CN112380859A - 舆情信息的推荐方法、装置、电子设备及计算机存储介质 - Google Patents

Abstract

本发明涉及数据处理技术，揭露了一种舆情信息的推荐方法，包括：对获取的舆情信息进行分词处理得到分词集；计算分词集的分词指标；利用分词集与分词指标构建舆情特征向量；计算舆情特征向量与多个预设标准标签的相似系数，根据相似系数选取预设数量的预设标准标签为舆情信息的内容画像；从获取的目标用户的信息集中提取目标用户的多个特征并生成目标用户的用户画像；计算用户画像和内容画像的匹配值；当匹配值满足预设条件时，将内容画像对应的舆情信息推送至目标用户。本发明还提出了舆情信息的推荐装置、设备及计算机可读存储介质。此外，本发明还涉及区块链技术，舆情信息可存储于区块链节点中。本发明可以实现对用户进行个性化的舆情推荐。

Description

舆情信息的推荐方法、装置、电子设备及计算机存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种舆情信息的推荐方法、装置、电子设备及计算机可读存储介质。

背景技术

伴随着互联网的进步，网络舆情信息每时每刻都在产生，并以极快的速度传播和蔓延，充斥着生活的每一个角落。当舆情产生时，通常会向用户进行舆情推送。

现有的舆情推送方法为基于热点的舆情推荐方法，即基于舆情热度排序给用户进行推荐，但很多情况下，并非所有用户都对热度高的事件感兴趣，基于热度算法的舆情推荐很难满足不同用户的个性化需求。因此，如何对不同用户进行个性化的舆情推荐，成为了亟待解决的问题。

发明内容

本发明提供一种舆情信息的推荐方法、装置、电子设备及计算机可读存储介质，其主要目的在于实现对用户进行个性化的舆情推荐。

为实现上述目的，本发明提供的一种舆情信息的推荐方法，包括：

获取舆情信息，对所述舆情信息进行分词处理，得到分词集；

利用指标算法计算所述分词集中每个分词的分词指标；

利用所述分词集与所述分词集中每个分词对应的分词指标构建所述舆情信息的舆情特征向量；

计算所述舆情特征向量与多个预设标准标签的相似系数，根据所述相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像；

获取目标用户的信息集，基于所述信息集提取所述目标用户的多个特征，基于所述多个特征生成所述目标用户的用户画像；

计算所述用户画像和所述内容画像的匹配值；

当所述匹配值满足预设条件时，将所述内容画像对应的舆情信息推送至所述目标用户。

可选地，所述对所述舆情信息进行分词处理，得到分词集，包括：

利用预设停用词库删除所述舆情信息包含的停用词；

利用预设标准词库对删除停用词后的舆情信息进行分词处理，得到分词集。

可选地，所述利用所述分词集与所述分词集中每个分词对应的分词指标构建舆情特征向量，包括：

将所述分词集中每个分词转换为词向量，得到词向量集；

将所述词向量集中的词向量与所述分词集中每个分词对应的分词指标进行算术运算，得到舆情特征向量。

可选地，所述将所述分词集中每个分词进行词向量转换，得到词向量集，包括：

获取所述分词集中每个分词对应的字节向量集，所述字节向量集中包含每个分词中每个字节的字节向量；

将每个分词对应的字节向量集中的字节向量分别进行拼接，得到所述词向量集。

可选地，所述根据所述相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像，包括：

选取与所述舆情特征向量的相似系数大于预设相似阈值的多个预设标准标签；

将所述多个预设标准标签按照所述相似系数从大到小进行排序；

按照从前到后的顺序从所述多个预设标准标签中选取预设数量的预设标准标签为所述舆情信息的内容画像。

可选地，所述基于所述多个特征生成所述目标用户的用户画像，包括：

计算所述多个特征中各特征的分类值；

根据所述分类值所在的数值区间确定所述多个特征中各特征的分类；

根据所述分类计算用户指标，以及确定所述用户指标为所述目标用户的用户画像。

可选地，所述当所述匹配值满足预设条件时，将所述内容画像对应的舆情信息推送至所述目标用户，包括：

当所述匹配值大于预设匹配值时，获取推送队列任务，其中，所述推送队列任务中包括推送顺序；

按照所述推送顺序将所述内容画像对应的舆情信息推送至所述目标用户。

为了解决上述问题，本发明还提供一种舆情信息的推荐装置，所述装置包括：

舆情分词模块，用于获取舆情信息，对所述舆情信息进行分词处理，得到分词集；

指标计算模块，用于利用指标算法计算所述分词集中每个分词的分词指标；

向量构建模块，用于利用所述分词集与所述分词集中每个分词对应的分词指标构建所述舆情信息的舆情特征向量；

内容画像生成模块，用于计算所述舆情特征向量与多个预设标准标签的相似系数，根据所述相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像；

