CN110347898A - 一种网络舆情监控的应答生成方法及系统 - Google Patents
一种网络舆情监控的应答生成方法及系统 Download PDFInfo
- Publication number
- CN110347898A CN110347898A CN201910577669.XA CN201910577669A CN110347898A CN 110347898 A CN110347898 A CN 110347898A CN 201910577669 A CN201910577669 A CN 201910577669A CN 110347898 A CN110347898 A CN 110347898A
- Authority
- CN
- China
- Prior art keywords
- page
- text
- industry
- entity
- answer
- 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 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 230000009193 crawling Effects 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000011084 recovery Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 241000039077 Copula Species 0.000 claims 1
- 238000001228 spectrum Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 208000037974 severe injury Diseases 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Abstract
本发明涉及一种网络舆情监控的应答生成方法及系统,包括采用爬虫从指定的行业相关的网站爬取数据,获取与所述行业的舆情事件相关的页面,通过句法分析器挖掘所述页面的文本信息中所包含的用于表示实体的若干个实体词及用于表征所述若干个实体词之间关系的关系词,基于所述实体词及所述关系词,构建所述行业的知识图谱,根据所述页面及所述行业的知识图谱,通过答复模型,生成对应所述页面的答复文本。本发明可提高所生成的答复文本的准确性。
Description
技术领域
本发明涉及网络技术领域,尤其涉及一种网络舆情监控的应答生成方法及系统。
背景技术
微博、论坛、博客等即时通信工具已经成为人们获取信息,进而发表看法、传播信息的重要渠道。借助网络平台,舆情信息迅速传播,引起广泛关注,其传播的速度之快、范围之广、影响力之大,远非传统媒体可比,网络空间的匿名交互性、非时空限制性等特点,使网络舆情这股强大的社会舆论力量,对社会发展和稳定产生一定的冲击和影响。引发舆情危机对政府部门、公众媒体和大型企业来说,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应对回复,成为网络舆情管理的一大难点。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种网络舆情监控的应答生成方法及系统。
本发明解决上述技术问题的技术方案如下:
一种网络舆情监控的应答生成方法,包括:
采用爬虫从指定的行业相关的网站爬取数据,获取与所述行业的舆情事件相关的页面;
通过句法分析器挖掘所述页面的文本信息中所包含的用于表示实体的若干个实体词及用于表征所述若干个实体词之间关系的关系词;
基于所述实体词及所述关系词,构建所述行业的知识图谱;
根据所述页面及所述行业的知识图谱,通过答复模型,生成对应所述页面的答复文本。
本发明的有益效果是:通过指定爬虫爬取行业相关的网站中的数据,获取行业的舆情事件相关的页面,采用句法分析器挖掘页面中文本信息所包含的实体词和实体词之间的关系词,构建行业的知识图谱,根据页面及行业的知识图谱,通过答复模型,生成答复文本,可提高所生成的答复文本的准确性。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述根据所述页面及所述行业的知识图谱,通过答复模型,生成对应所述页面的答复文本,具体包括以下步骤:
依据所述行业的知识图谱分析所述页面,得到所述页面的实体和关系信息;
采用word2vector方法提取所述页面的文本信息中的词语,对所述词语的词性标注,得到词向量和词性向量;
将所述词向量、所述词性向量及所述页面的实体和关系信息输入所述答复模型,得到对应所述页面的答复文本。
进一步地,所述答复模型通过以下步骤进行训练:
获取指定网站中与历史舆情事件相关的页面,人工设置所述页面的标准答复文本;
