技(深圳)有限公司 | 基于文本的指标提取方法、装置、计算机设备及存储介质 |
CN110991785B (zh) * | 2019-10-11 | 2023-07-25 | 平安科技(深圳)有限公司 | 基于文本的指标提取方法、装置、计算机设备及存储介质 |
CN111125561A (zh) * | 2019-11-28 | 2020-05-08 | 泰康保险集团股份有限公司 | 一种网络热度的展示方法及装置 |
CN113569128A (zh) * | 2020-04-29 | 2021-10-29 | 北京金山云网络技术有限公司 | 数据检索方法、装置及电子设备 |
CN111597336A (zh) * | 2020-05-14 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 训练文本的处理方法、装置、电子设备及可读存储介质 |
CN111597336B (zh) * | 2020-05-14 | 2023-12-22 | 腾讯科技(深圳)有限公司 | 训练文本的处理方法、装置、电子设备及可读存储介质 |
CN111813905A (zh) * | 2020-06-17 | 2020-10-23 | 平安科技(深圳)有限公司 | 语料生成方法、装置、计算机设备及存储介质 |
CN111813905B (zh) * | 2020-06-17 | 2024-05-10 | 平安科技(深圳)有限公司 | 语料生成方法、装置、计算机设备及存储介质 |
CN112256842A (zh) * | 2020-12-17 | 2021-01-22 | 上海朝阳永续信息技术股份有限公司 | 用于文本聚类的方法、电子设备和存储介质 |
CN112256842B (zh) * | 2020-12-17 | 2021-03-26 | 上海朝阳永续信息技术股份有限公司 | 用于文本聚类的方法、电子设备和存储介质 |
CN112883267A (zh) * | 2021-02-22 | 2021-06-01 | 深圳市星网储区块链有限公司 | 基于深度学习的数据热度统计方法及装置 |
CN112989040A (zh) * | 2021-03-10 | 2021-06-18 | 河南中原消费金融股份有限公司 | 一种对话文本标注方法、装置、电子设备及存储介质 |
CN112989040B (zh) * | 2021-03-10 | 2024-02-27 | 河南中原消费金融股份有限公司 | 一种对话文本标注方法、装置、电子设备及存储介质 |
CN113704464A (zh) * | 2021-07-05 | 2021-11-26 | 中央民族大学 | 基于网络新闻的时评类作文素材语料库的构建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109189934A (zh) | 舆情推荐方法、装置、计算机设备及存储介质 | |
CN104462593B (zh) | 一种提供用户个性化资源消息推送的方法和装置 | |
US11507989B2 (en) | Multi-label product categorization | |
CN106471490B (zh) | 基于分类的集群通信 | |
CN108345702A (zh) | 实体推荐方法和装置 | |
CN110163476A (zh) | 项目智能推荐方法、电子装置及存储介质 | |
CN110163647A (zh) | 一种数据处理方法及装置 | |
US20080104113A1 (en) | Uniform resource locator scoring for targeted web crawling | |
CN109948121A (zh) | 文章相似度挖掘方法、系统、设备及存储介质 | |
CN111538901B (zh) | 一种物品推荐方法、装置、服务器及储存介质 | |
CN108021708B (zh) | 内容推荐方法、装置与计算机可读存储介质 | |
CA3059929C (en) | Text searching method, apparatus, and non-transitory computer-readable storage medium | |
CN106547864B (zh) | 一种基于查询扩展的个性化信息检索方法 | |
CN108665064A (zh) | 神经网络模型训练、对象推荐方法及装置 | |
WO2020029412A1 (zh) | 标签推荐方法、装置、计算机设备及计算机可读存储介质 | |
CA2789010C (en) | Propagating classification decisions | |
CN107862022A (zh) | 文化资源推荐系统 | |
CN109492222A (zh) | 基于概念树的意图识别方法、装置及计算机设备 | |
CN108027814A (zh) | 停用词识别方法与装置 | |
CN107247728B (zh) | 文本处理方法、装置及计算机存储介质 | |
CN112818230B (zh) | 内容推荐方法、装置、电子设备和存储介质 | |
CN105164672A (zh) | 内容分类 | |
CN109819002B (zh) | 数据推送方法和装置、存储介质及电子装置 | |
CN110347821B (zh) | 一种文本类别标注的方法、电子设备和可读存储介质 | |
CN109885747A (zh) | 行业舆情监控方法、装置、计算机设备及存储介质 |
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 |