CN110659436A - 网络舆情监控方法、装置和设备 - Google Patents

网络舆情监控方法、装置和设备 Download PDF

Info

Publication number
CN110659436A
CN110659436A CN201910777712.7A CN201910777712A CN110659436A CN 110659436 A CN110659436 A CN 110659436A CN 201910777712 A CN201910777712 A CN 201910777712A CN 110659436 A CN110659436 A CN 110659436A
Authority
CN
China
Prior art keywords
public opinion
network public
opinion information
network
monitored
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
Application number
CN201910777712.7A
Other languages
English (en)
Inventor
张琳
温祖杰
欧代慧
王雅芳
龙翀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910777712.7A priority Critical patent/CN110659436A/zh
Publication of CN110659436A publication Critical patent/CN110659436A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking

Abstract

本说明书实施例提供一种网络舆情监控方法、装置和设备。在一个实施例中，该方法包括：获取待监控网络舆情信息；对于每个网络舆情监控模型，执行以下步骤：将待监控网络舆情信息和网络舆情监控模型对应的业务类目下的预设参考网络舆情信息作为网络舆情监控模型的输入；提取待监控网络舆情信息的N个第一语义特征向量和预设参考网络舆情信息的N个第二语义特征向量；对于每个第一语义特征向量，计算至少一个第二语义特征向量分别与该第一语义特征向量之间的距离；基于所计算的距离，得到待监控网络舆情信息与预设参考网络舆情信息之间的相似度；以及若所得到的相似度满足未知业务类目触发条件，则将待监控网络舆情信息划分至未知业务类目。