用户画像生成模块，用于获取目标用户的信息集，基于所述信息集提取所述目标用户的多个特征，基于所述多个特征生成所述目标用户的用户画像；

匹配值计算模块，用于计算所述用户画像和所述内容画像的匹配值；

舆情推送模块，用于当所述匹配值满足预设条件时，将所述内容画像对应的舆情信息推送至所述目标用户。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个计算机程序；及

处理器，执行所述存储器中存储的计算机程序以实现如上所述的舆情信息的推荐方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如上所述的舆情信息的推荐方法。

本发明实施例通过对舆情信息进行分词处理并计算得到分词集中每个分词的分词指标，利用分词集和分词指标构建舆情特征向量并计算舆情特征向量与预设标准标签的相似系数，根据相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像，由于利用舆情特征向量与预设标准标签的相似系数选取内容画像，所以得到的内容画像的精度高，因此，可提高生成的内容画像的精确度；通过提取目标用户的信息集的多个特征并根据多个特征生成目标用户的用户画像，可提高生成的用户画像的精确度；通过获取目标用户的信息集，基于信息集提取目标用户的多个特征，基于多个特征生成目标用户的用户画像，计算用户画像和内容画像的匹配值，进而将匹配值满足预设条件的内容画像对应的舆情信息推送至所述目标用户，实现了利用匹配值筛选出满足预设条件的内容画像对应的舆情信息并推送给目标用户，提高了筛选出的舆情信息与目标用户的匹配性，从而可以实现个性化的对用户进行舆情推荐的目的。因此本发明提出的舆情信息的推荐方法、装置及计算机可读存储介质，可以对实现对用户进行个性化的舆情推荐。

附图说明

图1为本发明一实施例提供的舆情信息的推荐方法的流程示意图；

图2为本发明一实施例提供的舆情信息的推荐装置的模块示意图；

图3为本发明一实施例提供的实现舆情信息的推荐方法的电子设备的内部结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供的舆情信息的推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述舆情信息的推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

本发明提供一种舆情信息的推荐方法。参照图1所示，为本发明一实施例提供的舆情信息的推荐方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。

在本实施例中，舆情信息的推荐方法包括：

S1、获取舆情信息，对所述舆情信息进行分词处理，得到分词集。

本发明实施例中，所述舆情信息可以为任何实时新闻，例如体育新闻，时事报道等。

本发明实施例可利用具有数据抓取功能的python语句从用于存储舆情信息的区块链节点中获取所述舆情信息，利用区块链节点对数据的高吞吐性，可提高获取舆情信息的效率。

详细地，所述对所述舆情信息进行分词处理，得到分词集，包括：

利用预设停用词库删除所述舆情信息包含的停用词；

利用预设标准词库对删除停用词后的舆情信息进行分词处理，得到分词集。

具体地，预设停用词库和预设标准词库为包含多个分词的词库。预设停用词库中存储有多个停用词的分词，例如，“率尔”、“如次”。预设标准词库中包含多个非停用词的分词，例如，“吃饭”、“睡觉”。

本发明实施例对舆情信息进行分词处理，可将长度较大的舆情信息划分为多个分词，通过对多个分词进行分析处理相比直接通过舆情信息进行处理效率和准确性更高。

S2、利用指标算法计算所述分词集中每个分词的分词指标。

本发明实施例中，所述分词指标是指可以反映分词重要程度的指标，例如，表示分词出现频率的频率指标、表示分词权重的权重指标等。

本发明实施例中，所述利用指标算法计算所述分词集中每个分词的分词指标，包括：

利用如下指标算法计算所述分词集中每个分词的分词指标：

TD＝TF_i×IDF_i

其中，TF_i为分词i在所述分词集中出现的频率，IDF_i为分词i在所述分词集中出现的频率的相反值。

S3、利用所述分词集与所述分词集中每个分词对应的分词指标构建所述舆情信息的舆情特征向量。

本发明实施例中，所述利用所述分词集与所述分词集中每个分词对应的分词指标构建舆情特征向量，包括：

将所述分词集中每个分词转换为词向量，得到词向量集；

将所述词向量集中的词向量与所述分词集中每个分词对应的分词指标进行算术运算，得到舆情特征向量。详细地，所述将所述分词集中每个分词转换为词向量，得到词向量集，包括：

获取所述分词集中每个分词对应的字节向量集，所述字节向量集中包含每个分词中每个字节的字节向量；

将每个分词对应的字节向量集中的字节向量分别进行拼接，得到所述词向量集。

所述将所述词向量集中的词向量与所述分词集中每个分词对应的分词指标进行算术运算具体是指：将所述分词集每个分词对应的词向量和所述分词集每个分词对应的分词指标进行算术运算，得到舆情特征向量。

