CN111695033B - 企业舆情分析方法、装置、电子设备及介质 - Google Patents

企业舆情分析方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN111695033B
CN111695033B CN202010354452.5A CN202010354452A CN111695033B CN 111695033 B CN111695033 B CN 111695033B CN 202010354452 A CN202010354452 A CN 202010354452A CN 111695033 B CN111695033 B CN 111695033B
Authority
CN
China
Prior art keywords
text
target
public opinion
early warning
enterprise
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.)
Active
Application number
CN202010354452.5A
Other languages
English (en)
Other versions
CN111695033A (zh
Inventor
周欣欣
李文
吴晓贝
于修铭
汪伟
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010354452.5A priority Critical patent/CN111695033B/zh
Priority to PCT/CN2020/098236 priority patent/WO2021217843A1/zh
Publication of CN111695033A publication Critical patent/CN111695033A/zh
Application granted granted Critical
Publication of CN111695033B publication Critical patent/CN111695033B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • 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
    • 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
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及大数据引擎技术，应用于人工智能，提供一种企业舆情分析方法。该方法获取舆情文本并进行预处理，得到多个词组，对进行命名实体识别并将识别到企业实体的舆情文本确定为目标文本，对目标文本进行主体识别，得到识别结果，并对目标文本进行分类，得到分类结果，将目标文本、识别结果及分类结果输入至预先训练好的情感模型中，得到情感结果，选取出情感结果为负面情绪的目标文本，作为预警文本，将预警文本与配置列表中的预警词组进行匹配，并将匹配到的预警词组确定为预警文本的预警类别，获取预警文本的目标企业并根据预警类别及预警文本生成预警信息，能够及时、准确地发出预警。本发明还涉及区块链技术，所述预警信息存储于区块链中。

Description

企业舆情分析方法、装置、电子设备及介质
技术领域
本发明涉及大数据引擎技术领域，尤其涉及一种企业舆情分析方法、装置、电子设备及介质。
背景技术
随着微博、论坛等平台的出现，催生了大量的舆情信息，这些舆情信息中存在对企业有积极影响的信息，也存在对企业有负面影响的信息。通过对舆情信息的分析，可以及时找出对企业产生负面影响的舆情信息，方便企业决策者迅速制定应对策略，从而提高舆情信息的利用率和决策的正确性。
现有的模型或应用系统对舆情信息的分析比较单一，导致大量的舆情信息没有充分利用，进而无法及时、准确地向企业发送预警信息。
发明内容
鉴于以上内容，有必要提供一种企业舆情分析方法、装置、电子设备及介质，能够充分利用舆情信息，以及时、准确地向企业发送预警信息。
一种企业舆情分析方法，所述企业舆情分析方法包括：
从预设的数据渠道获取舆情文本；
对获取到的舆情文本进行预处理，得到每个舆情文本的多个词组；
对每个舆情文本的多个词组进行命名实体识别，并将识别到企业实体的舆情文本确定为目标文本；
基于依存句法分析技术，对所述目标文本进行主体识别，得到识别结果，并按照预设的分类标准对所述目标文本进行分类，得到分类结果；
将所述目标文本、所述识别结果及所述分类结果输入至预先训练好的情感模型中，得到情感结果；
选取出情感结果为负面情绪的目标文本，作为预警文本；
将所述预警文本与配置列表中的预警词组进行匹配，并将匹配到的预警词组确定为所述预警文本的预警类别；
获取所述预警文本的目标企业，并根据所述预警类别及所述预警文本生成所述目标企业的预警信息。
根据本发明优选实施例，所述对每个舆情文本的多个词组进行命名实体识别，并将识别到企业实体的舆情文本确定为目标文本包括：
对每个舆情文本的多个词组进行向量化处理，得到每个舆情文本的输入向量序列；
将每个舆情文本的输入向量序列输入到NER模型中，并获取激活层中每个序列位置上对应的每个标签的输出概率及转移概率；
对于每个序列位置，对每个标签的输出概率及转移概率进行加权和运算，得到每个标签的数值；
将数值最高的标签确定为每个序列位置上的输出标签，并组合每个序列位置上的输出标签，得到每个舆情文本的实体列表；
当检测到实体列表中含有一个企业实体时，将该实体列表对应的舆情文本确定为所述目标文本；或者
当检测到实体列表中含有多个企业实体时，将该实体列表对应的舆情文本确定为多文本，依照所述多个企业实体拆分所述多文本，得到所述目标文本。
根据本发明优选实施例，所述对每个舆情文本的多个词组进行向量化处理，得到每个舆情文本的输入向量序列包括：
根据预设编码表获取每个舆情文本的每个词组的编码向量；
根据每个舆情文本的每个词组的位置编号生成每个词组的位置向量；
拼接每个词组的编码向量及每个词组的位置向量，得到每个词组的目标向量；
依照词序组合每个舆情文本的每个词组的目标向量，得到每个舆情文本的输入向量序列。
根据本发明优选实施例，在将每个舆情文本的输入向量序列输入到NER模型之前，所述方法还包括：
获取企业舆情数据，并根据所述企业舆情数据选取目标标注模式；
将所述目标标注模式添加至组合模型中，得到标注模型；
对所述标注模型进行裁剪，获得裁剪模型；
对所述裁剪模型进行降阶，获得所述NER模型。
根据本发明优选实施例，所述对所述标注模型进行裁剪，获得裁剪模型包括：
从所述标注模型中提取所有卷积核；
利用灰色关联分析方法对所述所有卷积核中每个卷积核进行重要度的量化，得到每个卷积核的重要度的量化值；
将所述所有卷积核按照所述量化值的大小依照从小至大的顺序进行排序，得到队列；
从所述队列中选取前N个卷积核，作为目标卷积核，所述N为正整数；
删除所述标注模型中的目标卷积核，得到所述裁剪模型。
根据本发明优选实施例，所述基于依存句法分析技术，对所述目标文本进行主体识别，得到识别结果包括：
根据依存句法分析技术，获取所述目标文本中每个文本语句的核心动词；
确定与所述核心动词依存关系为主谓关系和动宾关系的分词；
计算所述目标文本中所述分词的总数量；
获取所述企业实体对应的目标分词，并计算所述目标分词在所述目标文本中的目标数量；
将所述目标数量除以所述总数量，得到目标比例；
当检测到所述目标比例大于第一预设比例时，将所述目标分词确定为所述目标文本的主体，作为所述识别结果，或者当检测到所述目标比例小于第二预设比例时，将所述目标分词确定为所述目标文本的提及，作为所述识别结果。
根据本发明优选实施例，在将所述目标文本、所述识别结果及所述分类结果输入至预先训练好的情感模型中，得到情感结果之前，所述方法还包括：
采用爬虫程序获取所有分类结果的第一历史数据；
将所述第一历史数据输入到遗忘门层进行遗忘处理，得到训练数据；
采用交叉验证法将所述训练数据划分为训练集及验证集；
将所述训练集中的数据输入到输入门层进行训练，得到初级学习器；
根据所述验证集中的数据，调整所述初级学习器，得到次级学习器；
根据所述目标文本的分类结果获取第二历史数据；
将所述第二历史数据作为测试数据测试所述次级学习器，得到测试结果；