Description

网络舆情监控方法、装置和设备
技术领域
本说明书一个或多个实施例涉及计算机领域，尤其涉及一种网络舆情监控方法、装置和设备。
背景技术
随着移动互联网、物联网等新技术的迅速发展，人类进入数据时代。数据时代带来的信息风暴正改变着我们的生活、工作和思维方式，对网络舆情管理也带来深刻影响。网络舆情是指在一定的社会空间内，通过网络传播的公众对现实生活中某些焦点问题所持有的倾向性的言论和观点。新舆情时代的到来呼唤有责任的商业组织在密切关注舆情风险的同时，能够深入挖掘舆情大数据的价值，倾听社会、市场和用户的广泛声音，反哺商业机会。
若依赖人工每天从上百万的数据中监控网络舆情信息，则会大大降低网络舆情监控的效率。目前可以利用一些固有规则对网络舆情信息进行筛选。例如，固有规则为设定关键词，通过预先设定的关键词筛选网络舆情信息，以实现对用户所关心的舆情信息进行监控。但是，目前的网络舆情信息的监控方法在对网络舆情信息进行筛选时，很容易将一些新型的网络舆情信息漏掉，降低了网络舆情监控的准确度。
发明内容
本说明书一个或多个实施例提供一种网络舆情监控方法、装置和设备，提高了对网络舆情监控的准确度。
本说明书一个或多个实施例提供的技术方案如下：
第一方面，提供一种网络舆情监控方法，包括：
获取待监控网络舆情信息；
对于网络舆情监控系统包括的至少一个网络舆情监控模型中的每个网络舆情监控模型，执行以下步骤：
将待监控网络舆情信息和网络舆情监控模型对应的业务类目下的预设参考网络舆情信息作为网络舆情监控模型的输入；
提取待监控网络舆情信息的N个第一语义特征向量和预设参考网络舆情信息的N个第二语义特征向量；其中，N为大于等于1的整数；
对于N个第一语义特征向量中的每个第一语义特征向量，计算N个第二语义特征向量中的至少一个第二语义特征向量分别与该第一语义特征向量之间的距离；
基于所计算的距离，得到待监控网络舆情信息与预设参考网络舆情信息之间的相似度；
若所得到的相似度满足未知业务类目触发条件，则将待监控网络舆情信息划分至未知业务类目。
第二方面，提供一种网络舆情监控装置，包括：
网络舆情信息获取模块，用于获取待监控网络舆情信息；
相似度确定模块，用于对于网络舆情监控系统包括的至少一个网络舆情监控模型中的每个网络舆情监控模型，执行以下步骤：
将待监控网络舆情信息和网络舆情监控模型对应的业务类目下的预设参考网络舆情信息作为网络舆情监控模型的输入；
提取待监控网络舆情信息的N个第一语义特征向量和预设参考网络舆情信息的N个第二语义特征向量；其中，N为大于等于1的整数；
对于N个第一语义特征向量中的每个第一语义特征向量，计算N个第二语义特征向量中的至少一个第二语义特征向量分别与该第一语义特征向量之间的距离；
基于所计算的距离，得到待监控网络舆情信息与预设参考网络舆情信息之间的相似度；
未知业务类目划分模块，用于若所得到的相似度满足未知业务类目触发条件，则将待监控网络舆情信息划分至未知业务类目。
第三方面，提供一种网络舆情监控设备，包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如本说明书实施例提供的网络舆情监控方法。
本说明书实施例提供的网络舆情监控方法、装置和设备，通过利用网络舆情监控模型，可以基于待监控网络舆情信息的语义特征向量与已有的预设参考网络舆情信息的语义特征向量计算待监控网络舆情信息与参考网络舆情信息之间的距离。基于待监控网络舆情信息与已有的参考网络舆情信息之间的距离计算两者的相似度，可以减少相似度计算的复杂度，不需要复杂的网络舆情监控模型。通过判断快速得到的相似度是否满足未知业务类目触发条件，可以及时的筛选出属于未知业务类目的新型网络舆情信息，避免漏掉一些新型的热点网络舆情信息，提高了对网络舆情信息监控的准确度。
附图说明
为了更清楚地说明本说明书一个或多个实施例的技术方案，下面将对本说明书一个或多个实施例中所需要使用的附图作简单地介绍，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为本说明书一个实施例提供的网络舆情监控系统的架构示意图；
图2为本说明书一个实施例提供的网络舆情监控方法的流程示意图；
图3为本说明书一个实施例提供的网络舆情监控模型的架构示意图；
图4为本说明书一个实施例提供的网络舆情监控装置的结构示意图；
图5为本说明书一个实施例提供的网络舆情监控设备的示例性硬件架构的结构图。
具体实施方式
下面将详细描述本说明书的各个方面的特征和示例性实施例，为了使本说明书的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本说明书进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本说明书，并不被配置为限定本说明书。对于本领域技术人员来说，本说明书可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本说明书的示例来提供对本说明书更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
图1示出本说明书一个或多个实施例提供的网络舆情监控系统的结构示意图。如图1所示，该系统包括终端110和服务器120。
在本说明书一个或多个实施例中，终端110可以是笔记本电脑、智能手机、平板电脑或个人计算机等电子设备，对于终端110的数目不做限制。
其中，服务器120可以是一种高性能的电子计算器，服务器120可以通过网络接收终端110发送的网络舆情信息，并对从终端110中获取的网络舆情信息进行监控和识别。
本说明书实施例提供一种网络舆情监控方法，通过该网络舆情监控方法可以实现对新型的网络舆情信息进行有效监控，提高对网络舆情信息监控的准确度。
图2示出本说明书实施例提供的网络舆情监控方法的流程示意图。如图2所示，本说明书实施例提供的网络舆情监控方法包括以下步骤：
S210，获取待监控网络舆情信息。