获取所述页面的词向量和词性向量;
将所述词向量和所述词性向量输入不同参数的所述循环神经网络RNN中,生成多个回复文本;
基于所述页面的标准答复文本及所述多个回复文本,得到所述答复模型。
进一步地,基于所述页面的标准答复文本及所述多个回复文本,得到所述答复模型,具体步骤包括:
分别计算所述生成的回复文本与所述页面的标准答复文本的相似度;
选取所述相似度最高的回复文本作为最优回复文本;
将生成所述最优回复文本的参数输入所述循环神经网络RNN中,得到所述答复模型。
采用上述进一步方案的有益效果是:通过行业的知识图谱分析页面得到页面的实体和关系信息,通过word2vector方法提取页面的文本信息中的词语,得到词向量和词性向量,将词向量、词性向量及页面的实体和关系信息,通过答复模型,获取页面的答复文本,提高了所生成的答复文本的准确性。
发明还提供了解决上述技术问题的另一种技术方案如下:
一种网络舆情监控的应答生成系统,包括:
采集模块,用于采用爬虫从指定的行业相关的网站爬取数据,获取与所述行业的舆情事件相关的页面;
处理模块,用于通过句法分析器挖掘所述页面的文本信息中所包含的用于表示实体的若干个实体词及用于表征所述若干个实体词之间关系的关系词,基于所述实体词及所述关系词,构建所述行业的知识图谱。
回复生成模块,用于根据所述页面及所述行业的知识图谱,通过答复模型,生成对应所述页面的答复文本。
本发明的有益效果是:基于采集模块、处理模块和回复生成模块,指定爬虫爬取行业相关的网站中的数据,获取行业的舆情事件相关的页面,采用句法分析器挖掘页面中文本信息所包含的实体词和实体词之间的关系词,构建行业的知识图谱,根据页面及行业的知识图谱,通过答复模型,生成答复文本,可提高所生成的答复文本的准确性。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述回复生成模块具体用于:
依据所述行业的知识图谱分析所述页面,得到所述页面的实体和关系信息;
采用word2vector方法提取所述页面的文本信息中的词语,对所述词语的词性标注,得到词向量和词性向量;
将所述词向量、所述词性向量及所述页面的实体和关系信息输入所述答复模型,得到对应所述页面的答复文本。
进一步地,还包括训练模块;
所述训练模块,用于通过以下具体步骤训练所述答复模型:
获取指定网站中与历史舆情事件相关的页面,人工设置所述页面的标准答复文本;
获取所述页面的词向量和词性向量;
将所述词向量和所述词性向量输入不同参数的所述循环神经网络RNN中,生成多个回复文本;
基于所述页面的标准答复文本及所述多个回复文本,得到所述答复模型。
进一步地,所述训练模块,所述训练模块,还具体用于分别计算所述生成的回复文本与所述页面的标准答复文本的相似度;
选取所述相似度最高的回复文本作为最优回复文本;
将生成所述最优回复文本的参数输入所述循环神经网络RNN中,得到所述答复模型。
在上述技术方案的基础上,本发明还提供了一种存储介质,存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上述技术方案所述的网络舆情监控的应答生成方法。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅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为本发明所述一种网络舆情监控的应答生成方法的流程示意图;
图2为本发明所述一种网络舆情监控的应答生成系统的模块示意图;
图3为本发明所述获取到页面的词向量和词性向量的示例。
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的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1所示,一种网络舆情监控的应答生成方法的流程示意图,包括:
110、采用爬虫从指定的行业相关的网站爬取数据,获取与行业的舆情事件相关的页面。
120、通过句法分析器挖掘页面的文本信息中所包含的用于表示实体的若干个实体词及用于表征若干个实体词之间关系的关系词。
130、基于实体词及关系词,构建行业的知识图谱。
140、根据页面及行业的知识图谱,通过答复模型,生成对应页面的答复文本。
应理解,基于本实施例,不限制句法分析器的具体类型。
例如,如图3所示获取到页面的词向量和词性向量的示例。例如文本信息为,2018年12月20日,中国上海化工厂发生漏电事故,两名工作人员重伤。抽取此文本中的实体关系及词向量和词性向量,获得,中国(国名)、上海(地名)、化工厂(具体发生地)、漏电(实例)、工作人员(主体)、重伤(实例)。将上述词向量和词性向量输入答复模型,生成答复文本为“2018年12月20日,上海安监局开始调查事件起因。”
