CN111369148A - 对象指标的监测方法、电子装置及存储介质 - Google Patents

对象指标的监测方法、电子装置及存储介质 Download PDF

Info

Publication number
CN111369148A
CN111369148A CN202010147997.9A CN202010147997A CN111369148A CN 111369148 A CN111369148 A CN 111369148A CN 202010147997 A CN202010147997 A CN 202010147997A CN 111369148 A CN111369148 A CN 111369148A
Authority
CN
China
Prior art keywords
preset
value
text information
monitoring
calculating
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
CN202010147997.9A
Other languages
English (en)
Inventor
陈明师
姚坤
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.)
Guangzhou Kuaiying Information Technology Service Co ltd
Original Assignee
Guangzhou Kuaiying Information Technology Service Co 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 Guangzhou Kuaiying Information Technology Service Co ltd filed Critical Guangzhou Kuaiying Information Technology Service Co ltd
Priority to CN202010147997.9A priority Critical patent/CN111369148A/zh
Publication of CN111369148A publication Critical patent/CN111369148A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06F16/353—Clustering; Classification into predefined classes

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据处理技术，提供了一种对象指标的监测方法、电子装置及存储介质。该方法接收用户发出的监测对象指标的请求，获取待监测对象，实时从预先确定的数据源获取与待监测对象关联的文本信息，利用预设算法获取文本信息的关键词组并将输入预先训练的文本识别模型得到文本信息的类型，基于该文本信息的类型及第一预设计算规则计算得到对象的当前指标值，获取预设时间段内对象的预设数量的有效值，计算预设数量的有效值的均值作为对象的基础值，基于当前指标值、基础值、预设的标准化系数及第二预设计算规则计算得到对象的目标监测值反馈至用户。本发明可以提高对象指标监测的效率。