在本说明书的实施例中，网络舆情信息的主要来源包括新闻评论、论坛、博客、微博、转帖和即时通讯软件等来源。
对于网络舆情监控系统包括的至少一个网络舆情监控模型中的每个网络舆情监控模型，执行S220～S250：
S220，将待监控网络舆情信息和网络舆情监控模型对应的业务类目下的预设参考网络舆情信息作为网络舆情监控模型的输入。
在本说明书的实施例中，每个网络舆情监控模型均具有对应的业务类目。例如，第一网络舆情监控模型的业务类目为A款手机，则第一网络舆情监控模型对应的业务类目下的预设参考网络舆情信息可以为关于A款手机的负面评论信息。对于第一网络舆情监控模型对应的业务类目下的预设参考网络舆情信息的个数和内容不做具体限制。
作为一个示例，业务类目可以为产品、热点事件或公众人物等类目。
S230，提取待监控网络舆情信息的N个第一语义特征向量和预设参考网络舆情信息的N个第二语义特征向量；其中，N为大于等于1的整数。
S240，对于N个第一语义特征向量中的每个第一语义特征向量，计算N个第二语义特征向量中的至少一个第二语义特征向量分别与第一语义特征向量之间的距离。
S250，基于所计算的距离，得到待监控网络舆情信息与预设参考网络舆情信息之间的相似度。
需要说明的是，若某一网络舆情监控模型对应的业务类目下的预设参考网络舆情信息的个数为多个，则待监控网络舆情信息与该网络舆情监控模型对应的业务类目下的预设参考网络舆情信息之间的相似度包括：待监控网络舆情信息与该网络舆情监控模型对应的多个预设参考网络舆情信息中的每个预设参考网络舆情信息之间的相似度。
S260，若所得到的相似度满足未知业务类目触发条件，则将待监控网络舆情信息划分至未知业务类目。
在本说明书的一些实施例中，未知业务类目触发条件可以为所得到的相似度均小于预设的类目划分相似度阈值。也就是说，若所得到的相似度中的每个相似度均小于预设的类目划分相似度阈值，则基本可以认为待监控网络舆情信息不属于任何一个网络舆情监控模型对应的业务类目所关注的信息，则可以将该待监控网络舆情信息划分至未知业务类目下。
本说明书实施例提供的网络舆情监控方法，通过利用网络舆情监控模型，可以基于待监控网络舆情信息的语义特征向量与已有的预设参考网络舆情信息的语义特征向量计算待监控网络舆情信息与参考网络舆情信息之间的距离。基于待监控网络舆情信息与已有的参考网络舆情信息之间的距离计算两者的相似度，可以减少相似度计算的复杂度，不需要复杂的网络舆情监控模型。通过判断快速得到的相似度是否满足未知业务类目触发条件，可以及时的筛选出未知业务类目的新型的网络舆情信息，避免漏掉一些新型的热点网络舆情信息，提高了对网络舆情信息监控的准确度。
下面结合图3示出的网络舆情监控模型的架构图详细介绍待监控网络舆情信息和预设参考网络舆情信息之间的相似度的计算过程。
在本说明书的实施例中，网络舆情监控系统中每个网络舆情监控模型的架构基本相似。其中，网络舆情监控模型是一个具有两个子网络的孪生网络，这两个子网络共享权值参数，用于处理同时输入的两个数据。网络舆情监控模型一般包括输入层、隐藏层、距离层和输出层。
作为一个示例，输入层用于接收待监控网络舆情信息和预设参考网络舆情信息。即待监控网络舆情信息和预设参考网络舆情信息作为一个数据对输入网络舆情监控模型。
在将待监控网络舆情信息和预设参考网络舆情信息输入网络舆情监控模型之前，需要对待监控网络舆情信息和预设参考网络舆情信息进行预处理。首先对待监控网络舆情信息和预设参考网络舆情信息均进行分词处理，得到用于表征待监控网络舆情信息的第一词语序列
Figure BDA0002175602340000061
以及用于表征预设参考网络舆情信息的第二词语序列
Figure BDA0002175602340000062
Figure BDA0002175602340000063
其中，N1可以根据大多数网络舆情信息的词语长度信息确定，N1为正整数。作为一个示例，N1可以取50。若某一网络舆情信息对应的词语序列的长度小于N1，则可以用特定符号进行补足，若大于N1，则可以截取前N1个词语序列。
在本说明书的一个实施例中，网络舆情信息可以包括标题和文本中的内容。网络舆情信息的词语序列的获取方法可以采用已知的自然语言处理技术，在此并不限定。
然后，基于预先训练好的词语与词向量的对应关系，将第一词语序列映射为对应的词向量序列，并将第一词语序列对应的词向量序列作为第一子网络的输入。
相类似地，基于预先训练好的词语与词向量的对应关系，将第二词语序列映射为对应的词向量序列，并将第二词语序列对应的词向量序列作为第二子网络的输入。
在本说明书的实施例中，隐藏层的结构决定着该层输出的语义特征向量的数量。
作为一个示例，第一子网络的隐藏层为全连接网络，该全连接网络包括N1个全连接层。第一子网络的隐藏层的N1个全连接层中的每个全连接层均用于提取第一词语序列
Figure BDA0002175602340000071
的高维语义特征向量。
作为一个示例，语义特征可以为词性特征、语法结构特征、词语之间的上下文语义特征、词语极性特征等多种不同的特征。例如，N1个全连接层中每个全连接层的权重参数均不相同，则N1个第一语义特征向量可以为表征不同语义特征的特征向量。
对于第一子网络的隐藏层中的每个全连接层，该全连接层上的每一个节点均与输入层的所有节点相连。其中，第一子网络的隐藏层中的N1个全连接层中的第i个全连接层输出待监控网络舆情信息的第一语义特征向量h1,i。其中，i大于等于1且小于等于N1。
通过利用第一子网络的隐藏层中的N1个全连接层，可以得到待监控网络舆情信息的N1个第一语义特征向量。也就是说，第一子网络的隐藏层的N1个全连接层中的每个全连接层均可以输出待监控网络舆情信息的一个语义特征向量。
同理，第二子网络的隐藏层包括与第一子网络的隐藏层中相同的N1个全连接层。通过第二子网络的隐藏层中的N1个全连接层，可以得到预设参考网络舆情信息的N1个第二语义特征向量。其中，第二子网络的隐藏层中的N1全连接层中的第i个全连接层输出预设参考网络舆情信息的第二语义特征向量h2,i。