计算通过测试的第二历史数据的目标数量，及计算参与测试的第二历史数据的总数量；
将所述目标数量除以所述总数量，得到测试成功率；
当所述测试成功率大于配置值时，将所述次级学习器确定为所述情感模型；或者
当所述测试成功率小于或者等于所述配置值时，根据所述第二历史数据调整所述次级学习器，得到所述情感模型。
一种企业舆情分析装置，所述企业舆情分析装置包括：
获取单元，用于从预设的数据渠道获取舆情文本；
预处理单元，用于对获取到的舆情文本进行预处理，得到每个舆情文本的多个词组；
确定单元，用于对每个舆情文本的多个词组进行命名实体识别，并将识别到企业实体的舆情文本确定为目标文本；
分类单元，用于基于依存句法分析技术，对所述目标文本进行主体识别，得到识别结果，并按照预设的分类标准对所述目标文本进行分类，得到分类结果；
输入单元，用于将所述目标文本、所述识别结果及所述分类结果输入至预先训练好的情感模型中，得到情感结果；
选取单元，用于选取出情感结果为负面情绪的目标文本，作为预警文本；
所述确定单元，还用于将所述预警文本与配置列表中的预警词组进行匹配，并将匹配到的预警词组确定为所述预警文本的预警类别；
生成单元，用于获取所述预警文本的目标企业，并根据所述预警类别及所述预警文本生成所述目标企业的预警信息。
根据本发明优选实施例，所述确定单元对每个舆情文本的多个词组进行命名实体识别，并将识别到企业实体的舆情文本确定为目标文本包括：
对每个舆情文本的多个词组进行向量化处理，得到每个舆情文本的输入向量序列；
将每个舆情文本的输入向量序列输入到NER模型中，并获取激活层中每个序列位置上对应的每个标签的输出概率及转移概率；
对于每个序列位置，对每个标签的输出概率及转移概率进行加权和运算，得到每个标签的数值；
将数值最高的标签确定为每个序列位置上的输出标签，并组合每个序列位置上的输出标签，得到每个舆情文本的实体列表；
当检测到实体列表中含有一个企业实体时，将该实体列表对应的舆情文本确定为所述目标文本；或者
当检测到实体列表中含有多个企业实体时，将该实体列表对应的舆情文本确定为多文本，依照所述多个企业实体拆分所述多文本，得到所述目标文本。
根据本发明优选实施例，所述确定单元对每个舆情文本的多个词组进行向量化处理，得到每个舆情文本的输入向量序列包括：
根据预设编码表获取每个舆情文本的每个词组的编码向量；
根据每个舆情文本的每个词组的位置编号生成每个词组的位置向量；
拼接每个词组的编码向量及每个词组的位置向量，得到每个词组的目标向量；
依照词序组合每个舆情文本的每个词组的目标向量，得到每个舆情文本的输入向量序列。
根据本发明优选实施例，所述获取单元，还用于在将每个舆情文本的输入向量序列输入到NER模型之前，获取企业舆情数据，并根据所述企业舆情数据选取目标标注模式；
所述企业舆情分析装置还包括：
添加单元，用于将所述目标标注模式添加至组合模型中，得到标注模型；
裁剪单元，用于对所述标注模型进行裁剪，获得裁剪模型；
降阶单元，用于对所述裁剪模型进行降阶，获得所述NER模型。
根据本发明优选实施例，所述裁剪单元对所述标注模型进行裁剪，获得裁剪模型包括：
从所述标注模型中提取所有卷积核；
利用灰色关联分析方法对所述所有卷积核中每个卷积核进行重要度的量化，得到每个卷积核的重要度的量化值；
将所述所有卷积核按照所述量化值的大小依照从小至大的顺序进行排序，得到队列；
从所述队列中选取前N个卷积核，作为目标卷积核，所述N为正整数；
删除所述标注模型中的目标卷积核，得到所述裁剪模型。
根据本发明优选实施例，所述分类单元具体用于：
根据依存句法分析技术，获取所述目标文本中每个文本语句的核心动词；
确定与所述核心动词依存关系为主谓关系和动宾关系的分词；
计算所述目标文本中所述分词的总数量；
获取所述企业实体对应的目标分词，并计算所述目标分词在所述目标文本中的目标数量；
将所述目标数量除以所述总数量，得到目标比例；
当检测到所述目标比例大于第一预设比例时，将所述目标分词确定为所述目标文本的主体，作为所述识别结果，或者当检测到所述目标比例小于第二预设比例时，将所述目标分词确定为所述目标文本的提及，作为所述识别结果。
根据本发明优选实施例，所述获取单元，还用于在将所述目标文本、所述识别结果及所述分类结果输入至预先训练好的情感模型中，得到情感结果之前，采用爬虫程序获取所有分类结果的第一历史数据；
所述输入单元，还用于将所述第一历史数据输入到遗忘门层进行遗忘处理，得到训练数据；
所述企业舆情分析装置还包括：
划分单元，用于采用交叉验证法将所述训练数据划分为训练集及验证集；
所述输入单元，还用于将所述训练集中的数据输入到输入门层进行训练，得到初级学习器；
调整单元，用于根据所述验证集中的数据，调整所述初级学习器，得到次级学习器；
所述获取单元，还用于根据所述目标文本的分类结果获取第二历史数据；
测试单元，用于将所述第二历史数据作为测试数据测试所述次级学习器，得到测试结果；
计算单元，用于计算通过测试的第二历史数据的目标数量，及计算参与测试的第二历史数据的总数量；
所述计算单元，还用于将所述目标数量除以所述总数量，得到测试成功率；
所述确定单元，还用于当所述测试成功率大于配置值时，将所述次级学习器确定为所述情感模型；或者
所述调整单元，还用于当所述测试成功率小于或者等于所述配置值时，根据所述第二历史数据调整所述次级学习器，得到所述情感模型。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，获取所述存储器中存储的指令以实现所述企业舆情分析方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器获取以实现所述企业舆情分析方法。
由以上技术方案可以看出，本发明能够充分利用舆情信息，以及时、准确地向企业发送预警信息。
附图说明
图1是本发明企业舆情分析方法的较佳实施例的流程图。
图2是本发明企业舆情分析装置的较佳实施例的功能模块图。
图3是本发明实现企业舆情分析方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明企业舆情分析方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述企业舆情分析方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，从预设的数据渠道获取舆情文本。
在本发明的至少一个实施例中，所述预设的数据渠道包括，但不仅限于：报纸、微博、微信、论坛等，从上述数据渠道获取到的舆情文本主要包括新闻、论坛帖子、微博博文、微信文章等。
在本发明的至少一个实施例中，所述电子设备从预设的数据渠道获取舆情文本包括：
(1)所述电子设备利用光学字符识别技术(Optical Character Recognition，OCR)对纸质文本进行扫描识别，将扫描到的电子文本作为所述舆情文本。
(2)所述电子设备基于网络爬虫技术，从社交软件的开放接口获取所述社交软件中用户发布的文本，作为所述舆情文本。
(3)所述电子设备通过匿名代理池获取门户网站中用户发布的文本，作为所述舆情文本。
具体地，所述电子设备通过匿名代理池获取门户网站中用户发布的文本包括：
基于普通HTTP(HyperText Transfer Protocol，超文本传输协议)代理及高匿名代理构成所述匿名代理池，所述电子设备从所述普通HTTP代理及所述高匿名代理生成的地址中随机选取可变地址，进一步地，所述电子设备将预设头文件与所述可变地址进行拼接，将拼接后的地址作为爬虫从所述门户网站中获取用户发布的文本。
通过所述预设头文件与所述可变地址进行拼接，可以降低所述爬虫被所述门户网站识别的概率。
S11，对获取到的舆情文本进行预处理，得到每个舆情文本的多个词组。
在本发明的至少一个实施例中，所述电子设备对获取到的舆情文本进行预处理，得到每个舆情文本对应的多个词组包括：
所述电子设备过滤所述舆情文本中的特殊字符及停用词，得到第一文本，所述电子设备基于余弦距离公式，对所述第一文本进行去重处理，得到第二文本，所述电子设备根据预设的自定义词典对所述第二文本进行切分，得到切分位置，并根据所述切分位置，构建至少一个有向无环图，所述电子设备根据所述自定义词典中的权值计算每个有向无环图的概率，并将概率最大的有向无环图对应的切分位置确定为目标切分位置，所述电子设备根据所述目标切分位置确定每个舆情文本的多个词组。
其中，所述特殊字符包括，但不限于：表情符号、符号图案等。