Description

对象指标的监测方法、电子装置及存储介质
技术领域
本发明涉及数据处理领域，尤其涉及一种对象指标的监测方法、电子装置及存储介质。
背景技术
跟公司相关的正面网络舆情可以提高公司的声誉，负面的网络舆情容易对公司造成负面效应给公司带来不利的影响，公司的舆情信息监测对该公司的发展具有重要的意义。现有技术中，对公司的舆情信息监测大多是通过人为获取信息根据经验对舆情做出判断及回应，但海量的舆情信息需要大量的阅读时间，导致对舆情监测效率低。
发明内容
鉴于以上内容，本发明提供一种对象指标的监测方法、电子装置及存储介质，其目的在于解决现有技术中监测对象指标效率低的技术问题。
为实现上述目的，本发明提供一种对象指标的监测方法，该方法包括：
接收步骤：接收用户发出的监测对象指标的请求，解析所述请求，获取请求中的待监测对象；
计算步骤：实时从预先确定的数据源获取与所述待监测对象关联的文本信息，利用预设算法获取所述文本信息的关键词组，将所述关键词组输入预先训练的文本识别模型得到所述文本信息的类型，基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值；
获取步骤：获取预设时间段内所述对象的预设数量的有效值，计算所述预设数量的有效值的均值，将该均值作为所述对象的基础值；及
反馈步骤：基于所述当前指标值、所述基础值、预设的标准化系数及第二预设计算规则计算得到所述对象的目标监测值，并将所述目标监测值反馈至所述用户。
优选的，所述基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值包括：
基于所述文本信息的类型获取该文本信息对应的预设权重、该文本信息所属的发布者预设权重，基于该文本信息对应的预设权重及所述发布者预设权重计算得到所述对象的第一指标值，再获取文本信息与所述对象的预设关联度值，基于所述第一指标值及所述预设关联度值计算得到所述对象的当前指标值。
优选的，所述基于所述第一指标值及所述预设关联度值计算得到所述对象的当前指标值包括：
将所述第一指标值与所述预设关联度值进行加权求和得到所述对象的当前指标值。
优选的，所述第二预设计算规则包括：
Figure BDA0002401437410000021
其中，K表示所述目标监测值，M表示所述当前指标值，N标识所述基础值，d表示所述预设的标准化系数。
优选的，所述预先训练的文本识别模型是通过卷积神经网络模型训练得到的，具体训练步骤包括：
从预设数据库获取预设数量的文本信息对应的关键词组，为各关键词组分配预设标签；
将各文本信息对应的关键词组作为变量X、各关键词组的预设标签作为因变量Y生成样本集，将所述样本集按照预设比例分成训练集及验证集；
利用所述训练集中的各所述变量X及各所述因变量Y对所述卷积神经网络模型进行训练，每隔预设周期使用所述验证集对所述卷积神经网络模型进行验证，利用所述验证集中各所述变量X及各所述因变量Y对该卷积神经网络模型的准确率进行验证；及
当验所述准确率大于预设阈值时结束训练，得到所述文本识别模型。
为实现上述目的，本发明还提供一种电子装置，该电子装置包括：存储器及处理器，所述存储器上存储对象指标的监测程序，所述对象指标的监测程序被所述处理器执行，实现如下步骤：
接收步骤：接收用户发出的监测对象指标的请求，解析所述请求，获取请求中的待监测对象；
计算步骤：实时从预先确定的数据源获取与所述待监测对象关联的文本信息，利用预设算法获取所述文本信息的关键词组，将所述关键词组输入预先训练的文本识别模型得到所述文本信息的类型，基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值；
获取步骤：获取预设时间段内所述对象的预设数量的有效值，计算所述预设数量的有效值的均值，将该均值作为所述对象的基础值；及
反馈步骤：基于所述当前指标值、所述基础值、预设的标准化系数及第二预设计算规则计算得到所述对象的目标监测值，并将所述目标监测值反馈至所述用户。
优选的，所述基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值包括：
基于所述文本信息的类型获取该文本信息对应的预设权重、该文本信息所属的发布者预设权重，基于该文本信息对应的预设权重及所述发布者预设权重计算得到所述对象的第一指标值，再获取文本信息与所述对象的预设关联度值，基于所述第一指标值及所述预设关联度值计算得到所述对象的当前指标值。
优选的，所述第二预设计算规则包括：
Figure BDA0002401437410000031
其中，K表示所述目标监测值，M表示所述当前指标值，N标识所述基础值，d表示所述预设的标准化系数。