基于上述实施例通过指定爬虫爬取行业相关的网站中的数据,获取行业的舆情事件相关的页面,采用句法分析器挖掘页面中文本信息所包含的实体词和实体词之间的关系词,构建行业的知识图谱,根据页面及行业的知识图谱,通过答复模型,生成答复文本,可提高所生成的答复文本的准确性。
基于上述实施例,还包括,进一步地,依据行业的知识图谱分析页面,得到页面的实体和关系信息;
采用word2vector方法提取页面的文本信息中的词语,对词语的词性标注,得到词向量和词性向量;
将词向量、词性向量及页面的实体和关系信息输入答复模型,得到对应页面的答复文本。
应理解,基于本实施例中根据行业的知识图谱分析页面,得到页面的实体和关系信息,采用句法分析器获取页面的文本信息中的词语,基于行业的知识图谱对词语进行匹配,得到页面的实体和关系信息。
进一步地,答复模型通过以下步骤进行训练:
获取指定网站中与历史舆情事件相关的页面,人工设置页面的标准答复文本;
获取页面的词向量和词性向量;
将词向量和词性向量输入不同参数的循环神经网络RNN中,生成多个回复文本;
基于页面的标准答复文本及多个回复文本,得到答复模型。
应理解,本实施例中的循环神经网络RNN采用BP误差反向传播算法,其中参数W、U、V设置不同的数值,生成不同的回复文本。
进一步地,基于页面的标准答复文本及多个回复文本,得到答复模型,具体步骤包括:
分别计算生成的回复文本与页面的标准答复文本的相似度;
选取相似度最高的回复文本作为最优回复文本;
将生成最优回复文本的参数输入所述循环神经网络RNN中,得到答复模型。
应理解,本实施例中,分别计算生成的回复文本与页面的标准答复文本的相似度的方法是通过将生成的两个文本进行分词处理,首先比较两个文本中的词是不是完全一样,若只是位置不一样,则回复文本与标准答复文本的相似度值是1。若两个文本中的词是不是完全一样的,查找两个文本中的词语是可互相替换的词语,统计两个文本中可互相替换的词语的数量,计算两个文本中可互相替换的词语的数量与两个文本中的总词语数量的比值,得到相似度值。其中,选取相似度值对大的回复文本为相似度最高的回复文本。
例如:页面的标准答复文本为“尽快查找到问题根源,并进行整改”,回复文本1为“查找到根源问题,尽快进行整改”,回复文本2为“找到问题的源头,加快修正。”回复文本3为“搜查问题根部,加快进行修改。”回复文本1与标准答复文本中的词完全一样,但位置不同,因此回复文本1的相似度值为1,回复文本2与标准答复文本中不可互相替换的词有两个“源头”和“修正”,因此回复文本2的相似度值为0.7,回复文本3与标准答复文本中的不可互相替换的词有1个,因此回复文本3的相似度值为0.84。其中,回复文本1的相似度值最高,选取生成回复文本1的参数输入RNN中,得到答复模型。
如图2所示,一种网络舆情监控的应答生成系统的模块结构图,包括:采集模块、处理模块和回复生成模块。
采集模块,用于采用爬虫从指定的行业相关的网站爬取数据,获取与行业的舆情事件相关的页面;
处理模块,用于通过句法分析器挖掘页面的文本信息中所包含的用于表示实体的若干个实体词及用于表征若干个实体词之间关系的关系词,基于实体词及所述关系词,构建行业的知识图谱。
回复生成模块,用于根据页面及行业的知识图谱,通过答复模型,生成对应页面的答复文本。
应理解,在本实施例中,采集模块采用爬虫对指定的网站爬取数据,其中指定网站可以是某一行业中的一些专业网站,其中,在爬取到一些网页后,可以对这些网页进行内容去重,筛除无关的网页等操作后,得到相关页面,将这些页面的文本信息中的作者、时间、来源等信息进行提取及存储。
基于上述实施例通过采集模块、处理模块和回复生成模块,指定爬虫爬取行业相关的网站中的数据,获取行业的舆情事件相关的页面,采用句法分析器挖掘页面中文本信息所包含的实体词和实体词之间的关系词,构建行业的知识图谱,根据页面及行业的知识图谱,通过答复模型,生成答复文本,可提高所生成的答复文本的准确性。
进一步地,回复生成模块具体用于:
依据行业的知识图谱分析所述页面,得到页面的实体和关系信息;
采用word2vector方法提取页面的文本信息中的词语,对词语的词性标注,得到词向量和词性向量;
将词向量、词性向量及页面的实体和关系信息输入答复模型,得到对应页面的答复文本。
进一步地,还包括训练模块;
训练模块,用于通过以下具体步骤训练答复模型:
获取指定网站中与历史舆情事件相关的页面,人工设置页面的标准答复文本;
获取页面的词向量和词性向量;
将词向量和词性向量输入不同参数的循环神经网络RNN中,生成多个回复文本;
基于页面的标准答复文本及多个回复文本,得到答复模型。
进一步地,训练模块,还具体用于分别计算生成的回复文本与页面的标准答复文本的相似度;
选取相似度最高的回复文本作为最优回复文本;
将生成最优回复文本的参数输入循环神经网络RNN中,得到答复模型。
此外,本发明还提供了一种存储介质,存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上述实施例所述的网络舆情监控的应答生成方法。