进一步地，所述预设的自定义词典中存储至少一个自定义词及每个自定义词对应的权值。
通过上述实施方式，能够去除所述第一文本中重复的文本，避免处理重复文本所耗费的时间；通过将概率最大的切分位置确定为目标切分位置，能够准确地切分舆情文本。
具体地，所述电子设备基于余弦距离公式，对所述第一文本进行去重处理，得到第二文本包括：
所述电子设备根据所述第一文本的标题，计算所述第一文本的哈希值，所述电子设备从所述第一文本中抽取预设特征并建立特征索引，并根据所述第一文本的哈希值，采用余弦距离公式计算所述第一文本中任意两个第一文本的相似距离，得到文本对的相似距离，其中，所述文本对包括任意两个第一文本，所述电子设备通过所述特征索引搜索出相似距离大于预设值的文本对，并将该文本对确定为相似文本对，所述电子设备判断所述相似文本对中的预设特征是否相同，当所述相似文本对中的预设特征相同时，所述电子设备剔除所述相似文本对中的任意一个第一文本，并将保留的第一文本确定为所述第二文本。
通过上述实施方式，能够准确快速剔除重复文本。
S12，对每个舆情文本的多个词组进行命名实体识别，并将识别到企业实体的舆情文本确定为目标文本。
在本发明的至少一个实施例中，所述电子设备对每个舆情文本的多个词组进行命名实体识别，并将识别到企业实体的舆情文本确定为目标文本包括：
所述电子设备对每个舆情文本的多个词组进行向量化处理，得到每个舆情文本的输入向量序列，进一步地，所述电子设备将每个舆情文本的输入向量序列输入到NER模型中，并获取激活层中每个序列位置上对应的每个标签的输出概率及转移概率，对于每个序列位置，所述电子设备对每个标签的输出概率及转移概率进行加权和运算，得到每个标签的数值，所述电子设备将数值最高的标签确定为每个序列位置上的输出标签，并组合每个序列位置上的输出标签，得到每个舆情文本的实体列表，当检测到实体列表中含有一个企业实体时，所述电子设备将该实体列表对应的舆情文本确定为所述目标文本，或者当检测到实体列表中含有多个企业实体时，所述电子设备将该实体列表对应的舆情文本确定为多文本，依照所述多个企业实体拆分所述多文本，得到所述目标文本。
例如：对于每个输入向量序列X＝(x1,x2,…,xn)，将X＝(x1,x2,…,xn)输入NER模型中，所述电子设备从激活层能够获取到第i个序列位置上每个标签的输出概率，分别为：Piy1，Piy2，…，Piym；所述电子设备从激活层能够获取到第i个序列位置上每个标签的转移概率，分别为：Aiy1，Aiy2，…，Aiym。经计算，得到第i个序列位置上每个标签(如，标签B-PER)的数值，即：Siy1，Siy，…，Siym，若Siy2的数值最大，将Siy2对应的标签确定为第i个序列位置上的输出标签，依次即可得到实体列表Y＝(y1,y2,…,yn)，在实体列表中的表示形式中，B-PER表示人名的首字符标记，E-PER表示人名的结尾字符标记，O表示独立字符标记，B-COM表示企业名称的首字符标记，I-COM表示企业名称的中间字符标记，E-COM表示企业名称的结尾字符标记，实体列表A的表示形式为(B-PER，E-PER，O，O，B-COM，I-COM，E-COM)，所述电子设备确定所述实体列表A中含有一个企业实体，该企业实体为(B-COM，I-COM，E-COM)，实体列表B的表示形式为(B-COM1，E-COM1，O，O，B-COM2，I-COM2，E-COM2)，所述电子设备确定所述实体列表B中含有两个企业实体，两个企业实体分别为(B-COM1，E-COM1)及(B-COM2，I-COM2，E-COM2)。
承接上面的例子，(B-COM1，E-COM1)对应的企业实体可以为“T企”；(B-COM2，I-COM2，E-COM2)对应的企业实体可以为“G公司”。
通过上述实施方式，能够准确地确定出具有企业实体的舆情文本，避免后续主体识别时无法确定出企业实体，进而能够对多余舆情的文本进行处理。
具体地，在将每个舆情文本的输入向量序列输入到NER模型之前，所述方法还包括：
所述电子设备获取企业舆情数据，并根据所述企业舆情数据选取目标标注模式，所述电子设备将所述目标标注模式添加至组合模型中，得到标注模型，所述电子设备对所述标注模型进行裁剪，获得裁剪模型，所述电子设备对所述裁剪模型进行降阶，获得所述NER模型。
其中，所述组合模型包括：
(1)基于长短期记忆网络(Long Short-Term Memory，LSTM)和条件随机场(Conditional Random Fields，CRF)的模型。
(2)基于双向长短期记忆网络(Bi LSTM)和条件随机场的模型。
(3)基于BiGRU和条件随机场的模型。
通过训练组合模型，能够得到更准确的识别效果，进而通过对标注模型进行相对熵裁剪，获得相对于标注模型较小的裁剪模型，在基于相对熵裁剪的基础上，同时降低模型的阶数，对模型网络中的维度进行降阶，从而可以减少最终解码网络的复杂度，提高了命名实体识别的速度。
具体地，所述电子设备对所述标注模型进行裁剪，获得裁剪模型包括：
所述电子设备从所述标注模型中提取所有卷积核，进一步地，所述电子设备利用灰色关联分析方法对所述所有卷积核中每个卷积核进行重要度的量化，得到每个卷积核的重要度的量化值，并将所述所有卷积核按照所述量化值的大小依照从小至大的顺序进行排序，得到队列，所述电子设备从所述队列中选取前N个卷积核，作为目标卷积核，所述N为正整数，所述电子设备删除所述标注模型中的目标卷积核，得到所述裁剪模型。
通过上述实施方式，能够在保证模型精度的情况下，实现对模型的裁剪，进而能够提高命名实体识别效率。
在本发明的至少一个实施例中，所述电子设备对每个舆情文本的多个词组进行向量化处理，得到每个舆情文本的输入向量序列包括：
所述电子设备根据预设编码表获取每个舆情文本的每个词组的编码向量，并根据每个舆情文本的每个词组的位置编号生成每个词组的位置向量，所述电子设备拼接每个词组的编码向量及每个词组的位置向量，得到每个词组的目标向量，所述电子设备依照词序组合每个舆情文本的每个词组的目标向量，得到每个舆情文本的输入向量序列。
通过结合每个词组在文本中的位置编号而生成每个词组的目标向量，使生成的目标向量具有上下文语义特征，进而能够提高词组命名实体识别的准确性。
在本发明的一个实施例中，为进一步保证舆情文本的私密和安全性，本实施例还可以将舆情文本存储于一区块链的节点中。
在本发明的至少一个实施例中，当检测到实体列表中含有多个企业实体时，将该实体列表对应的舆情文本确定为多文本，依照所述多个企业实体拆分所述多文本，得到所述目标文本。
例如：舆情文本1为：A企业是一家知名度很高的企业。B企业的销售量在行业内领先。当检测到实体列表中含有A企业实体及B企业实体时，所述电子设备将所述舆情文本1确定为多文本，依据A企业实体及B企业实体拆分所述舆情文本1，得到目标文本2为：A企业是一家知名度很高的企业；目标文本3为：B企业的销售量在行业内领先。
S13，基于依存句法分析技术，对所述目标文本进行主体判别主体识别，得到判别结果识别结果，并按照预设的分类标准对所述目标文本进行分类，得到分类结果。
在本发明的至少一个实施例中，所述判别结果识别结果包括：企业在目标文本中是主体，或者企业在目标文本中是提及。
所述分类结果包括：招聘类、广告类、咨询类等。
在其他实施例中，所述电子设备可以从多个维度上对所述目标文本进行分类，每个维度上有多个分类结果。
在本发明的至少一个实施例中，所述电子设备基于依存句法分析技术，对所述目标文本进行主体识别，得到识别结果包括：
所述电子设备根据依存句法分析技术，获取所述目标文本中每个文本语句的核心动词，所述电子设备确定与所述核心动词依存关系为主谓关系和动宾关系的分词，所述电子设备计算所述目标文本中所述分词的总数量，所述电子设备获取所述企业实体对应的目标分词，并计算所述目标分词在所述目标文本中的目标数量，所述电子设备将所述目标数量除以所述总数量，得到目标比例，当检测到所述目标比例大于第一预设比例时，所述电子设备将所述目标分词确定为所述目标文本的主体，作为所述识别结果，或者当检测到所述目标比例小于第二预设比例时，所述电子设备将所述目标分词确定为所述目标文本的提及，作为所述识别结果。
例如：核心动词为“做出”，然后根据依存句法分析技术寻找与核心动词依存关系为“主谓关系”和“动宾关系”的词，分别为“A企业”和“通报”。
需要说明的是，当企业在目标文本中是主体时，企业相应的目标分词在目标文本中所占的比例大于所述第一预设比例，当企业在目标文本中是提及时，企业相应的目标分词在目标文本中所占的比例小于所述第二预设比例。