优选的，所述预先训练的文本识别模型是通过卷积神经网络模型训练得到的，具体训练步骤包括：
从预设数据库获取预设数量的文本信息对应的关键词组，为各关键词组分配预设标签；
将各文本信息对应的关键词组作为变量X、各关键词组的预设标签作为因变量Y生成样本集，将所述样本集按照预设比例分成训练集及验证集；
利用所述训练集中的各所述变量X及各所述因变量Y对所述卷积神经网络模型进行训练，每隔预设周期使用所述验证集对所述卷积神经网络模型进行验证，利用所述验证集中各所述变量X及各所述因变量Y对该卷积神经网络模型的准确率进行验证；及
当验所述准确率大于预设阈值时结束训练，得到所述文本识别模型。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括对象指标的监测程序，所述对象指标的监测程序被处理器执行时，实现如上所述对象指标的监测方法中的任意步骤。
本发明提出的对象指标的监测方法、电子装置及存储介质，为用户节省海量阅读的时间，并快速准确的获取与公司对应的舆情信息指标，提高指标监测的效率，以便用户快速感知公司舆情变化并作出相应的判断及回应。
附图说明
图1为本发明电子装置较佳实施例的示意图；
图2为图1中对象指标的监测程序较佳实施例的模块示意图；
图3为本发明对象指标的监测方法较佳实施例的流程图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
参照图1所示，为本发明电子装置1较佳实施例的示意图。
该电子装置1包括但不限于：存储器11、处理器12、显示器13及网络接口14。所述电子装置1通过网络接口14连接网络，获取原始数据。其中，所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobilecommunication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述电子装置1的外部存储设备，例如该电子装置1配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述电子装置1的内部存储单元也包括其外部存储设备。本实施例中，存储器11通常用于存储安装于所述电子装置1的操作系统和各类应用软件，例如对象指标的监测程序10的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子装置1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行对象指标的监测程序10的程序代码等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode，OLED)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的工作界面，例如显示数据统计的结果。
网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，该网络接口14通常用于在所述电子装置1与其它电子设备之间建立通信连接。
图1仅示出了具有组件11-14以及对象指标的监测程序10的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，所述电子装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
该电子装置1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。
在上述实施例中，处理器12执行存储器11中存储的对象指标的监测程序10时可以实现如下步骤：
接收步骤：接收用户发出的监测对象指标的请求，解析所述请求，获取请求中的待监测对象；
计算步骤：实时从预先确定的数据源获取与所述待监测对象关联的文本信息，利用预设算法获取所述文本信息的关键词组，将所述关键词组输入预先训练的文本识别模型得到所述文本信息的类型，基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值；
获取步骤：获取预设时间段内所述对象的预设数量的有效值，计算所述预设数量的有效值的均值，将该均值作为所述对象的基础值；及
反馈步骤：基于所述当前指标值、所述基础值、预设的标准化系数及第二预设计算规则计算得到所述对象的目标监测值，并将所述目标监测值反馈至所述用户。
所述存储设备可以为电子装置1的存储器11，也可以为与电子装置1通讯连接的其它存储设备。
关于上述步骤的详细介绍，请参照下述图2关于对象指标的监测程序10实施例的程序模块图以及图3关于对象指标的监测方法实施例的流程图的说明。