以上,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 (9)
1.一种网络舆情监控的应答生成方法,其特征在于,包括:
采用爬虫从指定的行业相关的网站爬取数据,获取与所述行业的舆情事件相关的页面;
通过句法分析器挖掘所述页面的文本信息中所包含的用于表示实体的若干个实体词及用于表征所述若干个实体词之间关系的关系词;
基于所述实体词及所述关系词,构建所述行业的知识图谱;
根据所述页面及所述行业的知识图谱,通过答复模型,生成对应所述页面的答复文本。
2.根据权利要求1所述的方法,其特征在于,所述根据所述页面及所述行业的知识图谱,通过答复模型,生成对应所述页面的答复文本,具体包括以下步骤:
依据所述行业的知识图谱分析所述页面,得到所述页面的实体和关系信息;
采用word2vector方法提取所述页面的文本信息中的词语,对所述词语的词性标注,得到词向量和词性向量;
将所述词向量、所述词性向量及所述页面的实体和关系信息输入所述答复模型,得到对应所述页面的答复文本。
3.根据权利要求1或2所述的方法,其特征在于,所述答复模型通过以下步骤进行训练:
获取指定网站中与历史舆情事件相关的页面,人工设置所述页面的标准答复文本;
获取所述页面的词向量和词性向量;
将所述词向量和所述词性向量输入不同参数的所述循环神经网络RNN中,生成多个回复文本;
基于所述页面的标准答复文本及所述多个回复文本,得到所述答复模型。
4.根据权利要求3所述的方法,其特征在于,基于所述页面的标准答复文本及所述多个回复文本,得到所述答复模型,具体步骤包括:
分别计算所述生成的回复文本与所述页面的标准答复文本的相似度;
选取所述相似度最高的回复文本作为最优回复文本;
将生成所述最优回复文本的参数输入所述循环神经网络RNN中,得到所述答复模型。
5.一种网络舆情监控的应答生成系统,其特征在于,包括:
采集模块,用于采用爬虫从指定的行业相关的网站爬取数据,获取与所述行业的舆情事件相关的页面;
处理模块,用于通过句法分析器挖掘所述页面的文本信息中所包含的用于表示实体的若干个实体词及用于表征所述若干个实体词之间关系的关系词,基于所述实体词及所述关系词,构建所述行业的知识图谱。
回复生成模块,用于根据所述页面及所述行业的知识图谱,通过答复模型,生成对应所述页面的答复文本。
6.根据权利要求5所述的系统,其特征在于,所述回复生成模块具体用于:
依据所述行业的知识图谱分析所述页面,得到所述页面的实体和关系信息;
采用word2vector方法提取所述页面的文本信息中的词语,对所述词语的词性标注,得到词向量和词性向量;
将所述词向量、所述词性向量及所述页面的实体和关系信息输入所述答复模型,得到对应所述页面的答复文本。
7.根据权利要求5或6所述的系统,其特征在于,还包括训练模块;
所述训练模块,用于通过以下具体步骤训练所述答复模型:
获取指定网站中与历史舆情事件相关的页面,人工设置所述页面的标准答复文本;
获取所述页面的词向量和词性向量;
将所述词向量和所述词性向量输入不同参数的所述循环神经网络RNN中,生成多个回复文本;
基于所述页面的标准答复文本及所述多个回复文本,得到所述答复模型。
8.根据权利要求7所述的系统,其特征在于,
所述训练模块,还具体用于分别计算所述生成的回复文本与所述页面的标准答复文本的相似度;
选取所述相似度最高的回复文本作为最优回复文本;
将生成所述最优回复文本的参数输入所述循环神经网络RNN中,得到所述答复模型。
9.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1至4中任一项所述的网络舆情监控的应答生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910577669.XA CN110347898A (zh) | 2019-06-28 | 2019-06-28 | 一种网络舆情监控的应答生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910577669.XA CN110347898A (zh) | 2019-06-28 | 2019-06-28 | 一种网络舆情监控的应答生成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110347898A true CN110347898A (zh) | 2019-10-18 |
Family