也就是说，若隐藏层包括N1个全连接层，则第一子网络的隐藏层输出N1个第一语义特征向量，第二子网络的隐藏层输出N1个第二语义特征向量。
作为另外一个示例，隐藏层也可以为循环神经网络(Recurrent Neural Network，RNN)或卷积神经网络(Convolutional Neural Networks，CNN)等其他结构，在此不做限定。
作为一个具体示例，第一子网络的隐藏层为卷积神经网络，该卷积神经网络包括卷积层、池化层和全连接层，该全连接层用于将卷积层提取的特征综合起来。若卷积神经网络的全连接层包括M个神经元，则第一子网络的隐藏层将会输出第一词语序列的一个M维的第一语义特征向量。M为大于1的整数。
同理，第二子网络的隐藏层与第一子网络具有相同的卷积神经网络。第二子网络的隐藏层将会输出第二词语序列的一个M维的第一语义特征向量。
也就是说，若隐藏层为尾部为全连接层的卷积神经网络，则第一子网络的隐藏层输出一个第一语义特征向量，第二子网络的隐藏层输出一个第二语义特征向量。
因此，第一子网络的隐藏层可以提取待监控网络舆情信息的N个第一语义特征向量，第二子网络的隐藏层可以提取预设参考网络舆情信息的N个第二语义特征向量。其中，N为大于等于1的整数。
在本说明书的实施例中，第一子网络的隐藏层的输出和第二子网络的隐藏层的输出共同作为距离层的输入。对于第一子网络输出的每个第一语义特征向量，距离层用于计算第二子网络的隐藏层输出的N个第二语义特征向量中的至少一个第二语义特征向量分别与第一子网络的隐藏层输出的第一语义特征向量之间的距离。
作为一个示例，若第一子网络的隐藏层输出N1个第一语义特征向量，第二子网络的隐藏层输出N1个第二语义特征向量，并且对于每个第一语义特征向量，该第一语义特征向量与每个第二语义特征向量两两组合分别作为距离层的一个节点的输入，那么距离层的节点个数为N2＝N1*N1。
作为一个示例，参见图3，d1表示第一语义特征向量h1,1和第二语义特征向量h2,1之间的距离，d2表示第一语义特征向量h1,1和第二语义特征向量h2,2之间的距离，…….，
Figure BDA0002175602340000091
表示第一语义特征向量h1,1和第二语义特征向量
Figure BDA0002175602340000092
之间的距离。
Figure BDA0002175602340000093
表示第一语义特征向量
Figure BDA0002175602340000094
和第二语义特征向量h2,1之间的距离，
Figure BDA0002175602340000095
表示第一语义特征向量
Figure BDA0002175602340000096
和第二语义特征向量h2,2之间的距离，…….，
Figure BDA0002175602340000097
表示第一语义特征向量
Figure BDA0002175602340000098
和第二语义特征向量
Figure BDA0002175602340000099
之间的距离。
作为另一个示例，若第一子网络的隐藏层输出N1个第一语义特征向量，第二子网络的隐藏层输出N1个第二语义特征向量，并且将第一语义特征向量h1,i与第二语义特征向量h2,i两两组合分别作为距离层的一个节点的输入，那么距离层的节点个数为N2＝N1。
也就是说，di为h1,i与h2,i之间的距离。例如，d1表示第一语义特征向量h1,1和第二语义特征向量h2,1之间的距离，d2表示第一语义特征向量h1,2和第二语义特征向量h2,2之间的距离，…….，
Figure BDA00021756023400000910
表示第一语义特征向量
Figure BDA00021756023400000911
和第二语义特征向量
Figure BDA00021756023400000912
之间的距离。
作为一个示例，在计算任一第一语义特征向量和任一第二语义特征向量之间的距离时，可以利用欧氏距离法。
在本说明书的实施例中，距离层各节点的输出作为输出层的输入，输出层根据距离层各节点输出的各个距离值(例如)，可以计算出待监控网络舆情信息与预设参考网络舆情信息之间的距离。其中，输出层对输入的每个距离进行加权求和，可以计算出待监控网络舆情信息与预设参考网络舆情信息之间的距离。
需要说明的是，若第一子网络的隐藏层输出一个第一语义特征向量，第二子网络的隐藏层输出一个第二语义特征向量，则该第一语义特征向量与该第二语义特征向量之间的距离即为待监控网络舆情信息与预设参考网络舆情信息之间的距离。
然后，输出层通过sigmoidal函数将待监控网络舆情信息与预设参考网络舆情信息之间的距离映射成一个0到1的概率p，作为待监控网络舆情信息与预设参考网络舆情信息之间的相似度。
在本说明书的一个或多个实施例中，由于一个待监控网络舆情信息可能涉及多个业务类目，因此通过利用对应不同业务类目的网络舆情监控模型对网络舆情信息同时进行监控，不仅能够识别出未知业务类目的新型网络舆情信息，也实现了对待监控网络舆情信息进行多方面的监控，提高了对网络舆情信息监控的全面性。
在对网络舆情信息进行监控的过程中，若出现了新型的网络舆情信息，则希望可以快速实现对新型网络舆情信息的全面监控。因此，在本说明书的一些实施例中，网络舆情监控方法还包括：
S270，基于未知业务类目下的网络舆情信息确定该网络舆情信息对应的新业务类目，并将未知业务类目下的网络舆情信息划分至该网络舆情信息对应的新业务类目。
在本说明书的一些实施例中，可以通过利用自然语言处理技术对未知业务类目下的网络舆情信息进行处理，例如语义分析和关键词筛选等处理，可以将未知业务类目下的网络舆情信息进行业务分类。
例如，某公司刚推出新款电脑B，网络舆情监控系统监控到了针对该电脑B的负面评论，即未知业务类目下包括电脑B的负面评论。由于该款电脑B是新上市的电脑，因此针对该款新电脑的负面评论信息是新型的网络舆情信息，则可以建立一个针对电脑B的新业务类目。