在其他实施例中，所述对象指标的监测程序10可以被分割为多个模块，该多个模块被存储于存储器12中，并由处理器13执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
参照图2所示，为图1中对象指标的监测程序10一实施例的程序模块图。在本实施例中，所述对象指标的监测程序10可以被分割为：接收模块110、计算模块120、获取模块130及反馈模块140。
接收模块110，用于接收用户发出的监测对象指标的请求，解析所述请求，获取请求中的待监测对象。
在本实施例中，监测对象指标的请求可以是用户基于市场舆论对某公司的声誉进行监测的请求，请求中可以包括待监测的对象，也可以包括待监测对象的存储路径或唯一的标识。本实施例以对象为公司为例对本方案进行说明，对象可以是用户在提交监测对象指标时通过人机交互界面一并录入，也可以是用户提交监测对象指标之后从请求指定的地址中获取。
计算模块120，用于实时从预先确定的数据源获取与所述待监测对象关联的文本信息，利用预设算法获取所述文本信息的关键词组，将所述关键词组输入预先训练的文本识别模型得到所述文本信息的类型，基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值。
在本实施例中，实时从预先确定的数据源获取与待监测对象关联的文本信息，预先确定的数据源可以是全网新闻网站或社交大数据，获取到与该对象关联的文本信息后，利用预设算法获取该文本信息的关键词组。
其中，所述预设算法为：
Figure BDA0002401437410000071
其中，Vi、Vj和Vk表示从文本信息中提取的词语节点，S(Vi)、S(Vj)分别表示词语节点Vi、Vj的得分，Wji表示Vi和Vj两个词语节点之间边的权重，Wji表示Vj和Vk两个词语节点之间边的权重，In(Vi)表示指向词语节点Vi的节点集合，Out(Vj)表示词语节点Vj指向的节点集合，d表示阻尼系数。
具体地，将文本中的每个词语作为上述公式中的节点，对文本中的每个句子进行分词和词性标注处理，只保留指定词性的词语(例如：名词、动词、形容词)。构建候选关键词图G＝(V，E)，其中V由保留的指定词性的词语组成，然后采用共现关系(Co-Occurrence)构造任意两个词语之间的边，两个词语之间存在边，仅当这两个的词语在长度为K的窗口中共现，K表示窗口大小。根据上述公式，将节点之间边的权重的初值设为“1”，迭代传播权重计算各指定性词语的得分，将计算出的指定性词语的得分从大到小排序，可选取得分排前十的词语作为关键词。还可以利用投票的原理，将边作为词语之间的互相投票，经过不断迭代，每个词语的得票数会趋于稳定，然后对词语的得票数由大到小排序，可选取得票数排前五的词语作为该文本信息对应的关键词组。
将关键词组输入预先训练的文本识别模型得到所述文本信息的类型，基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值。其中，所述预先训练的文本识别模型是通过卷积神经网络模型训练得到的，具体训练步骤包括：
从预设数据库获取预设数量的文本信息对应的关键词组，为各关键词组分配预设标签(例如，正向信息为1，负向信息为0)；
将各文本信息对应的关键词组作为变量X、各关键词组的预设标签作为因变量Y生成样本集，将所述样本集按照预设比例(例如，4:1)分成训练集及验证集；
利用所述训练集中的各所述变量X及各所述因变量Y对所述卷积神经网络模型进行训练，每隔预设周期使用所述验证集对所述卷积神经网络模型进行验证，利用所述验证集中各所述变量X及各所述因变量Y对该卷积神经网络模型的准确率进行验证，当验所述准确率(例如，90％)大于预设阈值时结束训练，得到所述文本识别模型。
利用文本识别模型识别出该文本信息的类型后，基于所述文本信息的类型获取该文本信息对应的预设权重、该文本信息所属的发布者预设权重，基于该文本信息对应的预设权重及所述发布者预设权重计算得到所述对象的第一指标值，再获取文本信息与所述对象的预设关联度值，基于所述第一指标值及所述预设关联度值计算得到所述对象的当前指标值。进一步的，将所述第一指标值与所述预设关联度值进行加权求和得到所述对象的当前指标值。例如，通过与公司关联的正向或负向信息，发布人的权重、信息类型的权重加权得出来的第一指标值，再经过文本信息与公司的关联度加权之后的情绪值加总作为所述当前指标值。
获取模块130，用于获取预设时间段内所述对象的预设数量的有效值，计算所述预设数量的有效值的均值，将该均值作为所述对象的基础值。