通过依存句法分析技术能够快速确定核心动词及分词，进而通过目标分词所占的比例的检测，能够准确确定识别结果。
S14，将所述目标文本、所述判别结果识别结果及所述分类结果输入至预先训练好的情感模型中，得到情感结果。
在本发明的至少一个实施例中，所述情感结果包括：中立情绪、负面情绪、正面情绪。
在本发明的至少一个实施例中，在将所述目标文本、所述判别结果识别结果及所述分类结果输入至预先训练好的情感模型中，得到情感结果之前，所述方法还包括：
所述电子设备采用爬虫程序获取所有分类结果的第一历史数据，所述电子设备将所述第一历史数据输入到遗忘门层进行遗忘处理，得到训练数据，所述电子设备采用交叉验证法将所述训练数据划分为训练集及验证集，所述电子设备将所述训练集中的数据输入到输入门层进行训练，得到初级学习器，所述电子设备根据所述验证集中的数据，调整所述初级学习器，得到次级学习器，所述电子设备根据所述目标文本的分类结果获取第二历史数据，并将所述第二历史数据作为测试数据测试所述次级学习器，得到测试结果，所述电子设备计算通过测试的第二历史数据的目标数量，及计算参与测试的第二历史数据的总数量，所述电子设备将所述目标数量除以所述总数量，得到测试成功率，当所述测试成功率大于配置值时，所述电子设备将所述次级学习器确定为所述情感模型，或者当所述测试成功率小于或者等于所述配置值时，所述电子设备根据所述第二历史数据调整所述次级学习器，得到所述情感模型。
通过上述实施方式，能够使训练到的所述情感模型能够更加准确。
S15，选取出情感结果为负面情绪的目标文本，作为预警文本。
在本发明的至少一个实施例中，当舆情文本的情感结果为中立情绪或者正面情绪时，所述电子设备无需对该舆情文本进行预警。
S16，将所述预警文本与配置列表中的预警词组进行匹配，并将匹配到的预警词组确定为所述预警文本的预警类别。
在本发明的至少一个实施例中，所述配置列表中存储多个预警词组，所述预警词组包括：法律诉讼、人事变动及警方处罚等。
S17，获取所述预警文本的目标企业，并根据所述预警类别及所述预警文本生成所述目标企业的预警信息。
在本发明的至少一个实施例中，所述电子设备根据所述预警类别及所述预警文本生成所述目标企业的预警信息包括：
所述电子设备根据所述预警类别从案例库中提取策略，进一步地，所述电子设备根据所述预警类别、所述预警文本及所述策略生成所述预警信息。
需要强调的是，为进一步保证上述预警信息的私密和安全性，上述预警信息还可以存储于一区块链的节点中。
由以上技术方案可以看出，本发明能够充分利用舆情信息，以及时、准确地向企业发送预警信息。
如图2所示，是本发明企业舆情分析装置的较佳实施例的功能模块图。所述企业舆情分析装置11包括获取单元110、预处理单元111、确定单元112、分类单元113、输入单元114、选取单元115、生成单元116、添加单元117、裁剪单元118、降阶单元119、划分单元120、调整单元121、测试单元122及计算单元123。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
获取单元110从预设的数据渠道获取舆情文本。
在本发明的至少一个实施例中，所述预设的数据渠道包括，但不仅限于：报纸、微博、微信、论坛等，从上述数据渠道获取到的舆情文本主要包括新闻、论坛帖子、微博博文、微信文章等。
在本发明的至少一个实施例中，所述获取单元110从预设的数据渠道获取舆情文本包括：
(1)所述获取单元110利用光学字符识别技术(Optical Character Recognition，OCR)对纸质文本进行扫描识别，将扫描到的电子文本作为所述舆情文本。
(2)所述获取单元110基于网络爬虫技术，从社交软件的开放接口获取所述社交软件中用户发布的文本，作为所述舆情文本。
(3)所述获取单元110通过匿名代理池获取门户网站中用户发布的文本，作为所述舆情文本。
具体地，所述获取单元110通过匿名代理池获取门户网站中用户发布的文本包括：
基于普通HTTP(HyperText Transfer Protocol，超文本传输协议)代理及高匿名代理构成所述匿名代理池，所述获取单元110从所述普通HTTP代理及所述高匿名代理生成的地址中随机选取可变地址，进一步地，所述获取单元110将预设头文件与所述可变地址进行拼接，将拼接后的地址作为爬虫从所述门户网站中获取用户发布的文本。
通过所述预设头文件与所述可变地址进行拼接，可以降低所述爬虫被所述门户网站识别的概率。
预处理单元111对获取到的舆情文本进行预处理，得到每个舆情文本的多个词组。
在本发明的至少一个实施例中，所述预处理单元111对获取到的舆情文本进行预处理，得到每个舆情文本对应的多个词组包括：
所述预处理单元111过滤所述舆情文本中的特殊字符及停用词，得到第一文本，所述预处理单元111基于余弦距离公式，对所述第一文本进行去重处理，得到第二文本，所述预处理单元111根据预设的自定义词典对所述第二文本进行切分，得到切分位置，并根据所述切分位置，构建至少一个有向无环图，所述预处理单元111根据所述自定义词典中的权值计算每个有向无环图的概率，并将概率最大的有向无环图对应的切分位置确定为目标切分位置，所述预处理单元111根据所述目标切分位置确定每个舆情文本的多个词组。
其中，所述特殊字符包括，但不限于：表情符号、符号图案等。
进一步地，所述预设的自定义词典中存储至少一个自定义词及每个自定义词对应的权值。
通过上述实施方式，能够去除所述第一文本中重复的文本，避免处理重复文本所耗费的时间；通过将概率最大的切分位置确定为目标切分位置，能够准确地切分舆情文本。
具体地，所述预处理单元111基于余弦距离公式，对所述第一文本进行去重处理，得到第二文本包括：
所述预处理单元111根据所述第一文本的标题，计算所述第一文本的哈希值，所述预处理单元111从所述第一文本中抽取预设特征并建立特征索引，并根据所述第一文本的哈希值，采用余弦距离公式计算所述第一文本中任意两个第一文本的相似距离，得到文本对的相似距离，其中，所述文本对包括任意两个第一文本，所述预处理单元111通过所述特征索引搜索出相似距离大于预设值的文本对，并将该文本对确定为相似文本对，所述预处理单元111判断所述相似文本对中的预设特征是否相同，当所述相似文本对中的预设特征相同时，所述预处理单元111剔除所述相似文本对中的任意一个第一文本，并将保留的第一文本确定为所述第二文本。
通过上述实施方式，能够准确快速剔除重复文本。
确定单元112对每个舆情文本的多个词组进行命名实体识别，并将识别到企业实体的舆情文本确定为目标文本。
在本发明的至少一个实施例中，所述确定单元112对每个舆情文本的多个词组进行命名实体识别，并将识别到企业实体的舆情文本确定为目标文本包括：
所述确定单元112对每个舆情文本的多个词组进行向量化处理，得到每个舆情文本的输入向量序列，进一步地，所述确定单元112将每个舆情文本的输入向量序列输入到NER模型中，并获取激活层中每个序列位置上对应的每个标签的输出概率及转移概率，对于每个序列位置，所述确定单元112对每个标签的输出概率及转移概率进行加权和运算，得到每个标签的数值，所述确定单元112将数值最高的标签确定为每个序列位置上的输出标签，并组合每个序列位置上的输出标签，得到每个舆情文本的实体列表，当检测到实体列表中含有一个企业实体时，所述确定单元112将该实体列表对应的舆情文本确定为所述目标文本，或者当检测到实体列表中含有多个企业实体时，所述确定单元112将该实体列表对应的舆情文本确定为多文本，依照所述多个企业实体拆分所述多文本，得到所述目标文本。
例如：对于每个输入向量序列X＝(x1,x2,…,xn)，将X＝(x1,x2,…,xn)输入NER模型中，所述确定单元112从激活层能够获取到第i个序列位置上每个标签的输出概率，分别为：Piy1，Piy，…，Piym；所述确定单元112从激活层能够获取到第i个序列位置上每个标签的转移概率，分别为：Aiy1，Aiy2，…，Aiym。经计算，得到第i个序列位置上每个标签(如，标签B-PER)的数值，即：Siy，Siy2，…，Siym，若Siy2的数值最大，将Siy2对应的标签确定为第i个序列位置上的输出标签，依次即可得到实体列表Y＝(y1,y2,…,yn)，在实体列表中的表示形式中，B-PER表示人名的首字符标记，E-PER表示人名的结尾字符标记，O表示独立字符标记，B-COM表示企业名称的首字符标记，I-COM表示企业名称的中间字符标记，E-COM表示企业名称的结尾字符标记，实体列表A的表示形式为(B-PER，E-PER，O，O，B-COM，I-COM，E-COM)，所述电子设备确定所述实体列表A中含有一个企业实体，该企业实体为(B-COM，I-COM，E-COM)，实体列表B的表示形式为(B-COM1，E-COM1，O，O，B-COM2，I-COM2，E-COM2)，所述确定单元112确定所述实体列表B中含有两个企业实体，两个企业实体分别为(B-COM1，E-COM1)及(B-COM2，I-COM2，E-COM2)。