通过不断执行S210～S270，并对未知业务类目下的网络舆情信息进行自然语言处理，可以从未知业务类目下的网络舆情信息中筛选出对应新业务类目(即电脑B)下的至少一个网络舆情信息。
利用相类似的方法，可以基于未知业务类目下的网络舆情信息确定至少一个新业务类目，并从未知业务类目下的网络舆情信息中筛选出每个新业务类目下的网络舆情信息。
S280，对于任一新业务类目，若新业务类目下的网络舆情信息的数量达到预设阈值，则基于新业务类目对应的网络舆情信息，训练新业务类目对应的网络舆情监控模型。
在本说明书的一些实施例中，对于一个新业务类目，将属于该新业务类目下的任意两个网络舆情信息作为一个正样本对，并将该正样本对的相似度标注结果设为1。将新业务类目下的一个网络舆情信息与不属于该新业务类目下的一个网络舆情信息作为一个负样本对，并将该负样本对的相似度标注结果设为0。依照上述方法可以得到针对新业务类目的多组正样本对和多组负样本对。
然后将新业务类目对应的多组正样本对和多组负样本对均输入一个待训练的网络舆情监控模型，可以得到每组正样本对的相似度预测结果和每组负样本对的相似度预测结果。
根据每组正样本对的相似度预测结果、每组负样本对的相似度预测结果、每组正样本对的相似度标注结果和每组负样本对的相似度标注结果，可以确定待训练负样本筛选模型的损失函数。
在本说明书的一个或多个实施例中，损失函数(Loss Function)可以用于估计模型训练的结果与模型训练的目标之间的差距，即网络舆情监控模型的相似度误差。例如，模型训练的结果是每次训练的网络舆情监控模型得到的相似度预测结果，而模型训练的目标是输入的样本对的相似度标注结果。
在本说明书的一个实施例中，可以根据损失函数对应的梯度，调整网络舆情监控模型参数，对网络舆情监控模型中的模型参数进行调整。
在本说明书的一个实施例中，网络舆情监控模型的模型参数的初始值可以是一个随机参数或用户根据经验设定的一个参数值。
在本说明书一个或多个实施例中，在网络舆情监控模型的训练过程中，利用梯度下降算法，确定损失函数对应的梯度，并根据损失函数对应的梯度，调整网络舆情监控模型参数。作为一个示例，梯度下降算法可以包括基于梯度下降算法的反向传播算法、Adam优化算法等。
在一些实施例中，梯度本身是一个向量，可以称之为梯度向量，梯度向量可以为网络舆情监控模型的训练过程指明调整模型参数的方向，沿着该梯度向量的方向，根据梯度向量的大小调整网络舆情监控模型参数，可以保证每次对网络舆情监控模型的结果更接近于模型训练的目标。
在本说明书的一个或多个实施例中，当调整完待训练网络舆情监控模型的模型参数之后，判断是否满足预设训练条件。
在本说明书的一个实施例中，预设训练条件包括迭代次数达到预设次数阈值。
在本说明书的另一个实施例中，预设训练条件包括待训练网络舆情监控模型的损失函数与上一次迭代过程中确定的损失函数之间的差值不超过预设差值阈值。也就是说待训练的网络舆情监控模型的损失函数与上一次迭代过程中计算的损失函数较为接近，则可以认为训练出的网络舆情监控模型的性能已达到最佳。
然后，从该新业务类目下的网络舆情信息中筛选至少一个网络舆情信息作为该新业务类目对应的网络舆情监控模型的预设参考网络舆情信息。
需要说明的是，在第一次训练过程中，待训练网络舆情监控模型为初始孪生网络。在之后的迭代过程中，待训练负样本筛选模型则为上一次迭代过程结束之后得到的网络舆情监控模型。
在本说明书的一个或多个实施例中，可以根据实际需求灵活设置预设训练条件以得到满足需求的网络舆情监控模型。
其中，每个新业务类目对应的网络舆情监控模型的训练方法均相似，并且新业务类目对应的网络舆情监控模型也是孪生网络。
在本说明书的实施例中，由于孪生网络具有两个相同结构和共享参数的子网络，样本对的想法可以等效地增加样本数量，使得孪生网络擅长小样本训练，因此对于新业务类目而言，只需要利用该新业务类目下少量的网络舆情样本信息即可以训练对应的网络舆情监控模型。
并且，由于孪生网络的两个子网络具有共享参数的特性，在训练网络舆情监控模型时，便于对孪生网络参数进行更新和管理，因此减少了参数量和参数运算的复杂性。
由于网络舆情信息的传播速度较快，因此利用少量网络舆情样本信息快速训练针对新业务类目的网络舆情监控模型，可以实现快速对网络舆情监控系统的更新，以对新获取的属于新业务类目下的网络舆情信息进行监控，提高了对网络舆情监控的及时性。
S290，利用训练后的每个网络舆情监控模型更新网络舆情监控系统。
在本说明书的实施例中，将训练完成的针对每个新业务类目的网络舆情监控模型添加至网络舆情监控系统中，以更新网络舆情监控系统，不需要对网络舆情监控系统中原有的网络舆情监控模型进行更改，因此可以快速实现对新型网络舆情信息的监控。
当新获取的待监控网络舆情输入更新后的网络舆情监控系统后，则可以实现对网络舆情信息进行更全面的监控，提高了对网络舆情监控的全面性和准确性。
为了使用户及时了解其所关心的网络舆情信息，则可以对满足预警条件的网络舆情信息进行告警，因此，在本说明书的一些实施例中，网络舆情监控方法还包括：
S300，若所得到的相似度中存在至少一个目标相似度，则对待监控网络舆情信息进行预警。
其中，目标相似度大于自身对应的网络舆情监控模型的预设预警相似度阈值。
在本说明书的实施例中，针对所得到的每个相似度，判断该相似度是否大于自身对应的网络舆情监控模型的预设预警相似度阈值。若相似度大于自身对应的网络舆情监控模型的预设预警相似度阈值，则该相似度为目标相似度。也就是说，每个网络舆情监控模型均具有对应的预警条件，该预警条件即为相似度大于该模型的预设预警相似度阈值。
若所得到的相似度中存在目标相似度，代表该待监控网络舆情信息满足了至少一个预警条件，则对待监控网络舆情信息进行预警。
在一些实施例中，若所得到的相似度中存在至少一个目标相似度，代表待监控网络舆情信息触发了至少一个目标相似度中每个目标相似度对应的网络舆情监控模型对应的业务。为了实现对不同的业务类目分别进行预警，针对每个目标相似度，发送与目标相似度相对应的网络舆情监控模型所对应的预警信息，以对待监控网络舆情信息进行预警。