在本实施例中，获取预设时间段内对象的预设数量的有效值，计算预设数量的有效值的均值，将该均值作为所述对象的基础值。例如，获取最近一年内，该公司最新N个正向情绪有效值的平均数，其中，有效值为剔除一个最大值后，大于默认值的为有效值。初始默认值为m(默认值可根据实际情况进行调整)。若有效值数量不足N个，则用给定的默认值来填补至N个，以该平均数作为该公司的基础值。
反馈模块140，用于基于所述当前指标值、所述基础值、预设的标准化系数及第二预设计算规则计算得到所述对象的目标监测值，并将所述目标监测值反馈至所述用户。
在本实施例中，基于所述当前指标值、所述基础值、预设的标准化系数及第二预设计算规则计算得到所述对象的目标监测值，并将目标监测值反馈至用户。其中，第二预设计算规则包括：
Figure BDA0002401437410000091
其中，K表示所述目标监测值，M表示所述当前指标值，N标识所述基础值，d表示所述预设的标准化系数，标准化系数是通过正态分布和归一化处理之后的值。
目标监测值的区间为[0-100]，目标监测值值越大，正向/负向情绪的异动越显著。其中，低异动区间为[0-50]，中异动区间为[50-80]，显著异动区间为[80-100]。
此外，本发明还提供一种对象指标的监测方法。参照图3所示，为本发明对象指标的监测方法的实施例的方法流程示意图。电子装置1的处理器12执行存储器11中存储的对象指标的监测程序10时实现对象指标的监测方法的如下步骤：
步骤S10：接收用户发出的监测对象指标的请求，解析所述请求，获取请求中的待监测对象。
在本实施例中，监测对象指标的请求可以是用户基于市场舆论对某公司的声誉进行监测的请求，请求中可以包括待监测的对象，也可以包括待监测对象的存储路径或唯一的标识。本实施例以对象为公司为例对本方案进行说明，对象可以是用户在提交监测对象指标时通过人机交互界面一并录入，也可以是用户提交监测对象指标之后从请求指定的地址中获取。
步骤S20：实时从预先确定的数据源获取与所述待监测对象关联的文本信息，利用预设算法获取所述文本信息的关键词组，将所述关键词组输入预先训练的文本识别模型得到所述文本信息的类型，基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值。
在本实施例中，实时从预先确定的数据源获取与待监测对象关联的文本信息，预先确定的数据源可以是全网新闻网站或社交大数据，获取到与该对象关联的文本信息后，利用预设算法获取该文本信息的关键词组。
其中，所述预设算法为：
Figure BDA0002401437410000101
其中，Vi、Vj和Vk表示从文本信息中提取的词语节点，S(Vi)、S(Vj)分别表示词语节点Vi、Vj的得分，Wji表示Vi和Vj两个词语节点之间边的权重，Wji表示Vj和Vk两个词语节点之间边的权重，In(Vi)表示指向词语节点Vi的节点集合，Out(Vj)表示词语节点Vj指向的节点集合，d表示阻尼系数。
具体地，将文本中的每个词语作为上述公式中的节点，对文本中的每个句子进行分词和词性标注处理，只保留指定词性的词语(例如：名词、动词、形容词)。构建候选关键词图G＝(V，E)，其中V由保留的指定词性的词语组成，然后采用共现关系(Co-Occurrence)构造任意两个词语之间的边，两个词语之间存在边，仅当这两个的词语在长度为K的窗口中共现，K表示窗口大小。根据上述公式，将节点之间边的权重的初值设为“1”，迭代传播权重计算各指定性词语的得分，将计算出的指定性词语的得分从大到小排序，可选取得分排前十的词语作为关键词。还可以利用投票的原理，将边作为词语之间的互相投票，经过不断迭代，每个词语的得票数会趋于稳定，然后对词语的得票数由大到小排序，可选取得票数排前五的词语作为该文本信息对应的关键词组。
将关键词组输入预先训练的文本识别模型得到所述文本信息的类型，基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值。其中，所述预先训练的文本识别模型是通过卷积神经网络模型训练得到的，具体训练步骤包括：
从预设数据库获取预设数量的文本信息对应的关键词组，为各关键词组分配预设标签(例如，正向信息为1，负向信息为0)；
将各文本信息对应的关键词组作为变量X、各关键词组的预设标签作为因变量Y生成样本集，将所述样本集按照预设比例(例如，4:1)分成训练集及验证集；
利用所述训练集中的各所述变量X及各所述因变量Y对所述卷积神经网络模型进行训练，每隔预设周期使用所述验证集对所述卷积神经网络模型进行验证，利用所述验证集中各所述变量X及各所述因变量Y对该卷积神经网络模型的准确率进行验证，当验所述准确率(例如，90％)大于预设阈值时结束训练，得到所述文本识别模型。