承接上面的例子，(B-COM1，E-COM1)对应的企业实体可以为“T企”；(B-COM2，I-COM2，E-COM2)对应的企业实体可以为“G公司”。
通过上述实施方式，能够准确地确定出具有企业实体的舆情文本，避免后续主体识别时无法确定出企业实体，进而能够对多余舆情的文本进行处理。
具体地，在将每个舆情文本的输入向量序列输入到NER模型之前，所述获取单元110获取企业舆情数据，并根据所述企业舆情数据选取目标标注模式，添加单元117将所述目标标注模式添加至组合模型中，得到标注模型，裁剪单元118对所述标注模型进行裁剪，获得裁剪模型，降阶单元119对所述裁剪模型进行降阶，获得所述NER模型。
其中，所述组合模型包括：
(1)基于长短期记忆网络(Long Short-Term Memory，LSTM)和条件随机场(Conditional Random Fields，CRF)的模型。
(2)基于双向长短期记忆网络(Bi LSTM)和条件随机场的模型。
(3)基于BiGRU和条件随机场的模型。
通过训练组合模型，能够得到更准确的识别效果，进而通过对标注模型进行相对熵裁剪，获得相对于标注模型较小的裁剪模型，在基于相对熵裁剪的基础上，同时降低模型的阶数，对模型网络中的维度进行降阶，从而可以减少最终解码网络的复杂度，提高了命名实体识别的速度。
具体地，所述裁剪单元118对所述标注模型进行裁剪，获得裁剪模型包括：
所述裁剪单元118从所述标注模型中提取所有卷积核，进一步地，所述裁剪单元118利用灰色关联分析方法对所述所有卷积核中每个卷积核进行重要度的量化，得到每个卷积核的重要度的量化值，并将所述所有卷积核按照所述量化值的大小依照从小至大的顺序进行排序，得到队列，所述裁剪单元118从所述队列中选取前N个卷积核，作为目标卷积核，所述N为正整数，所述裁剪单元118删除所述标注模型中的目标卷积核，得到所述裁剪模型。
通过上述实施方式，能够在保证模型精度的情况下，实现对模型的裁剪，进而能够提高命名实体识别效率。
在本发明的至少一个实施例中，所述确定单元112对每个舆情文本的多个词组进行向量化处理，得到每个舆情文本的输入向量序列包括：
所述确定单元112根据预设编码表获取每个舆情文本的每个词组的编码向量，并根据每个舆情文本的每个词组的位置编号生成每个词组的位置向量，所述确定单元112拼接每个词组的编码向量及每个词组的位置向量，得到每个词组的目标向量，所述确定单元112依照词序组合每个舆情文本的每个词组的目标向量，得到每个舆情文本的输入向量序列。
通过结合每个词组在文本中的位置编号而生成每个词组的目标向量，使生成的目标向量具有上下文语义特征，进而能够提高词组命名实体识别的准确性。
在本发明的至少一个实施例中，当检测到实体列表中含有多个企业实体时，将该实体列表对应的舆情文本确定为多文本，依照所述多个企业实体拆分所述多文本，得到所述目标文本。
例如：舆情文本1为：A企业是一家知名度很高的企业。B企业的销售量在行业内领先。当检测到实体列表中含有A企业实体及B企业实体时，所述电子设备将所述舆情文本1确定为多文本，依据A企业实体及B企业实体拆分所述舆情文本1，得到目标文本2为：A企业是一家知名度很高的企业；目标文本3为：B企业的销售量在行业内领先。
分类单元113基于依存句法分析技术，对所述目标文本进行主体判别主体识别，得到判别结果识别结果，并按照预设的分类标准对所述目标文本进行分类，得到分类结果。
在本发明的至少一个实施例中，所述判别结果识别结果包括：企业在目标文本中是主体，或者企业在目标文本中是提及。
所述分类结果包括：招聘类、广告类、咨询类等。
在其他实施例中，所述分类单元113可以从多个维度上对所述目标文本进行分类，每个维度上有多个分类结果。
在本发明的至少一个实施例中，所述分类单元113基于依存句法分析技术，对所述目标文本进行主体识别，得到识别结果包括：
所述分类单元113根据依存句法分析技术，获取所述目标文本中每个文本语句的核心动词，所述分类单元113确定与所述核心动词依存关系为主谓关系和动宾关系的分词，所述分类单元113计算所述目标文本中所述分词的总数量，所述分类单元113获取所述企业实体对应的目标分词，并计算所述目标分词在所述目标文本中的目标数量，所述分类单元113将所述目标数量除以所述总数量，得到目标比例，当检测到所述目标比例大于第一预设比例时，所述分类单元113将所述目标分词确定为所述目标文本的主体，作为所述识别结果，或者当检测到所述目标比例小于第二预设比例时，所述分类单元113将所述目标分词确定为所述目标文本的提及，作为所述识别结果。
例如：核心动词为“做出”，然后根据依存句法分析技术寻找与核心动词依存关系为“主谓关系”和“动宾关系”的词，分别为“A企业”和“通报”。
需要说明的是，当企业在目标文本中是主体时，企业相应的目标分词在目标文本中所占的比例大于所述第一预设比例，当企业在目标文本中是提及时，企业相应的目标分词在目标文本中所占的比例小于所述第二预设比例。
通过依存句法分析技术能够快速确定核心动词及分词，进而通过目标分词所占的比例的检测，能够准确确定识别结果。
输入单元114将所述目标文本、所述判别结果识别结果及所述分类结果输入至预先训练好的情感模型中，得到情感结果。
在本发明的至少一个实施例中，所述情感结果包括：中立情绪、负面情绪、正面情绪。
在本发明的至少一个实施例中，在将所述目标文本、所述判别结果识别结果及所述分类结果输入至预先训练好的情感模型中，得到情感结果之前，所述获取单元110采用爬虫程序获取所有分类结果的第一历史数据，所述输入单元114将所述第一历史数据输入到遗忘门层进行遗忘处理，得到训练数据，划分单元120采用交叉验证法将所述训练数据划分为训练集及验证集，所述输入单元114将所述训练集中的数据输入到输入门层进行训练，得到初级学习器，调整单元121根据所述验证集中的数据，调整所述初级学习器，得到次级学习器，所述获取单元110根据所述目标文本的分类结果获取第二历史数据，测试单元122将所述第二历史数据作为测试数据测试所述次级学习器，得到测试结果，计算单元123计算通过测试的第二历史数据的目标数量，及计算参与测试的第二历史数据的总数量，所述计算单元123将所述目标数量除以所述总数量，得到测试成功率，当所述测试成功率大于配置值时，所述确定单元112将所述次级学习器确定为所述情感模型，或者当所述测试成功率小于或者等于所述配置值时，所述调整单元121根据所述第二历史数据调整所述次级学习器，得到所述情感模型。
通过上述实施方式，能够使训练到的所述情感模型能够更加准确。
选取单元115选取出情感结果为负面情绪的目标文本，作为预警文本。
在本发明的至少一个实施例中，当舆情文本的情感结果为中立情绪或者正面情绪时，无需对该舆情文本进行预警。
所述确定单元112将所述预警文本与配置列表中的预警词组进行匹配，并将匹配到的预警词组确定为所述预警文本的预警类别。
在本发明的至少一个实施例中，所述配置列表中存储多个预警词组，所述预警词组包括：法律诉讼、人事变动及警方处罚等。
生成单元116获取所述预警文本的目标企业，并根据所述预警类别及所述预警文本生成所述目标企业的预警信息。
在本发明的至少一个实施例中，所述生成单元116根据所述预警类别及所述预警文本生成所述目标企业的预警信息包括：
所述生成单元116根据所述预警类别从案例库中提取策略，进一步地，所述生成单元116根据所述预警类别、所述预警文本及所述策略生成所述预警信息。
需要强调的是，为进一步保证上述预警信息的私密和安全性，上述预警信息还可以存储于一区块链的节点中。
由以上技术方案可以看出，本发明能够充分利用舆情信息，以及时、准确地向企业发送预警信息。