其中，每个网络舆情监控模型对应的预设预警相似度阈值可以相同，也可以不同，在此不做具体限定。
需要说明的是，针对训练完成的新业务类目的网络舆情监控模型也具有对应的预设预警相似度阈值。因此，当利用未知业务类目下的网络舆情信息更新网络舆情监控系统之后，则可以更全面的监控网络舆情信息，可以对属于新业务类目下的新网络舆情信息进行及时预警，不仅提高了网络舆情预警的准确度，也提高了预警的及时性和效率。
图4示出了根据本说明书一实施例提供的网络舆情监控装置的结构示意图。如图4所示，网络舆情监控装置400包括：
网络舆情信息获取模块410，用于获取待监控网络舆情信息。
相似度确定模块420，用于对于网络舆情监控系统包括的至少一个网络舆情监控模型中的每个网络舆情监控模型，执行以下步骤：
将所述待监控网络舆情信息和所述网络舆情监控模型对应的业务类目下的预设参考网络舆情信息作为所述网络舆情监控模型的输入；
提取所述待监控网络舆情信息的N个第一语义特征向量和所述预设参考网络舆情信息的N个第二语义特征向量；其中，N为大于等于1的整数；
对于所述N个第一语义特征向量中的每个第一语义特征向量，计算所述N个第二语义特征向量中的至少一个第二语义特征向量分别与所述第一语义特征向量之间的距离；
基于所计算的距离，得到所述待监控网络舆情信息与所述预设参考网络舆情信息之间的相似度。
未知业务类目划分模块430，用于若所得到的相似度满足未知业务类目触发条件，则将待监控网络舆情信息划分至未知业务类目。
本说明书实施例提供的网络舆情监控装置，通过利用网络舆情监控模型，可以基于待监控网络舆情信息的语义特征向量与已有的预设参考网络舆情信息的语义特征向量计算待监控网络舆情信息与参考网络舆情信息之间的距离。基于待监控网络舆情信息与已有的参考网络舆情信息之间的距离计算两者的相似度，可以减少相似度计算的复杂度，不需要复杂的网络舆情监控模型。通过判断快速得到的相似度是否满足未知业务类目触发条件，可以及时的筛选出未知业务类目的新型网络舆情信息，避免漏掉一些新型的热点网络舆情信息，提高了对网络舆情信息监控的准确度。
在本说明书的实施例中，网络舆情监控装置还包括：
新业务类目确定模块，用于基于所述未知业务类目下的网络舆情信息确定该网络舆情信息对应的新业务类目，并将所述未知业务类目下的网络舆情信息划分至该网络舆情信息对应的新业务类目。
在本说明书的实施例中，网络舆情监控装置还包括：
模型训练模块，用于对于任一新业务类目，若所述新业务类目下的网络舆情信息的数量达到预设阈值，则基于新业务类目对应的网络舆情信息，训练所述新业务类目对应的网络舆情监控模型。
监控系统更新模块，用于利用训练后的每个网络舆情监控模型更新网络舆情监控系统。
在本说明书的实施例中，未知业务类目触发条件为所得到的相似度均小于预设的类目划分相似度阈值。
在本说明书的实施例中，参见图4，网络舆情监控装置还包括：
预警模块440，用于若所得到的相似度中存在至少一个目标相似度，则对待监控网络舆情信息进行预警。
其中，目标相似度大于自身对应的网络舆情监控模型的预设预警相似度阈值。
在本说明书的实施例中，预警模块440用于：
针对至少一个目标相似度中的每个目标相似度，发送与目标相似度相对应的网络舆情监控模型所对应的预警信息，以对待监控网络舆情信息进行预警。
在本说明书的实施例中，相似度模块用于对每个网络舆情监控模型执行以下步骤：
获取待监控网络舆情信息的第一语义特征向量；
获得网络舆情监控模型对应的业务类目下的预设参考网络舆情信息的第二语义特征向量；
计算第一语义特征向量和第二语义特征向量之间的距离；以及
基于距离得到待监控网络舆情信息与预设参考网络舆情信息之间的相似度。
根据本说明书实施例的网络舆情监控装置的其他细节与以上结合图2和图3描述的根据本说明书实施例的网络舆情监控方法类似，在此不再赘述。
结合图2至图4描述的根据本说明书实施例的网络舆情监控方法和装置可以由网络舆情监控设备来实现。图5是示出根据说明书实施例的网络舆情监控设备的硬件结构500示意图。
如图5所示，网络舆情监控设备500包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505、以及输出设备506。其中，输入接口502、中央处理器503、存储器504、以及输出接口505通过总线510相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线510连接，进而与网络舆情监控设备500的其他组件连接。
具体地，输入设备501接收来自外部的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506将输出信息输出到网络舆情监控设备500的外部供用户使用。
也就是说，图5所示的网络舆情监控设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图2至图4描述的网络舆情监控方法和装置。
还需要说明的是，本说明书中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本说明书不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上，仅为本说明书的具体实施方式，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，上述描述的系统、模块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。应理解，本说明书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说明书揭露的技术范围内，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说明书的保护范围之内。