利用文本识别模型识别出该文本信息的类型后，基于所述文本信息的类型获取该文本信息对应的预设权重、该文本信息所属的发布者预设权重，基于该文本信息对应的预设权重及所述发布者预设权重计算得到所述对象的第一指标值，再获取文本信息与所述对象的预设关联度值，基于所述第一指标值及所述预设关联度值计算得到所述对象的当前指标值。进一步的，将所述第一指标值与所述预设关联度值进行加权求和得到所述对象的当前指标值。例如，通过与公司关联的正向或负向信息，发布人的权重、信息类型的权重加权得出来的第一指标值，再经过文本信息与公司的关联度加权之后的情绪值加总作为所述当前指标值。
步骤S30：获取预设时间段内所述对象的预设数量的有效值，计算所述预设数量的有效值的均值，将该均值作为所述对象的基础值。
在本实施例中，获取预设时间段内对象的预设数量的有效值，计算预设数量的有效值的均值，将该均值作为所述对象的基础值。例如，获取最近一年内，该公司最新N个正向情绪有效值的平均数，其中，有效值为剔除一个最大值后，大于默认值的为有效值。初始默认值为m(默认值可根据实际情况进行调整)。若有效值数量不足N个，则用给定的默认值来填补至N个，以该平均数作为该公司的基础值。
步骤S40：基于所述当前指标值、所述基础值、预设的标准化系数及第二预设计算规则计算得到所述对象的目标监测值，并将所述目标监测值反馈至所述用户。
在本实施例中，基于所述当前指标值、所述基础值、预设的标准化系数及第二预设计算规则计算得到所述对象的目标监测值，并将目标监测值反馈至用户。其中，第二预设计算规则包括：
Figure BDA0002401437410000121
其中，K表示所述目标监测值，M表示所述当前指标值，N标识所述基础值，d表示所述预设的标准化系数，标准化系数是通过正态分布和归一化处理之后的值。
目标监测值的区间为[0-100]，目标监测值值越大，正向/负向情绪的异动越显著。其中，低异动区间为[0-50]，中异动区间为[50-80]，显著异动区间为[80-100]。
此外，本发明实施例还提出一种计算机可读存储介质，该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括对象指标的监测程序10，所述对象指标的监测程序10被处理器执行时实现如下操作：
接收步骤：接收用户发出的监测对象指标的请求，解析所述请求，获取请求中的待监测对象；
计算步骤：实时从预先确定的数据源获取与所述待监测对象关联的文本信息，利用预设算法获取所述文本信息的关键词组，将所述关键词组输入预先训练的文本识别模型得到所述文本信息的类型，基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值；
获取步骤：获取预设时间段内所述对象的预设数量的有效值，计算所述预设数量的有效值的均值，将该均值作为所述对象的基础值；及
反馈步骤：基于所述当前指标值、所述基础值、预设的标准化系数及第二预设计算规则计算得到所述对象的目标监测值，并将所述目标监测值反馈至所述用户。
本发明之计算机可读存储介质的具体实施方式与上述对象指标的监测方法的具体实施方式大致相同，在此不再赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，电子装置，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种对象指标的监测方法，应用于电子装置，其特征在于，所述方法包括：
接收步骤：接收用户发出的监测对象指标的请求，解析所述请求，获取请求中的待监测对象；
计算步骤：实时从预先确定的数据源获取与所述待监测对象关联的文本信息，利用预设算法获取所述文本信息的关键词组，将所述关键词组输入预先训练的文本识别模型得到所述文本信息的类型，基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值；
获取步骤：获取预设时间段内所述对象的预设数量的有效值，计算所述预设数量的有效值的均值，将该均值作为所述对象的基础值；及
反馈步骤：基于所述当前指标值、所述基础值、预设的标准化系数及第二预设计算规则计算得到所述对象的目标监测值，并将所述目标监测值反馈至所述用户。
2.如权利要求1所述的对象指标的监测方法，其特征在于，所述基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值包括：
基于所述文本信息的类型获取该文本信息对应的预设权重、该文本信息所属的发布者预设权重，基于该文本信息对应的预设权重及所述发布者预设权重计算得到所述对象的第一指标值，再获取文本信息与所述对象的预设关联度值，基于所述第一指标值及所述预设关联度值计算得到所述对象的当前指标值。