如图3所示，是本发明实现企业舆情分析方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如企业舆情分析程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，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，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。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，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及获取所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13获取所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13获取所述应用程序以实现上述各个企业舆情分析方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13获取，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的获取过程。例如，所述计算机程序可以被分割成获取单元110、预处理单元111、确定单元112、分类单元113、输入单元114、选取单元115、生成单元116、添加单元117、裁剪单元118、降阶单元119、划分单元120、调整单元121、测试单元122及计算单元123。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器13通过运行或获取存储在所述存储器12内的计算机程序和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器12可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器获取时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可获取文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种企业舆情分析方法，所述处理器13可获取所述多个指令从而实现：从预设的数据渠道获取舆情文本；对获取到的舆情文本进行预处理，得到每个舆情文本的多个词组；对每个舆情文本的多个词组进行命名实体识别，并将识别到企业实体的舆情文本确定为目标文本；基于依存句法分析技术，对所述目标文本进行主体识别，得到识别结果，并按照预设的分类标准对所述目标文本进行分类，得到分类结果；将所述目标文本、所述识别结果及所述分类结果输入至预先训练好的情感模型中，得到情感结果；选取出情感结果为负面情绪的目标文本，作为预警文本；将所述预警文本与配置列表中的预警词组进行匹配，并将匹配到的预警词组确定为所述预警文本的预警类别；获取所述预警文本的目标企业，并根据所述预警类别及所述预警文本生成所述目标企业的预警信息。
需要知道，舆情文本中包含许多宏观经济分析研究中所需的重要指标、重要数据等等。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种企业舆情分析方法，其特征在于，所述企业舆情分析方法包括：
从预设的数据渠道获取舆情文本；
对获取到的舆情文本进行预处理，得到每个舆情文本的多个词组；
对每个舆情文本的多个词组进行命名实体识别，并将识别到企业实体的舆情文本确定为目标文本；
基于依存句法分析技术，对所述目标文本进行主体识别，得到识别结果，包括：根据依存句法分析技术，获取所述目标文本中每个文本语句的核心动词；确定与所述核心动词依存关系为主谓关系和动宾关系的分词；计算所述目标文本中所述分词的总数量；获取所述企业实体对应的目标分词，并计算所述目标分词在所述目标文本中的目标数量；将所述目标数量除以所述总数量，得到目标比例；当检测到所述目标比例大于第一预设比例时，将所述目标分词确定为所述目标文本的主体，作为所述识别结果，或者当检测到所述目标比例小于第二预设比例时，将所述目标分词确定为所述目标文本的提及，作为所述识别结果，并按照预设的分类标准对所述目标文本进行分类，得到分类结果；
将所述目标文本、所述识别结果及所述分类结果输入至预先训练好的情感模型中，得到情感结果；
选取出情感结果为负面情绪的目标文本，作为预警文本；
将所述预警文本与配置列表中的预警词组进行匹配，并将匹配到的预警词组确定为所述预警文本的预警类别；
获取所述预警文本的目标企业，并根据所述预警类别及所述预警文本生成所述目标企业的预警信息。
2.如权利要求1所述的企业舆情分析方法，其特征在于，所述对每个舆情文本的多个词组进行命名实体识别，并将识别到企业实体的舆情文本确定为目标文本包括：
对每个舆情文本的多个词组进行向量化处理，得到每个舆情文本的输入向量序列；
将每个舆情文本的输入向量序列输入到NER模型中，并获取激活层中每个序列位置上对应的每个标签的输出概率及转移概率；
对于每个序列位置，对每个标签的输出概率及转移概率进行加权和运算，得到每个标签的数值；
将数值最高的标签确定为每个序列位置上的输出标签，并组合每个序列位置上的输出标签，得到每个舆情文本的实体列表；
当检测到实体列表中含有一个企业实体时，将该实体列表对应的舆情文本确定为所述目标文本；或者
当检测到实体列表中含有多个企业实体时，将该实体列表对应的舆情文本确定为多文本，依照所述多个企业实体拆分所述多文本，得到所述目标文本。
3.如权利要求2所述的企业舆情分析方法，其特征在于，所述对每个舆情文本的多个词组进行向量化处理，得到每个舆情文本的输入向量序列包括：
根据预设编码表获取每个舆情文本的每个词组的编码向量；
根据每个舆情文本的每个词组的位置编号生成每个词组的位置向量；
拼接每个词组的编码向量及每个词组的位置向量，得到每个词组的目标向量；
依照词序组合每个舆情文本的每个词组的目标向量，得到每个舆情文本的输入向量序列。
4.如权利要求2所述的企业舆情分析方法，其特征在于，在将每个舆情文本的输入向量序列输入到NER模型之前，所述方法还包括：
获取企业舆情数据，并根据所述企业舆情数据选取目标标注模式；
将所述目标标注模式添加至组合模型中，得到标注模型；
对所述标注模型进行裁剪，获得裁剪模型；
对所述裁剪模型进行降阶，获得所述NER模型。
5.如权利要求4所述的企业舆情分析方法，其特征在于，所述对所述标注模型进行裁剪，获得裁剪模型包括：
从所述标注模型中提取所有卷积核；
利用灰色关联分析方法对所述所有卷积核中每个卷积核进行重要度的量化，得到每个卷积核的重要度的量化值；
将所述所有卷积核按照所述量化值的大小依照从小至大的顺序进行排序，得到队列；
从所述队列中选取前N个卷积核，作为目标卷积核，所述N为正整数；
删除所述标注模型中的目标卷积核，得到所述裁剪模型。
6.如权利要求1所述的企业舆情分析方法，其特征在于，在将所述目标文本、所述识别结果及所述分类结果输入至预先训练好的情感模型中，得到情感结果之前，所述方法还包括：
采用爬虫程序获取所有分类结果的第一历史数据；
将所述第一历史数据输入到遗忘门层进行遗忘处理，得到训练数据；
采用交叉验证法将所述训练数据划分为训练集及验证集；
将所述训练集中的数据输入到输入门层进行训练，得到初级学习器；
根据所述验证集中的数据，调整所述初级学习器，得到次级学习器；
根据所述目标文本的分类结果获取第二历史数据；
将所述第二历史数据作为测试数据测试所述次级学习器，得到测试结果；
计算通过测试的第二历史数据的目标数量，及计算参与测试的第二历史数据的总数量；
将所述目标数量除以所述总数量，得到测试成功率；
当所述测试成功率大于配置值时，将所述次级学习器确定为所述情感模型；或者
当所述测试成功率小于或者等于所述配置值时，根据所述第二历史数据调整所述次级学习器，得到所述情感模型。
7.一种企业舆情分析装置，其特征在于，所述企业舆情分析装置包括：
获取单元，用于从预设的数据渠道获取舆情文本；
预处理单元，用于对获取到的舆情文本进行预处理，得到每个舆情文本的多个词组；
确定单元，用于对每个舆情文本的多个词组进行命名实体识别，并将识别到企业实体的舆情文本确定为目标文本；
