CN111797333A - 舆情传播任务展示的方法及装置 - Google Patents
舆情传播任务展示的方法及装置 Download PDFInfo
- Publication number
- CN111797333A CN111797333A CN202010498283.2A CN202010498283A CN111797333A CN 111797333 A CN111797333 A CN 111797333A CN 202010498283 A CN202010498283 A CN 202010498283A CN 111797333 A CN111797333 A CN 111797333A
- Authority
- CN
- China
- Prior art keywords
- public opinion
- user
- article
- users
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000007480 spreading Effects 0.000 title abstract description 10
- 230000002452 interceptive effect Effects 0.000 claims abstract description 128
- 238000010586 diagram Methods 0.000 claims abstract description 72
- 230000000007 visual effect Effects 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000013145 classification model Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 103
- 230000006399 behavior Effects 0.000 claims description 71
- 230000003993 interaction Effects 0.000 claims description 42
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 19
- 238000005295 random walk Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000644 propagated effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012549 training 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
- G06F16/90—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
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种舆情传播任务展示的方法及装置,方法包括根据平台中用户之间的交互行为信息以及用户与舆情文章之间的交互行为信息、交互内容信息确定舆情文章模型;基于图注意力神经网络确定社交网络结构图;基于舆情文章的内容、用户与舆情文章的交互行为信息以及社交网络结构图确定用户表示模型;根据社交平台的历史数据、舆情文章模型、用户表示模型确定舆情任务分类模型,以确定用户的偏好分类;根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图;实时监控舆情文章的实时交互信息;根据实时交互信息将舆情文章的传播路径在可视化舆情传播图中动态展示。解决现有的舆情传播展示方法无法动态展示模型预测的舆情传播路径问题、展示内容不足且准确性较低的问题。
Description
技术领域
本申请涉及自然语言处理技术领域,具体而言,涉及一种舆情传播任务展示的方法及装置。
背景技术
伴随着互联网及自媒体行业的蓬勃发展,舆情信息的传播方式和传播速度较之以往已经发生了本质上的变化,传统的人工舆情监测方式已经远远不能满足于现阶段的舆情处理需求。
现如今,市场上已经有大量专业的舆情监测软件,用于监测与政府或者企业单位相关的舆情信息。比如中移舆情通、智慧星光舆情等,它们都是依托于互联网大数据为基础,为政府及相关企业机构提供全方位的舆情服务以帮助他们对社会热点话题、突发事件做到快速发现、及时处置和正面引导。
但市面上现有的舆情传播任务展示技术大多采用的是基于舆情文本信息的分析方法,这些方法只采集了舆情文本数据信息和用户的一些其他基本信息进行分析,这种方法很大程度上忽视掉了现今舆情数据大多在社交网络中传播的,而社交平台上用户的社会网络关系和用户评论信息也会对舆情传播任务展示产生重要的辅助分析效果,因此现有的舆情传播任务展示的方式分析准确性较低。
发明内容
本申请的主要目的在于提供一种舆情传播任务展示的方法及装置,以解决现有的舆情传播任务展示的方式分析准确性较低的问题。
为了实现上述目的,根据本申请的第一方面,提供了一种舆情传播任务展示的方法。
根据本申请的舆情传播任务展示的方法包括:
根据社交平台中用户的交互行为信息、交互内容信息、用户的个人信息确定舆情文章模型,舆情文章模型用于确定舆情文章的文章向量,用户的交互行为信息包括用户之间的交互行为信息以及用户与舆情文章之间的交互行为信息;
基于图注意力神经网络确定社交平台的社交网络结构图;
基于舆情文章的内容、用户与舆情文章的交互行为信息以及社交网络结构图确定用户表示模型;
根据社交平台的历史数据、舆情文章模型、用户表示模型确定舆情任务分类模型,所述舆情任务分类模型用于确定用户的偏好分类;
根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图,所述用户间关联程度为根据社交网络结构图中用户节点之间的权重系数和用户节点之间的交互次数得到的;
实时监控舆情文章的实时交互信息;
根据实时交互信息将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示。
可选的,所述根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图包括:
将社交网络结构的每个用户作为可视化舆情传播图中的节点;
将有交互关系的用户通过连接线进行关联,根据用户间关联程度来确定连接线的属性值;
根据某用户与其他用户的交互次数确定该用户节点的图形大小;
根据用户的偏好分类确定可视化舆情传播图中的节点的图形的颜色属性值,同一偏好分类对应的颜色属性值相同。
可选的,所述方法还包括:
获取新的舆情文章的源信息,所述源信息包括发布源、文章类别;
根据所述源信息以及可视化舆情传播图对舆情传播路径进行预测。
可选的,所述基于图注意力神经网络确定社交平台的社交网络结构图包括:
获取社交平台上与舆情文章有交互关系的所有用户的身份标识以及用户之间的交互关系;
根据身份标识、交互关系、无权重图结构,基于预设的节点表示方法得到图神经网络结构图,以及图神经网络结构图中每个节点的特征向量;
基于注意力机制对图神经网络结构图中每个节点的特征向量进行更新得到社交网络结构图。
可选的,所述根据所述源信息以及可视化舆情传播图对舆情传播路径进行预测包括:
根据发布源在可视化舆情传播图中查找对应的源节点;