3.如权利要求2所述的对象指标的监测方法，其特征在于，所述基于所述第一指标值及所述预设关联度值计算得到所述对象的当前指标值包括：
将所述第一指标值与所述预设关联度值进行加权求和得到所述对象的当前指标值。
4.如权利要求1所述的对象指标的监测方法，其特征在于，所述第二预设计算规则包括：
Figure FDA0002401437400000021
其中，K表示所述目标监测值，M表示所述当前指标值，N标识所述基础值，d表示所述预设的标准化系数。
5.如权利要求1至4任意一项所述的对象指标的监测方法，其特征在于，所述预先训练的文本识别模型是通过卷积神经网络模型训练得到的，具体训练步骤包括：
从预设数据库获取预设数量的文本信息对应的关键词组，为各关键词组分配预设标签；
将各文本信息对应的关键词组作为变量X、各关键词组的预设标签作为因变量Y生成样本集，将所述样本集按照预设比例分成训练集及验证集；
利用所述训练集中的各所述变量X及各所述因变量Y对所述卷积神经网络模型进行训练，每隔预设周期使用所述验证集对所述卷积神经网络模型进行验证，利用所述验证集中各所述变量X及各所述因变量Y对该卷积神经网络模型的准确率进行验证；及
当验所述准确率大于预设阈值时结束训练，得到所述文本识别模型。
6.一种电子装置，该电子装置包括存储器及处理器，其特征在于，所述存储器上存储对象指标的监测程序，所述对象指标的监测程序被所述处理器执行，实现如下步骤：
接收步骤：接收用户发出的监测对象指标的请求，解析所述请求，获取请求中的待监测对象；
计算步骤：实时从预先确定的数据源获取与所述待监测对象关联的文本信息，利用预设算法获取所述文本信息的关键词组，将所述关键词组输入预先训练的文本识别模型得到所述文本信息的类型，基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值；
获取步骤：获取预设时间段内所述对象的预设数量的有效值，计算所述预设数量的有效值的均值，将该均值作为所述对象的基础值；及
反馈步骤：基于所述当前指标值、所述基础值、预设的标准化系数及第二预设计算规则计算得到所述对象的目标监测值，并将所述目标监测值反馈至所述用户。
7.如权利要求6所述的电子装置，其特征在于，所述基于该文本信息的类型及第一预设计算规则计算得到所述对象的当前指标值包括：
基于所述文本信息的类型获取该文本信息对应的预设权重、该文本信息所属的发布者预设权重，基于该文本信息对应的预设权重及所述发布者预设权重计算得到所述对象的第一指标值，再获取文本信息与所述对象的预设关联度值，基于所述第一指标值及所述预设关联度值计算得到所述对象的当前指标值。
8.如权利要求6所述的电子装置，其特征在于，所述第二预设计算规则包括：
Figure FDA0002401437400000031
其中，K表示所述目标监测值，M表示所述当前指标值，N标识所述基础值，d表示所述预设的标准化系数。
9.如权利要求6所述的电子装置，其特征在于，所述预先训练的文本识别模型是通过卷积神经网络模型训练得到的，具体训练步骤包括：
从预设数据库获取预设数量的文本信息对应的关键词组，为各关键词组分配预设标签；
将各文本信息对应的关键词组作为变量X、各关键词组的预设标签作为因变量Y生成样本集，将所述样本集按照预设比例分成训练集及验证集；
利用所述训练集中的各所述变量X及各所述因变量Y对所述卷积神经网络模型进行训练，每隔预设周期使用所述验证集对所述卷积神经网络模型进行验证，利用所述验证集中各所述变量X及各所述因变量Y对该卷积神经网络模型的准确率进行验证；及
当验所述准确率大于预设阈值时结束训练，得到所述文本识别模型。
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中包括对象指标的监测程序，所述对象指标的监测程序被处理器执行时，实现如权利要求1至5中任一项所述对象指标的监测方法的步骤。
CN202010147997.9A 2020-03-05 2020-03-05 对象指标的监测方法、电子装置及存储介质 Pending CN111369148A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010147997.9A CN111369148A (zh) 2020-03-05 2020-03-05 对象指标的监测方法、电子装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010147997.9A CN111369148A (zh) 2020-03-05 2020-03-05 对象指标的监测方法、电子装置及存储介质