ID=68176989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910577669.XA Pending CN110347898A (zh) | 2019-06-28 | 2019-06-28 | 一种网络舆情监控的应答生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110347898A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930959A (zh) * | 2020-07-14 | 2020-11-13 | 上海明略人工智能(集团)有限公司 | 用于图谱知识生成文本的方法与装置 |
CN113657547A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 基于自然语言处理模型的舆情监测方法及其相关设备 |
CN114757191A (zh) * | 2022-03-29 | 2022-07-15 | 国网江苏省电力有限公司营销服务中心 | 基于深度学习的电力舆情领域命名实体识别方法系统 |
CN113657547B (zh) * | 2021-08-31 | 2024-05-14 | 平安医疗健康管理股份有限公司 | 基于自然语言处理模型的舆情监测方法及其相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309948A (zh) * | 2013-05-20 | 2013-09-18 | 携程计算机技术(上海)有限公司 | 联络中心舆情监控分析和智能分配处理系统及方法 |
CN105912500A (zh) * | 2016-03-30 | 2016-08-31 | 百度在线网络技术(北京)有限公司 | 机器学习模型生成方法和装置 |
CN108415977A (zh) * | 2018-02-09 | 2018-08-17 | 华南理工大学 | 一个基于深度神经网络及强化学习的生成式机器阅读理解方法 |
CN109062939A (zh) * | 2018-06-20 | 2018-12-21 | 广东外语外贸大学 | 一种面向汉语国际教育的智能导学方法 |
CN109446387A (zh) * | 2018-10-09 | 2019-03-08 | 众蚁(上海)信息技术有限公司 | 一种基于人工智能的业委会智能问答系统 |
-
2019
- 2019-06-28 CN CN201910577669.XA patent/CN110347898A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309948A (zh) * | 2013-05-20 | 2013-09-18 | 携程计算机技术(上海)有限公司 | 联络中心舆情监控分析和智能分配处理系统及方法 |
CN105912500A (zh) * | 2016-03-30 | 2016-08-31 | 百度在线网络技术(北京)有限公司 | 机器学习模型生成方法和装置 |
CN108415977A (zh) * | 2018-02-09 | 2018-08-17 | 华南理工大学 | 一个基于深度神经网络及强化学习的生成式机器阅读理解方法 |
CN109062939A (zh) * | 2018-06-20 | 2018-12-21 | 广东外语外贸大学 | 一种面向汉语国际教育的智能导学方法 |
CN109446387A (zh) * | 2018-10-09 | 2019-03-08 | 众蚁(上海)信息技术有限公司 | 一种基于人工智能的业委会智能问答系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930959A (zh) * | 2020-07-14 | 2020-11-13 | 上海明略人工智能(集团)有限公司 | 用于图谱知识生成文本的方法与装置 |
CN111930959B (zh) * | 2020-07-14 | 2024-02-09 | 上海明略人工智能(集团)有限公司 | 用于图谱知识生成文本的方法与装置 |
CN113657547A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 基于自然语言处理模型的舆情监测方法及其相关设备 |
CN113657547B (zh) * | 2021-08-31 | 2024-05-14 | 平安医疗健康管理股份有限公司 | 基于自然语言处理模型的舆情监测方法及其相关设备 |
CN114757191A (zh) * | 2022-03-29 | 2022-07-15 | 国网江苏省电力有限公司营销服务中心 | 基于深度学习的电力舆情领域命名实体识别方法系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10755185B2 (en) | Rating difficulty of questions | |
Al Qady et al. | Concept relation extraction from construction documents using natural language processing | |