根据所述源节点、与所述源节点有连接关系的其他节点及其偏好分类、所述源节点与其他节点连接线的属性值、文章的类别对舆情传播路径进行预测。
为了实现上述目的,根据本申请的第二方面,提供了一种舆情传播任务展示的装置。
根据本申请的舆情传播任务展示的装置包括:
第一确定单元,用于根据社交平台中用户的交互行为信息、交互内容信息、用户的个人信息确定舆情文章模型,舆情文章模型用于确定舆情文章的文章向量,用户的交互行为信息包括用户之间的交互行为信息以及用户与舆情文章之间的交互行为信息;
第二确定单元,用于基于图注意力神经网络确定社交平台的社交网络结构图;
第三确定单元,用于基于舆情文章的内容、用户与舆情文章的交互行为信息以及社交网络结构图确定用户表示模型;
第四确定单元,用于根据社交平台的历史数据、舆情文章模型、用户表示模型确定舆情任务分类模型,所述舆情任务分类模型用于确定用户的偏好分类;
输出单元,用于根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图,所述用户间关联程度为根据社交网络结构图中用户节点之间的权重系数和用户节点之间的交互次数得到的;
监控单元,用于实时监控舆情文章的实时交互信息;
展示单元,用于根据实时交互信息将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示。
可选的,所述输出单元,包括:
第一确定模块,用于将社交网络结构的每个用户作为可视化舆情传播图中的节点;
第二确定模块,用于将有交互关系的用户通过连接线进行关联,根据用户间关联程度来确定连接线的属性值;
第三确定模块,用于根据某用户与其他用户的交互次数确定该用户节点的图形大小;
第四确定模块,用于根据用户的偏好分类确定可视化舆情传播图中的节点的图形的颜色属性值,同一偏好分类对应的颜色属性值相同。
可选的,所述装置还包括:
获取单元,用于获取新的舆情文章的源信息,所述源信息包括发布源、文章类别;
预测单元,用于根据所述源信息以及可视化舆情传播图对舆情传播路径进行预测。
可选的,所述第二确定单元,包括:
获取模块,用于获取社交平台上与舆情文章有交互关系的所有用户的身份标识以及用户之间的交互关系;
第五确定模块,用于根据身份标识、交互关系、无权重图结构,基于预设的节点表示方法得到图神经网络结构图,以及图神经网络结构图中每个节点的特征向量;
更新模块,用于基于注意力机制对图神经网络结构图中每个节点的特征向量进行更新得到社交网络结构图。
可选的,所述预测单元包括:
查找模块,用于根据发布源在可视化舆情传播图中查找对应的源节点;
预测模块,用于根据所述源节点、与所述源节点有连接关系的其他节点及其偏好分类、所述源节点与其他节点连接线的属性值、文章的类别对舆情传播路径进行预测。
为了实现上述目的,根据本申请的第三方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行上述第一方面中任意一项所述的舆情传播任务展示的方法。
为了实现上述目的,根据本申请的第四方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行上述第一方面中任意一项所述的舆情传播任务展示的方法。
在本申请实施例中,舆情传播任务展示的方法及装置中,根据社交平台中用户的交互行为信息、交互内容信息、用户的个人信息确定舆情文章模型,舆情文章模型用于确定舆情文章的文章向量,用户的交互行为信息包括用户之间的交互行为信息以及用户与舆情文章之间的交互行为信息;基于注意力神经网络确定社交平台的社交网络结构图;基于舆情文章的内容、用户与舆情文章的交互行为信息以及社交网络结构图确定用户表示模型;根据社交平台的历史数据、舆情文章模型、用户表示模型确定舆情任务分类模型,舆情任务分类模型用于确定用户间关联程度以及用户的偏好分类;根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图;实时监控舆情文章的实时交互信息;根据实时交互信息将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示。可以看出,本申请中,建立了可视化的舆情传播图,可视化的舆情传播图在建立时考虑了舆情文章所在的社交平台中的社交网络结构,以及舆情文章与用户之间的交互行为信息,并且将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示,使用户可以直观的看到舆情文章动态的传播情况。相比于现有的舆情传播任务的展示效果更全面、更准确、更直观。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的一种舆情传播任务展示的方法流程图;
图2是根据本申请实施例提供的一种有偏随机游走的示意图;
图3是根据本申请实施例提供的一种用户表示模型的结构图;
图4是根据本申请实施例提供的一种可视化舆情传播图的示意图;
图5是根据本申请实施例提供的一种舆情传播任务展示的装置的组成框图;
图6是根据本申请实施例提供的另一种舆情传播任务展示的装置的组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例,提供了一种舆情传播任务展示的方法,如图1所示,该方法包括如下的步骤:
S101.根据社交平台中用户的交互行为信息、交互内容信息以及用户的个人信息确定舆情文章模型。
舆情文章模型用于确定舆情文章的文章向量,用户的交互行为信息包括用户之间的交互行为信息以及用户与舆情文章之间的交互行为信息。
社交平台可以为微博、微信、头条新闻、网易新闻等平台。交互行为信息包括观看、转发、评论、点赞、收藏等行为信息。交互内容信息包括在交互过程中产生的数据,比如评论过程中产生的评论数据等。
本步骤中获取各种数据(用户交互行为信息、交互内容信息、用户的个人信息)的方式可以为从社交平台相关API中直接获取数据的方式,或者以网络爬虫的方式去爬取需要的数据。用户的个人信息包括用户的身份标识、基本属性等特征信息。
具体的本步骤包括:
1)将交互行为信息和交互内容信息分别转换为向量;
交互行为信息可以用独热编码或者标签编码来表示,只要能区分不同的交互行为即可。
交互内容信息可以使用诸如word2vec、Glove或者Bert等模型来对文本进行向量表示,这个表达方式不具体限定,只要能对文本进行表示即可。
2)将交互行为信息和交互内容信息对应的向量进行拼接;
将前述得到的交互行为信息的向量表示和交互内容信息的向量表示进行拼接,具体的拼接方式:对于每一篇文章,分别将该文章对应的所有交互行为信息的向量和所有的交互内容信息进行向量拼接。另外还需要说明的是,在进行向量的拼接前还需要将用户的个人信息也转换为向量增加到对应的交互行为信息的向量以及交互内容信息对应的向量中。用户的个人信息的向量表示也可以使用诸如word2vec、Glove或者Bert等模型来对文本进行向量表示。
3)基于注意力模型对拼接后的结果进行权重的调整后得到文章向量,一篇文章对应一个文章向量。
直接进行向量的拼接无法反应出不同的交互行为的权重,因为不同的文章有可能偏重的交互行为是不同的。基于注意力模型进行训练可以得到包含不同行为的权重系数的向量拼接结果。
需要说明的是,得到每个舆情文章的向量的流程就是构建舆情文章模型的过程。每个舆情文章通过舆情文章模型后,都能够得到对应的文章向量。
S102.基于图注意力神经网络确定社交平台的社交网络结构图。
S103.基于舆情文章的内容、用户与舆情文章的交互行为信息以及社交网络结构图确定用户表示模型。
将步骤S102和步骤S103的详细流程合到一起说明:
步骤S102和步骤S103是得到用户表示模型的过程,即得到社交网络中用户向量表示的流程。具体的包括如下步骤:
下述中的文章为舆情文章。
第一,将用户的个人信息、文章的主体内容、用户与文章的交互信息交互行为信息对应的向量进行拼接得到第一子用户向量;
文章的内容即文章的主体内容,包括标题和正文,文章的内容的向量表示也可以使用诸如word2vec、Glove或者Bert等模型来对文本进行向量表示,这个表达方式不具体限定,只要能对文本进行表示即可。用户与文章的交互信息交互行为信息的向量表示是可以用独热编码或者标签编码来表示,只要能区分不同的交互行为即可。用户的个人信息包括用户的个人信息包括用户的身份标识、基本属性等特征信息,用户的个人信息的向量表示也可以使用诸如word2vec、Glove或者Bert等模型来对文本进行向量表示。
将用户的个人信息的向量表示、文章的主体内容的向量表示、用户与文章的交互信息交互行为信息的向量表示进行拼接得到第一子用户向量。需要说明的是,在拼接得到第一子用户向量的过程中也需要通过注意力模型进行交互行为信息的权重的调整,得到包含交互行为信息的权重系数的第一子用户向量。一篇文章对应一个第一子用户向量。
第二,获取用户社交网络结构中每个用户对应的向量表示,记作第二子用户向量;
本实施例中每个用户对应的向量表示是基于图注意力神经网络(GraphAttensionNetwork,GAT)得到的,建立了图神经网络结构图(即社交网络结构图),图神经网络结构图中每个节点的向量表示就是不同的用户的向量表示(第二子用户向量)。下面进行详细的说明:
首先,获取与文章有交互关系的所有用户的身份标识以及用户之间的交互关系;
其次,根据身份标识、交互关系、无权重图结构,基于预设的节点表示方法(可以为node2vec、word2vec、Bert等表示方法)得到图神经网络结构图,以及图神经网络结构图中每个节点的特征向量(第二子用户向量);具体的本实施例以node2vec表示方法为例进行说明。
1)通过无权重图结构G=(V,E)来表示上述步骤中得到的每个用户以及交互关系的用户(包括直接有交互,或者通过同一篇文章有间接交互)。其中V是节点的集合,每个节点都表示一个用户,每个节点通过对应的用户的身份标识进行区别。E是边的集合,每条边都表示其所连接节点间的关系。然后,基于Node2Vec来初始化用户的向量化表示即得到每个节点的特征向量。node2vec是一种综合考虑DFS邻域和BFS邻域的graph embedding方法。简单来说,可以看作是deepwalk的一种扩展,可以看作是结合了DFS和BFS随机游走的deepwalk。
具体的基于Node2Vec来初始化用户的向量化表示,具体方法如下:将V集合中的每个节点v通过最大化已观测到的节点概率产生,下述公式为每个节点v通过最大化已观测到的节点概率:
其中,f(u)是大小为|V|*d的矩阵参数,u为源观测节点,f(u)是将节点u映射为embedding向量的映射函数,对于结构图中每个节点u,定义NS(u)为通过邻居节点采样策略S采样出的节点u的近邻节点集合,NS(u)被包括于V。观测到的节点集合S(u)是由从v节点开始的随机漫步所产生的。d为每个用户节点输入向量的维数(比如年龄、性别、等维度)。
另外,对节点集合S(u)的产生进行详细说明:具体为基于有偏随机游走的方法得到的。
如图2所示,假设我们从t节点开始了一个randomWalk,现在到达了v节点,为了计算下一步路线,Node2Vec设计了一个二阶转移概率算法:节点间转移概率为:
πvx=αpq(t,x)·wvx
为两个节点间边的权重(对应与前述的权重系数),αpq为节点在路径搜索中设置的偏移量,x为下一步节点
其中,当dtx=0时,v回到t节点,搜索偏置为1/p;当dtx=1时,x为t的直接邻居,相当于广度优先搜索,这时的搜索偏置为1;当dtx=2时,x是t的邻居的邻居,相当于深度优先搜索,这时的搜索偏置为1/q。可以使用beam search(集束搜索)的方式来寻找最优的p和q,也可以根据具体的舆情场景任务需要来手动选择p和q。
该方法整体上是一种有偏的二阶随机游走方法,p和q为控制节点随机游走的参数,参数p控制立即重新访问遍历中的节点的可能性。参数q用来控制节点继续向内部节点跳转还是向外部节点跳转。dtx指的是节点t到节点x的距离。Node2vec这种方法通过调整随机游走权重的方法使graph embedding的结果在网络的同质性和结构性中进行权衡。
2)基于注意力机制对每个节点的特征向量进行更新。
基于注意力机制是为了计算结构图中每个节点与邻近节点的相关性系数,然后根据相关性系数来对不同的邻近点分配不同的权重系数。注意力机制是对对邻近节点特征加权求和,在得到不同邻近点的权重系数后进行加权求和可以得到更新的特征向量。在社交网络中,用户之间交互的权重是不同的,因次通过注意力机制能够更好的表示不同的用户之间的交互权重。具体如下:
<1>基于单个注意力机制或者多头注意力机制计算每个节点与其邻节点的相关注意力系数。
本步骤中结合具体的示例进行说明:
先基于共享线性变换权重矩阵对每个节点的特征向量进行特征增强处理;然后,基于增强处理后的特征向量计算每个节点与其邻节点的相关注意力系数。;最后,通过预设的回归函数对注意力系数进行归一化处理。
假设某一节点v的特征向量为hv,其邻节点u的特征向量为hu,则对应的计算每个节点与其邻节点的相关系数注意力系数的公式如下:
其中,evu为节点v与邻节点u的相关系数注意力系数,W为共享线性变换权重矩阵,a为注意力attension系数。
需要说明的是为了更好的表达节点间的社会网络关系特征,在节点上运用共享线性变换权重矩阵W,再为每个节点加上self-attension。W是一个权重矩阵共享参数作用于所有网络节点,相当于对节点特征进行了增维,算是一种常见的特征增强方法。
另外,邻节点只考虑一度邻居,为简化计算,使用softmax(即为预设的回归函数)对前述得到的相关系数注意力系数evu使进行归一化操作得到αvu,αvu是经过归一化处理后的相关系数注意力系数,也是本步骤中最终需要得到的相关系数注意力系数,也可以称为注意力系数。注意力机制是一个单层前馈神经网络,使用LeakyRelu作为激活函数,Ni为V节点的邻近节点结合。则αvu的计算公式如下:
前述为基于单个注意力机制计算得到的注意力系数。下面对基于多头注意力机制multi-head attension计算注意力系数进行说明。
每一个注意力的头都有它自己的参数,基于多头注意力机制计算注意力系数即整合多个注意力机制的输出结果。一般整合的方式有两种:拼接或者加和求平均。即基于多个独立的注意力机制分别得到多个注意力系数,然后将多个注意力系数进行拼接或者加和求平均。每个注意力系数的计算可以参见上述基于单个注意力机制计算注意力系数的过程。
<2>根据相关系数注意力系数对每个节点的特征向量进行更新。
对应于上述计算得到的相关系数注意力系数αvu对每个节点的特征向量进行更新,更新的过程包括:首先,根据注意力系数为每个节点对应的邻节点分配权重系数:在为每个邻节点分配权重系数时,权重系数与注意力系数成正比,注意力系数越大对应的权重系数也越大。也可以直接将注意力系数作为权重系数。然后,根据权重系数对每个节点的邻节点的特征向量进行加权求和得到每个节点对应的更新特征向量。
另外,如有新增加的用户和/或新增加的交互关系新的文章或者用户加入,则对应的图神经网络结构图也会根据更新的数据进行动态的调整更新,具体的更新过程如下:首先,获取平台的更新数据,更新数据包括新增加的用户和/或新增加的交互关系;其次,根据更新数据更新图神经网络结构图以及图神经网络结构图中每个节点的特征向量;再次,基于注意力机制再次对更新后的图神经网络结构图中每个节点的特征向量进行更新。
比如,有发布者发布新的文章,多个用户对该文章进行转发、观看、评论等行为。相当于社交网络发生了变化,因此为了实时的记录更新社交网络的变化,需要对之前建立的图神经网络结构图进行更新以及每个用户的特征向量进行更新。具体的,获取更新数据对应的用户身份标识、交互关系,对于新的用户身份标识和/或交互关系,结构图中的节点和/或边会发生变化,对应的节点向量需要重新进行初始化以及更新的过程。向量初始化的过程可以参见前述“根据身份标识、交互关系、无权重图结构,基于预设的节点表示方法得到图神经网络结构图,以及图神经网络结构图中每个节点的特征向量”的实现方式,不同的是身份标识和交互关系中增加了更新数据的身份标识和交互关系。对于重新进行更新的过程可以参见前述“基于注意力机制对每个节点的特征向量进行更新”的实现过程。
第三,将所述第一子用户向量和所述第二子用户向量进行拼接得到所述用户向量。
将第一子用户向量和第二子用户向量进行向量的拼接,给出具体的示例进行说明:比如对于文章A,与其有交互行为的用户包括用户a,b,c,则在拼接时,可以将文章A对应的第一子用户向量以及用户a,b,c对应的三个第二子用户向量进行拼接。在拼接得到用户向量的过程中也需要通过注意力模型进行不同用户的权重的调整,得到包含不同用户的权重系数的用户向量。
对于本步骤的流程给出具体的结构图进行说明,如图3所示,其中用户表示模型即为得到用户向量的模型,其中用户与舆情文章的交互行为表示即为得到的第一子用户向量,用户的社交网络关系表示即为得到的第二子用户向量。第一子用户向量是根据舆情文章的内容表示(即前述的文章的主体内容的向量表示)和用户与舆情文章的交互行为表示(即前述的用户与文章的交互信息交互行为信息的向量表示)得到的。
S104.根据社交平台的历史数据、舆情文章模型、用户表示模型确定舆情任务分类模型,所述舆情任务分类模型用于确定用户的偏好分类。
历史数据包括社交平台上产生的用户的交互行为信息、交互内容信息,舆情文章的内容、用户与舆情文章的交互行为信息等。根据历史数据和舆情文章模型可以得到社交平台上历史的舆情文章的文章向量。根据历史数据和用户表示模型得到每个用户的用户向量。
将文章向量和用户向量进行拼接,将拼接后的结果输入到预设的舆情分析模型中,得到舆情任务分类结果。本实施例中的舆情任务分类结果为用户的偏好分类结果。详细说明如下:
筛选出每个用户对应参与交互的某种类型的所有文章,然后对于每个用户向量,将该用户对应的用户向量与参与交互的该种类型的所有文章对应的文章向量进行拼接,拼接后输入到下述神经网络模型(舆情任务分类模型)得到用户偏好分类的概率值:
根据值确定用户的偏好分类。给出具体的示例进行说明:假设对于某种类型的舆情文章,得到的用户偏好分类的概率值超过预设阈值,则将认为该用户对该类型的舆情文章为偏好,将该类型加入到用户的偏好分类中。每个用户可以有多个偏好分类,预设阈值可以根据实际的需求进行设定,比如可以为90%、85%、80%等等。
S105.根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图。
其中用户间的关联程度为根据社交网络结构图中用户节点之间的权重系数和用户节点之间的交互次数得到的。用户节点之间的权重系数可以由前述步骤S103中确定,交互次数可以通过统计的方式获得。将用户节点之间的权重系数与对应的交互次数做乘积运算,根据乘积结果确定关联程度,乘积结果越大,关联程度越高。
“根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图”具体为:将社交网络结构的每个用户作为可视化舆情传播图中的节点;将有交互关系的用户通过连接线进行关联,根据用户间关联程度来确定连接线的属性值;根据某用户与其他用户的交互次数确定该用户节点的图形大小;根据用户的偏好分类确定可视化舆情传播图中的节点的图形的颜色属性值,同一偏好分类对应的颜色属性值相同。
需要说明的是,连接线的属性值为连接线的粗细,关联程度越高,连接线越粗;交互次数越多,节点的图形越大;同一种偏好分类对应的节点的图形的颜色属性值相同。对于有多个偏好分类的用户节点,以其偏好分类的概率值最大的类型为偏好类型。或者可以在节点的图形中用不同的颜色值来表示不同的偏好类型。本实施例给出一种可视化舆情传播图的示意图,如图4所示。其中每个节点为用户对应的身份标识,节点对应的图形为圆形,圆形越大,表示该用户与其他用户的交互次数越多;不同节点之间通过直线连接线表示有关联;直线连接线越粗,表示两个用户之间的关系越密切,另外,对于连接线的颜色根据粗细的不同设置不同的颜色值,比如连接线越粗,颜色越深;同一偏好类型的用户对应的圆形的颜色是相同的。
S106.实时监控舆情文章的实时交互信息。
实时监控旧的舆情文章的新动态变化,包括观看、评论、点赞、转发等交互信息;实时监控新的舆情文章的动态变化,包括发布源,观看、评论、点赞、转发等交互信息。交互信息中还包括对应的交互的用户的身份标标识,时间先后顺序等。
S107.根据实时交互信息将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示。
舆情文章的实时传播路径为在社交网络结构中用户间的流转路径,随着时间的推移,对于某一篇舆情文章可以看到在社交网络中的用户间的流动。动态展示的效果类似于海浪的传播或者地震的传播,由发布源向外传播,非常的直观。
另外,对于新的交互信息,会在动态显示传播路径的同时,进行对社交网络结构图进行更新,包括用户之间的权重系数,每个用户的向量表示、用户间的关联程度、用户的偏好分类等等所有可能受到影响的数据进行更新。
进一步的,本实施例还可以进行舆情文章传播路径的预测,使用户(政府机构等)可以提前进行准确的分析预测,提前进行事件的应对准备等。具体的预测原理为:获取新的舆情文章的源信息,源信息包括发布源、文章类别(跟用户的偏好类型分类是相同的);根据源信息以及可视化舆情传播图对舆情传播路径进行预测:首先,根据发布源在可视化舆情传播图中查找对应的源节点;根据源节点、与源节点有连接关系的其他节点及其偏好分类、源节点与其他节点连接线的属性值、文章的类别对舆情传播路径进行预测。
在预测的过程中,比如,对于某一类的舆情文章,优先选择同类偏好的用户以及关系密切的用户作为传播的预测路径中的流转点。
从以上的描述中,可以看出,本申请实施例的舆情传播任务展示的方法中,根据社交平台中用户的交互行为信息、交互内容信息、用户的个人信息确定舆情文章模型,舆情文章模型用于确定舆情文章的文章向量,用户的交互行为信息包括用户之间的交互行为信息以及用户与舆情文章之间的交互行为信息;基于注意力神经网络确定社交平台的社交网络结构图;基于舆情文章的内容、用户与舆情文章的交互行为信息以及社交网络结构图确定用户表示模型;根据社交平台的历史数据、舆情文章模型、用户表示模型确定舆情任务分类模型,舆情任务分类模型用于确定用户间关联程度以及用户的偏好分类;根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图;实时监控舆情文章的实时交互信息;根据实时交互信息将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示。可以看出,本申请中,建立了可视化的舆情传播图,可视化的舆情传播图在建立时考虑了舆情文章所在的社交平台中的社交网络结构,以及舆情文章与用户之间的交互行为信息,并且将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示,使用户可以直观的看到舆情文章动态的传播情况。相比于现有的舆情传播任务的展示效果更全面、更准确、更直观。
最后,对本申请的技术效果进行总结:
1、基于图注意力神经网络方法去动态地构建社会网络关系图(社交网络结构图)以更精确地去监控、分析、预测社交网络中的舆情分析问题;
2、能够借助于图网络的结构来刻画个人用户画像和个人用户的网络社交关系;
3、将图神经网络应用于舆情传播分析任务中,通过动态图模型来可视化表示舆情传播任务。
本申请与现有技术的实施方案对比:
首先,图神经网络模型在网络结构上较传统网络模型和其他方法更适合于表示舆情任务中用户间的社会网络关系结构,从而能够更精准的分析具体的舆情任务,实时监测各项舆情数据指标以及舆情事件在网络用户间的传播过程。
其次,以往的舆情分析方法往往去静态地计算某一时间点舆情事件或其他任务的重要性,再将多个时间点计算结果串联起来以达到“动态”监测的效果,而本发明中的方法通过动态计算图网络结构中的节点和节点间的关系来实现在不同时间点或舆情事件下的抽象表示。
最后,传统的舆情分析方法只是单独地分析舆情文章里的文本内容,忽视了当前舆情传播任务已从传统新闻平台网站转向了以用户为中心的社交网络平台上的现状,从而并没有重视用户在现代舆情事件传播分析任务上起到的重要作用。而本申请在设计模型的过程中将用户这一群体融入到舆情事件分析任务中来,不仅能够更准确的分析相应的舆情子任务,还能对社交网络下各用户群体进行较为精确的用户画像描写。
本发明的优点是构建了基于图注意力神经网络模型的舆情传播分析方法,在以往的舆情传播分析任务方法中还尚未出现过利用社交网络关系并且使用图神经网络的结构存储、训练、发现社交网络中用户的关联关系的技术方法。而在本发明中,图神经网络与注意力机制相结合的方法完美的适用于舆情分析业务中社交网络关系的结构。传统的舆情分析方法往往是基于关键词匹配、基于传统神经网络结构模型等方式单独去训练网络上的舆情文本数据,这样在舆情分析过程中就没有考虑到用户的信息(如用户间的社会网络关系、用户和舆情文本间的关系)。另外本发明的舆情分析方法在用户模型构建过程中采用了动态计算的方法,这样可以实现对于网络用户及网络舆情事件的实时监督,并可以实时可视化地利用本模型来观测舆情事件在传播时整个社交网络中各个用户节点的变化,舆情事件是如何通过各个用户节点传播开来的,以及哪些节点(即用户)是在本次舆情传播中起着关键的传播作用的。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例,还提供了一种用于实施上述图1方法的舆情传播任务展示的装置,如图5所示,该装置包括:
第一确定单元31,用于根据社交平台中用户的交互行为信息、交互内容信息、用户的个人信息确定舆情文章模型,舆情文章模型用于确定舆情文章的文章向量,用户的交互行为信息包括用户之间的交互行为信息以及用户与舆情文章之间的交互行为信息;
第二确定单元32,用于基于图注意力神经网络确定社交平台的社交网络结构图;
第三确定单元33,用于基于舆情文章的内容、用户与舆情文章的交互行为信息以及社交网络结构图确定用户表示模型;
第四确定单元34,用于根据社交平台的历史数据、舆情文章模型、用户表示模型确定舆情任务分类模型,所述舆情任务分类模型用于确定用户的偏好分类;
输出单元35,用于根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图,所述用户间关联程度为根据社交网络结构图中用户节点之间的权重系数和用户节点之间的交互次数得到的;
监控单元36,用于实时监控舆情文章的实时交互信息;
展示单元37,用于根据实时交互信息将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示。
从以上的描述中,可以看出,本申请实施例的舆情传播任务展示的装置中,根据社交平台中用户的交互行为信息、交互内容信息确定舆情文章模型,舆情文章模型用于确定舆情文章的文章向量,用户的交互行为信息包括用户之间的交互行为信息以及用户与舆情文章之间的交互行为信息;基于注意力神经网络确定社交平台的社交网络结构图;基于舆情文章的内容、用户与舆情文章的交互行为信息以及社交网络结构图确定用户表示模型;根据社交平台的历史数据、舆情文章模型、用户表示模型确定舆情任务分类模型,舆情任务分类模型用于确定用户间关联程度以及用户的偏好分类;根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图;实时监控舆情文章的实时交互信息;根据实时交互信息将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示。可以看出,本申请中,建立了可视化的舆情传播图,可视化的舆情传播图在建立时考虑了舆情文章所在的社交平台中的社交网络结构,以及舆情文章与用户之间的交互行为信息,并且将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示,使用户可以直观的看到舆情文章动态的传播情况。相比于现有的舆情传播任务的展示效果更全面、更准确、更直观。
进一步的,如图6所示,输出单元35,包括:
第一确定模块351,用于将社交网络结构的每个用户作为可视化舆情传播图中的节点;
第二确定模块352,用于将有交互关系的用户通过连接线进行关联,根据用户间关联程度来确定连接线的属性值;
第三确定模块353,用于根据某用户与其他用户的交互次数确定该用户节点的图形大小;
第四确定模块354,用于根据用户的偏好分类确定可视化舆情传播图中的节点的图形的颜色属性值,同一偏好分类对应的颜色属性值相同。
进一步的,如图6所示,所述装置还包括:
获取单元38,用于获取新的舆情文章的源信息,所述源信息包括发布源、文章类别;
预测单元39,用于根据所述源信息以及可视化舆情传播图对舆情传播路径进行预测。
进一步的,如图6所示,所述第二确定单元32,包括:
获取模块321,用于获取社交平台上与舆情文章有交互关系的所有用户的身份标识以及用户之间的交互关系;
第五确定模块322,用于根据身份标识、交互关系、无权重图结构,基于预设的节点表示方法得到图神经网络结构图,以及图神经网络结构图中每个节点的特征向量;
更新模块323,用于基于注意力机制对图神经网络结构图中每个节点的特征向量进行更新得到社交网络结构图。
进一步的,如图6所示,所述预测单元39包括:
查找模块391,用于根据发布源在可视化舆情传播图中查找对应的源节点;
预测模块392,用于根据所述源节点、与所述源节点有连接关系的其他节点及其偏好分类、所述源节点与其他节点连接线的属性值、文章的类别对舆情传播路径进行预测。
具体的,本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
根据本申请实施例,还提供了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存储有计算机指令,所述计算机指令用于使所述计算机执行上述方法实施例中的舆情传播任务展示的方法。
根据本申请实施例,还提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行上述方法实施例中的舆情传播任务展示的方法。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种舆情传播任务展示的方法,其特征在于,所述方法包括:
根据社交平台中用户的交互行为信息、交互内容信息、用户的个人信息确定舆情文章模型,舆情文章模型用于确定舆情文章的文章向量,用户的交互行为信息包括用户之间的交互行为信息以及用户与舆情文章之间的交互行为信息;
基于图注意力神经网络确定社交平台的社交网络结构图;
基于舆情文章的内容、用户与舆情文章的交互行为信息以及社交网络结构图确定用户表示模型;
根据社交平台的历史数据、舆情文章模型、用户表示模型确定舆情任务分类模型,所述舆情任务分类模型用于确定用户的偏好分类;
根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图,所述用户间关联程度为根据社交网络结构图中用户节点之间的权重系数和用户节点之间的交互次数得到的;
实时监控舆情文章的实时交互信息;
根据实时交互信息将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示。
2.根据权利要求1所述的舆情传播任务展示的方法,其特征在于,所述根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图包括:
将社交网络结构的每个用户作为可视化舆情传播图中的节点;
将有交互关系的用户通过连接线进行关联,根据用户间关联程度来确定连接线的属性值;
根据某用户与其他用户的交互次数确定该用户节点的图形大小;
根据用户的偏好分类确定可视化舆情传播图中的节点的图形的颜色属性值,同一偏好分类对应的颜色属性值相同。
3.根据权利要求2所述的舆情传播任务展示的方法,其特征在于,所述方法还包括:
获取新的舆情文章的源信息,所述源信息包括发布源、文章类别;
根据所述源信息以及可视化舆情传播图对舆情传播路径进行预测。
4.根据权利要求1所述的舆情传播任务展示的方法,其特征在于,所述基于图注意力神经网络确定社交平台的社交网络结构图包括:
获取社交平台上与舆情文章有交互关系的所有用户的身份标识以及用户之间的交互关系;
根据身份标识、交互关系、无权重图结构,基于预设的节点表示方法得到图神经网络结构图,以及图神经网络结构图中每个节点的特征向量;
基于注意力机制对图神经网络结构图中每个节点的特征向量进行更新得到社交网络结构图。
5.根据权利要求3所述的舆情传播任务展示的方法,其特征在于,所述根据所述源信息以及可视化舆情传播图对舆情传播路径进行预测包括:
根据发布源在可视化舆情传播图中查找对应的源节点;
根据所述源节点、与所述源节点有连接关系的其他节点及其偏好分类、所述源节点与其他节点连接线的属性值、文章的类别对舆情传播路径进行预测。
6.一种舆情传播任务展示的装置,其特征在于,所述装置包括:
第一确定单元,用于根据社交平台中用户的交互行为信息、交互内容信息、用户的个人信息确定舆情文章模型,舆情文章模型用于确定舆情文章的文章向量,用户的交互行为信息包括用户之间的交互行为信息以及用户与舆情文章之间的交互行为信息;
第二确定单元,用于基于图注意力神经网络确定社交平台的社交网络结构图;
第三确定单元,用于基于舆情文章的内容、用户与舆情文章的交互行为信息以及社交网络结构图确定用户表示模型;
第四确定单元,用于根据社交平台的历史数据、舆情文章模型、用户表示模型确定舆情任务分类模型,所述舆情任务分类模型用于确定用户的偏好分类;
输出单元,用于根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图,所述用户间关联程度为根据社交网络结构图中用户节点之间的权重系数和用户节点之间的交互次数得到的;
监控单元,用于实时监控舆情文章的实时交互信息;
展示单元,用于根据实时交互信息将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示。
7.根据权利要求6所述的舆情传播任务展示的装置,其特征在于,所述输出单元,包括:
第一确定模块,用于将社交网络结构的每个用户作为可视化舆情传播图中的节点;
第二确定模块,用于将有交互关系的用户通过连接线进行关联,根据用户间关联程度来确定连接线的属性值;
第三确定模块,用于根据某用户与其他用户的交互次数确定该用户节点的图形大小;
第四确定模块,用于根据用户的偏好分类确定可视化舆情传播图中的节点的图形的颜色属性值,同一偏好分类对应的颜色属性值相同。
8.根据权利要求7所述的舆情传播任务展示的装置,其特征在于,所述装置还包括:
获取单元,用于获取新的舆情文章的源信息,所述源信息包括发布源、文章类别;
预测单元,用于根据所述源信息以及可视化舆情传播图对舆情传播路径进行预测。
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存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-5任意一项所述的舆情传播任务展示的方法。
10.一种电子设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-5任意一项所述的舆情传播任务展示的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010498283.2A CN111797333B (zh) | 2020-06-04 | 2020-06-04 | 舆情传播任务展示的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010498283.2A CN111797333B (zh) | 2020-06-04 | 2020-06-04 | 舆情传播任务展示的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797333A true CN111797333A (zh) | 2020-10-20 |
CN111797333B CN111797333B (zh) | 2021-04-20 |
Family
ID=72803007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010498283.2A Active CN111797333B (zh) | 2020-06-04 | 2020-06-04 | 舆情传播任务展示的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797333B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270406A (zh) * | 2020-11-11 | 2021-01-26 | 浙江大学 | 一种类脑计算机操作系统的神经信息可视化方法 |
CN112508726A (zh) * | 2020-12-25 | 2021-03-16 | 东北电力大学 | 一种基于信息传播特点的虚假舆论识别系统及其处理方法 |
CN112800301A (zh) * | 2021-03-19 | 2021-05-14 | 湖南人文科技学院 | 一种舆情大数据处理系统及方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819585A (zh) * | 2010-03-29 | 2010-09-01 | 哈尔滨工程大学 | 一种论坛事件传播图的构建装置及构建方法 |
CN102546771A (zh) * | 2011-12-27 | 2012-07-04 | 西安博构电子信息科技有限公司 | 基于特征模型的云挖掘网络舆情监测系统 |
CN103544255A (zh) * | 2013-10-15 | 2014-01-29 | 常州大学 | 基于文本语义相关的网络舆情信息分析方法 |
US20140225538A1 (en) * | 2013-02-08 | 2014-08-14 | Denso Corporation | Control device of ac motor |
CN104537097A (zh) * | 2015-01-09 | 2015-04-22 | 成都布林特信息技术有限公司 | 微博舆情监测系统 |
CN105701097A (zh) * | 2014-11-25 | 2016-06-22 | 四三九九网络股份有限公司 | 一种基于社交网络平台的舆情分析方法及系统 |
CN107153672A (zh) * | 2017-03-22 | 2017-09-12 | 中国科学院自动化研究所 | 基于言语行为理论的用户交互意图识别方法及系统 |
CN107741953A (zh) * | 2017-09-14 | 2018-02-27 | 平安科技(深圳)有限公司 | 社交平台用户的现实关系匹配方法、装置及可读存储介质 |
CN107766577A (zh) * | 2017-11-15 | 2018-03-06 | 北京百度网讯科技有限公司 | 一种舆情监测方法、装置、设备及存储介质 |
CN109147422A (zh) * | 2018-09-03 | 2019-01-04 | 北京美智达教育咨询有限公司 | 一种英语学习系统及其综合学习方法 |
CN109145216A (zh) * | 2018-08-29 | 2019-01-04 | 中国平安保险(集团)股份有限公司 | 网络舆情监控方法、装置及存储介质 |
CN109446434A (zh) * | 2018-10-24 | 2019-03-08 | 重庆理工大学 | 基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 |
WO2019073059A1 (en) * | 2017-10-12 | 2019-04-18 | Freeline Therapeutics Limited | ADENOVIRAL AUXILIARY VIRUSES WITH DEFECTIVE CYCLE LIFE, PRODUCTION AND USE FOR THE PRODUCTION OF RAAV |
CN109919316A (zh) * | 2019-03-04 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 获取网络表示学习向量的方法、装置和设备及存储介质 |
WO2019212538A1 (en) * | 2018-04-30 | 2019-11-07 | Facebook, Inc. | Combining machine-learning and social data to generate personalized recommendations |
CN111178586A (zh) * | 2019-12-06 | 2020-05-19 | 浙江工业大学 | 网络爱国舆情事件跟踪、预测和疏导方法 |
-
2020
- 2020-06-04 CN CN202010498283.2A patent/CN111797333B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819585A (zh) * | 2010-03-29 | 2010-09-01 | 哈尔滨工程大学 | 一种论坛事件传播图的构建装置及构建方法 |
CN102546771A (zh) * | 2011-12-27 | 2012-07-04 | 西安博构电子信息科技有限公司 | 基于特征模型的云挖掘网络舆情监测系统 |
US20140225538A1 (en) * | 2013-02-08 | 2014-08-14 | Denso Corporation | Control device of ac motor |
CN103544255A (zh) * | 2013-10-15 | 2014-01-29 | 常州大学 | 基于文本语义相关的网络舆情信息分析方法 |
CN105701097A (zh) * | 2014-11-25 | 2016-06-22 | 四三九九网络股份有限公司 | 一种基于社交网络平台的舆情分析方法及系统 |
CN104537097A (zh) * | 2015-01-09 | 2015-04-22 | 成都布林特信息技术有限公司 | 微博舆情监测系统 |
CN107153672A (zh) * | 2017-03-22 | 2017-09-12 | 中国科学院自动化研究所 | 基于言语行为理论的用户交互意图识别方法及系统 |
CN107741953A (zh) * | 2017-09-14 | 2018-02-27 | 平安科技(深圳)有限公司 | 社交平台用户的现实关系匹配方法、装置及可读存储介质 |
WO2019073059A1 (en) * | 2017-10-12 | 2019-04-18 | Freeline Therapeutics Limited | ADENOVIRAL AUXILIARY VIRUSES WITH DEFECTIVE CYCLE LIFE, PRODUCTION AND USE FOR THE PRODUCTION OF RAAV |
CN107766577A (zh) * | 2017-11-15 | 2018-03-06 | 北京百度网讯科技有限公司 | 一种舆情监测方法、装置、设备及存储介质 |
WO2019212538A1 (en) * | 2018-04-30 | 2019-11-07 | Facebook, Inc. | Combining machine-learning and social data to generate personalized recommendations |
CN109145216A (zh) * | 2018-08-29 | 2019-01-04 | 中国平安保险(集团)股份有限公司 | 网络舆情监控方法、装置及存储介质 |
CN109147422A (zh) * | 2018-09-03 | 2019-01-04 | 北京美智达教育咨询有限公司 | 一种英语学习系统及其综合学习方法 |
CN109446434A (zh) * | 2018-10-24 | 2019-03-08 | 重庆理工大学 | 基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 |
CN109919316A (zh) * | 2019-03-04 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 获取网络表示学习向量的方法、装置和设备及存储介质 |
CN111178586A (zh) * | 2019-12-06 | 2020-05-19 | 浙江工业大学 | 网络爱国舆情事件跟踪、预测和疏导方法 |
Non-Patent Citations (2)
Title |
---|
单晓红等: "基于事理图谱的网络舆情演化路径分析_以医疗舆情为例", 《情报理论与实践》 * |
罗双玲等: "微博社会网络及传播研究评述", 《情报学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270406A (zh) * | 2020-11-11 | 2021-01-26 | 浙江大学 | 一种类脑计算机操作系统的神经信息可视化方法 |
CN112508726A (zh) * | 2020-12-25 | 2021-03-16 | 东北电力大学 | 一种基于信息传播特点的虚假舆论识别系统及其处理方法 |
CN112508726B (zh) * | 2020-12-25 | 2022-04-19 | 东北电力大学 | 一种基于信息传播特点的虚假舆论识别系统及其处理方法 |
CN112800301A (zh) * | 2021-03-19 | 2021-05-14 | 湖南人文科技学院 | 一种舆情大数据处理系统及方法 |
CN112800301B (zh) * | 2021-03-19 | 2023-10-31 | 湖南人文科技学院 | 一种舆情大数据处理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111797333B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7340060B2 (en) | System and method for behavioural modelling | |
CN111797333B (zh) | 舆情传播任务展示的方法及装置 | |
Seret et al. | A new SOM-based method for profile generation: Theory and an application in direct marketing | |
Hakimpoor et al. | Management information systems, conceptual dimensions of information quality and quality of managerial decisions: modelling artificial neural networks | |
CN111797327A (zh) | 社交网络建模的方法及装置 | |
Verma et al. | Prediction model for bollywood movie success: a comparative analysis of performance of supervised machine learning algorithms | |
Jain | An entropy-based method to control COVID-19 rumors in online social networks using opinion leaders | |
Karami et al. | Decision-makers’ logic of control and SME international performance | |
CN117237574A (zh) | 任务驱动的地理数字孪生场景增强可视化方法及系统 | |
Wang et al. | A multidimensional network approach for modeling customer-product relations in engineering design | |
Du et al. | A dynamic intelligent recommendation method based on the analytical ER rule for evaluating product ideas in large-scale group decision-making | |
Pourbafrani et al. | Discovering system dynamics simulation models using process mining | |
Gao et al. | CSIP: enhanced link prediction with context of social influence propagation | |
Meng et al. | POI recommendation for occasional groups Based on hybrid graph neural networks | |
Santhosh et al. | Machine learning based ideal job role fit and career recommendation system | |
CN111797197B (zh) | 舆情分析的方法及装置 | |
Li et al. | What Will Be Popular Next? Predicting Hotspots in Two-Mode Social Networks. | |
Cao et al. | Large group decision-making considering multiple classifications for participators: a method based on preference information on multiple elements of alternatives | |
Kondratyeva et al. | Evaluating web service quality using finite state models | |
CN115293479A (zh) | 舆情分析工作流系统及其方法 | |
Wang et al. | Evaluating the crowd quality for subjective questions based on a Spark computing environment | |
Poshtiban et al. | Identification of Influential Nodes in Social Networks based on Profile Analysis | |
Khazaei et al. | Detecting privacy preferences from online social footprints: A literature review | |
Kasper et al. | User profile acquisition: A comprehensive framework to support personal information agents | |
Globa et al. | QOS of data networks analyzing based on the fuzzy knowledge base |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PP01 | Preservation of patent right | ||
PP01 | Preservation of patent right |
Effective date of registration: 20240725 Granted publication date: 20210420 |