CN111968753A - 疫情监控方法、装置、计算机设备和存储介质 - Google Patents
疫情监控方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111968753A CN111968753A CN202010785313.8A CN202010785313A CN111968753A CN 111968753 A CN111968753 A CN 111968753A CN 202010785313 A CN202010785313 A CN 202010785313A CN 111968753 A CN111968753 A CN 111968753A
- Authority
- CN
- China
- Prior art keywords
- epidemic
- epidemic situation
- data
- detected
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000008451 emotion Effects 0.000 claims abstract description 101
- 238000009826 distribution Methods 0.000 claims abstract description 51
- 208000035473 Communicable disease Diseases 0.000 claims description 84
- 208000015181 infectious disease Diseases 0.000 claims description 80
- 238000013145 classification model Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002996 emotional effect Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 244000052769 pathogen Species 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000001717 pathogenic effect Effects 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 238000011282 treatment Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 230000007480 spreading Effects 0.000 description 7
- 238000003892 spreading Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000002688 persistence Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 241000233866 Fungi Species 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000012678 infectious agent Substances 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011277 treatment modality Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能领域，通过根据待检测数据确定疫情对应的疫情主题、情绪类别和位置分布信息，实现对疫情进行分析和动态追踪，提高了疫情监控的准确性和效率。尤其涉及一种疫情监控方法、装置、设备和存储介质，该疫情监控方法包括：获取待检测数据；对待检测数据进行疫情主题识别，得到疫情对应的疫情主题；对待检测数据进行情绪分类，得到疫情对应的情绪类别；提取待检测数据中的位置信息，得到疫情对应的位置分布信息；将疫情对应的疫情主题、情绪类别以及位置分布信息作为疫情对应的监控信息并输出。此外，本申请还涉及区块链技术，监控信息可存储于区块链中。本申请可适用于智慧医疗领域，从而进一步推动智慧城市的建设。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种疫情监控方法、装置、设备及计算机可读存储介质。
背景技术
当疫情出现时，对疫情的监控能够为流行病的预防与控制提供决策支持。传统的监控方法通过人工、电话、门诊进行登记和追踪，具有明显的滞后性。
随着互联网的飞速发展，在线社交网络作为一种互联网时代的新型交流工具，具有实时性高、参与性强等特点，是网民交流公共卫生信息的重要平台，同时也成为监控公共卫生事件的绝佳信息来源。
因此如何通过社交网络对疫情进行监控，以提高监控的准确性和效率成为亟需解决的问题。
发明内容
本申请提供一种疫情监控方法、装置、计算机设备及存储介质，通过根据待检测数据确定疫情对应的疫情主题、情绪类别和位置分布信息，实现对疫情进行分析和动态追踪，提高了疫情监控的准确性和效率。
第一方面，本申请提供了一种疫情监控方法，包括：
获取待检测数据，其中，所述待检测数据包括疫情信息以及所述待检测数据用于确定疫情对应的监控信息；
对所述待检测数据进行疫情主题识别，得到所述疫情对应的疫情主题，其中，所述疫情主题包括传染病类别；
对所述待检测数据进行情绪分类，得到所述疫情对应的情绪类别，其中，所述情绪类别包括用户对疫情的情绪倾向；
提取所述待检测数据中的位置信息，得到所述疫情对应的位置分布信息；
将所述疫情对应的疫情主题、所述情绪类别以及所述位置分布信息作为所述疫情对应的监控信息并输出。
第二方面，本申请还提供了一种疫情监控装置，包括：
数据获取模块，用于获取待检测数据，其中，所述待检测数据包括疫情信息以及所述待检测数据用于确定疫情对应的监控信息；
疫情主题识别模块，用于对所述待检测数据进行疫情主题识别，得到所述疫情对应的疫情主题，其中，所述疫情主题包括传染病类别；
情绪分类模块，用于对所述待检测数据进行情绪分类，得到所述疫情对应的情绪类别，其中，所述情绪类别包括用户对疫情的情绪倾向；