具体地，本发明实施例可将分词集中的各分词与各分词对应的分词指标进行相乘并加总，得到舆情特征向量，例如，分词集中存在分词1对应的词向量为A、分词2对应的词向量为B和分词3对应的词向量为C；分词1对应的分词指标为a，分词2对应的分词指标为b，分词3对应的分词指标为c，则将每个分词对应的词向量和每个分词对应的分词指标进行算术运算，得到舆情特征向量为A*a+B*b+C*c。

由于不同舆情信息的分词集中包含多个分词，且不同分词的分词指标不相同，因此利用分词集与分词集中每个分词对应的分词指标构建出的舆情信息的舆情特征向量，可唯一标识该舆情信息的特征，避免后续在对舆情特征向量进行分析时出现舆情信息与舆情特征向量关系不明确的情况，有利于提高后续对舆情特征向量进行分析的精确度。

S4、计算所述舆情特征向量与多个预设标准标签的相似系数，根据所述相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像。

本发明实施例中，所述计算所述舆情特征向量与多个预设标准标签的相似系数，包括：

利用如下相似算法计算所述舆情特征向量与多个预设标准标签的相似系数：

其中，J(α,β)为所述舆情特征向量与预设标准标签的相似系数，α为所述舆情特征向量，β为预设标准标签，|α|为所述舆情特征向量的模长，|β|为预设标准标签的模长，|α∩β|为所述舆情特征向量与预设标准标签的交集的模长。

例如，舆情信息的舆情特征向量为Q，存在多个预设标准标签(预设标准标签1、预设标准标签2和预设标准标签3)，则分别计算舆情特征向量Q与预设标准标签1的相似系数、舆情特征向量Q与预设标准标签2的相似系数和舆情特征向量Q与预设标准标签3的相似系数。

本发明实施例中，所述根据所述相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像，包括：

选取与所述舆情特征向量的相似系数大于预设相似阈值的多个预设标准标签；

将所述多个预设标准标签按照所述相似系数从大到小进行排序；

按照从前到后的顺序从所述多个预设标准标签中选取预设数量的预设标准标签为所述舆情信息的内容画像。

例如，预设相似阈值为50，舆情特征向量Q与预设标准标签1的相似系数为20、舆情特征向量Q与预设标准标签2的相似系数为80，舆情特征向量Q与预设标准标签3的相似系数为60，舆情特征向量Q与预设标准标签4的相似系数为70；则选取预设标准标签2、预设标准标签3和预设标准标签4，且将预设标准标签2、预设标准标签3和预设标准标签4按照相似系数的大小进行排序为：预设标准标签2、预设标准标签4、预设标准标签3；当预设数量为2时，则按照从前到后的顺序从标签序列中选取预设标准标签2和预设标准标签4为目标舆情信息的内容画像。

S5、获取目标用户的信息集，基于所述信息集中提取所述目标用户的多个特征，基于所述多个特征生成所述目标用户的用户画像。

本发明实施例中，所述目标用户的信息集可从用于存储用户的信息集的数据库中获取，所述信息集包括用户的多个信息，例如，用户对舆情的浏览偏好，用户对不同舆情的浏览时长等；所述数据库包括但不限于mysql数据库，Oracle数据库。

较佳地，所述多个特征包括用户的浏览偏好特征，用户的浏览时长特征等。

详细地，所述基于所述信息集中提取所述目标用户的多个特征，包括：

获取训练用户信息集以及所述训练用户信息集对应的标准用户特征；

利用预设的特征提取模型对所述训练用户信息集进行特征提取，得到预测用户特征；

计算所述预测用户特征和所述标准用户特征之间的差异值；

若所述差异值大于误差阈值，则调整所述特征提取模型的参数后重新进行特征提取；

若所述差异值小于所述误差阈值，则生成训练完成的特征提取模型；

利用训练完成的特征提取模型对所述用户信息集进行特征提取，得到所述目标用户的多个特征。

具体地，所述计算所述预测用户特征和所述标准用户特征之间的差异值，包括：

利用如下差异算法计算所述预测用户特征和所述标准用户特征之间的差异值d(A，B)²：

d(A，B)²＝||A一B||²

其中，A为所述预测用户特征，B为所述标准用户特征。

进一步地，所述基于所述多个特征生成所述目标用户的用户画像，包括：

计算所述多个特征中各特征的分类值；

根据所述分类值所在的数值区间确定所述多个特征中各特征的分类；

根据所述分类计算用户指标，以及确定所述用户指标为所述目标用户的用户画像。

详细地，所述计算所述多个特征中各特征的分类值，包括：

利用如下偏好算法计算多个特征中浏览偏好特征的分类值S：

S＝1×click+5×favor+10×comment+20×share

其中，click为所述舆情信息的网络点击次数，favor为所述舆情信息的网络评分，comment为所述舆情信息的网络评论次数，share为所述舆情信息在网络上被转载的次数。

详细地，根据所述分类值所在的数值区间确定所述多个特征中各特征的分类，例如，当分类值在区间[w，x)时，特征分类为第一类，当分类值在区间[x，y)时，特征分类为第二类，当分类值在区间[y，z)时，特征分类为第三类，当w＜S＜x时，则多个特征中浏览偏好特征的分类为第一类。

本发明实施例利用预设的用户指标算法计算用户指标，所述用户指标是指能够代表用户行为的指标数据，例如，用户的参与度指标，可以用于表示用户在一个舆情信息中的参与程度。用户指标算法中包含多个特征中各特征的分类对应的参数，例如特征的分类为第一类对应的参数为&，则将第一类的参数输入至预设的用户指标算法，即可计算得到用户指标。所述用户指标算法可为预先设定的，例如：

利用如下预先设定的用户指标算法计算用户参与度指标：

Can＝θ*S+τ*T

其中，Can为所述用户参与度指标，S为浏览偏好特征的分类值，T为浏览时长特征的分类值，θ、τ为预设权重系数。

本发明实施例通过目标用户的信息集提取目标用户的多个特征，并基于多个特征生成目标用户的用户画像，能够生成精确度高的用户画像，有利于后续精准的向用户进行舆情推荐。

S6、计算所述用户画像和所述内容画像的匹配值。

本发明实施例中，可利用隐语言模型LFM来进行用户画像和所述内容画像的匹配。

所述隐语言模型LFM是一种分类推荐领域的机器学习模型，通过隐语言模型LFM可计算出用户画像和内容画像的匹配值。

具体的，可将用户画像和内容画像输入至预选构建的隐语言模型LFM中，通过隐语言模型LFM计算用户画像和内容画像的匹配值。

利用隐语言模型LFM计算用户画像和内容画像的匹配值，利用隐语言模型LFM的轻模型结构的特性，可提高计算用户画像和内容画像的匹配值的效率。

S7、当所述匹配值满足预设条件时，将所述内容画像对应的舆情信息推送至所述目标用户。

详细地，所述当所述匹配值满足预设条件时，将所述内容画像对应的舆情信息推送至所述目标用户，包括：

当所述匹配值大于预设匹配值时，获取推送队列任务，其中，所述推送队列任务中包括推送顺序；

按照所述推送顺序将所述内容画像对应的舆情信息推送至所述目标用户。

例如，用户画像和内容画像的匹配值为77，预设匹配值为75，则确定内容画像对应的舆情信息为待推送舆情信息，将待推送舆情信息放入预先构建的推送队列任务，并按照推送队列任务中的推送顺序将内容画像对应的舆情信息推送至所述目标用户。

本发明实施例通过对舆情信息进行分词处理并计算得到分词集中每个分词的分词指标，利用分词集和分词指标构建舆情特征向量并计算舆情特征向量与预设标准标签的相似系数，根据相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像，由于利用舆情特征向量与预设标准标签的相似系数选取内容画像，所以得到的内容画像的精度高，因此，可提高生成的内容画像的精确度；通过提取目标用户的信息集的多个特征并根据多个特征生成目标用户的用户画像，可提高生成的用户画像的精确度；通过获取目标用户的信息集，基于信息集提取目标用户的多个特征，基于多个特征生成目标用户的用户画像，计算用户画像和内容画像的匹配值，进而将匹配值满足预设条件的内容画像对应的舆情信息推送至所述目标用户，实现了利用匹配值筛选出满足预设条件的内容画像对应的舆情信息并推送给目标用户，提高了筛选出的舆情信息与目标用户的匹配性，从而可以实现个性化的对用户进行舆情推荐的目的。因此本发明提出的舆情信息的推荐方法，可以对实现对用户进行个性化的舆情推荐。

如图2所示，是本发明舆情信息的推荐装置的模块示意图。

本发明所述舆情信息的推荐装置100可以安装于电子设备中。根据实现的功能，所述舆情信息的推荐装置可以包括舆情分词模块101、指标计算模块102、向量构建模块103、内容画像生成模块104、用户画像生成模块105、匹配值计算模块106和舆情推送模块107。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述舆情分词模块101，用于获取舆情信息，对所述舆情信息进行分词处理，得到分词集；

所述指标计算模块102，用于利用指标算法计算所述分词集中每个分词的分词指标；

所述向量构建模块103，用于利用所述分词集与所述分词集中每个分词对应的分词指标构建所述舆情信息的舆情特征向量；

所述内容画像生成模块104，用于计算所述舆情特征向量与多个预设标准标签的相似系数，根据所述相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像；

所述用户画像生成模块105，用于获取目标用户的信息集，基于所述信息集提取所述目标用户的多个特征，基于所述多个特征生成所述目标用户的用户画像；

所述匹配值计算模块106，用于计算所述用户画像和所述内容画像的匹配值；

所述舆情推送模块107，用于当所述匹配值满足预设条件时，将所述内容画像对应的舆情信息推送至所述目标用户。

详细地，所述舆情信息的推荐装置各模块的具体实施方式如下：

所述舆情分词模块101，用于获取舆情信息，对所述舆情信息进行分词处理，得到分词集。

本发明实施例中，所述舆情信息可以为任何实时新闻，例如体育新闻，时事报道等。

本发明实施例可利用具有数据抓取功能的python语句从用于存储舆情信息的区块链节点中获取所述舆情信息，利用区块链节点对数据的高吞吐性，可提高获取舆情信息的效率。

详细地，所述舆情分词模块101具体用于：

利用预设停用词库删除所述舆情信息包含的停用词；

利用预设标准词库对删除停用词后的舆情信息进行分词处理，得到分词集。

具体地，预设停用词库和预设标准词库为包含多个分词的词库。预设停用词库中存储有多个停用词的分词，例如，“率尔”、“如次”。预设标准词库中包含多个非停用词的分词，例如，“吃饭”、“睡觉”。

本发明实施例对舆情信息进行分词处理，可将长度较大的舆情信息划分为多个分词，通过对多个分词进行分析处理相比直接通过舆情信息进行处理效率和准确性更高。

所述指标计算模块102，用于利用指标算法计算所述分词集中每个分词的分词指标。

本发明实施例中，所述分词指标是指可以反映分词重要程度的指标，例如，表示分词出现频率的频率指标、表示分词权重的权重指标等。

本发明实施例中，所述指标计算模块102具体用于：

利用如下指标算法计算所述分词集中每个分词的分词指标：

TD＝TF_i×IDF_i

其中，TF_i为分词i在所述分词集中出现的频率，IDF_i为分词i在所述分词集中出现的频率的相反值。

所述向量构建模块103，用于利用所述分词集与所述分词集中每个分词对应的分词指标构建所述舆情信息的舆情特征向量。

本发明实施例中，所述向量构建模块103包括：

词向量转化单元，用于将所述分词集中每个分词转换为词向量，得到词向量集；

算数运算单元，用于将所述词向量集中的词向量与所述分词集中每个分词对应的分词指标进行算术运算，得到舆情特征向量。

详细地，所述词向量转化单元具体用于：

获取所述分词集中每个分词对应的字节向量集，所述字节向量集中包含每个分词中每个字节的字节向量；

将每个分词对应的字节向量集中的字节向量分别进行拼接，得到所述词向量集。

所述将所述词向量集中的词向量与所述分词集中每个分词对应的分词指标进行算术运算具体是指：将所述分词集每个分词对应的词向量和所述分词集每个分词对应的分词指标进行算术运算，得到舆情特征向量。

具体地，本发明实施例可将分词集中的各分词与各分词对应的分词指标进行相乘并加总，得到舆情特征向量，例如，分词集中存在分词1对应的词向量为A、分词2对应的词向量为B和分词3对应的词向量为C；分词1对应的分词指标为a，分词2对应的分词指标为b，分词3对应的分词指标为c，则将每个分词对应的词向量和每个分词对应的分词指标进行算术运算，得到舆情特征向量为A*a+B*b+C*c。

由于不同舆情信息的分词集中包含多个分词，且不同分词的分词指标不相同，因此利用分词集与分词集中每个分词对应的分词指标构建出的舆情信息的舆情特征向量，可唯一标识该舆情信息的特征，避免后续在对舆情特征向量进行分析时出现舆情信息与舆情特征向量关系不明确的情况，有利于提高后续对舆情特征向量进行分析的精确度。

所述内容画像生成模块104，用于计算所述舆情特征向量与多个预设标准标签的相似系数，根据所述相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像。

本发明实施例中，所述计算所述舆情特征向量与多个预设标准标签的相似系数，包括：

利用如下相似算法计算所述舆情特征向量与多个预设标准标签的相似系数：

其中，J(α，β)为所述舆情特征向量与预设标准标签的相似系数，α为所述舆情特征向量，β为预设标准标签，|α|为所述舆情特征向量的模长，|β|为预设标准标签的模长，|α∩β|为所述舆情特征向量与预设标准标签的交集的模长。

例如，舆情信息的舆情特征向量为Q，存在多个预设标准标签(预设标准标签1、预设标准标签2和预设标准标签3)，则分别计算舆情特征向量Q与预设标准标签1的相似系数、舆情特征向量Q与预设标准标签2的相似系数和舆情特征向量Q与预设标准标签3的相似系数。

本发明实施例中，所述内容画像生成模块104具体用于：

选取与所述舆情特征向量的相似系数大于预设相似阈值的多个预设标准标签；

将所述多个预设标准标签按照所述相似系数从大到小进行排序；

按照从前到后的顺序从所述多个预设标准标签中选取预设数量的预设标准标签为所述舆情信息的内容画像。

例如，预设相似阈值为50，舆情特征向量Q与预设标准标签1的相似系数为20、舆情特征向量Q与预设标准标签2的相似系数为80，舆情特征向量Q与预设标准标签3的相似系数为60，舆情特征向量Q与预设标准标签4的相似系数为70；则选取预设标准标签2、预设标准标签3和预设标准标签4，且将预设标准标签2、预设标准标签3和预设标准标签4按照相似系数的大小进行排序为：预设标准标签2、预设标准标签4、预设标准标签3；当预设数量为2时，则按照从前到后的顺序从标签序列中选取预设标准标签2和预设标准标签4为目标舆情信息的内容画像。

所述用户画像生成模块105，用于获取目标用户的信息集，基于所述信息集中提取所述目标用户的多个特征，基于所述多个特征生成所述目标用户的用户画像。

本发明实施例中，所述目标用户的信息集可从用于存储用户的信息集的数据库中获取，所述信息集包括用户的多个信息，例如，用户对舆情的浏览偏好，用户对不同舆情的浏览时长等；所述数据库包括但不限于mysql数据库，Oracle数据库。

较佳地，所述多个特征包括用户的浏览偏好特征，用户的浏览时长特征等。

详细地，所述用户画像生成模块105具体用于：

获取训练用户信息集以及所述训练用户信息集对应的标准用户特征；

利用预设的特征提取模型对所述训练用户信息集进行特征提取，得到预测用户特征；

计算所述预测用户特征和所述标准用户特征之间的差异值；

若所述差异值大于误差阈值，则调整所述特征提取模型的参数后重新进行特征提取；

若所述差异值小于所述误差阈值，则生成训练完成的特征提取模型；

利用训练完成的特征提取模型对所述用户信息集进行特征提取，得到所述目标用户的多个特征；

计算所述多个特征中各特征的分类值；

根据所述分类值所在的数值区间确定所述多个特征中各特征的分类；

根据所述分类计算用户指标，以及确定所述用户指标为所述目标用户的用户画像。

具体地，所述计算所述预测用户特征和所述标准用户特征之间的差异值，包括：

利用如下差异算法计算所述预测用户特征和所述标准用户特征之间的差异值d(A，B)²：

d(A，B)²＝||A-B||²

其中，A为所述预测用户特征，B为所述标准用户特征。

详细地，所述计算所述多个特征中各特征的分类值，包括：

利用如下偏好算法计算多个特征中浏览偏好特征的分类值S：

S＝1×click+5×favor+10×comment+20×share

其中，click为所述舆情信息的网络点击次数，favor为所述舆情信息的网络评分，comment为所述舆情信息的网络评论次数，share为所述舆情信息在网络上被转载的次数。

详细地，根据所述分类值所在的数值区间确定所述多个特征中各特征的分类，例如，当分类值在区间[w，x)时，特征分类为第一类，当分类值在区间[x，y)时，特征分类为第二类，当分类值在区间[y，z)时，特征分类为第三类，当w＜S＜x时，则多个特征中浏览偏好特征的分类为第一类。

本发明实施例利用预设的用户指标算法计算用户指标，所述用户指标是指能够代表用户行为的指标数据，例如，用户的参与度指标，可以用于表示用户在一个舆情信息中的参与程度。用户指标算法中包含多个特征中各特征的分类对应的参数，例如特征的分类为第一类对应的参数为&，则将第一类的参数输入至预设的用户指标算法，即可计算得到用户指标。所述用户指标算法可为预先设定的，例如：

利用如下预先设定的用户指标算法计算用户参与度指标：

Can＝θ*S+τ*T

其中，Can为所述用户参与度指标，S为浏览偏好特征的分类值，T为浏览时长特征的分类值，θ、τ为预设权重系数。

本发明实施例通过目标用户的信息集提取目标用户的多个特征，并基于多个特征生成目标用户的用户画像，能够生成精确度高的用户画像，有利于后续精准的向用户进行舆情推荐。

所述匹配值计算模块106，用于计算所述用户画像和所述内容画像的匹配值。

本发明实施例中，可利用隐语言模型LFM来进行用户画像和所述内容画像的匹配。

所述隐语言模型LFM是一种分类推荐领域的机器学习模型，通过隐语言模型LFM可计算出用户画像和内容画像的匹配值。

具体的，可将用户画像和内容画像输入至预选构建的隐语言模型LFM中，通过隐语言模型LFM计算用户画像和内容画像的匹配值。

利用隐语言模型LFM计算用户画像和内容画像的匹配值，利用隐语言模型LFM的轻模型结构的特性，可提高计算用户画像和内容画像的匹配值的效率。

所述舆情推送模块107，用于当所述匹配值满足预设条件时，将所述内容画像对应的舆情信息推送至所述目标用户。

详细地，所述舆情推送模块107具体用于：

当所述匹配值大于预设匹配值时，获取推送队列任务，其中，所述推送队列任务中包括推送顺序；

按照所述推送顺序将所述内容画像对应的舆情信息推送至所述目标用户。

例如，用户画像和内容画像的匹配值为77，预设匹配值为75，则确定内容画像对应的舆情信息为待推送舆情信息，将待推送舆情信息放入预先构建的推送队列任务，并按照推送队列任务中的推送顺序将内容画像对应的舆情信息推送至所述目标用户。

本发明实施例通过对舆情信息进行分词处理并计算得到分词集中每个分词的分词指标，利用分词集和分词指标构建舆情特征向量并计算舆情特征向量与预设标准标签的相似系数，根据相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像，由于利用舆情特征向量与预设标准标签的相似系数选取内容画像，所以得到的内容画像的精度高，因此，可提高生成的内容画像的精确度；通过提取目标用户的信息集的多个特征并根据多个特征生成目标用户的用户画像，可提高生成的用户画像的精确度；通过获取目标用户的信息集，基于信息集提取目标用户的多个特征，基于多个特征生成目标用户的用户画像，计算用户画像和内容画像的匹配值，进而将匹配值满足预设条件的内容画像对应的舆情信息推送至所述目标用户，实现了利用匹配值筛选出满足预设条件的内容画像对应的舆情信息并推送给目标用户，提高了筛选出的舆情信息与目标用户的匹配性，从而可以实现个性化的对用户进行舆情推荐的目的。因此本发明提出的舆情信息的推荐装置，可以对实现对用户进行个性化的舆情推荐。

如图3所示，是本发明实现舆情信息的推荐方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如舆情信息的推荐程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如舆情信息的推荐程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行舆情信息的推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的舆情信息的推荐程序12是多个计算机程序的组合，在所述处理器10中运行时，可以实现：

获取舆情信息，对所述舆情信息进行分词处理，得到分词集；

利用指标算法计算所述分词集中每个分词的分词指标；

利用所述分词集与所述分词集中每个分词对应的分词指标构建所述舆情信息的舆情特征向量；

计算所述舆情特征向量与多个预设标准标签的相似系数，根据所述相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像；

获取目标用户的信息集，基于所述信息集提取所述目标用户的多个特征，基于所述多个特征生成所述目标用户的用户画像；

计算所述用户画像和所述内容画像的匹配值；

当所述匹配值满足预设条件时，将所述内容画像对应的舆情信息推送至所述目标用户。

进一步地，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。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)。

进一步地，所述计算机可用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。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。

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。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

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表记视为限制所涉及的权利要求。

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。

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 (10)

1.一种舆情信息的推荐方法，其特征在于，所述方法包括：

获取舆情信息，对所述舆情信息进行分词处理，得到分词集；

利用指标算法计算所述分词集中每个分词的分词指标；

利用所述分词集与所述分词集中每个分词对应的分词指标构建所述舆情信息的舆情特征向量；

计算所述舆情特征向量与多个预设标准标签的相似系数，根据所述相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像；

获取目标用户的信息集，基于所述信息集提取所述目标用户的多个特征，基于所述多个特征生成所述目标用户的用户画像；

计算所述用户画像和所述内容画像的匹配值；

当所述匹配值满足预设条件时，将所述内容画像对应的舆情信息推送至所述目标用户。

2.如权利要求1所述的舆情信息的推荐方法，其特征在于，所述对所述舆情信息进行分词处理，得到分词集，包括：

利用预设停用词库删除所述舆情信息包含的停用词；

利用预设标准词库对删除停用词后的舆情信息进行分词处理，得到分词集。

3.如权利要求1所述的舆情信息的推荐方法，其特征在于，所述利用所述分词集与所述分词集中每个分词对应的分词指标构建舆情特征向量，包括：

将所述分词集中每个分词转换为词向量，得到词向量集；

将所述词向量集中的词向量与所述分词集中每个分词对应的分词指标进行算术运算，得到舆情特征向量。

4.如权利要求3所述的舆情信息的推荐方法，其特征在于，所述将所述分词集中每个分词进行词向量转换，得到词向量集，包括：

获取所述分词集中每个分词对应的字节向量集，所述字节向量集中包含每个分词中每个字节的字节向量；

将每个分词对应的字节向量集中的字节向量分别进行拼接，得到所述词向量集。

5.如权利要求1至4中任一项所述的舆情信息的推荐方法，其特征在于，所述根据所述相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像，包括：

选取与所述舆情特征向量的相似系数大于预设相似阈值的多个预设标准标签；

将所述多个预设标准标签按照所述相似系数从大到小进行排序；

按照从前到后的顺序从所述多个预设标准标签中选取预设数量的预设标准标签为所述舆情信息的内容画像。

6.如权利要求1所述的舆情信息的推荐方法，其特征在于，所述基于所述多个特征生成所述目标用户的用户画像，包括：

计算所述多个特征中各特征的分类值；

根据所述分类值所在的数值区间确定所述多个特征中各特征的分类；

根据所述分类计算用户指标，以及确定所述用户指标为所述目标用户的用户画像。

7.如权利要求1所述的舆情信息的推荐方法，其特征在于，所述当所述匹配值满足预设条件时，将所述内容画像对应的舆情信息推送至所述目标用户，包括：

当所述匹配值大于预设匹配值时，获取推送队列任务，其中，所述推送队列任务中包括推送顺序；

按照所述推送顺序将所述内容画像对应的舆情信息推送至所述目标用户。

8.一种舆情信息的推荐装置，其特征在于，所述装置包括：

舆情分词模块，用于获取舆情信息，对所述舆情信息进行分词处理，得到分词集；

指标计算模块，用于利用指标算法计算所述分词集中每个分词的分词指标；

向量构建模块，用于利用所述分词集与所述分词集中每个分词对应的分词指标构建所述舆情信息的舆情特征向量；

内容画像生成模块，用于计算所述舆情特征向量与多个预设标准标签的相似系数，根据所述相似系数选取预设数量的预设标准标签为所述舆情信息的内容画像；

用户画像生成模块，用于获取目标用户的信息集，基于所述信息集提取所述目标用户的多个特征，基于所述多个特征生成所述目标用户的用户画像；

匹配值计算模块，用于计算所述用户画像和所述内容画像的匹配值；

舆情推送模块，用于当所述匹配值满足预设条件时，将所述内容画像对应的舆情信息推送至所述目标用户。

9.一种电子设备，其特征在于，所述电子设备包括：

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能够执行如权利要求1至7中任一项所述的舆情信息的推荐方法。

10.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的舆情信息的推荐方法。

Images