CN111950860B - 一种企业舆情风险指数的监控方法及装置 - Google Patents
一种企业舆情风险指数的监控方法及装置 Download PDFInfo
- Publication number
- CN111950860B CN111950860B CN202010704800.7A CN202010704800A CN111950860B CN 111950860 B CN111950860 B CN 111950860B CN 202010704800 A CN202010704800 A CN 202010704800A CN 111950860 B CN111950860 B CN 111950860B
- Authority
- CN
- China
- Prior art keywords
- public opinion
- target
- opinion data
- index
- target public
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 230000008451 emotion Effects 0.000 claims description 19
- 230000007935 neutral effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000011002 quantification Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种企业舆情风险指数的监控方法及装置,其中该监控方法包括:分别获取目标企业在第一指定时间段的第一目标舆情数据和在第二指定时间段的第二目标舆情数据;根据第一处理规则分别计算出第一目标舆情数据在第一指定时间段内的第一目标舆情指数和第二目标舆情数据在第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出第一目标舆情指数对应的目标指数安全波动范围;判断目标企业在第二指定时间段内对应的第二目标舆情数据是否出现异常波动;若是,则判定目标企业的舆情数据风险指数过高。本发明通过对企业舆情数据进行结构量化处理,可帮助投资者提升对企业风险判断的效率和效果。
Description
技术领域
本发明涉及数据监控技术领域,尤其涉及一种企业舆情风险指数的监控方法及装置。
背景技术
舆情是“舆论情况”的简称,是指在一定的社会空间内,围绕中介性社会事件的发生、发展和变化,作为主体的民众对作为客体的社会管理者、企业、个人及其他各类组织及其政治、社会、道德等方面的取向产生和持有的社会态度。舆情是较多群众关于社会中各种现象、问题所表达的信念、态度、意见和情绪等等表现的总和。在投资场景中,对投资标的进行风险监测是降低投资风险的必要环节。通过分析标的的经营信息和财务信息等,能够有效分析主体本身的风险概况,而舆情数据作为一种变动频率较高的信息来源,是持续、动态、及时发现和防范风险的重要数据。舆情数据具有数量大、类型多、不规范和高时效性等特点,如何将舆情数据整合分析形成有效的分析结果,帮助投资者提升对企业风险判断的效率和效果,是现有技术面临的共同难点。
发明内容
基于此,有必要针对上述问题,提出一种企业舆情风险指数的监控方法及装置,以将舆情数据整合分析形成有效的分析结果,帮助投资者提升对企业风险判断的效率和效果。
本发明实施例的第一技术方案为:
一种企业舆情风险指数的监控方法,其包括:分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据;根据第一处理规则分别计算出所述第一目标舆情数据在所述第一指定时间段内的第一目标舆情指数和所述第二目标舆情数据在所述第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出所述第一目标舆情指数对应的目标指数安全波动范围;根据所述目标指数安全波动范围,判断所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据是否出现异常波动;若是,则判定所述目标企业的舆情数据风险指数过高,生成目标舆情数据警示信息并将其发送至指定地址;其中,其中所述第二指定时间段对应的时长小于所述第一指定时间段对应的时长,且所述第二指定时间段在所述第一指定时间段之后并与其相邻。
本发明实施例的第二技术方案为:
一种企业舆情风险指数的监控装置,其包括:数据获取模块,用于分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据;数据处理模块,用于根据第一处理规则分别计算出所述第一目标舆情数据在所述第一指定时间段内的第一目标舆情指数和所述第二目标舆情数据在所述第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出所述第一目标舆情指数对应的目标指数安全波动范围;风险判断模块,用于根据所述目标指数安全波动范围,判断所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据是否出现异常波动;异常处理模块,用于当所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据出现异常波动时,则判定所述目标企业的舆情数据风险指数过高,生成目标舆情数据警示信息并将其发送至指定地址;其中,其中所述第二指定时间段对应的时长小于所述第一指定时间段对应的时长,且所述第二指定时间段在所述第一指定时间段之后并与其相邻。
本发明实施例的第三技术方案为:
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据;根据第一处理规则分别计算出所述第一目标舆情数据在所述第一指定时间段内的第一目标舆情指数和所述第二目标舆情数据在所述第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出所述第一目标舆情指数对应的目标指数安全波动范围;根据所述目标指数安全波动范围,判断所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据是否出现异常波动;若是,则判定所述目标企业的舆情数据风险指数过高,生成目标舆情数据警示信息并将其发送至指定地址;其中,其中所述第二指定时间段对应的时长小于所述第一指定时间段对应的时长,且所述第二指定时间段在所述第一指定时间段之后并与其相邻。
本发明实施例的第四技术方案为:
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据;根据第一处理规则分别计算出所述第一目标舆情数据在所述第一指定时间段内的第一目标舆情指数和所述第二目标舆情数据在所述第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出所述第一目标舆情指数对应的目标指数安全波动范围;根据所述目标指数安全波动范围,判断所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据是否出现异常波动;若是,则判定所述目标企业的舆情数据风险指数过高,生成目标舆情数据警示信息并将其发送至指定地址;其中,其中所述第二指定时间段对应的时长小于所述第一指定时间段对应的时长,且所述第二指定时间段在所述第一指定时间段之后并与其相邻。
采用本发明实施例,具有如下有益效果:
本发明通过分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据,根据第一处理规则分别计算出第一目标舆情数据在第一指定时间段内的第一目标舆情指数和第二目标舆情数据在第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出第一目标舆情指数对应的目标指数安全波动范围,再根据目标指数安全波动范围,判断所述目标企业在第二指定时间段内对应的第二目标舆情数据是否出现异常波动,若是则判定所述目标企业的舆情数据风险指数过高,生成目标舆情数据警示信息并将其发送至指定地址,对企业舆情数据进行了结构量化处理,可帮助投资者提升对企业风险判断的效率和效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中企业舆情风险指数的监控方法一实施方式的实施流程图;
图2为一个实施例中企业舆情风险指数的监控方法一实施方式的另一实施流程图;
图3为一个实施例中企业舆情风险指数的监控装置一实施方式的结构框图;
图4为一个实施例中计算机设备一实施方式的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为一个实施例中企业舆情风险指数的监控方法的实施流程图,参照图1,本实施例的一种企业舆情风险指数的监控方法,其包括以下步骤:
步骤S101:分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据。
其中,获取企业指定时间段内的舆情数据,可选为选定覆盖财经新闻栏目的新闻网站、论坛和自媒体信息,并采用爬虫采集技术,对目标站点进行定期的舆情数据采集,并对站点的新增数据,及时采集和入库。其中,其中所述第二指定时间段对应的时长小于所述第一指定时间段对应的时长,且所述第二指定时间段在所述第一指定时间段之后并与其相邻。在本步骤中,第一指定时间段可选为刚过去的一个星期或者两个星期,第二指定时间段可选为紧接着第一指定时间段的一个时间段,通常是以一天时间作为时长。如2020年7月1日至7日为第一指定时间段,那么2020年7月8日可选为第二指定时间段。
步骤S102:根据第一处理规则分别计算出所述第一目标舆情数据在所述第一指定时间段内的第一目标舆情指数和所述第二目标舆情数据在所述第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出所述第一目标舆情指数对应的目标指数安全波动范围。
其中,第一目标舆情指数和第二目标舆情指数,是指根据第一处理规则处理之后,得到的两个关于舆情数据的数值,而目标指数安全波动范围则是用于检验舆情数据安全性的一个区间。
步骤S103:根据所述目标指数安全波动范围,判断所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据是否出现异常波动。
其中,当第二目标舆情指数对应的数值小于目标指数安全波动范围的下限值时,则判定所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据出现异常波动。
步骤S104:若所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据出现异常波动,则判定所述目标企业的舆情数据风险指数过高,生成目标舆情数据警示信息并将其发送至指定地址。
步骤S105:若所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据没有出现异常波动,则判定所述目标企业的舆情数据风险指数正常,不生成目标舆情数据警示信息。
其中,生成的目标舆情数据警示信息是可视化的,能让查看人员看到每天的舆情数据对应的警示结果(正常或异常)。
如图2所示,在另一个实施例中,提供了一种企业舆情风险指数的监控方法,参照图2,该方法既可以应用于终端,也可以应用于服务器,本实施例以应用于终端举例说明,其中该企业舆情风险指数的监控方法,具体包括如下步骤:
步骤201:分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据。
其中,获取企业指定时间段内的舆情数据,可选为选定覆盖财经新闻栏目的新闻网站、论坛和自媒体信息,并采用爬虫采集技术,对目标站点进行定期的舆情数据采集,并对站点的新增数据,及时采集和入库。
步骤202:根据所述第一处理规则,分别将所述第一目标舆情数据和所述第二目标舆情数据进行标签化处理,计算出所述第一目标舆情数据和所述第二目标舆情数据包含的每条舆情数据对应的关联度标签值和情感标签值。
其中,将所述第一目标舆情数据和所述第二目标舆情数据进行标签化处理后,可选地,如下图表1所示:
舆情id | 主体id | 日期 | 关联度R | 情感值S |
72305064 | 242778 | 2020/7/16 | 0.890181 | -3 |
72304299 | 242778 | 2020/7/16 | 0.912532 | 0 |
… | … | … | … | … |
72247663 | 242778 | 2020/7/15 | 0.890181 | -3 |
72243966 | 242778 | 2020/7/15 | 0.446351 | 0 |
… | … | … | … | … |
72164368 | 242778 | 2020/7/14 | 0.890181 | -2 |