Claims (15)

1.一种网络舆情监控方法，其特征在于，所述方法包括：
获取待监控网络舆情信息；
对于网络舆情监控系统包括的至少一个网络舆情监控模型中的每个网络舆情监控模型，执行以下步骤：
将所述待监控网络舆情信息和所述网络舆情监控模型对应的业务类目下的预设参考网络舆情信息作为所述网络舆情监控模型的输入；
提取所述待监控网络舆情信息的N个第一语义特征向量和所述预设参考网络舆情信息的N个第二语义特征向量；其中，N为大于等于1的整数；
对于所述N个第一语义特征向量中的每个第一语义特征向量，计算所述N个第二语义特征向量中的至少一个第二语义特征向量分别与所述第一语义特征向量之间的距离；
基于所计算的距离，得到所述待监控网络舆情信息与所述预设参考网络舆情信息之间的相似度；
若所得到的相似度满足未知业务类目触发条件，则将所述待监控网络舆情信息划分至未知业务类目。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述未知业务类目下的网络舆情信息确定该网络舆情信息对应的新业务类目，并将所述未知业务类目下的网络舆情信息划分至该网络舆情信息对应的新业务类目。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
对于任一新业务类目，若所述新业务类目下的网络舆情信息的数量达到预设阈值，则基于所述新业务类目对应的网络舆情信息，训练所述新业务类目对应的网络舆情监控模型；
利用训练后的网络舆情监控模型更新所述网络舆情监控系统。
4.根据权利要求1所述的方法，其特征在于，所述未知业务类目触发条件为所得到的相似度均小于预设的类目划分相似度阈值。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所得到的相似度中存在至少一个目标相似度，则对所述待监控网络舆情信息进行预警；
其中，目标相似度大于自身对应的网络舆情监控模型的预设预警相似度阈值。
6.根据权利要求5所述的方法，其特征在于，对所述待监控网络舆情信息进行预警，包括：
针对所述至少一个目标相似度中的每个目标相似度，发送与所述目标相似度相对应的网络舆情监控模型所对应的预警信息，以对所述待监控网络舆情信息进行预警。
7.根据权利要求1所述的方法，其特征在于，每个网络舆情监控模型均为孪生网络。
8.一种网络舆情监控装置，其特征在于，所述装置包括：
网络舆情信息获取模块，用于获取待监控网络舆情信息；
相似度确定模块，用于对于网络舆情监控系统包括的至少一个网络舆情监控模型中的每个网络舆情监控模型，执行以下步骤：
将所述待监控网络舆情信息和所述网络舆情监控模型对应的业务类目下的预设参考网络舆情信息作为所述网络舆情监控模型的输入；
提取所述待监控网络舆情信息的N个第一语义特征向量和所述预设参考网络舆情信息的N个第二语义特征向量；其中，N为大于等于1的整数；
对于所述N个第一语义特征向量中的每个第一语义特征向量，计算所述N个第二语义特征向量中的至少一个第二语义特征向量分别与所述第一语义特征向量之间的距离；
基于所计算的距离，得到所述待监控网络舆情信息与所述预设参考网络舆情信息之间的相似度；
未知业务类目划分模块，用于若所得到的相似度满足未知业务类目触发条件，则将所述待监控网络舆情信息划分至未知业务类目。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
新业务类目确定模块，用于基于所述未知业务类目下的网络舆情信息确定该网络舆情信息对应的新业务类目，并将所述未知业务类目下的网络舆情信息划分至该网络舆情信息对应的新业务类目。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
模型训练模块，用于对于任一新业务类目，若所述新业务类目下的网络舆情信息的数量达到预设阈值，则基于所述新业务类目对应的网络舆情信息，训练所述新业务类目对应的网络舆情监控模型；
监控系统更新模块，用于利用训练后的每个网络舆情监控模型更新所述网络舆情监控系统。
11.根据权利要求8所述的装置，其特征在于，所述未知业务类目触发条件为所得到的相似度均小于预设的类目划分相似度阈值。
12.根据权利要求8所述的装置，其特征在于，所述装置还包括：
预警模块，用于若所得到的相似度中存在至少一个目标相似度，则对所述待监控网络舆情信息进行预警；
其中，目标相似度大于自身对应的网络舆情监控模型的预设预警相似度阈值。
13.根据权利要求12所述的装置，其特征在于，所述预警模块用于：
针对所述至少一个目标相似度中的每个目标相似度，发送与所述目标相似度相对应的网络舆情监控模型所对应的预警信息，以对所述待监控网络舆情信息进行预警。
14.根据权利要求8所述的装置，其特征在于，每个网络舆情监控模型均为孪生网络。
15.一种网络舆情监控设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的网络舆情监控方法。
CN201910777712.7A 2019-08-22 2019-08-22 网络舆情监控方法、装置和设备 Pending CN110659436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910777712.7A CN110659436A (zh) 2019-08-22 2019-08-22 网络舆情监控方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910777712.7A CN110659436A (zh) 2019-08-22 2019-08-22 网络舆情监控方法、装置和设备