CN110443571A (zh) | 基于知识图谱进行简历评估的方法、装置及设备 | |
CN110609983B (zh) | 一种政策文件结构化分解方法 | |
CN111488466B (zh) | 中文带标记错误语料生成方法、计算装置和存储介质 | |
CN111859966B (zh) | 一种面向网络威胁情报的标注语料生成方法及电子装置 | |
US10558931B2 (en) | Determining comprehensiveness of question paper given syllabus | |
Dhoolia et al. | A cognitive system for business and technical support: A case study | |
CN110347898A (zh) | 一种网络舆情监控的应答生成方法及系统 | |
Khun et al. | Visualization of Twitter sentiment during the period of US banned huawei | |
Zacharis et al. | AiCEF: an AI-assisted cyber exercise content generation framework using named entity recognition | |
Riza et al. | Natural language processing and levenshtein distance for generating error identification typed questions on TOEFL | |
Rosales-Méndez et al. | Nifify: towards better quality entity linking datasets | |
Osakwe et al. | Towards automated content analysis of feedback: A multi-language study | |
Al-Obeidat et al. | Twitter sentiment analysis to understand students' perceptions about online learning during the Covid'19 | |
Clinciu et al. | It’s commonsense, isn’t it? demystifying human evaluations in commonsense-enhanced NLG systems | |
Rattrout et al. | Sentiment analysis on Arabic content in social media: Hybrid model of dictionary based and fuzzy logic | |
Ameer et al. | Hybrid Deep Neural Networks for Improved Sentiment Analysis in Social Media | |
CN112926318A (zh) | 一种基于句法分析的网购评论新情感词提取方法 | |
Adib et al. | Enhancing trust accuracy among online social network users utilizing data text mining techniques in apache spark | |
Muis et al. | SUPPORT VECTOR MACHINE (SVM) ALGORITHM FOR STUDENT SENTIMENT ANALYSIS OF ONLINE LECTURES | |
Shakhovska et al. | The method of automatic summarization from different sources | |
CN112818108B (zh) | 基于形近字的文本语义曲解聊天机器人及其数据处理方法 | |
Ionita et al. | COMPREHENSIVE SOCIOGRAMS OF THE SCIENTIFIC BULLETIN COMMUNITY | |
Ashiq et al. | A Deep Learning Approaches for Natural Language Processing and Sentiment Analysis in Social Media |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |