CN111414754A - 一种事件的情感分析方法、装置、服务器及存储介质 - Google Patents
一种事件的情感分析方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111414754A CN111414754A CN202010197628.0A CN202010197628A CN111414754A CN 111414754 A CN111414754 A CN 111414754A CN 202010197628 A CN202010197628 A CN 202010197628A CN 111414754 A CN111414754 A CN 111414754A
- Authority
- CN
- China
- Prior art keywords
- emotion analysis
- target
- model
- news data
- data
- 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
- 230000008451 emotion Effects 0.000 title claims abstract description 246
- 238000004458 analytical method Methods 0.000 title claims abstract description 244
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000007499 fusion processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 69
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000007935 neutral effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 5
- 230000009193 crawling Effects 0.000 description 5
- 230000010365 information processing Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种事件的情感分析方法、装置、服务器及存储介质，该方法包括：获取目标新闻数据，并对目标新闻数据进行处理，以确定与目标新闻数据相对应的目标特征向量；将目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果；调用目标函数对所有情感分析结果进行融合处理，得到与目标新闻数据相对应的目标情感分析结果。本发明实施例的技术方案，解决了现有技术中采用单一智能模型对新闻数据进行处理时，存在处理结果不准确的技术问题，实现了快速、便捷、以及准确的确定与新闻事件相对应的情感分析结果。
Description
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种事件的情感分析方法、装置、服务器及存储介质。
背景技术
在个人资金交易、对客资金交易、投资组合与资金交易组件执行交易业务中，用户希望能够获得更加准确的财经事件新闻情感分析结果，从而根据情感分析结果确定对交易的进一步处理。
在现有技术中，当需要确定某个新闻事件的情感分析结果时，通常是基于单一的人工智能模型对新闻中的文字进行处理，以确定与新闻事件相对应的情感分析结果。
但是，在采用单一人工智能模型对新闻数据进行处理时，得到的情感分析结果会存在一定的误差，即存在得到的情感分析结果不准确的技术问题。
发明内容
本发明提供一种事件的情感分析方法、装置、服务器及存储介质，以实现快速准确的确定与新闻数据对应的情感分析结果的技术效果。
第一方面，本发明实施例提供了一种事件的情感分析方法，该方法包括：
获取目标新闻数据，并对所述目标新闻数据进行处理，以确定与所述目标新闻数据相对应的目标特征向量；
将所述目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果；
调用目标函数对所有情感分析结果进行融合处理，得到与所述目标新闻数据相对应的目标情感分析结果。
第二方面，本发明实施例还提供了一种事件的情感分析装置，该装置包括：
目标特征向量确定模型，用于获取目标新闻数据，并对所述目标新闻数据进行处理，以确定与所述目标新闻数据相对应的目标特征向量；
情感分析结果确定模块，用于将所述目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果；
目标情感分析结果确定模块，用于调用目标函数对所有情感分析结果进行融合处理，得到与所述目标新闻数据相对应的目标情感分析结果。
第三方面，本发明实施例还提供了一种服务器，所述服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的事件的情感分析方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的事件的情感分析方法
本发明实施例的技术方案，通过获取目标新闻数据，并对目标新闻数据进行处理，以确定与目标新闻数据相对应的目标特征向量；将目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果；调用目标函数对所有情感分析结果进行融合处理，得到与目标新闻数据相对应的目标情感分析结果，解决了现有技术中采用单一智能模型对新闻数据进行处理时，存在处理结果不准确的技术问题，实现了快速、便捷、以及准确的确定与新闻事件相对应的情感分析结果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种事件情感分析方法流程示意图；
图2为本发明实施例二所提供的一种事件情感分析方法另一流程示意图
图3为本发明实施例二所提供的架构图；
图4为本发明实施例三所提供的一优选实施例流程图；
图5为本发明实施例三所提供的集成学习示意图；
图6为本发明实施例四所提供的一种信息处理装置的结构示意图；
图7为本发明实施例五所提供的一种服务器结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种事件的情感分析方法流程示意图，本实施例可适用于确定与每个财经新闻事件相对应的情感分析结果，该方法可以由事件的情感分析装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，PC端、服务器等设备。
如图1，本实施例的方法包括：
S110、获取目标新闻数据，并对目标新闻数据进行处理，以确定与目标新闻数据相对应的目标特征向量。
其中，若需要判定某个新闻数据的情感分析结果，可以将此新闻数据作为目标新闻数据。目标特征向量为对目标新闻数据处理后，得到的特征向量作为目标特征向量。
可选的，对目标新闻数据进行处理，以确定与目标新闻数据相对应的目标特向量，包括：对目标新闻数据进行分词处理，得到目标新闻数据中的各个目标词汇；将每个目标词汇分别输入至语言处理子模型中，得到与每个目标词汇相对应的标题词向量；将每个标题词向量输入至神经网络子模型中，得到与目标新闻数据相对应的目标特征向量。
其中，语言处理子模型可以对标题词进行处理，以得到与每个标题词相对应的标题词向量。神经网络子模型可以是基于深度学习的方式，提取出标题词对应的特征向量的神经网络模型。例如，语言处理子模型可以是但不局限于双向编码器模型；神经网络子模型可以是但不限于Bi-LSTM(Bi-directional Long-Short Term Memory)双向长短时记忆网络。
具体的，本实施例可以基于分词词典对目标新闻数据进行分词处理，确定出目标新闻数据中的各个标题词，以获取与目标新闻数据相对应的标题词序列，根据双向编码器模型可以确定与每个标题词对应的标题词向量，基于神经网络子模型可以是标题词向量进行处理，得到与目标标题文本对应的目标特征向量。
需要说明的是，在本实施例中对目标新闻数据进行处理，还包括：对目标新闻数据进行清洗，可选的，删除目标新闻数据中的无效数据、不完整数据等，即保留目标新闻数据中的有效数据，并将新闻数据整理为预设格式，可选的，json格式。服务接口基于REST实现的HTTP协议，以json结构化的方式做出响应。需要指出的是，这种接口需要一定的访问权限，还有接口的请求频次限制次数和访问速率的限制。本发明采用Python轻量级web框架Flask进行封装，提供接Restful风格的HTTP+json报文格式接口。当接收到情感分析请求后，服务器端调用各个情感分析人工智能模型，并把集成学习后的情感分析结果进行综合筛选，并把响应结果以json格式返回给请求用户，即可以将最终分析的结果以json格式展示至用户。
S120、将目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果。
其中，情感分析模型的数量可以是两个、三个、四个或者更多，可选的，情感分析模型的数量为五个。情感分析模型可以分别是：卷积神经网络(Convolutional NeuralNetworks，CNN)模型、区域卷积神经网络(Region-Convolutional Neural Networks，R-CNN)模型、Transformer双向编码器表示(Bidirectional Encoder Representations fromTransformers，BERT)模型、引导聚集-卷积神经网络(Bootstrap aggregatingConvolutional Neural Networks CNN，Bagging_CNN)模型以及自适应增强-贝叶斯模型(Adaptive Boosting Bayes，AdaBoost_Bayes)。情感分析结果可以是正面、中立、负面中的一种。
具体的，可以将目标特征向量分别输入至上述所提及的各个情感分析模型中后，每个情感分析模型可以对目标特征向量进行处理，得到每个情感分析模型对目标特征向量的情感分析结果。
也就是说，可以将目标特征向量分别输入至CNN模型、R-CNN模型、BERT模型、Bagging_CNN模型、以及AdaBoost_Bayes模型，每个模型可以对目标特征向量进行处理，可以得到与目标特征向量相对应的情感分析结果。
在本实施例中，各个情感分析模型对目标特征向量进行处理，可以是，将目标特征向量输入至CNN模型、RCNN模型、BERT模型、Bagging_CNN模型、以及AdaBoost_Bayes模型中。CNN模型以及RCNN模型可以输出与目标特征向量相对应的情感分析结果。将目标特征向量输入至Bagging_CNN时，可以基于该模型中的各个分类器对目标特征向量进行处理，基于处理结构投票选出与目标特征向量相对应的情感分析结果，即Bagging_CNN模型的输出结果。相应的，可以将目标特征向量输入至AdaBoost_Bayes模型中后，可以得到与目标特征向量相对应的情感分析结果。
S130、调用目标函数对所有情感分析结果进行融合处理，得到与目标新闻数据相对应的目标情感分析结果。
其中，目标函数可以理解为对所有情感分析结果进行融合处理的函数。目标情感分析结果为对各个模型输出的情感分析结果进行最终处理后，确定出的情感分析结果。
具体的，可以调用目标函数对所有情感分析结果进行处理，确定与目标新闻数据相对应的目标情感分析结果。
可选的，基于预先设置的目标函数，对所有情感模型输出的情感分析结果进行统计并将频次最高的情感分析结果，作为与目标新闻数据相对应的目标情感分析结果。
其中，情感分析结果可以是正面的、负面的或者中立的。相应的，频次可以是各个情感分析模型输出结果后，对输出结果统计后，各个词汇出现的次数。将出现次数最高的情感结果(正面、中立或负面)，作为与目标新闻数据相对应的情感分析结果。
也就是说，基于预先设置的目标函数，对各个情感分析模型输出的情感分析结果进行词频统计，将频次最高的情感分析结果，可选的，正面的等，作为与目标新闻数据相对应的目标情感分析结果。
本发明实施例的技术方案，通过获取目标新闻数据，并对目标新闻数据进行处理，以确定与目标新闻数据相对应的目标特征向量；将目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果；调用目标函数对所有情感分析结果进行融合处理，得到与目标新闻数据相对应的目标情感分析结果，解决了现有技术中采用单一智能模型对新闻数据进行处理时，存在处理结果不准确的技术问题，实现了快速、便捷、以及准确的确定与新闻事件相对应的情感分析结果。
实施例二
在上述技术方案的基础上，还需要训练情感分析模型。情感分析模型的训练以及应用均是建立在预先搭建的系统框架上来实现的。图2为本实施例执行情感分析模型的系统架构图。如图2所示，所述系统框架包括：AP服务器、GPU计算设备集群、NAS存储、以及数据库集群。其中，AP服务器包括至少一台，NAS中存储新闻数据；GPU计算设备集群用于从数据库中获取样本数据并训练情感分析模型。基于上述框架对数据进行处理，可以是：在系统运行的过程中，预设数量的AP服务器可以从NAS数据库中读取新闻数据以开展情感分析，获取到情感分析数据后，可以将情感分析数据发送至预设数量的GPU服务器，以确定与每个新闻数据相对应的情感分析结果。其中，由于用于接收定报价行情的AP服务器有n台，竞争地从定报价平台获取数据，并且竞争地将数据存入数据库，行情数据包括买入最高价、买入最低价、卖出最低价、卖出最低价等，同时保证对数据库操作的一致性，存入数据库的数据不丢失。
也就是说，执行本实施例事件的情感分析方法，可以由情感分析系统来实现，该系统主要包括新闻数据爬取的模块、新闻数据存储、情感分析模块单元、情感分析存入数据库、交易信号发送、模型训练模块单元等相互独立、松散耦合。部分模块通过发送HTTP POST请求的方式开展数据通讯(如将逐条新闻数据封装完毕后发送给模型所在服务器)，并且各个功能单元之间构建快捷便利的网络通讯模式。功能组件通过文本爬取服务器爬取财经事件新闻数据，通过资源服务组件获取新闻数据，通过定报价平台获取行情数据，产生事件情感分析结果后通过消息中心进行企业级发布，产生的交易信号发送到个人资金交易、对客资金交易、投资组合与资金交易组件执行交易并返回结果。
基于上述系统框架，训练各个情感分析模型可以如图3所示，所述方法包括：
S310、获取多个训练样本数据，基于每个情感分析模型，对训练样本数据进行处理，得到与每个情感分析模型相对应的待输入样本数据。
其中，为了提高情感分析模型的准确性，可以尽可能多的获取训练样本数据。训练样本数据中可以包括新闻数据内容，以及与新闻数据内容相对应的情感分析结果。新闻数据可以是财经新闻数据。待输入样本数据为对待训练样本数据进行清洗后得到的新闻数据，作为待输入样本数据。对训练数据进行处理，还包括对清洗处理后的各个训练样本数据进行分词处理，也是最终参与个情感模型训练的数据。
在本实施例中，获取训练样本数据可以是：基于文本爬取服务器爬取一个或者多个新闻数据，并将爬取到的新闻数据以json格式返回；在接收到爬取的新闻数据后，可对新闻数据进行清洗，可选的，删除新闻数据中的无效不完整、以及有异常的新闻数据。将处理后新闻数据以压缩文件的形式存储到磁盘或以键值对的方式存储到数据库中。还需要说明的是，在获取到训练样本数据后，可以预先对样本数据进行标注，可选的，根据训练样本数据中的新闻内容，可以将样本数据标注为“正面的”、“中立的”、“负面的”等，可以将标记后的新闻数据作为待输入样本数据，将标注的结果作为训练各个情感分析模型的训练结果。基于输入数据以及输出数据，可以训练各个情感分析模型。
具体的，在获取多个训练样本数据后，可以删除训练样本数据中的无效词汇，保留有效词汇，并对清洗处理后的训练样本数据进行分词处理，得到与训练样本数据对应的待输入样本数据。
S320、基于待输入样本数据，以及情感分析结果，训练得到各个待验证情感分析模型。
需要说明的是，每个情感分析模型所需的输入数据可能相同也可能不同，因此在训练情感分析模型时，可以根据情感分析模型所需的输入数据，将待输入样本数据处理为与当前模型相对应的数据。
其中，待验证情感分析模型可以理解为：基于待输入样本数据训练得到的情感分析模型。也可以理解为，训练得到的情感分析模型，并需要确定准确了的模型。
由于本实施例需要训练多个情感分析模型，因此可以分别介绍与每个情感分析模型相对应的模型训练方法。
可选的，训练CNN模型时，可以对待输入样本数据进行处理，得到与待输入样本数据相对应的词向量，并将词向量输入至CNN模型中，基于CNN模型中设置的损失函数来训练所述CNN模型。在CNN模型中的损失函数收敛时得到的模型作为待验证CNN模型。
训练RCNN模型可以是：调用机器学习keras框架内部的主要接口，诸如机器学习现有keras框架的文本与处理接口，开展checkpoint模型的训练，并回调模型进行情感分析的预测。同样地，在测试RCNN模型的有效性方面，调用f1_score(f1分数，它是统计学中用来衡量二分类模型精确度的一种指标)、recall_score(召回分数，即召回率，针对原样本而言的，其含义是在实际为正的样本中被预测为正样本的概率。)、precision_score(精准分数，即精准率，针对预测结果而言的，其含义是在被所有预测为正的样本中实际为正样本的概率。)等对模型结果进行有效性验证。其中，使用classifier_rcnn中的TextClassifier进行有效分类，使用keyed_vector进行向量计算。
训练Bagging_CNN模型可以是：Bagging算法通过由有放回抽取训练样本来实现的，用这种方式随机产生多个训练数据的非空真子集；基于每个非空真子集训练一个分类器(基本的CNN模型)，最终得到多个分类器。基于每个分类器输出的结果，投票产生Bagging_CNN模型的输出数据。也就是说，从待输入样本数据中随机获取一定数量的数据，并作为一个训练子集；获取多个训练子集，并根据获取到的训练子集训练各个分类器。在使用时，可以将目标新闻数据输入至各个分类器中，基于投票结果，确定Bagging_CNN模型的输出结果。
示例性的，基于待输入样本数据训练得到的30个分类器，将与目标新闻数据相对应的目标特征向量输入至30个分类器后，各个分类器输出的结果中有20个是正面的，5个是中立的，5个是负面的，则基于投票机制可以确定Bagging_CNN的输出结果为正面的。
训练AdaBoost Bayes模型可以是：该模型是基于标准的朴素贝叶斯Bayes分类算法来训练的。训练开始阶段，基于AdaBoost算法将所有数据项都初始化为同一个权重；将整理后的词条(进行中文分词和人工标记，去除样本中的垃圾词条)做成特征组，分析并计算词条频率信息；根据词条的信息，计算其先验概率；读取训练的样本，进行分词、降噪，然后形成样本特征组；将测试样本的先验概率代入朴素贝叶斯公式并计算后验概率，得到最大概率的所属类别就是文本的类别；对情感分析模型所用的训练数据权重进行有效调整，通过改变一个权重D的分布，迭代地对同一个训练集使用不同的分类器训练，通过不断组合的方式获得最终学习器，把这些分类器集合起来，构建一个最终的最强的分类器。也就是说，AdaBoost Bayes模型为在训练过程中通过改变训练数据的权重，进行多次运行来确定该模型。
在上述技术方案的基础上，在训练得到每个待验证情感分析模型后，可以对每个情感分析模型进行验证，以确定当前训练得到的情感分析模型是否可以使用，即当前训练得到的情感分析模型的准确率是否在预设范围之内。
S330、基于测试样本数据，对待使用情感分析模型进行验证，当待使用情感分析的准确率在预设范围之内，则将待使用情感分析模型作为情感分析模型。
其中，在得到待验证情感分析模型后，可以获取测试样本数据，当然，测试样本数据中也包括新闻数据的内容，以及与新闻数据内容对应的情感分析结果。预设范围可以是百分之八十五或者九十。
将测试样本数据分别输入至训练得到的各个情感分析模型中，可以根据情感分析模型的输出结果，确定是否可以将待验证情感分析模型作为使用的情感分析模型。
为了清楚的介绍本实施例技术方案，可以以验证引导聚集-卷积神经网络模型为例来介绍。将测试样本数据输入至待验证的引导聚集-卷积神经网络模型，当引导聚集-卷积神经网络模型输出结果的准确率达到百分之九十时，可以将待验证的情感分析模型作为最终使用的情感分析模型。
本发明实施例的技术方案，通过获取目标新闻数据，并对目标新闻数据进行处理，以确定与目标新闻数据相对应的目标特征向量；将目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果；调用目标函数对所有情感分析结果进行融合处理，得到与目标新闻数据相对应的目标情感分析结果，解决了现有技术中采用单一智能模型对新闻数据进行处理时，存在处理结果不准确的技术问题，实现了快速、便捷、以及准确的确定与新闻事件相对应的情感分析结果。
在上述各技术方案的基础上，对系统框架中的各个部件进行监控，可选的，日志监控包括监控AP服务器系统启动监控、AP服务器监控、GPU服务器系统启动监控、GPU服务器监控等。在服务封装过程中，开启日志监控并设置监控内容。在日志监控过程中，打印输出行情的进程、队列的状态、以及消息推送到消息中心的状态等。在服务的启动、停止和运行的过程中，按照日志规范打印日志内容，并在.log文件中记录打印日志信息，用于服务操作的排错恢复等。这样设置的好处在于，可以实时监控各个部件是否工作，从而确定系统的正常运行。
实施例三
作为上述实施例的一优选实施例，图4为本发明实施例三所提供的一种事件情感分析方法流程示意图。该实施例主要对财经事件新闻进行处理。如图4所示，所述方法包括：
S410、获取原始财经新闻数据，对财经新闻数据进行清洗，并基于标注工作，对原始财经新闻数据进行标注，得到训练样本数据集合。
基于文本爬取服务器获取财经事件的新闻数据，并通过外汇行情定报价形态获取行情数据，根据外汇行情数据对财经新闻数据进行清洗、分词、标注等，以得到训练各个情感分析模型相对应的训练样本数据。
具体地，当外汇行情在某时间段为上涨(如，上涨超过十个基点)时，将在这一时间段所出现的样本数据标记为正面新闻数据；当外汇行情在某时间段为下跌(如，下跌超过十个基点)时，将在这一时间段所出现的样本数据标记为负面新闻数据；当外汇行情其余时段没有展现出明显上涨或下跌(如，上下波动不超过十个基点)，将在这一时间段所出现的样本数据标记为中立新闻数据。
S420、基于训练样本数据集合训练各个情感分析模型。
需要说明的是，各个情感分析模型的训练过程，可参见实施例二中的各个步骤。
S430、对各个情感分析模型进行集成学习。
可以理解为，将多个情感分析模型进行集成学习，即对所有情感分析模型输出结果进行整合处理。其具体的示意图可参见图5。在各个情感分析模型输出结果后，可以基于集成学习，确定与新闻数据相对应的情感分析结果。
本发明实施例的技术方案，通过获取目标新闻数据，并对目标新闻数据进行处理，以确定与目标新闻数据相对应的目标特征向量；将目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果；调用目标函数对所有情感分析结果进行融合处理，得到与目标新闻数据相对应的目标情感分析结果，解决了现有技术中采用单一智能模型对新闻数据进行处理时，存在处理结果不准确的技术问题，实现了快速、便捷、以及准确的确定与新闻事件相对应的情感分析结果。
实施例四
图6为本发明实施例四提供的一种信息处理装置结构示意图，该装置包括：目标特征向量确定模块610、情感分析结果确定模块620和目标情感分析结果确定模块630；其中，
目标特征向量确定模块610，用于获取目标新闻数据，并对所述目标新闻数据进行处理，以确定与所述目标新闻数据相对应的目标特征向量；情感分析结果确定模块620，用于将所述目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果；目标情感分析结果确定模块630，用于调用目标函数对所有情感分析结果进行融合处理，得到与所述目标新闻数据相对应的目标情感分析结果。
本发明实施例的技术方案，通过获取目标新闻数据，并对目标新闻数据进行处理，以确定与目标新闻数据相对应的目标特征向量；将目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果；调用目标函数对所有情感分析结果进行融合处理，得到与目标新闻数据相对应的目标情感分析结果，解决了现有技术中采用单一智能模型对新闻数据进行处理时，存在处理结果不准确的技术问题，实现了快速、便捷、以及准确的确定与新闻事件相对应的情感分析结果。
在上述技术方案的基础上，所述目标特征向量确定模块，还用于：
对所述目标新闻数据进行分词处理，得到所述目标新闻数据中的各个目标词汇；将每个目标词汇分别输入至语言处理子模型中，得到与每个目标词汇相对应的标题词向量；将每个标题词向量输入至神经网络子模型中，得到与目标新闻数据相对应的目标特征向量。
在上述各技术方案的基础上，所述语言处理子模型为双向编码器模型，所述神经网络子模型为长短时记忆网络。
在上述各技术方案的基础上，所述至少两个情感分析模型包括：卷积神经网络模型、区域卷积神经网络模型、Transformer双向编码器表示模型、引导聚集-卷积神经网络模型以及自适应增强-贝叶斯模型。
相应的，所述将所述目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果，包括：将目标特征向量分别输入至卷积神经网络模型、区域卷积神经网络模型、Transformer双向编码器表示模型、引导聚集-卷积神经网络模型以及自适应增强-贝叶斯模型，输出与每个模型相对应的情感分析结果；其中，所述情感分析结果包括：正面、中立或负面的。
在上述各技术方案的基础上，所述装置还包括：情感分析模型训练模块，用于训练所述情感分析模型；
具体用于：获取多个训练样本数据，基于每个情感分析模型，对所述训练样本数据进行处理，得到与每个情感分析模型相对应的待输入样本数据；其中，所述训练样本数据中包括待训练新闻数据的内容，以及与所述待训练新闻数据相对应的情感分析结果；基于所述待输入样本数据，以及所述情感分析结果，训练情感分析模型；其中，所述情感分析模型，用于对新闻数据进行处理，确定与新闻数据相对应的情感分析结果；
在所述基于引导聚集的情感分析模型具体为引导聚集-卷积神经网络模型，相应的，所述基于所述待输入样本数据，以及所述情感分析结果，训练所述情感分析模型，包括：采用聚集算法从所述待输入样本数据中获取多组预设数量的待输入样本数据并分别作为待训练子集；基于所述待训练子集训练所述引导聚集-卷积神经网络模型。
在上述各技术方案的基础上，所述目标情感分析确定模块，还用于：基于预先设置的目标函数，对所有情感模型输出的情感分析结果进行统计并将频次最高的情感分析结果，作为与所述目标新闻数据相对应的目标情感分析结果。
本发明实施例所提供的信息处理装置可执行本发明任意实施例所提供的信息处理方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例五
图7为本发明实施例五提供的一种服务器的结构示意图。图7示出了适于用来实现本发明实施例实施方式的示例性服务器70的框图。图7显示的服务器70仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，服务器70以通用计算服务器的形式表现。服务器70的组件可以包括但不限于：一个或者多个处理器或者处理单元701，系统存储器702，连接不同系统组件(包括系统存储器702和处理单元701)的总线703。
总线703表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
服务器70典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器70访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器702可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)704和/或高速缓存存储器705。服务器70可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统706可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线703相连。存储器702可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块707的程序/实用工具708，可以存储在例如存储器702中，这样的程序模块707包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块707通常执行本发明所描述的实施例中的功能和/或方法。
服务器70也可以与一个或多个外部设备709(例如键盘、指向服务器、显示器710等)通信，还可与一个或者多个使得用户能与该服务器70交互的服务器通信，和/或与使得该服务器70能与一个或多个其它计算服务器进行通信的任何服务器(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口711进行。并且，服务器70还可以通过网络适配器712与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器712通过总线703与服务器70的其它模块通信。应当明白，尽管图7中未示出，可以结合服务器70使用其它硬件和/或软件模块，包括但不限于：微代码、服务器驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元701通过运行存储在系统存储器702中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的财经事件的情感分析方法。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行事件的情感分析方法。
该方法包括：
获取目标新闻数据，并对所述目标新闻数据进行处理，以确定与所述目标新闻数据相对应的目标特征向量；
将所述目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果；
调用目标函数对所有情感分析结果进行融合处理，得到与所述目标新闻数据相对应的目标情感分析结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种事件的情感分析方法，其特征在于，包括：
获取目标新闻数据，并对所述目标新闻数据进行处理，以确定与所述目标新闻数据相对应的目标特征向量；
将所述目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果；
调用目标函数对所有情感分析结果进行融合处理，得到与所述目标新闻数据相对应的目标情感分析结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标新闻数据进行处理，以确定与所述目标新闻数据相对应的目标特征向量，包括：
对所述目标新闻数据进行分词处理，得到所述目标新闻数据中的各个目标词汇；
将每个目标词汇分别输入至语言处理子模型中，得到与每个目标词汇相对应的标题词向量；
将每个标题词向量输入至神经网络子模型中，得到与目标新闻数据相对应的目标特征向量。
3.根据权利要求2所述的方法，其特征在于，所述语言处理子模型为双向编码器模型，所述神经网络子模型为长短时记忆网络。
4.根据权利要求1所述的方法，其特征在于，所述至少两个情感分析模型包括：卷积神经网络模型、区域卷积神经网络模型、Transformer双向编码器表示模型、引导聚集-卷积神经网络模型以及自适应增强-贝叶斯模型；
相应的，所述将所述目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果，包括：
将目标特征向量分别输入至卷积神经网络模型、区域卷积神经网络模型、Transformer双向编码器表示模型、引导聚集-卷积神经网络模型以及自适应增强-贝叶斯模型，输出与每个模型相对应的情感分析结果；
其中，所述情感分析结果包括：正面、中立或负面。
5.根据权利要求4所述的方法，其特征在于，还包括：训练所述情感分析模型；
其中，训练所述情感分析模型，包括：
获取多个训练样本数据，基于每个情感分析模型，对所述训练样本数据进行处理，得到待输入样本数据；其中，所述训练样本数据中包括待训练新闻数据的内容，以及与所述待训练新闻数据相对应的情感分析结果；
基于所述待输入样本数据，以及所述情感分析结果，训练得到待使用情感分析模型；
基于测试样本数据，对所述待使用情感分析模型进行验证，当所述待使用情感分析的准确率在预设范围之内，则将所述待使用情感分析模型作为情感分析模型；
其中，所述情感分析模型，用于对新闻数据进行处理，确定与新闻数据相对应的情感分析结果。
6.根据权利要求5所述的方法，其特征在于，所述情感分析模型为引导聚集-卷积神经网络模型，相应的，所述基于所述待输入样本数据，以及所述情感分析结果，训练所述情感分析模型，包括：
采用引导聚集-卷积神经网络模型从所述待输入样本数据中获取多组预设数量的待输入样本数据并分别作为待训练子集；
基于所述待训练子集训练所述引导聚集-卷积神经网络模型。
7.根据权利要求1所述的方法，其特征在于，所述调用目标函数对所有情感分析结果进行融合处理，得到与所述目标新闻数据相对应的目标情感分析结果，包括：
基于预先设置的目标函数，对所有情感模型输出的情感分析结果进行统计并将频次最高的情感分析结果，作为与所述目标新闻数据相对应的目标情感分析结果。
8.一种事件的情感分析装置，其特征在于，包括：
目标特征向量确定模块，用于获取目标新闻数据，并对所述目标新闻数据进行处理，以确定与所述目标新闻数据相对应的目标特征向量；
情感分析结果确定模块，用于将所述目标特征向量分别输入至预先训练好的至少两个情感分析模型中，得到与每个情感分析模型相对应的情感分析结果；
目标情感分析结果确定模块，用于调用目标函数对所有情感分析结果进行融合处理，得到与所述目标新闻数据相对应的目标情感分析结果。
9.一种服务器，所述服务器包括：
一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的事件的情感分析方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的事件的情感分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010197628.0A CN111414754A (zh) | 2020-03-19 | 2020-03-19 | 一种事件的情感分析方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010197628.0A CN111414754A (zh) | 2020-03-19 | 2020-03-19 | 一种事件的情感分析方法、装置、服务器及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111414754A true CN111414754A (zh) | 2020-07-14 |
Family
ID=71491317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010197628.0A Pending CN111414754A (zh) | 2020-03-19 | 2020-03-19 | 一种事件的情感分析方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111414754A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183582A (zh) * | 2020-09-07 | 2021-01-05 | 中国海洋大学 | 一种多特征融合的水下目标识别方法 |
| CN112199500A (zh) * | 2020-09-30 | 2021-01-08 | 北京猎豹移动科技有限公司 | 针对评论的情感倾向识别方法、装置及电子设备 |
| CN112201277A (zh) * | 2020-09-29 | 2021-01-08 | 中国银行股份有限公司 | 语音应答的方法、装置、及设备及计算机可读存储介质 |
| CN114036949A (zh) * | 2021-11-08 | 2022-02-11 | 中国银行股份有限公司 | 基于资讯信息分析的投资策略确定方法及装置 |
| WO2022042297A1 (zh) * | 2020-08-28 | 2022-03-03 | 清华大学 | 文本聚类方法、装置、电子设备及存储介质 |
| CN114297645A (zh) * | 2021-12-03 | 2022-04-08 | 深圳市木浪云科技有限公司 | 在云备份系统中识别勒索家族的方法、装置和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090234718A1 (en) * | 2000-09-05 | 2009-09-17 | Novell, Inc. | Predictive service systems using emotion detection |
| CN107885849A (zh) * | 2017-11-13 | 2018-04-06 | 成都蓝景信息技术有限公司 | 一种基于文本分类的情绪指数分析系统 |
| CN109034893A (zh) * | 2018-07-20 | 2018-12-18 | 成都中科大旗软件有限公司 | 一种旅游网络评论情感分析及服务质量评价方法 |
| CN110297870A (zh) * | 2019-05-30 | 2019-10-01 | 南京邮电大学 | 一种金融领域中文新闻标题情感分类方法 |
| CN110334210A (zh) * | 2019-05-30 | 2019-10-15 | 哈尔滨理工大学 | 一种基于bert与lstm、cnn融合的中文情感分析方法 |
-
2020
- 2020-03-19 CN CN202010197628.0A patent/CN111414754A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090234718A1 (en) * | 2000-09-05 | 2009-09-17 | Novell, Inc. | Predictive service systems using emotion detection |
| CN107885849A (zh) * | 2017-11-13 | 2018-04-06 | 成都蓝景信息技术有限公司 | 一种基于文本分类的情绪指数分析系统 |
| CN109034893A (zh) * | 2018-07-20 | 2018-12-18 | 成都中科大旗软件有限公司 | 一种旅游网络评论情感分析及服务质量评价方法 |
| CN110297870A (zh) * | 2019-05-30 | 2019-10-01 | 南京邮电大学 | 一种金融领域中文新闻标题情感分类方法 |
| CN110334210A (zh) * | 2019-05-30 | 2019-10-15 | 哈尔滨理工大学 | 一种基于bert与lstm、cnn融合的中文情感分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张云飞: "基于深度学习的短文本情感分析", 《中国优秀硕士论文全文数据库 信息科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022042297A1 (zh) * | 2020-08-28 | 2022-03-03 | 清华大学 | 文本聚类方法、装置、电子设备及存储介质 |
| CN112183582A (zh) * | 2020-09-07 | 2021-01-05 | 中国海洋大学 | 一种多特征融合的水下目标识别方法 |
| CN112201277A (zh) * | 2020-09-29 | 2021-01-08 | 中国银行股份有限公司 | 语音应答的方法、装置、及设备及计算机可读存储介质 |
| CN112201277B (zh) * | 2020-09-29 | 2024-03-22 | 中国银行股份有限公司 | 语音应答的方法、装置、及设备及计算机可读存储介质 |
| CN112199500A (zh) * | 2020-09-30 | 2021-01-08 | 北京猎豹移动科技有限公司 | 针对评论的情感倾向识别方法、装置及电子设备 |
| CN112199500B (zh) * | 2020-09-30 | 2024-07-23 | 北京猎豹移动科技有限公司 | 针对评论的情感倾向识别方法、装置及电子设备 |
| CN114036949A (zh) * | 2021-11-08 | 2022-02-11 | 中国银行股份有限公司 | 基于资讯信息分析的投资策略确定方法及装置 |
| CN114297645A (zh) * | 2021-12-03 | 2022-04-08 | 深圳市木浪云科技有限公司 | 在云备份系统中识别勒索家族的方法、装置和系统 |
| CN114297645B (zh) * | 2021-12-03 | 2022-09-27 | 深圳市木浪云科技有限公司 | 在云备份系统中识别勒索家族的方法、装置和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111414754A (zh) | 一种事件的情感分析方法、装置、服务器及存储介质 | |
| US20210374749A1 (en) | User profiling based on transaction data associated with a user | |
| CN110427487B (zh) | 一种数据标注方法、装置及存储介质 | |
| CN110598620B (zh) | 基于深度神经网络模型的推荐方法和装置 | |
| CN112686022A (zh) | 违规语料的检测方法、装置、计算机设备及存储介质 | |
| CN111460250A (zh) | 用于画像的数据的清洗方法、装置、介质及电子设备 | |
| CN111210335A (zh) | 用户风险识别方法、装置及电子设备 | |
| CN111598122B (zh) | 数据校验方法、装置、电子设备和存储介质 | |
| CN113220999B (zh) | 用户特征的生成方法、装置、电子设备和存储介质 | |
| CN111210336A (zh) | 用户风险模型生成方法、装置及电子设备 | |
| WO2023159756A1 (zh) | 价格数据的处理方法和装置、电子设备、存储介质 | |
| CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
| CN113761875B (zh) | 事件抽取方法、装置、电子设备及存储介质 | |
| CN110728131A (zh) | 一种分析文本属性的方法和装置 | |
| CN111460224B (zh) | 评论数据的质量标注方法、装置、设备及存储介质 | |
| CN116881971A (zh) | 一种敏感信息泄露检测方法、设备及存储介质 | |
| CN116883179A (zh) | 金融产品投资策略的确定方法、装置、处理器及电子设备 | |
| CN111738290A (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
| CN108460049A (zh) | 一种确定信息类别的方法和系统 | |
| CN115719058A (zh) | 一种内容分析方法、电子设备和存储介质 | |
| CN110910905A (zh) | 静音点检测方法及装置、存储介质、电子设备 | |
| CN114066513A (zh) | 一种用户分类的方法和装置 | |
| CN113901817A (zh) | 文档分类方法、装置、计算机设备和存储介质 | |
| CN113051396A (zh) | 文档的分类识别方法、装置和电子设备 | |
| US20230385550A1 (en) | Detecting peer pressure using media content interactions |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220914 Address after: 25 Financial Street, Xicheng District, Beijing 100033 Applicant after: CHINA CONSTRUCTION BANK Corp. Address before: 25 Financial Street, Xicheng District, Beijing 100033 Applicant before: CHINA CONSTRUCTION BANK Corp. Applicant before: Jianxin Financial Science and Technology Co.,Ltd. |