Publications (1)

Publication Number Publication Date
CN111369148A true CN111369148A (zh) 2020-07-03

Family

ID=71206964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010147997.9A Pending CN111369148A (zh) 2020-03-05 2020-03-05 对象指标的监测方法、电子装置及存储介质

Country Status (1)

Country Link
CN (1) CN111369148A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069230A (zh) * 2020-09-07 2020-12-11 中国平安财产保险股份有限公司 数据分析方法、装置、设备及存储介质
CN112364135A (zh) * 2020-12-03 2021-02-12 中国平安财产保险股份有限公司 基于多源数据的对象推送方法、装置、设备及存储介质
CN112396314A (zh) * 2020-11-17 2021-02-23 平安消费金融有限公司 任务分配方法、装置、电子设备及存储介质
CN113505237A (zh) * 2021-07-07 2021-10-15 上海软中信息技术有限公司 一种指数计算平台、方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595519A (zh) * 2018-03-26 2018-09-28 平安科技（深圳）有限公司 热点事件分类方法、装置及存储介质
CN109325165A (zh) * 2018-08-29 2019-02-12 中国平安保险(集团)股份有限公司 网络舆情分析方法、装置及存储介质
CN109977300A (zh) * 2019-02-22 2019-07-05 深圳壹账通智能科技有限公司 企业舆情获取方法、装置、终端及计算机存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595519A (zh) * 2018-03-26 2018-09-28 平安科技（深圳）有限公司 热点事件分类方法、装置及存储介质
CN109325165A (zh) * 2018-08-29 2019-02-12 中国平安保险(集团)股份有限公司 网络舆情分析方法、装置及存储介质
CN109977300A (zh) * 2019-02-22 2019-07-05 深圳壹账通智能科技有限公司 企业舆情获取方法、装置、终端及计算机存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069230A (zh) * 2020-09-07 2020-12-11 中国平安财产保险股份有限公司 数据分析方法、装置、设备及存储介质
CN112069230B (zh) * 2020-09-07 2023-10-27 中国平安财产保险股份有限公司 数据分析方法、装置、设备及存储介质
CN112396314A (zh) * 2020-11-17 2021-02-23 平安消费金融有限公司 任务分配方法、装置、电子设备及存储介质
CN112364135A (zh) * 2020-12-03 2021-02-12 中国平安财产保险股份有限公司 基于多源数据的对象推送方法、装置、设备及存储介质
CN112364135B (zh) * 2020-12-03 2023-11-07 中国平安财产保险股份有限公司 基于多源数据的对象推送方法、装置、设备及存储介质
CN113505237A (zh) * 2021-07-07 2021-10-15 上海软中信息技术有限公司 一种指数计算平台、方法及装置

Similar Documents

Publication Publication Date Title
CN109325165B (zh) 网络舆情分析方法、装置及存储介质
CN109145216B (zh) 网络舆情监控方法、装置及存储介质
WO2022141861A1 (zh) 情感分类方法、装置、电子设备及存储介质
WO2019153613A1 (zh) 聊天应答方法、电子装置及存储介质
CN107704512B (zh) 基于社交数据的金融产品推荐方法、电子装置及介质
CN111369148A (zh) 对象指标的监测方法、电子装置及存储介质
CN109800307B (zh) 产品评价的分析方法、装置、计算机设备及存储介质
CN111797214A (zh) 基于faq数据库的问题筛选方法、装置、计算机设备及介质
CN108629043A (zh) 网页目标信息的提取方法、装置及存储介质
CN107704503A (zh) 用户关键词提取装置、方法及计算机可读存储介质
CN111475617A (zh) 事件主体抽取方法、装置及存储介质
CN111291177A (zh) 一种信息处理方法、装置和计算机存储介质
CN112395421B (zh) 课程标签的生成方法、装置、计算机设备及介质
US20140297628A1 (en) Text Information Processing Apparatus, Text Information Processing Method, and Computer Usable Medium Having Text Information Processing Program Embodied Therein
CN112395391B (zh) 概念图谱构建方法、装置、计算机设备及存储介质
WO2018171295A1 (zh) 一种给文章标注标签的方法、装置、终端及计算机可读存储介质
CN114780746A (zh) 基于知识图谱的文档检索方法及其相关设备
CN113282763B (zh) 文本关键信息提取、装置、设备及存储介质
CN113204953A (zh) 基于语义识别的文本匹配方法、设备及设备可读存储介质
CN115714002B (zh) 抑郁风险检测模型训练方法、抑郁症状预警方法及相关设备
CN113988057A (zh) 基于概念抽取的标题生成方法、装置、设备及介质
WO2019041528A1 (zh) 新闻情感方向判断方法、电子设备及计算机可读存储介质
CN113127621A (zh) 对话模块的推送方法、装置、设备及存储介质
CN116796730A (zh) 基于人工智能的文本纠错方法、装置、设备及存储介质
CN113344125B (zh) 长文本匹配识别方法、装置、电子设备及存储介质

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