Publications (1)

Publication Number Publication Date
CN110659436A true CN110659436A (zh) 2020-01-07

Family

ID=69037717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910777712.7A Pending CN110659436A (zh) 2019-08-22 2019-08-22 网络舆情监控方法、装置和设备

Country Status (1)

Country Link
CN (1) CN110659436A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310041A (zh) * 2020-02-12 2020-06-19 腾讯科技（深圳）有限公司 图文发布的方法、模型的训练方法、装置及存储介质
CN112711651A (zh) * 2020-12-30 2021-04-27 上海金仕达软件科技有限公司 一种舆情监测方法及系统
CN112884204A (zh) * 2021-01-22 2021-06-01 中国科学院信息工程研究所 网络安全风险事件预测方法及装置
CN113392185A (zh) * 2021-06-10 2021-09-14 中国联合网络通信集团有限公司 舆情预警方法、装置、设备及存储介质
CN114385890A (zh) * 2022-03-22 2022-04-22 深圳市世纪联想广告有限公司 互联网舆情监控系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975642A (zh) * 2016-07-15 2016-09-28 合肥指南针电子科技有限责任公司 一种基于网络大数据的舆情监控方法
CN109684481A (zh) * 2019-01-04 2019-04-26 深圳壹账通智能科技有限公司 舆情分析方法、装置、计算机设备和存储介质
CN110035436A (zh) * 2019-01-16 2019-07-19 阿里巴巴集团控股有限公司 信息监控方法、装置、设备及存储介质
CN110046648A (zh) * 2019-03-13 2019-07-23 阿里巴巴集团控股有限公司 基于至少一个业务分类模型进行业务分类的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975642A (zh) * 2016-07-15 2016-09-28 合肥指南针电子科技有限责任公司 一种基于网络大数据的舆情监控方法
CN109684481A (zh) * 2019-01-04 2019-04-26 深圳壹账通智能科技有限公司 舆情分析方法、装置、计算机设备和存储介质
CN110035436A (zh) * 2019-01-16 2019-07-19 阿里巴巴集团控股有限公司 信息监控方法、装置、设备及存储介质
CN110046648A (zh) * 2019-03-13 2019-07-23 阿里巴巴集团控股有限公司 基于至少一个业务分类模型进行业务分类的方法及装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310041A (zh) * 2020-02-12 2020-06-19 腾讯科技（深圳）有限公司 图文发布的方法、模型的训练方法、装置及存储介质
CN112711651A (zh) * 2020-12-30 2021-04-27 上海金仕达软件科技有限公司 一种舆情监测方法及系统
CN112884204A (zh) * 2021-01-22 2021-06-01 中国科学院信息工程研究所 网络安全风险事件预测方法及装置
CN112884204B (zh) * 2021-01-22 2024-04-12 中国科学院信息工程研究所 网络安全风险事件预测方法及装置
CN113392185A (zh) * 2021-06-10 2021-09-14 中国联合网络通信集团有限公司 舆情预警方法、装置、设备及存储介质
CN113392185B (zh) * 2021-06-10 2023-06-23 中国联合网络通信集团有限公司 舆情预警方法、装置、设备及存储介质
CN114385890A (zh) * 2022-03-22 2022-04-22 深圳市世纪联想广告有限公司 互联网舆情监控系统
CN114385890B (zh) * 2022-03-22 2022-05-20 深圳市世纪联想广告有限公司 互联网舆情监控系统

Similar Documents

Publication Publication Date Title
Batra et al. Integrating StockTwits with sentiment analysis for better prediction of stock price movement
CN110659436A (zh) 网络舆情监控方法、装置和设备
Gupta et al. A comparative study of spam SMS detection using machine learning classifiers
CN105912716B (zh) 一种短文本分类方法及装置
CN109271514B (zh) 短文本分类模型的生成方法、分类方法、装置及存储介质
CN112711705B (zh) 舆情数据处理方法、设备及存储介质
Psomakelis et al. Big IoT and social networking data for smart cities: Algorithmic improvements on Big Data Analysis in the context of RADICAL city applications
Liu et al. Context-aware social media user sentiment analysis
CN110555172A (zh) 用户关系挖掘方法及装置、电子设备和存储介质
CN110991742A (zh) 一种社交网络信息转发概率预测方法及系统
Yu et al. Fast budgeted influence maximization over multi-action event logs
Abinaya et al. Spam detection on social media platforms
Gao et al. A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction
CN115130542A (zh) 模型训练方法、文本处理方法、装置及电子设备
Wang et al. An improved clustering method for detection system of public security events based on genetic algorithm and semisupervised learning
Ying et al. FrauDetector+ An Incremental Graph-Mining Approach for Efficient Fraudulent Phone Call Detection
CN115329078B (zh) 文本数据处理方法、装置、设备以及存储介质
Al-Ajeli et al. Improving spam email detection using hybrid feature selection and sequential minimal optimization
Ansah et al. Information propagation trees for protest event prediction
Oo et al. Detecting Influential Users in a Trending Topic Community Using Link Analysis Approach.
CN114676227B (zh) 样本生成方法、模型的训练方法以及检索方法
CN113612777B (zh) 训练方法、流量分级方法、装置、电子设备以及存储介质
Murthy et al. TwitSenti: a real-time Twitter sentiment analysis and visualization framework
Rakhmetullina et al. Mathematical modeling of the interests of social network users
Yin et al. Social spammer detection: a multi-relational embedding approach

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
TA01 Transfer of patent application right

Effective date of registration: 20200918

Address after: Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200918

Address after: Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: Grand Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

TA01 Transfer of patent application right
CB02 Change of applicant information

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Grand Cayman Islands

Applicant before: Innovative advanced technology Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20200107

RJ01 Rejection of invention patent application after publication