位置提取模块，用于提取所述待检测数据中的位置信息，得到所述疫情对应的位置分布信息；
监控信息生成模块，用于将所述疫情对应的疫情主题、所述情绪类别以及所述位置分布信息作为所述疫情对应的监控信息并输出。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的疫情监控方法。
第四方面，本申请还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程序，所述计算机程序被处理器执行时使所述处理器实现如上述的疫情监控方法。
本申请公开了一种疫情监控方法、装置、计算机设备和存储介质，通过获取待检测数据，待检测数据包括疫情信息，可以后续可以实现根据待检测数据确定疫情对应的监控信息；通过对待检测数据进行疫情主题识别，可以得到疫情对应的疫情主题；通过对待检测数据进行情绪分类，可以得到疫情对应的情绪类别，进而得到用户对疫情的情绪倾向；通过提取待检测数据中的位置信息，可以得到疫情对应的位置分布信息；从而可以将疫情对应的疫情主题、情绪类别以及位置分布信息作为疫情对应的监控信息并输出，实现对疫情进行分析和动态追踪，提高了疫情监控的准确性和效率。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。
图1是本申请的实施例提供的一种疫情监控方法的示意性流程图；
图2是本申请实施例提供的获取待检测数据的示意图；
图3是本申请实施例提供的疫情主题识别模型的训练过程的子步骤的示意性流程图；
图4是本申请实施例提供的收集传染病信息的示意性框图；
图5是本申请的实施例提供的预测情绪类别的示意性框图；
图6是本申请的实施例提供的在显示界面显示监控信息的示意性框图；
图7是本申请实施例提供的对监控信息进行更新的示意性流程图；
图8是本申请的实施例提供的在显示界面显示更新的监控信息的示意性框图；
图9为本申请实施例提供的一种疫情监控装置的示意性框图；
图10为本申请实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
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，所描述的实施例是本申请一部分实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种疫情监控方法、装置、计算机设备和存储介质。其中，该疫情监控方法可以应用于服务器或终端中，通过根据待检测数据确定疫情对应的疫情主题、情绪类别和位置分布信息，实现对疫情进行分析和动态追踪，提高了疫情监控的准确性和效率。
其中，服务器可以为独立的服务器，也可以为服务器集群。终端可以是智能手机、平板电脑、笔记本电脑和台式电脑等电子设备。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请的实施例提供的疫情监控方法的示意性流程图。该疫情监控方法可以包括步骤S10至步骤S50。
S10、获取待检测数据，其中，所述待检测数据包括疫情信息以及所述待检测数据用于确定疫情对应的监控信息。
需要说明的是，当疫情出现时，往往会发生快速的扩散，从一个地区扩散到另一个新的地区时，发现的新传染者往往是居住在同一社区的，他们会在社交平台与其他人进行分享，因此可以通过社交平台进行疫情分析和追踪。
在一些实施例中，获取待检测数据，可以包括：根据预设的数据获取策略，获取社交平台中的网页文本；对网页文本进行信息提取和格式化处理，得到待检测数据，其中，待检测数据包括疫情信息。
其中，社交平台可以包括论坛网站、博客以及SNS(Social Network Software，社交网络软件)等等。示例性的，社交网络软件可以包括但不限于微博、微信和QQ空间等等。
示例性的，预设的数据获取策略可以是网络爬虫技术，也可以是其它获取方式，例如开放API(Application Program Interface，应用程序接口)的获取方式。
需要说明的是，网络爬虫是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本，它们被广泛用于互联网搜索引擎或其他类似网站，可以自动采集所有其能够访问到的页面内容，以获取或更新这些网站的内容和检索方式。网络爬虫可以从一个或若干初始网页的URL(Uniform Resource Locator，统一资源定位符)开始，获得初始网页上的URL；在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列，直到满足预设的停止条件。
在本申请实施例中，可以采用网络爬虫技术获取各社交平台中的网页文本。其中，网页文本包括用户谈论疫情的聊天记录。需要说明的是，当疫情出现时，用户会经常在各社交平台上与朋友讨论疫情的相关情况。例如，在某个社区哪一天出现多少个疑似传染病患者、疑似传染病患者的生活轨迹、疑似传染病患者所在社区是否靠近用户所在社区以及用户对传染病的情绪倾向等信息。
具体地，在获取各社交平台中的网页文本之后，可以对网页文本进行信息提取和格式化处理，得到待检测数据。示例性的，如图2所示，图2是本申请实施例提供的获取待检测数据的示意图。
示例性的，可以对网页文本进行解析和数据解码，去除html字符，提取出目标信息，例如时间、内容、地理坐标等信息。需要说明的是，由于不同社交平台中的数据字段的格式类型是不同的，例如时间的表示、地理坐标的表示等都是不同格式类型的，因此需要对目标信息进行格式化处理。
示例性的，可以根据预设的格式类型对目标信息进行格式化处理，得到格式同一的目标数据，即待检测数据。其中，预设的格式类型可以是JSON数据格式，当然也可以是其它格式，例如，XML数据格式、YAML数据格式以及ProtoBuf数据格式等等。
需要说明的是，待检测数据包括时间、内容、地理坐标等疫情信息。其中，待检测数据中的时间可以用于确定疑似传染病患者最早出现的时间点；待检测数据中的内容用于进行疫情主题识别和情绪分类，可以确定疫情对应的疫情主题和情绪类别；待检测数据中的地理坐标用于确定疑似传染病患者所在的社区或位置，从而可以根据地理坐标确定疫情对应的位置分布信息。
在一些实施例中，对网页文本进行信息提取和格式化处理，得到待检测数据之后，可以对待检测数据进行持久化处理并保存至数据库或数据仓库中。其中，数据库或数据仓库存储在服务器或终端的本地磁盘中。
可以理解的是，持久化是一种将程序数据在持久状态和瞬时状态间转换的机制。该机制可以把数据(如内存中的对象)保存到可永久保存的存储设备中(如本地磁盘)。
需要强调的是，为进一步保证上述待检测数据的私密和安全性，上述待检测数据还可以存储于一区块链的节点中。
通过根据预设的数据获取策略，获取社交平台中的网页文本，然后对网页文本进行信息提取和格式化处理，可以得到待检测数据。通过对待检测数据进行持久化处理，方便后续对待检测数据的使用和分析，提高了对疫情监控的效率。
S20、对所述待检测数据进行疫情主题识别，得到所述疫情对应的疫情主题，其中，所述疫情主题包括传染病类别。
需要说明的是，通过对待检测数据进行疫情主题识别，得到疫情对应的疫情主题，可以得知用户正在讨论的传染病类别和疫情的发展状况，实现对疫情进行追踪。
请参阅图3，在步骤S20中对待检测数据进行疫情主题识别，得到疫情对应的疫情主题之前，还可以包括以下步骤S201至步骤S204。
步骤S201、收集传染病信息，其中，所述传染病信息包括多种病原体名称。
具体地，可以通过数据服务器中的搜索引擎进行传染病的关键字搜索，以收集传染病信息。示例性的，如图4所示，图4是收集传染病信息的示意图。其中，传染病信息包括但不限于传染病对应的病原体、传染性、流行病学特征、感染表现、传播途径、预防措施以及治疗方式等等。
需要说明的是，病原体是指可造成人或动植物感染疾病的微生物(包括细菌、病毒、立克次氏体、真菌)、寄生虫或其他媒介(微生物重组体包括杂交体或突变体)等等。
步骤S202、根据所述传染病信息中的病原体名称对所述传染病信息进行分类，得到传染病数据库，其中，所述传染病数据库包括多种传染病类别。
示例性的，可以以病原体为细菌的传染病信息划分为第一类传染病；以病原体为病毒的传染病信息划分为第二类传染病；以病原体为真菌的传染病信息划分为第三类传染病；等等。
具体地，在传染病信息进行分类后，得到传染病数据库，如图4所示。其中，传染病数据库包括不同的传染病类别。示例性的，可以将传染病数据库存储在本地磁盘中。
需要强调的是，为进一步保证上述传染病数据库的私密和安全性，上述传染病数据库还可以存储于一区块链的节点中。
需要说明的是，传染病对应的传染病信息能够有效辅助相关传染病的识别，通过收集传染病的传染病信息并生成传染病数据库，后续可以通过传染病数据库进行疫情主题识别模型的训练，可以有效了提高疫情主题识别模型的识别准确性。
步骤S203、获取初始的疫情主题识别模型以及预设数量的文档集合作为训练样本。
示例性的，初始的疫情主题识别模型可以包括LDA(Latent DirichletAllocation，LDA贝叶斯模型)。
需要说明的是，LDA(Latent Dirichlet Allocation)是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。LDA可以识别文档中的主题，即把文档-词汇矩阵变成文档-主题矩阵和主题-词汇矩阵。其中，文档-主题矩阵服从多项式分布，主题-词矩阵服从多项式分布。
步骤S204、根据所述训练样本和所述传染病数据库中的传染病类别，对所述初始的疫情主题识别模型进行训练至收敛，得到训练后的疫情主题识别模型，其中，所述训练后的疫情主题识别模型存储在区块链中。
示例性的，在本申请实施例中，可以初始的疫情主题识别模型的基础上引入约束变量δ，初始的疫情主题识别模型中的参数计算主要包括文档-主题分布θ和主题-词分布
具体的计算公式如下：
式中，d表示训练样本中的第d个文档集合；nd,k表示wi在文档集合d中属于主题k的次数(本次抽样除外)，
表示wi所在的文档集合d属于所有主题的次数(本次抽样除外)。nk,w表示词语wi属于主题k的次数(本次抽样除外)，
表示所有词语属于主题k的次数(本次抽样除外)，V是语料库词汇总数。α和β是超参数，可以根据实际情况设定。
其中，fk(w)表示词w分配到主题k的加权值，计算如下：
fk(w)＝μnck，
式中，nck表示主题k中已分配词语在传染病类别c下的个数，μ是调节因子。传染病类别c可以是传染病数据库中的传染病类别。
通过将传染病数据库中的传染病类别作为训练时模型的传染病类型，可以在计算每个词属于主题对应的概率时，进行加权处理，可以识别出更多与传染病相关的主题。
具体地，在初始的疫情主题识别模型的训练过程中，可以根据上述公式计算训练样本中的每篇文档对应的文档-主题分布θ和主题-词分布
当文档-主题分布θ和主题-词分布
的乘积大于预设的概率阈值时，可以确定模型已收敛，得到训练后的疫情主题识别模型。其中，预设的概率阈值可以根据实际情况设定，具体数值在此不作限定。
需要强调的是，为进一步保证上述训练后的疫情主题识别模型的私密和安全性，上述训练后的疫情主题识别模型还可以存储于一区块链的节点中。
通过对初始的疫情主题识别模型进行训练，后续可以通过训练后的疫情主题识别模型对待检测数据进行疫情主题识别，提高了疫情主题识别的准确度。
在一些实施例中，对待检测数据进行疫情主题识别，确定疫情对应的疫情主题，可以包括：从区块链中获取训练后的疫情主题识别模型；将待检测数据输入训练后的疫情主题识别模型中进行疫情主题识别，将识别得到的传染病类别作为疫情对应的疫情主题。
具体地，由于训练后的疫情主题识别模型存储在区块链中，因此在对待检测数据进行疫情主题识别时，需要从区块链的节点中获取训练后的疫情主题识别模型。然后待检测数据输入训练后的疫情主题识别模型中进行疫情主题识别，识别得到传染病类别。示例性的，若识别得到传染病类别为传染病A，则可以将传染病A作为疫情对应的疫情主题。
通过将待检测数据输入训练后的疫情主题识别模型中进行疫情主题识别，可以准确地得到疫情对应的疫情主题，实现对疫情的识别和主题分析；后续还可以根据待检测数据和疫情主题进行情绪分类。
S30、对所述待检测数据进行情绪分类，得到所述疫情对应的情绪类别，其中，所述情绪类别包括用户对疫情的情绪倾向。
需要说明的是，当疫情发生时，用户在社交平台的交流沟通往往会包含各种情绪，如恐慌、害怕等等情绪倾向。在本申请实施例中，可以通过对待检测数据进行情绪分类，得到疫情对应的情绪类别。其中，情绪类别包括用户对疫情的情绪倾向。通过用户对疫情的情绪情绪，可以对用户情绪的发展有一个更好的了解，以便对用户的心理进行干预。
在一些实施例中，对待检测数据进行情绪分类，确定疫情对应的情绪类别，包括：获取训练后的情绪分类模型；将待检测数据与疫情主题输入训练后的情绪分类模型中预测情绪类别，得到疫情对应的情绪类别。示例性的，预测情绪类别的具体过程，如图5所示。
其中，训练后的情绪分类模型存储在区块链中。示例性的，待检测数据可以表示为[x1,x2,...,xn]；疫情主题可以表示为[x1′,x2′,...,xn′]。
具体地，在获取训练后的情绪分类模型之前，需要对初始的情绪分类模型进行训练，得到训练后的情绪分类模型。
示例性的，初始的情绪分类模型可以包括BI_LSTM神经网络模型。需要说明的是，BI_LSTM神经网络模型的第一层是look-up层，利用预训练或随机初始化的embedding矩阵将句子中的每个字由one-hot向量映射为低维稠密的字向量；在输入下一层之前，可以设置dropout以缓解过拟合。第二层是双向LSTM层，用于自动提取句子特征。第三层是Attention层，用于对输入的句子特征赋予不同的权重，得到关注分数。最后一层可以通过softmax函数根据关注分数生成预测类别对应的概率。
其中，双向LSTM层包括forward LSTM层和backward LSTM层。
具体地，forward LSTM层的隐层输出为h'i，backward LSTM层的隐层输出为h”i，拼接后的隐层表示为：
hi＝[h'i,h”i]，
其中，Attention层输出的关注分数o的计算如下：
ai＝tanh(Wa·hi+ba)，
o＝∑αihi，
式中，Wa和Wα表示权重矩阵；ba表示偏执量；αi表示隐层状态hi的attention权重。
在本申请实施例中，可以事先对初始的BI_LSTM神经网络模型进行情绪分类训练，将带有情绪色彩的句子的训练样本输入BI_LSTM神经网络模型训练至收敛，得到训练后的情绪分类模型。通过对初始的情绪分类模型进行训练至收敛，可以提高训练后的情绪分类模型预测情绪类别的准确度。
需要强调的是，为进一步保证上述训练后的情绪分类模型的私密和安全性，上述训练后的情绪分类模型还可以存储于一区块链的节点中。
具体地，可以从区块链节点中获取训练后的疫情主题识别模型，将待检测数据[x1,x2,...,xn]输入训练后的疫情主题识别模型的forward LSTM层以及将疫情主题[x1′,x2′,...,xn′]输入训练后的疫情主题识别模型的backward LSTM层中；然后将forward LSTM层输出的隐状态序列与backward LSTM层在各个位置输出的隐状态进行按位置拼接，得到完整的隐状态序列；再将隐状态序列输入Attention层中，对隐状态序列中的特征进行赋予权重，得到关注度分数；利用softmax函数将关注度分数转化为待检测数据对应的情绪类别的概率分布。
具体地，可以将概率最大的情绪类别作为待检测数据对应的情绪类别。示例性的，情绪类别可以包括但不限于乐观、悲伤、愤怒、惊讶、焦虑以及恐惧等等。
通过将待检测数据结合疫情对应的疫情主题输入训练后的情绪类别模型中进行情绪类别的预测，可以有效地提高了情绪类别的预测准确度；还可以准确地确定用户对疫情的情绪倾向，有助于相关部门作出对应的决策，实现对用户进行心理干预和辅导。
S40、提取所述待检测数据中的位置信息，得到所述疫情对应的位置分布信息。
需要说明的是，在各社交平台获取的网页文本之后，对网页文本进行信息提取，可以得到包括时间、内容、地理坐标等疫情信息的待检测数据，因此可以提取待检测数据中的地理坐标作为位置信息，得到疫情对应的位置分布信息。
示例性的，若待检测数据1对应的位置信息为(x1,y1)，待检测数据1对应的位置信息为(x2,y2)，待检测数据1对应的位置信息为(x3,y3)，则得到疫情对应的位置分布信息为[(x1,y1)，(x2,y2)，(x3,y3)]。
通过提取待检测数据中的位置信息，得到疫情对应的位置分布信息，可以实现对疫情的扩散进行追踪。
S50、将所述疫情对应的疫情主题、所述情绪类别以及所述位置分布信息作为所述疫情对应的监控信息并输出。
具体地，根据疫情对应的疫情主题、情绪类别以及位置分布信息，生成疫情对应的监控信息并输出。示例性的，若疫情对应的疫情主题为传染病A，情绪类别为恐惧、位置分布信息为[(x1,y1)，(x2,y2)，(x3,y3)]，则疫情对应的监控信息为：疫情主题：传染病A，情绪类别：恐惧，位置分布信息：[(x1,y1)，(x2,y2)，(x3,y3)]。
示例性的，可以在服务器或终端的显示界面显示监控信息。如图6所示。
通过根据疫情对应的疫情主题、情绪类别以及位置分布信息，生成疫情对应的监控信息，提高了疫情监控的准确性和效率；实现更加全面地了解和分析疫情的相关信息，进而采用更加有效的防控措施。
请参阅图7，图7是本申请实施例提供的对监控信息进行更新的示意性流程图。在一些实施例中，步骤S50中将疫情对应的疫情主题、情绪类别以及位置分布信息作为疫情对应的监控信息并输出之后，还可以对监控信息进行更新，具体可以包括以下步骤S60至步骤S80。
步骤S60、获取预设时间段内的多条待检测数据。
具体地，在生成疫情对应的监控信息之后，可以继续从各社交平台获取网页文本并生成待检测数据。
示例性的，预设时间段可以根据实际情况进行设定。例如，预设时间段可以是10min，也可以是20min，具体数值在此不作限定。
步骤S70、根据所述多条待检测数据与所述疫情对应的疫情主题之间的相似度，对所述监控信息中的疫情主题进行更新。
具体地，可以根据预设的聚类算法，确定多条待检测数据与疫情对应的疫情主题之间的相似度。若存在相似度小于预设的相识度阈值的待检测数据，则对待检测数据进行疫情主题识别，以确定疫情对应的新的疫情主题。
其中，预设的相识度阈值可以表示为β，相识度阈值β可以根据实际情况设定，具体数值在此不作限定。
示例性的，预设的聚类算法可以包括但不限于聚合聚类、分解聚类、基于密度的聚类、人工神经网络、子空间聚类以及联合聚类等等。其中，聚合聚类可以包括Single-Pass聚类算法、Single-Link聚类算法以及Average-Link聚类算法。
示例性的，在本申请实施例中，预设的聚类算法可以采用Single-Pass聚类算法，当然也可以采用其它聚类算法，在此不作限定。需要说明的是，Single-Pass聚类算法是一种流式的聚类算法，每个样本只会参与一次样本聚类，对样本的先后顺序有一定的依赖关系。对于某个未知新样本，如果与现有的某个类足够相似，那么就放入这个类，否则就自成一类。
具体地，可以根据Single-Pass聚类算法顺序地处理输入的待检测数据，计算每一条待检测数据与疫情对应的疫情主题之间的相似度。
具体地，相似度的计算，可以根据欧式距离、余弦相识度、Jaccard相似系数以及Pearson相关系数等相似度算法进行计算。
示例性的，若存在与疫情对应的疫情主题之间的相似度大于相识度阈值β的待检测数据，则可以确定待检测数据对应的疫情主题归属疫情原有的疫情主题下。
示例性的，若存在相似度小于相识度阈值β的待检测数据，则对该待检测数据进行疫情主题识别，以确定疫情对应的新的疫情主题。具体地，将该待检测数据输入训练后的疫情主题识别模型中进行疫情主题识别，得到疫情对应的新的疫情主题。
其中，疫情主题识别的过程，可以参见上述实施例的详细说明，具体过程在此不再赘述。
示例性的，得到疫情对应的新的疫情主题，例如新的疫情主题为传染病B。
步骤S80、根据所述多条待检测数据中的位置信息，对所述监控信息中的位置分布信息进行更新。
具体地，提取多条待检测数据中的地理坐标作为位置信息。示例性的，若待检测数据4对应的位置信息为(x4,y4)，待检测数据5对应的位置信息为(x5，y,5)，待检测数据6对应的位置信息为(x6,y6)，则将待检测数据4、5和6各自对应的位置信息添加至监控信息中的位置分布信息中，得到更新后的位置分布信息为[(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，(x5，y,5)，(x6,y6)]。
示例性的，将新的疫情主题和更新后的位置分布信息在服务器或终端的显示界面显示，如图8所示，图8本申请实施例提供的在显示界面显示更新的监控信息的示意性框图。
通过对监控信息中的疫情主题进行更新以及对监控信息中的位置分布信息进行更新，可以实现对疫情的扩散趋势进行动态追踪，从而可以根据疫情的扩散趋势采取更加有效的防控措施。
上述实施例提供的疫情监控方法，通过根据预设的数据获取策略，获取社交平台中的网页文本，然后对网页文本进行信息提取和格式化处理，可以得到待检测数据；通过对待检测数据进行持久化处理，方便后续对待检测数据的使用和分析，提高了对疫情监控的效率；通过将待检测数据输入训练后的疫情主题识别模型中进行疫情主题识别，可以准确地得到疫情对应的疫情主题，实现对疫情的识别和主题分析；通过将待检测数据结合疫情对应的疫情主题输入训练后的情绪类别模型中进行情绪类别的预测，可以有效地提高了情绪类别的预测准确度；还可以准确地确定用户对疫情的情绪倾向，有助于相关部门作出对应的决策，实现对用户进行心理干预和辅导；通过提取待检测数据中的位置信息，得到疫情对应的位置分布信息，可以实现对疫情的扩散进行追踪；通过将疫情对应的疫情主题、情绪类别以及位置分布信息作为疫情对应的监控信息，提高了疫情监控的准确性和效率；实现更加全面地了解和分析疫情的相关信息，进而采用更加有效的防控措施；通过对监控信息中的疫情主题进行更新以及对监控信息中的位置分布信息进行更新，可以实现对疫情的扩散趋势进行动态追踪，从而可以根据疫情的扩散趋势采取更加有效的防控措施。本申请实施例提供的疫情监控方法，可适用于智慧医疗领域，从而进一步推动智慧城市的建设。
请参阅图9，图9是本申请的实施例还提供一种疫情监控装置100的示意性框图，该疫情监控装置用于执行前述的疫情监控方法。其中，该疫情监控装置可以配置于服务器或终端中。
如图9所示，该疫情监控装置100，包括：数据获取模块101、疫情主题识别模块102、情绪分类模块103、位置提取模块104和监控信息生成模块105。
数据获取模块101，用于获取待检测数据，其中，所述待检测数据包括疫情信息以及所述待检测数据用于确定疫情对应的监控信息。
疫情主题识别模块102，用于对所述待检测数据进行疫情主题识别，得到所述疫情对应的疫情主题，其中，所述疫情主题包括传染病类别。
情绪分类模块103，用于对所述待检测数据进行情绪分类，得到所述疫情对应的情绪类别，其中，所述情绪类别包括用户对疫情的情绪倾向。
位置提取模块104，用于提取所述待检测数据中的位置信息，得到所述疫情对应的位置分布信息。
监控信息生成模块105，用于将所述疫情对应的疫情主题、所述情绪类别以及所述位置分布信息作为所述疫情对应的监控信息并输出。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10，图10是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。
请参阅图10，该计算机设备包括通过系统总线连接的处理器和存储器，其中，存储器可以包括非易失性存储介质和内存储器。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种疫情监控方法。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器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。其中，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。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取待检测数据，其中，所述待检测数据包括疫情信息以及所述待检测数据用于确定疫情对应的监控信息；对所述待检测数据进行疫情主题识别，得到所述疫情对应的疫情主题，其中，所述疫情主题包括传染病类别；对所述待检测数据进行情绪分类，得到所述疫情对应的情绪类别，其中，所述情绪类别包括用户对疫情的情绪倾向；提取所述待检测数据中的位置信息，得到所述疫情对应的位置分布信息；将所述疫情对应的疫情主题、所述情绪类别以及所述位置分布信息作为所述疫情对应的监控信息并输出。
在一个实施例中，所述处理器在实现获取待检测数据时，用于实现：
根据预设的数据获取策略，获取社交平台中的网页文本，其中，所述网页文本包括用户谈论疫情的聊天记录；对所述网页文本进行信息提取和格式化处理，得到所述待检测数据，其中，所述待检测数据包括疫情信息。
在一个实施例中，所述处理器在实现对所述待检测数据进行疫情主题识别，确定所述疫情对应的疫情主题之前，还用于实现：
收集传染病信息，其中，所述传染病信息包括多种病原体名称；根据所述传染病信息中的病原体名称对所述传染病信息进行分类，得到传染病数据库，其中，所述传染病数据库包括多种传染病类别；获取初始的疫情主题识别模型以及预设数量的文档集合作为训练样本；根据所述训练样本和所述传染病数据库中的传染病类别，对所述初始的疫情主题识别模型进行训练至收敛，得到训练后的疫情主题识别模型，其中，所述训练后的疫情主题识别模型存储在区块链中。
在一个实施例中，所述处理器在实现对所述待检测数据进行疫情主题识别，确定所述疫情对应的疫情主题时，用于实现：
从区块链中获取训练后的疫情主题识别模型；将所述待检测数据输入所述训练后的疫情主题识别模型中进行疫情主题识别，将识别得到的传染病类别作为所述疫情对应的疫情主题。
在一个实施例中，所述处理器在实现对所述待检测数据进行情绪分类，确定所述疫情对应的情绪类别时，用于实现：
获取训练后的情绪分类模型，其中，所述训练后的情绪分类模型存储在区块链中；将所述待检测数据与所述疫情主题输入所述情绪分类模型中预测情绪类别，得到所述疫情对应的情绪类别。
在一个实施例中，所述处理器在实现将所述疫情对应的疫情主题、所述情绪类别以及所述位置分布信息作为所述疫情对应的监控信息并输出之后，还用于实现：
获取预设时间段内的多条待检测数据；根据所述多条待检测数据与所述疫情对应的疫情主题之间的相似度，对所述监控信息中的疫情主题进行更新；根据所述多条待检测数据中的位置信息，对所述监控信息中的位置分布信息进行更新。
在一个实施例中，所述处理器在实现根据所述多条待检测数据与所述疫情对应的疫情主题之间的相似度，对所述监控信息中的疫情主题进行更新时，用于实现：
根据预设的聚类算法，确定所述多条待检测数据与所述疫情对应的疫情主题之间的相似度；若存在相似度小于预设的相识度阈值的待检测数据，则对所述待检测数据进行疫情主题识别，以确定所述疫情对应的新的疫情主题。
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项疫情监控方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字卡(Secure Digital Card，SD Card)，闪存卡(Flash Card)等。
进一步地，所述计算机可读存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请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。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种疫情监控方法，其特征在于，包括：
获取待检测数据，其中，所述待检测数据包括疫情信息以及所述待检测数据用于确定疫情对应的监控信息；
对所述待检测数据进行疫情主题识别，得到所述疫情对应的疫情主题，其中，所述疫情主题包括传染病类别；
对所述待检测数据进行情绪分类，得到所述疫情对应的情绪类别，其中，所述情绪类别包括用户对疫情的情绪倾向；
提取所述待检测数据中的位置信息，得到所述疫情对应的位置分布信息；
将所述疫情对应的疫情主题、所述情绪类别以及所述位置分布信息作为所述疫情对应的监控信息并输出。
2.根据权利要求1所述的疫情监控方法，其特征在于，所述获取待检测数据，包括：
根据预设的数据获取策略，获取社交平台中的网页文本，其中，所述网页文本包括用户谈论疫情的聊天记录；
对所述网页文本进行信息提取和格式化处理，得到所述待检测数据，其中，所述待检测数据包括疫情信息。
3.根据权利要求1所述的疫情监控方法，其特征在于，所述对所述待检测数据进行疫情主题识别，确定所述疫情对应的疫情主题之前，还包括：
收集传染病信息，其中，所述传染病信息包括多种病原体名称；
根据所述传染病信息中的病原体名称对所述传染病信息进行分类，得到传染病数据库，其中，所述传染病数据库包括多种传染病类别；
获取初始的疫情主题识别模型以及预设数量的文档集合作为训练样本；
根据所述训练样本和所述传染病数据库中的传染病类别，对所述初始的疫情主题识别模型进行训练至收敛，得到训练后的疫情主题识别模型，其中，所述训练后的疫情主题识别模型存储在区块链中。
4.根据权利要求3所述的疫情监控方法，其特征在于，所述对所述待检测数据进行疫情主题识别，确定所述疫情对应的疫情主题，包括：
从区块链中获取训练后的疫情主题识别模型；
将所述待检测数据输入所述训练后的疫情主题识别模型中进行疫情主题识别，将识别得到的传染病类别作为所述疫情对应的疫情主题。
5.根据权利要求1所述的疫情监控方法，其特征在于，所述对所述待检测数据进行情绪分类，确定所述疫情对应的情绪类别，包括：
获取训练后的情绪分类模型，其中，所述训练后的情绪分类模型存储在区块链中；
将所述待检测数据与所述疫情主题输入所述情绪分类模型中预测情绪类别，得到所述疫情对应的情绪类别。
6.根据权利要求1-5任一项所述的疫情监控方法，其特征在于，所述将所述疫情对应的疫情主题、所述情绪类别以及所述位置分布信息作为所述疫情对应的监控信息并输出之后，还包括：
获取预设时间段内的多条待检测数据；
根据所述多条待检测数据与所述疫情对应的疫情主题之间的相似度，对所述监控信息中的疫情主题进行更新；
根据所述多条待检测数据中的位置信息，对所述监控信息中的位置分布信息进行更新。
7.根据权利要求6所述的疫情监控方法，其特征在于，所述根据所述多条待检测数据与所述疫情对应的疫情主题之间的相似度，对所述监控信息中的疫情主题进行更新，包括：
根据预设的聚类算法，确定所述多条待检测数据与所述疫情对应的疫情主题之间的相似度；
若存在相似度小于预设的相识度阈值的待检测数据，则对所述待检测数据进行疫情主题识别，以确定所述疫情对应的新的疫情主题。
8.一种疫情监控装置，其特征在于，包括：
数据获取模块，用于获取待检测数据，其中，所述待检测数据包括疫情信息以及所述待检测数据用于确定疫情对应的监控信息；
疫情主题识别模块，用于对所述待检测数据进行疫情主题识别，得到所述疫情对应的疫情主题，其中，所述疫情主题包括传染病类别；
情绪分类模块，用于对所述待检测数据进行情绪分类，得到所述疫情对应的情绪类别，其中，所述情绪类别包括用户对疫情的情绪倾向；
位置提取模块，用于提取所述待检测数据中的位置信息，得到所述疫情对应的位置分布信息；
监控信息生成模块，用于将所述疫情对应的疫情主题、所述情绪类别以及所述位置分布信息作为所述疫情对应的监控信息并输出。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7任一项所述的疫情监控方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一所述的疫情监控方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010785313.8A CN111968753A (zh) | 2020-08-06 | 2020-08-06 | 疫情监控方法、装置、计算机设备和存储介质 |
| PCT/CN2020/117431 WO2021139220A1 (zh) | 2020-08-06 | 2020-09-24 | 疫情监控方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010785313.8A CN111968753A (zh) | 2020-08-06 | 2020-08-06 | 疫情监控方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111968753A true CN111968753A (zh) | 2020-11-20 |
Family
ID=73364729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010785313.8A Pending CN111968753A (zh) | 2020-08-06 | 2020-08-06 | 疫情监控方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111968753A (zh) |
| WO (1) | WO2021139220A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113299401A (zh) * | 2021-05-28 | 2021-08-24 | 平安科技（深圳）有限公司 | 传染病数据的传播监测方法、装置、计算机设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200310A (zh) * | 2014-08-10 | 2014-12-10 | 深圳市检验检疫科学研究院 | 一种国境口岸传染病检疫决策支援系统 |
| CN108647249A (zh) * | 2018-04-18 | 2018-10-12 | 平安科技（深圳）有限公司 | 舆情数据预测方法、装置、终端及存储介质 |
| CN109447484A (zh) * | 2018-11-01 | 2019-03-08 | 安徽易商数码科技有限公司 | 一种动植物疫病疫情联防联控大数据系统 |
| WO2019196286A1 (zh) * | 2018-04-11 | 2019-10-17 | 平安科技（深圳）有限公司 | 疾病预测方法及装置、计算机装置及可读存储介质 |
| CN110991218A (zh) * | 2019-10-10 | 2020-04-10 | 北京邮电大学 | 一种基于图像的网络舆情预警系统和方法 |
| CN111310476A (zh) * | 2020-02-21 | 2020-06-19 | 山东大学 | 一种使用基于方面的情感分析方法的舆情监控方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544568A (zh) * | 2013-10-28 | 2014-01-29 | 济南市疾病预防控制中心 | 数字疾控信息集成与智慧公卫管理平台 |
| JP6823379B2 (ja) * | 2016-04-26 | 2021-02-03 | シスメックス株式会社 | モニタリング方法、情報処理装置、情報処理システム、及びコンピュータプログラム |
-
2020
- 2020-08-06 CN CN202010785313.8A patent/CN111968753A/zh active Pending
- 2020-09-24 WO PCT/CN2020/117431 patent/WO2021139220A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200310A (zh) * | 2014-08-10 | 2014-12-10 | 深圳市检验检疫科学研究院 | 一种国境口岸传染病检疫决策支援系统 |
| WO2019196286A1 (zh) * | 2018-04-11 | 2019-10-17 | 平安科技（深圳）有限公司 | 疾病预测方法及装置、计算机装置及可读存储介质 |
| CN108647249A (zh) * | 2018-04-18 | 2018-10-12 | 平安科技（深圳）有限公司 | 舆情数据预测方法、装置、终端及存储介质 |
| CN109447484A (zh) * | 2018-11-01 | 2019-03-08 | 安徽易商数码科技有限公司 | 一种动植物疫病疫情联防联控大数据系统 |
| CN110991218A (zh) * | 2019-10-10 | 2020-04-10 | 北京邮电大学 | 一种基于图像的网络舆情预警系统和方法 |
| CN111310476A (zh) * | 2020-02-21 | 2020-06-19 | 山东大学 | 一种使用基于方面的情感分析方法的舆情监控方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 《中国索引》编辑部: "云计算与大数据应用研究", 电子科技大学出版社, pages: 200 - 202 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113299401A (zh) * | 2021-05-28 | 2021-08-24 | 平安科技（深圳）有限公司 | 传染病数据的传播监测方法、装置、计算机设备及介质 |
| CN113299401B (zh) * | 2021-05-28 | 2023-04-07 | 平安科技（深圳）有限公司 | 传染病数据的传播监测方法、装置、计算机设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021139220A1 (zh) | 2021-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arbia | Spatial econometrics | |
| Nie et al. | Identifying users across social networks based on dynamic core interests | |
| Rosa et al. | Event detection system based on user behavior changes in online social networks: Case of the covid-19 pandemic | |
| Udanor et al. | Combating the challenges of social media hate speech in a polarized society: A Twitter ego lexalytics approach | |
| Guarino et al. | An automatic mechanism to provide privacy awareness and control over unwittingly dissemination of online private information | |
| Jahanbin et al. | Application of Twitter and web news mining in infectious disease surveillance systems and prospects for public health | |
| Shehu et al. | Deep sentiment analysis: a case study on stemmed Turkish twitter data | |
| Chamberlain | Groupsourcing: Distributed problem solving using social networks | |
| Alabdulkreem | Prediction of depressed Arab women using their tweets | |
| Razi et al. | A human-centered systematic literature review of the computational approaches for online sexual risk detection | |
| Kalantari et al. | Characterizing the online discourse in Twitter: Users’ reaction to misinformation around COVID-19 in Twitter | |
| US20200202233A1 (en) | Future scenario generating device and method, and computer program | |
| Kaliyar et al. | Understanding the use and abuse of social media: Generalized fake news detection with a multichannel deep neural network | |
| CN111968753A (zh) | 疫情监控方法、装置、计算机设备和存储介质 | |
| Liang et al. | Clustering help-seeking behaviors in LGBT online communities: a prospective trial | |
| Bhambhoria et al. | Towards providing clinical insights on long covid from twitter data | |
| Naseem et al. | Incorporating historical information by disentangling hidden representations for mental health surveillance on social media | |
| Cevallos et al. | Fake news detection on COVID 19 tweets via supervised learning approach | |
| Hoberg | Supply chain and big data | |
| Sun et al. | Trends detection of flu based on ensemble models with emotional factors from social networks | |
| Griné et al. | A Social Media Tool for Domain-Specific Information Retrieval-A Case Study in Human Trafficking | |
| Hayashi et al. | Data origination: human-centered approach for design, acquisition, and utilization of data | |
| Cambria | Sentic computing | |
| Spranger et al. | SoNA: A knowledge-based social network analysis framework for predictive policing | |
| Loux | Standardization |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201120 |