分类单元，用于基于依存句法分析技术，对所述目标文本进行主体识别，得到识别结果，包括：根据依存句法分析技术，获取所述目标文本中每个文本语句的核心动词；确定与所述核心动词依存关系为主谓关系和动宾关系的分词；计算所述目标文本中所述分词的总数量；获取所述企业实体对应的目标分词，并计算所述目标分词在所述目标文本中的目标数量；将所述目标数量除以所述总数量，得到目标比例；当检测到所述目标比例大于第一预设比例时，将所述目标分词确定为所述目标文本的主体，作为所述识别结果，或者当检测到所述目标比例小于第二预设比例时，将所述目标分词确定为所述目标文本的提及，作为所述识别结果，并按照预设的分类标准对所述目标文本进行分类，得到分类结果；
输入单元，用于将所述目标文本、所述识别结果及所述分类结果输入至预先训练好的情感模型中，得到情感结果；
选取单元，用于选取出情感结果为负面情绪的目标文本，作为预警文本；
所述确定单元，还用于将所述预警文本与配置列表中的预警词组进行匹配，并将匹配到的预警词组确定为所述预警文本的预警类别；
生成单元，用于获取所述预警文本的目标企业，并根据所述预警类别及所述预警文本生成所述目标企业的预警信息。
8. 一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，获取所述存储器中存储的指令以实现如权利要求1至6中任意一项所述的企业舆情分析方法。
9.一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存储有至少一个指令，所述至少一个指令被电子设备中的处理器获取以实现如权利要求1至6中任意一项所述的企业舆情分析方法。
CN202010354452.5A 2020-04-29 2020-04-29 企业舆情分析方法、装置、电子设备及介质 Active CN111695033B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010354452.5A CN111695033B (zh) 2020-04-29 2020-04-29 企业舆情分析方法、装置、电子设备及介质
PCT/CN2020/098236 WO2021217843A1 (zh) 2020-04-29 2020-06-24 企业舆情分析方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010354452.5A CN111695033B (zh) 2020-04-29 2020-04-29 企业舆情分析方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN111695033A CN111695033A (zh) 2020-09-22
CN111695033B true CN111695033B (zh) 2023-06-27

Family

ID=72476811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010354452.5A Active CN111695033B (zh) 2020-04-29 2020-04-29 企业舆情分析方法、装置、电子设备及介质

Country Status (2)

Country Link
CN (1) CN111695033B (zh)
WO (1) WO2021217843A1 (zh)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183093A (zh) * 2020-11-02 2021-01-05 杭州安恒信息安全技术有限公司 一种企业舆情分析方法、装置、设备及可读存储介质
CN113297283A (zh) * 2020-11-12 2021-08-24 苏宁金融科技(南京)有限公司 用于企业风险预警的舆情分析方法及系统
CN112434163A (zh) * 2020-11-30 2021-03-02 北京沃东天骏信息技术有限公司 风险识别方法及模型构建方法、装置、电子设备和介质
CN112463963A (zh) * 2020-11-30 2021-03-09 深圳前海微众银行股份有限公司 识别目标舆情的方法、模型训练方法及装置
CN112541361A (zh) * 2020-12-11 2021-03-23 中信银行股份有限公司 一种针对特定业务对象的舆情处理方法及装置
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
CN112883734B (zh) * 2021-01-15 2023-01-10 成都链安科技有限公司 区块链安全事件舆情监测方法及系统
CN112860841B (zh) * 2021-01-21 2023-10-24 平安科技（深圳）有限公司 一种文本情感分析方法、装置、设备及存储介质
CN113035240B (zh) * 2021-02-25 2024-02-02 平安普惠企业管理有限公司 语音播报方法、装置、设备及存储介质
CN113689299B (zh) * 2021-05-10 2023-10-20 深圳价值在线信息科技股份有限公司 新闻信息指数模型的构建方法及新闻信息分析方法
CN115512529B (zh) * 2021-06-23 2024-03-05 中国石油化工股份有限公司 承包商问题预警方法、预警装置及预警系统
CN113205817B (zh) * 2021-07-06 2021-12-07 明品云(北京)数据科技有限公司 语音语义识别方法、系统、设备及介质
CN113642867A (zh) * 2021-07-30 2021-11-12 南京星云数字技术有限公司 评估风险的方法及系统
CN113724830B (zh) * 2021-08-31 2024-04-30 深圳平安智慧医健科技有限公司 基于人工智能的用药风险检测方法及相关设备
CN113779251B (zh) * 2021-09-08 2024-04-19 平安国际智慧城市科技股份有限公司 线索信息获取方法、装置、介质及电子设备
CN113626718A (zh) * 2021-09-18 2021-11-09 广东电网有限责任公司广州供电局 一种企业管理系统人机交互事件处理方法及系统
CN113888760B (zh) * 2021-09-29 2024-04-23 平安银行股份有限公司 基于软件应用的违规信息监控方法、装置、设备及介质
CN114003694A (zh) * 2021-11-01 2022-02-01 北京明略软件系统有限公司 实体情感分析方法、系统、存储介质及电子设备
CN114386422B (zh) * 2022-01-14 2023-09-15 淮安市创新创业科技服务中心 基于企业污染舆情抽取的智能辅助决策方法及装置
CN114611515B (zh) * 2022-01-28 2023-12-12 江苏省联合征信有限公司 一种基于企业舆情信息识别企业实际控制人的方法和系统
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
CN116013027A (zh) * 2022-08-05 2023-04-25 航天神舟智慧系统技术有限公司 一种群体性事件预警方法与系统
CN115859773A (zh) * 2022-11-07 2023-03-28 中电科大数据研究院有限公司 一种基于群体情绪预测模型的预警方法、装置及存储介质
CN115759104B (zh) * 2023-01-09 2023-09-22 山东大学 基于实体识别的金融领域舆情分析方法与系统
CN115858738B (zh) * 2023-02-27 2023-06-02 浙江浙商金控有限公司 一种企业舆情信息相似性识别方法
CN116304058B (zh) * 2023-04-27 2023-08-08 云账户技术(天津)有限公司 企业负面信息的识别方法、装置、电子设备及存储介质
CN116342153A (zh) * 2023-05-31 2023-06-27 北京拓普丰联信息科技股份有限公司 一种提示的方法、装置、设备和介质
CN116522013B (zh) * 2023-06-29 2023-09-05 乐麦信息技术(杭州)有限公司 基于社交网络平台的舆情分析方法及系统
CN117009524B (zh) * 2023-08-08 2024-03-05 宇哲融创科技(北京)有限公司 一种基于舆情情感分析的互联网大数据分析方法及系统
CN116738070A (zh) * 2023-08-15 2023-09-12 浙江同信企业征信服务有限公司 一种舆情监测方法、装置、设备及存储介质