72163486 | 242778 | 2020/7/14 | 0.912532 | -2 |
… | … | … | … | … |
表1
其中,舆情id是指舆情数据的来源地址,主体id是指目标企业的来源地址,R(Relevance):表示该舆情数据对目标企业的关联度,其取值范围为(0,1];S(Sentimental):表示该舆情数据对目标企业的评价信息是否为负面信息,其取值范围为离散值(-3,-2,-1,0,1,2,3),其中-3,-2和-1表示负面信息,0表示中性信息,1,2和3表示正面信息。对于每一条舆情数据,其中关联度数值越高,说明舆情对该目标企业的提及性也越强。情感值是表征舆情数据对目标企业是正面、负面还是中性评价,情感值的绝对值大小,表征了情感极性的强弱。
步骤203:根据所述第一目标舆情数据和所述第二目标舆情数据对应的全部关联度标签值和情感标签值,按照第一预设公式、第二预设公式和第三预设公式,分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的正面舆情数据权重和、负面舆情数据权重和中性舆情数据权重和;
其中,所述第一预设公式、所述第二预设公式和所述第三预设公式依次为:
当Sj<0成立时,ISj<0=1,否则ISj<0=0(1);
当Sj=0成立时,ISj=0=1,否则ISj=0=0(2);
当Sj>0成立时,ISj>0=1,否则ISj>0=0(3);
其中,Wneg为负面舆情数据的权重和,Wneu为中性舆情数据的权重和,Wpos为正面舆情数据的权重和,Sj<0的舆情数据表示负面情感的舆情数据,Sj=0表示中性情感的舆情数据,Sj>0表示正面情感的舆情数据,Rj表示舆情数据的关联度值。计算出第一目标舆情数据和第二目标舆情数据对应的正面舆情数据权重和、负面舆情数据权重和中性舆情数据权重和之后,可选地,如下图表2所示:
主体id | 日期 | Wneg | Wneu | Wpos |
242778 | 2020/7/16 | 38.5566 | 8.401 | 0.6 |
242778 | 2020/7/15 | 75.0685 | 5.6724 | 0.6 |
242778 | 2020/7/14 | 164.5897 | 15.0096 | 0.7414 |
… | … | … | … | … |
表2
步骤204:根据所述第一目标舆情数据和所述第二目标舆情数据对应的所述正面舆情数据权重和、所述负面舆情数据权重和所述中性舆情数据权重和,按照第四预设公式,分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的第一正负面舆情数据权重比例值和第二正负面舆情数据权重比例值;
其中,所述所述第四预设公式为:
其中,δpos、δneu和δneg分别为Wpos、Wneu和Wneg的加权系数,且取值范围均为[0,1]。
步骤205:按照第五预设公式、第六预设公式和第七预设公式,分别计算出第一目标舆情数据和第二目标舆情数据对应的第一目标舆情指数和所述第二目标舆情指数。其中,本步骤包括:
第一,根据所述第一正负面舆情数据权重比例值和所述第二正负面舆情数据权重比例值,按照第五预设公式,分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的第一正负面差异值和第二正负面差异值。
第二,根据所述第一正负面差异值和所述第二正负面差异值,按照第六预设公式,分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的第一调整得分值和第二调整得分值。
第三,根据所述第一调整得分值和所述第二调整得分值,按照第七预设公式,分别计算出第一目标舆情数据和所述第二目标舆情数据对应的所述第一目标舆情指数和所述第二目标舆情指数。
其中,所述第五预设公式、所述第六预设公式和所述第七预设公式依次为:
Dweight=δpos*Wpos+δneu*Wneu-δneg*Wneg (5);
score=Scorepercent*Scoretunning(7);
其中,Dweight为正负面差异值,Scoretunning为调整得分值,score为目标舆情指数,β为系数且β>0。
其中,计算出第一目标舆情数据和所述第二目标舆情数据对应的所述第一目标舆情指数和所述第二目标舆情指数之后,可选地,如下图表3所示:
主体id | 日期 | Scorepercent | Scoretunning | score |
242778 | 2020/7/16 | -0.8883 | 0.9482 | -0.8423 |
242778 | 2020/7/15 | -0.9266 | 0.9851 | -0.9127 |
242778 | 2020/7/14 | -0.9374 | 0.9998 | -0.9372 |
… | … | … | … | … |
表3
步骤206:根据第八预设公式、按照第九预设公式和按照第十预设公式,计算出第一目标舆情数据在第一指定时间段内的目标置信区间,将目标置信区间作为目标指数安全波动范围。其中,本步骤包括:
第一,根据所述第一目标舆情指数和第八预设公式,计算出所述第一目标舆情数据在所述第一指定时间段内的目标平均舆情指数。
第二,根据所述目标平均舆情指数,按照第九预设公式,计算出所述第一目标舆情数据在所述第一指定时间段内的目标标准差。
其中,计算出所述第一目标舆情数据在所述第一指定时间段内的目标标准差之后,可选地,如下图表4所示:
表4
第三,根据目标标准差,按照第十预设公式,计算出所述第一目标舆情数据在所述第一指定时间段内的目标置信区间,将所述目标置信区间作为所述目标指数安全波动范围。
其中,所述第八预设公式、所述第九预设公式和所述第十预设公式依次为:
其中,为所述目标平均舆情指数,σM为目标标准差,M指所述第一指定时间段,所述第一指定时间段对应的时长为M天,所述第一目标舆情指数指M天内的平均舆情指数,令M天内每一天的舆情指数呈正态分布N(μ,σ2),且令其分布参数为:/>σ=σM。
步骤207:判断所述第二目标舆情数据对应的所述第二目标舆情指数是否小于所述目标指数安全波动范围的下限值,即是否为
步骤208:若所述第二目标舆情数据对应的所述第二目标舆情指数小于所述目标指数安全波动范围的下限值,判定所述目标企业的舆情数据风险指数过高,即判定所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据出现异常波动,生成目标舆情数据警示信息并将其发送至指定地址。
步骤209:所述第二目标舆情数据对应的所述第二目标舆情指数大于或等于所述目标指数安全波动范围的下限值,判定所述目标企业的舆情数据风险指数正常,不生成目标舆情数据警示信息。
在本实施例中,可选地,所述计算出所述第一目标舆情数据和所述第二目标舆情数据包含的每条舆情数据对应的关联度标签值和情感标签值,之后包括:
获取所述第一目标舆情数据和所述第二目标舆情数据包含的每条舆情数据对应的业务标签,所述业务标签用于表述所述第一目标舆情数据和所述第二目标舆情数据对应的业务内容,例如经营和财务相关内容等。
其中,获取所述第一目标舆情数据和所述第二目标舆情数据包含的每条舆情数据对应的业务标签之后,可选地,如下图表5所示:
舆情id | 主体id | 业务标签 |
70619198 | 576 | 交叉违约 |
70619198 | 135630 | 交叉违约 |
70619198 | 311027 | 交叉违约 |
70619198 | 426001 | 交叉违约 |
70622489 | 58844634 | 出售重要资产/子公司 |
70622770 | 485053 | 扣非净利润同比下降 |
70622770 | 310968 | 扣非净利润同比下降 |
70626240 | 192901 | 股东减持 |
70639514 | 55450089 | 违规行为 |
表5
在本实施例中,可选地,所述生成目标舆情数据警示信息并将其发送至指定地址,包括:
生成可视化的目标舆情数据警示图表并将所述目标舆情数据警示图表发送至指定地址。其中,所述目标舆情数据警示图表包括所述第一目标舆情数据和所述第二目标舆情数据各自对应的所述正面舆情数据权重和、所述负面舆情数据权重、所述中性舆情数据权重、所述第一目标舆情指数和所述第二目标舆情指数。
如图3所示,在另一个实施例中,提供了一种企业舆情风险指数的监控装置100,参照图3可得到,该企业舆情风险指数的监控装置100,具体包括:
数据获取模块10,用于分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据。
其中,获取企业指定时间段内的舆情数据,可选为选定覆盖财经新闻栏目的新闻网站、论坛和自媒体信息,并采用爬虫采集技术,对目标站点进行定期的舆情数据采集,并对站点的新增数据,及时采集和入库。其中,其中所述第二指定时间段对应的时长小于所述第一指定时间段对应的时长,且所述第二指定时间段在所述第一指定时间段之后并与其相邻。在本步骤中,第一指定时间段可选为刚过去的一个星期或者两个星期,第二指定时间段可选为紧接着第一指定时间段的一个时间段,通常是以一天时间作为时长。如2020年7月1日至7日为第一指定时间段,那么2020年7月8日可选为第二指定时间段。
数据处理模块20,用于根据第一处理规则分别计算出所述第一目标舆情数据在所述第一指定时间段内的第一目标舆情指数和所述第二目标舆情数据在所述第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出所述第一目标舆情指数对应的目标指数安全波动范围。
其中,第一目标舆情指数和第二目标舆情指数,是指根据第一处理规则处理之后,得到的两个关于舆情数据的数值,而目标指数安全波动范围则是用于检验舆情数据安全性的一个区间。
风险判断模块30,用于根据所述目标指数安全波动范围,判断所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据是否出现异常波动。
其中,当第二目标舆情指数对应的数值小于目标指数安全波动范围的下限值时,则判定所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据出现异常波动。
异常处理模块40,用于当所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据出现异常波动时,则判定所述目标企业的舆情数据风险指数过高,生成目标舆情数据警示信息并将其发送至指定地址。
其中,生成的目标舆情数据警示信息是可视化的,能让查看人员看到每天的舆情数据对应的警示结果(正常或异常)。
图4示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图4所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现年龄识别方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行年龄识别。本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在另一个实施例中,提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据;根据第一处理规则分别计算出所述第一目标舆情数据在所述第一指定时间段内的第一目标舆情指数和所述第二目标舆情数据在所述第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出所述第一目标舆情指数对应的目标指数安全波动范围;根据所述目标指数安全波动范围,判断所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据是否出现异常波动;若是,则判定所述目标企业的舆情数据风险指数过高,生成目标舆情数据警示信息并将其发送至指定地址;其中,其中所述第二指定时间段对应的时长小于所述第一指定时间段对应的时长,且所述第二指定时间段在所述第一指定时间段之后并与其相邻。
在另一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据;根据第一处理规则分别计算出所述第一目标舆情数据在所述第一指定时间段内的第一目标舆情指数和所述第二目标舆情数据在所述第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出所述第一目标舆情指数对应的目标指数安全波动范围;根据所述目标指数安全波动范围,判断所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据是否出现异常波动;若是,则判定所述目标企业的舆情数据风险指数过高,生成目标舆情数据警示信息并将其发送至指定地址;其中,其中所述第二指定时间段对应的时长小于所述第一指定时间段对应的时长,且所述第二指定时间段在所述第一指定时间段之后并与其相邻。
本发明通过分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据,根据第一处理规则分别计算出第一目标舆情数据在第一指定时间段内的第一目标舆情指数和第二目标舆情数据在第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出第一目标舆情指数对应的目标指数安全波动范围,再根据目标指数安全波动范围,判断所述目标企业在第二指定时间段内对应的第二目标舆情数据是否出现异常波动,若是则判定所述目标企业的舆情数据风险指数过高,生成目标舆情数据警示信息并将其发送至指定地址,对企业舆情数据进行了结构量化处理,针对目标企业,分析其历史的舆情数据得出规律性的波动范围,对持续的舆情变动形成预测,发现并提示异常变动信息,可帮助投资者提升对企业风险判断的效率和效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种企业舆情风险指数的监控方法,其特征在于,包括:
分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据;
根据第一处理规则分别计算出所述第一目标舆情数据在所述第一指定时间段内的第一目标舆情指数和所述第二目标舆情数据在所述第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出所述第一目标舆情指数对应的目标指数安全波动范围;
根据所述目标指数安全波动范围,判断所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据是否出现异常波动;
若是,则判定所述目标企业的舆情数据风险指数过高,生成目标舆情数据警示信息并将其发送至指定地址;
其中,其中所述第二指定时间段对应的时长小于所述第一指定时间段对应的时长,且所述第二指定时间段在所述第一指定时间段之后并与其相邻;
其中,所述根据第一处理规则分别计算出所述第一目标舆情数据在所述第一指定时间段内的第一目标舆情指数和所述第二目标舆情数据在所述第二指定时间段内对应的第二目标舆情指数,包括:
根据所述第一处理规则,分别将所述第一目标舆情数据和所述第二目标舆情数据进行标签化处理,计算出所述第一目标舆情数据和所述第二目标舆情数据包含的每条舆情数据对应的关联度标签值和情感标签值;
根据所述第一目标舆情数据和所述第二目标舆情数据对应的全部关联度标签值和情感标签值,按照第一预设公式、第二预设公式和第三预设公式,分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的正面舆情数据权重和、负面舆情数据权重和中性舆情数据权重和;
根据所述第一目标舆情数据和所述第二目标舆情数据对应的所述正面舆情数据权重和、所述负面舆情数据权重和所述中性舆情数据权重和,按照第四预设公式,分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的第一正负面舆情数据权重比例值和第二正负面舆情数据权重比例值;
其中,所述第一预设公式、所述第二预设公式、所述第三预设公式和所述所述第四预设公式依次为:
,当Sj<0成立时,ISj<0=1,否则ISj<0=0 (1);
,当Sj=0成立时,ISj=0=1,否则ISj=0=0 (2);
,当Sj>0成立时,ISj>0=1,否则ISj>0=0 (3);
(4);
其中,Wneg为负面舆情数据的权重和,Wneu为中性舆情数据的权重和,Wpos为正面舆情数据的权重和,Sj<0的舆情数据表示负面情感的舆情数据,Sj=0表示中性情感的舆情数据,Sj>0表示正面情感的舆情数据,Rj表示舆情数据的关联度值,其中,δpos、δneu和δneg分别为Wpos、Wneu和Wneg的加权系数,且取值范围均为[0,1];
其中,所述分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的第一正负面舆情数据权重比例值和第二正负面舆情数据权重比例值,之后包括:
根据所述第一正负面舆情数据权重比例值和所述第二正负面舆情数据权重比例值,按照第五预设公式,分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的第一正负面差异值和第二正负面差异值;
根据所述第一正负面差异值和所述第二正负面差异值,按照第六预设公式,分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的第一调整得分值和第二调整得分值;
根据所述第一调整得分值和所述第二调整得分值,按照第七预设公式,分别计算出第一目标舆情数据和所述第二目标舆情数据对应的所述第一目标舆情指数和所述第二目标舆情指数;
其中,所述第五预设公式、所述第六预设公式和所述第七预设公式依次为:
(5);
(6);
(7);
其中,Dweight为正负面差异值,Scoretunning为调整得分值,score为目标舆情指数,β为系数且β>0;
其中,所述根据第二处理规则计算出所述第一目标舆情指数对应的目标指数安全波动范围,包括:
根据所述第一目标舆情指数和第八预设公式,计算出所述第一目标舆情数据在所述第一指定时间段内的目标平均舆情指数;
根据所述目标平均舆情指数,按照第九预设公式,计算出所述第一目标舆情数据在所述第一指定时间段内的目标标准差;
根据目标标准差,按照第十预设公式,计算出所述第一目标舆情数据在所述第一指定时间段内的目标置信区间,将所述目标置信区间作为所述目标指数安全波动范围;
其中,所述第八预设公式、所述第九预设公式和所述第十预设公式依次为:
(8)
(9)
(10)
其中,为所述目标平均舆情指数,σM为目标标准差,M指所述第一指定时间段,所述第一指定时间段对应的时长为M天,所述第一目标舆情指数指M天内的平均舆情指数,令M天内每一天的舆情指数呈正态分布N(μ,σ2),且令其分布参数为:μ=/>,σ=σM。
2.根据权利要求1所述的企业舆情风险指数的监控方法,其特征在于,所述根据所述目标指数安全波动范围,判断所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据是否出现异常波动,包括:
判断所述第二目标舆情数据对应的所述第二目标舆情指数是否小于所述目标指数安全波动范围的下限值;
若是,则判定所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据出现异常波动。
3.根据权利要求1所述的企业舆情风险指数的监控方法,其特征在于,所述计算出所述第一目标舆情数据和所述第二目标舆情数据包含的每条舆情数据对应的关联度标签值和情感标签值,之后包括:
获取所述第一目标舆情数据和所述第二目标舆情数据包含的每条舆情数据对应的业务标签,所述业务标签用于表述所述第一目标舆情数据和所述第二目标舆情数据对应的业务内容。
4.根据权利要求1所述的企业舆情风险指数的监控方法,其特征在于,所述生成目标舆情数据警示信息并将其发送至指定地址,包括:
生成可视化的目标舆情数据警示图表并将所述目标舆情数据警示图表发送至指定地址;其中,所述目标舆情数据警示图表包括所述第一目标舆情数据和所述第二目标舆情数据各自对应的所述正面舆情数据权重和、所述负面舆情数据权重、所述中性舆情数据权重、所述第一目标舆情指数和所述第二目标舆情指数。
5.一种企业舆情风险指数的监控装置,其特征在于,包括:
数据获取模块,用于分别获取目标企业在第一指定时间段内全部的第一目标舆情数据和在第二指定时间段内全部的第二目标舆情数据;
数据处理模块,用于根据第一处理规则分别计算出所述第一目标舆情数据在所述第一指定时间段内的第一目标舆情指数和所述第二目标舆情数据在所述第二指定时间段内对应的第二目标舆情指数,并根据第二处理规则计算出所述第一目标舆情指数对应的目标指数安全波动范围;
风险判断模块,用于根据所述目标指数安全波动范围,判断所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据是否出现异常波动;
异常处理模块,用于当所述目标企业在所述第二指定时间段内对应的所述第二目标舆情数据出现异常波动时,则判定所述目标企业的舆情数据风险指数过高,生成目标舆情数据警示信息并将其发送至指定地址;
其中,其中所述第二指定时间段对应的时长小于所述第一指定时间段对应的时长,且所述第二指定时间段在所述第一指定时间段之后并与其相邻;
所述数据处理模块,还用于根据所述第一处理规则,分别将所述第一目标舆情数据和所述第二目标舆情数据进行标签化处理,计算出所述第一目标舆情数据和所述第二目标舆情数据包含的每条舆情数据对应的关联度标签值和情感标签值;
根据所述第一目标舆情数据和所述第二目标舆情数据对应的全部关联度标签值和情感标签值,按照第一预设公式、第二预设公式和第三预设公式,分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的正面舆情数据权重和、负面舆情数据权重和中性舆情数据权重和;
根据所述第一目标舆情数据和所述第二目标舆情数据对应的所述正面舆情数据权重和、所述负面舆情数据权重和所述中性舆情数据权重和,按照第四预设公式,分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的第一正负面舆情数据权重比例值和第二正负面舆情数据权重比例值;
其中,所述第一预设公式、所述第二预设公式、所述第三预设公式和所述所述第四预设公式依次为:
,当Sj<0成立时,ISj<0=1,否则ISj<0=0 (1);
,当Sj=0成立时,ISj=0=1,否则ISj=0=0 (2);
,当Sj>0成立时,ISj>0=1,否则ISj>0=0 (3);
(4);
其中,Wneg为负面舆情数据的权重和,Wneu为中性舆情数据的权重和,Wpos为正面舆情数据的权重和,Sj<0的舆情数据表示负面情感的舆情数据,Sj=0表示中性情感的舆情数据,Sj>0表示正面情感的舆情数据,Rj表示舆情数据的关联度值,其中,δpos、δneu和δneg分别为Wpos、Wneu和Wneg的加权系数,且取值范围均为[0,1];
所述装置,用于根据所述第一正负面舆情数据权重比例值和所述第二正负面舆情数据权重比例值,按照第五预设公式,分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的第一正负面差异值和第二正负面差异值;
根据所述第一正负面差异值和所述第二正负面差异值,按照第六预设公式,分别计算出所述第一目标舆情数据和所述第二目标舆情数据对应的第一调整得分值和第二调整得分值;
根据所述第一调整得分值和所述第二调整得分值,按照第七预设公式,分别计算出第一目标舆情数据和所述第二目标舆情数据对应的所述第一目标舆情指数和所述第二目标舆情指数;
其中,所述第五预设公式、所述第六预设公式和所述第七预设公式依次为:
(5);
(6);
(7);
其中,Dweight为正负面差异值,Scoretunning为调整得分值,score为目标舆情指数,β为系数且β>0;
所述装置,还用于根据所述第一目标舆情指数和第八预设公式,计算出所述第一目标舆情数据在所述第一指定时间段内的目标平均舆情指数;
根据所述目标平均舆情指数,按照第九预设公式,计算出所述第一目标舆情数据在所述第一指定时间段内的目标标准差;
根据目标标准差,按照第十预设公式,计算出所述第一目标舆情数据在所述第一指定时间段内的目标置信区间,将所述目标置信区间作为所述目标指数安全波动范围;
其中,所述第八预设公式、所述第九预设公式和所述第十预设公式依次为:
(8)
(9)
(10)
其中,为所述目标平均舆情指数,σM为目标标准差,M指所述第一指定时间段,所述第一指定时间段对应的时长为M天,所述第一目标舆情指数指M天内的平均舆情指数,令M天内每一天的舆情指数呈正态分布N(μ,σ2),且令其分布参数为:μ=/>,σ=σM。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至4中任一项所述的企业舆情风险指数的监控方法的步骤。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至4中任一项所述的企业舆情风险指数的监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010704800.7A CN111950860B (zh) | 2020-07-21 | 2020-07-21 | 一种企业舆情风险指数的监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010704800.7A CN111950860B (zh) | 2020-07-21 | 2020-07-21 | 一种企业舆情风险指数的监控方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950860A CN111950860A (zh) | 2020-11-17 |
CN111950860B true CN111950860B (zh) | 2024-04-16 |
Family
ID=73340152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010704800.7A Active CN111950860B (zh) | 2020-07-21 | 2020-07-21 | 一种企业舆情风险指数的监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950860B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113128217B (zh) * | 2021-03-26 | 2024-04-02 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 一种基于网络孪生空间的舆情处置决策方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090048998A (ko) * | 2007-11-12 | 2009-05-15 | 주식회사 비즈모델라인 | 키워드를 통한 부정 여론 알림 방법 및 시스템과 이를 위한기록매체 |
CN106598944A (zh) * | 2016-11-25 | 2017-04-26 | 中国民航大学 | 一种民航安保舆情情感分析方法 |
CN107229689A (zh) * | 2017-05-19 | 2017-10-03 | 四川新网银行股份有限公司 | 一种微博舆情风险研判的方法 |
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 |
CN109190105A (zh) * | 2018-06-28 | 2019-01-11 | 中译语通科技股份有限公司 | 一种企业舆情宏观情感分析方法 |
CN109325165A (zh) * | 2018-08-29 | 2019-02-12 | 中国平安保险(集团)股份有限公司 | 网络舆情分析方法、装置及存储介质 |
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 |
CN109829631A (zh) * | 2019-01-14 | 2019-05-31 | 北京中兴通网络科技股份有限公司 | 一种基于记忆网络的企业风险预警分析方法及系统 |
CN109977300A (zh) * | 2019-02-22 | 2019-07-05 | 深圳壹账通智能科技有限公司 | 企业舆情获取方法、装置、终端及计算机存储介质 |
CN110009128A (zh) * | 2019-01-28 | 2019-07-12 | 平安科技(深圳)有限公司 | 行业舆情指数预测方法、装置、计算机设备及存储介质 |
KR20190093757A (ko) * | 2018-01-11 | 2019-08-12 | 주식회사 와이즈인컴퍼니 | 여론 및 설문조사 데이터 분석 및 레포팅 시스템 |
CN110263233A (zh) * | 2019-05-06 | 2019-09-20 | 平安科技(深圳)有限公司 | 企业舆情库构建方法、装置、计算机设备及存储介质 |
CN110413858A (zh) * | 2019-06-19 | 2019-11-05 | 深圳壹账通智能科技有限公司 | 企业舆情信息查询方法、装置、计算机设备及存储介质 |
CN111241300A (zh) * | 2020-01-09 | 2020-06-05 | 中信银行股份有限公司 | 舆情预警以及风险传播分析方法、系统、设备及存储介质 |
CN111339385A (zh) * | 2020-02-26 | 2020-06-26 | 山东爱城市网信息技术有限公司 | 基于cart的舆情类型识别方法及系统、存储介质、电子设备 |
-
2020
- 2020-07-21 CN CN202010704800.7A patent/CN111950860B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090048998A (ko) * | 2007-11-12 | 2009-05-15 | 주식회사 비즈모델라인 | 키워드를 통한 부정 여론 알림 방법 및 시스템과 이를 위한기록매체 |
CN106598944A (zh) * | 2016-11-25 | 2017-04-26 | 中国民航大学 | 一种民航安保舆情情感分析方法 |
CN107229689A (zh) * | 2017-05-19 | 2017-10-03 | 四川新网银行股份有限公司 | 一种微博舆情风险研判的方法 |
KR20190093757A (ko) * | 2018-01-11 | 2019-08-12 | 주식회사 와이즈인컴퍼니 | 여론 및 설문조사 데이터 분석 및 레포팅 시스템 |
CN109190105A (zh) * | 2018-06-28 | 2019-01-11 | 中译语通科技股份有限公司 | 一种企业舆情宏观情感分析方法 |
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 |
CN109325165A (zh) * | 2018-08-29 | 2019-02-12 | 中国平安保险(集团)股份有限公司 | 网络舆情分析方法、装置及存储介质 |
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 |
CN109829631A (zh) * | 2019-01-14 | 2019-05-31 | 北京中兴通网络科技股份有限公司 | 一种基于记忆网络的企业风险预警分析方法及系统 |
CN110009128A (zh) * | 2019-01-28 | 2019-07-12 | 平安科技(深圳)有限公司 | 行业舆情指数预测方法、装置、计算机设备及存储介质 |
CN109977300A (zh) * | 2019-02-22 | 2019-07-05 | 深圳壹账通智能科技有限公司 | 企业舆情获取方法、装置、终端及计算机存储介质 |
CN110263233A (zh) * | 2019-05-06 | 2019-09-20 | 平安科技(深圳)有限公司 | 企业舆情库构建方法、装置、计算机设备及存储介质 |
CN110413858A (zh) * | 2019-06-19 | 2019-11-05 | 深圳壹账通智能科技有限公司 | 企业舆情信息查询方法、装置、计算机设备及存储介质 |
CN111241300A (zh) * | 2020-01-09 | 2020-06-05 | 中信银行股份有限公司 | 舆情预警以及风险传播分析方法、系统、设备及存储介质 |
CN111339385A (zh) * | 2020-02-26 | 2020-06-26 | 山东爱城市网信息技术有限公司 | 基于cart的舆情类型识别方法及系统、存储介质、电子设备 |
Non-Patent Citations (3)
Title |
---|
基于EMD.ARXG模型的网络舆情预测研究;于营;刘开南;杨婷婷;刘小飞;周雪;;现代电子技术(第03期);全文 * |
基于社交网络平台用户行为动力学分析的客户抱怨监控系统研究;陈海燕;莫玉纯;肖世校;;现代电子技术(第23期);全文 * |
结合词性特征与卷积神经网络的文本情感分析;何鸿业;郑瑾;张祖平;;计算机工程(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111950860A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060144B (zh) | 额度模型训练方法、额度评估方法、装置、设备及介质 | |
Durante et al. | Spatial contagion between financial markets: a copula‐based approach | |
Bauwens et al. | A comparison of financial duration models via density forecasts | |
Kennedy et al. | Accommodating outliers and nonlinearity in decision models | |
US7765123B2 (en) | Indicating which of forecasting models at different aggregation levels has a better forecast quality | |
Dyer | The demand for public information by local and nonlocal investors: Evidence from investor-level data | |
CN111950860B (zh) | 一种企业舆情风险指数的监控方法及装置 | |
Thalassinos et al. | Observing evidence of insider trading in the Athens Stock Exchange | |
Da Fonseca et al. | Volatility of volatility is (also) rough | |
Kim et al. | A multiscale correction to the Black–Scholes formula | |
CN112182402A (zh) | 一种保险信息推荐方法、装置、计算机设备和存储介质 | |
Nasri et al. | Goodness‐of‐fit for regime‐switching copula models with application to option pricing | |
Cichello et al. | Event studies and the analysis of antitrust | |
Kahalé | Model‐Independent Lower Bound on Variance Swaps | |
Jung et al. | Next generation models for portfolio risk management: An approach using financial big data | |
Dardanoni et al. | Testing for asymmetric information in insurance markets: a multivariate ordered regression approach | |
Hallam et al. | Semiparametric density forecasts of daily financial returns from intraday data | |
Park et al. | Modeling and forecasting realized volatilities of Korean financial assets featuring long memory and asymmetry | |
CA2852491A1 (en) | Method and system for assessing compliance risk of regulated institutions | |
Ortega | GARCH options via local risk minimization | |
Becker et al. | Estimating the volatility of asset pricing factors | |
Papageorgiou et al. | Multiscale intensity models and name grouping for valuation of multi-name credit derivatives | |
Dong et al. | Weibo attention and stock market performance: some empirical evidence | |
CN114266625A (zh) | 基于新用户的推荐方法、装置、设备及存储介质 | |
Heflin et al. | Adverse selection, inventory‐holding costs, and depth |
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 |