CN117407527A (zh) * 2023-10-19 2024-01-16 重庆邮电大学 一种教育领域舆情大数据分类方法
CN117393003B (zh) * 2023-12-13 2024-03-15 广州云趣信息科技有限公司 一种基于语义理解的情绪识别方法及系统
CN117453863B (zh) * 2023-12-22 2024-03-29 珠海博维网络信息有限公司 一种舆情文本归类方法及系统
CN117764458A (zh) * 2024-01-15 2024-03-26 广州宇中网络科技有限公司 业绩趋势分析方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8417713B1 (en) * 2007-12-05 2013-04-09 Google Inc. Sentiment detection as a ranking signal for reviewable entities
CN106991090A (zh) * 2016-01-20 2017-07-28 北京国双科技有限公司 舆情事件实体的分析方法及装置
CN108846547A (zh) * 2018-05-06 2018-11-20 成都信息工程大学 一种动态调整的企业信用风险评估方法
CN109583738A (zh) * 2018-11-22 2019-04-05 第创业证券股份有限公司 一种用于债券风险控制的装置及方法
CN109582796A (zh) * 2018-12-05 2019-04-05 深圳前海微众银行股份有限公司 企业舆情事件网络的生成方法、装置、设备及存储介质
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
CN109992661A (zh) * 2019-03-05 2019-07-09 广发证券股份有限公司 一种面向证券行业的智能舆情监控方法及系统
CN111046172A (zh) * 2019-10-30 2020-04-21 北京奇艺世纪科技有限公司 一种舆情分析方法、装置、设备和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262632B (zh) * 2010-05-28 2014-03-19 国际商业机器公司 进行文本处理的方法和系统
US20180108025A1 (en) * 2016-10-19 2018-04-19 Sap Se Systems and methods for sentiment insight in electronic media postings
CN110929026B (zh) * 2018-09-19 2023-04-25 阿里巴巴集团控股有限公司 一种异常文本识别方法、装置、计算设备及介质
CN110704622A (zh) * 2019-09-27 2020-01-17 北京明略软件系统有限公司 文本情感分类方法、装置及电子设备
CN111061876B (zh) * 2019-12-10 2023-06-13 中国建设银行股份有限公司 事件舆情数据分析方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8417713B1 (en) * 2007-12-05 2013-04-09 Google Inc. Sentiment detection as a ranking signal for reviewable entities
CN106991090A (zh) * 2016-01-20 2017-07-28 北京国双科技有限公司 舆情事件实体的分析方法及装置
CN108846547A (zh) * 2018-05-06 2018-11-20 成都信息工程大学 一种动态调整的企业信用风险评估方法
CN109583738A (zh) * 2018-11-22 2019-04-05 第创业证券股份有限公司 一种用于债券风险控制的装置及方法
CN109582796A (zh) * 2018-12-05 2019-04-05 深圳前海微众银行股份有限公司 企业舆情事件网络的生成方法、装置、设备及存储介质
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
CN109992661A (zh) * 2019-03-05 2019-07-09 广发证券股份有限公司 一种面向证券行业的智能舆情监控方法及系统
CN111046172A (zh) * 2019-10-30 2020-04-21 北京奇艺世纪科技有限公司 一种舆情分析方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Effective Decision Support System for Social Media Listening Based on Cross-source Sentiment Analysis Models;Pietro Ducange;《ScienceDirect》;第78卷;第71-85页 *
Large scale opinion mining for social, news and blog data;Nikos Tsirakis et al;《ELSEVIER》;第237-246页 *

Also Published As

Publication number Publication date
WO2021217843A1 (zh) 2021-11-04
CN111695033A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111695033B (zh) 企业舆情分析方法、装置、电子设备及介质
CN112417096B (zh) 问答对匹配方法、装置、电子设备及存储介质
CN111694826B (zh) 基于人工智能的数据增强方法、装置、电子设备及介质
CN112131350B (zh) 文本标签确定方法、装置、终端及可读存储介质
CN111767716B (zh) 企业多级行业信息的确定方法、装置及计算机设备
CN110929125B (zh) 搜索召回方法、装置、设备及其存储介质
CN112686036B (zh) 风险文本识别方法、装置、计算机设备及存储介质
CN111639487A (zh) 基于分类模型的字段抽取方法、装置、电子设备及介质
CN113094478B (zh) 表情回复方法、装置、设备及存储介质
US11238027B2 (en) Dynamic document reliability formulation
CN112085091B (zh) 基于人工智能的短文本匹配方法、装置、设备及存储介质
CN113064973A (zh) 文本分类方法、装置、设备及存储介质
CN115222443A (zh) 客户群体划分方法、装置、设备及存储介质
CN113590945B (zh) 一种基于用户借阅行为-兴趣预测的图书推荐方法和装置
CN114706985A (zh) 文本分类方法、装置、电子设备及存储介质
CN114037545A (zh) 客户推荐方法、装置、设备及存储介质
CN111797247B (zh) 基于人工智能的案件推送方法、装置、电子设备及介质
CN116402166B (zh) 一种预测模型的训练方法、装置、电子设备及存储介质
CN117351336A (zh) 图像审核方法和相关设备
CN112036439A (zh) 依存关系分类方法及相关设备
CN111552865A (zh) 用户兴趣画像方法及相关设备
CN116629423A (zh) 用户行为预测方法、装置、设备及存储介质
CN113326365B (zh) 回复语句生成方法、装置、设备及存储介质
CN113627186B (zh) 基于人工智能的实体关系检测方法及相关设备
CN115358817A (zh) 基于社交数据的智能产品推荐方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40029433

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant