CN112905800A - 基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法 - Google Patents

基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法 Download PDF

Info

Publication number
CN112905800A
CN112905800A CN202110092936.1A CN202110092936A CN112905800A CN 112905800 A CN112905800 A CN 112905800A CN 202110092936 A CN202110092936 A CN 202110092936A CN 112905800 A CN112905800 A CN 112905800A
Authority
CN
China
Prior art keywords
public
early warning
event
emotion
topic
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
Application number
CN202110092936.1A
Other languages
English (en)
Inventor
林绍福
任东亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202110092936.1A priority Critical patent/CN112905800A/zh
Publication of CN112905800A publication Critical patent/CN112905800A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法，采用XGBoost梯度提升决策树和知识图谱结合的方式，从多特征角度对舆情预警值进行分析。首先实时获取微博文本，对每个微博文本进行处理。之后通过LDA实现主题提取，XGBoost进行微博情感分析，公众人物舆情知识图谱的构建，舆情事件热度计算。最后情感预警值计算与等级划分。采用XGBoost梯度提升决策树和知识图谱结合的方法，同时设计提出话题和事件的热度值和情感预警值计算公式，从转发、评论、点赞和情感极性等多维传播特征角度对舆情预警值进行计算，并对话题和事件采用不同的等级划分机制，使得舆情分析更加准确和快速。

Description

基于公众人物舆情知识图谱和XGBoost多特征融合情感预警 方法
技术领域
本发明属于自然语言处理领域，涉及知识图谱构建和舆情预警技术，具体是一种基于公众人物舆情知识图谱和XGBoost多特征融合的情感预警方法。
背景技术
公众人物是指具有广泛的社会知名度和社会影响力的人物。互联网的开放性和即时性，让网络成为了谣言的发源地。一个负面舆论到引发危机，往往只要几分钟，对于公众人物来说，负面舆论获取的及时性相当重要，只有这样才能及时处理，遏制危机的爆发。进行舆论监测可以迅速监测到危害自己声誉的负面新闻，并及时做出应对对策，防止恶性信息的进一步扩散和传播，将负面信息第一时间扼杀在摇篮中，并能够起到及时疏导网情，塑造公信力的作用。
XGBoost的全称是eXtreme Gradient Boosting，它是经过优化的分布式梯度提升库，旨在高效、灵活且可移植。同时XGBoost是大规模并行boosting tree的工具，它是目前最快最好的开源boosting tree工具包，比常见的工具包快10倍以上。在情感分类上有较好的效果。
在大数据环境下，传统舆情分析技术的应用远远不能满足网络舆情管理的实际需要，因此必须要开拓创新，研究更为科学的知识组织技术和智能知识处理技术。知识图谱结构规范，语义丰富以及支持高效查询和复杂的知识计算的特点，能为舆情主题发现、热点跟踪、情感预警分析等提供有力支持。
发明内容
本发明采用XGBoost梯度提升决策树和知识图谱结合的方式，从多特征角度对舆情预警值进行分析。首先实时获取微博文本，对每个微博文本进行处理。之后通过LDA实现主题提取，XGBoost进行微博情感分析，公众人物舆情知识图谱的构建，舆情事件热度计算。最后情感预警值计算与等级划分。
本发明的目的可以通过以下技术方案实现：
S1基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法，该方法包括如下过程：舆情数据收集和预处理：在微博搜索框中输入指定公众人物名字，获取对应内容网页链接，通过网络爬虫技术将爬取到的数据存储到mysql数据库中，对获取到的数据进行数据清洗。
S2通过LDA模型进行话题提取：将文档集中每篇文档的主题以概率分布的形式给出；通过分析文档集，抽取出主题分布，根据主题分布进行主题聚类或文本分类；在训练时不需要手工标注的训练集，需要的仅仅是文档集以及指定主题的数量k即可。LDA的核心公式如下示为：
P(word|doc)＝P(word|topic)*P(topic|doc)
其中doc表示整篇文档内容，word表示文档中的词语，topic表示文章主题。从公式来看，通过文档doc中该词语word出现的次数除以文档中词语总数计算出来。
S3通过XGBoost进行微博情感分析：从数据库加载数据，分出变量X和标签Y；将数据集分为训练集和测试集，训练集来训练模型，测试集来测试模型准确度；直接使用XGBoost封装好的分类器和回归器，使用XGBClassifier建立模型。
S4构建公众人物舆情知识图谱：定义五种实体类别：话题、用户、事件、公众人物、事件情感极性。定义五种实体关系：<事件，属于，话题>、<用户，发布，事件>、<公众人物，参与，事件>、<公众人物，包含，话题>、<事件，表达，情绪>。最后将构建的知识图谱存储在Neo4j图数据库中。
S5通过图谱对热点话题进行热度计算步骤：根据话题热度计算公式WI(Z)＝w(label(Z))(retweet(Z)+comment(Z)+likes(Z))和Cypher对图谱查询统计分析话题、事件、事件属性三者关系结合的方式，计算出话题中每一条原始微博的影响力。其中，Z表示多个文档组成的文本簇,w(label(Z))表示Z文本簇中话题类别对应的权重，retweet(Z)表示Z文本簇中所有微博文本的转发数之和，comment(Z)表示Z文本簇中所有微博文本的评论数之和，likes(Z)表示第Z个文本簇里所有微博文本的点赞数之和。
S6通过图谱对热点事件进行热度计算步骤：根据WI(e)＝retweet(e)+comment(e)+likes(e)和Cypher对图谱查询统计分析事件、事件属性二者关系结合的方式，计算出每一条博文影响力。其中，e表示热点微博事件，retweet(e)表示微博文本的转发数之和，comment(e)表示微博文本的评论数之和，likes(e)表示微博文本的点赞数之和。
S7多维“传播特征”舆情预警情感值计算：话题情感值TS(Z)＝WI(Z)*a+WI(-Z)*a,WI(Z)表示正面话题热度值，WI(-Z)表示负面话题热度值。其中a为常量对应的负面情感极性为-1，正面面情感极性为1。事件情感值ES(e)＝WI(e)*c,WI(e)表示事件热度值，其中c为常量对应的负面情感极性为-1，正面面情感极性为1；
S8舆情等级划分步骤：
(1)根据不同舆情预警情感值将话题舆情等级划分为三部分，当舆情值小于-10万橙色预警(一般)，当舆情值小于-20万黄色预警(严重)，当舆情值小于-40万红色预警(较严重)，当达到预警级别会发送短信或者邮件给相关负责人，进行舆情处理。
(2)根据不同舆情预警情感值将事件舆情等级划分为三部分，当舆情值小于-1万橙色预警(一般)，当舆情值小于-3万黄色预警(严重)，当舆情值小于-5万红色预警(较严重)，当达到预警级别会发送短信或者邮件给相关负责人，进行舆情处理。
本发明的创造性主要体现在：
针对目前舆情预警中情感分析准确率低，速度慢。只进行情感分析和简单的事件统计，本文采用XGBoost梯度提升决策树和知识图谱结合的方法，同时设计提出了话题和事件的热度值和情感预警值计算公式，从转发、评论、点赞和情感极性等多维传播特征角度对舆情预警值进行计算，并对话题和事件采用不同的等级划分机制，使得舆情分析更加准确和快速。
说明书附图
图1是本发明的基于公众人物舆情知识图谱和XGBoost多特征融合的情感预警研究方法整体结构图。
图2是本发明的公众人物舆情知识图谱的实体关系图。
图3是本发明的公众人物舆情知识图谱的实体属性图。
图4是本发明的多特征融合的情感预警消息图。
具体实施方式
以下结合附图和实施例对本发明进行详细说明。
本发明采用的技术方案为基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法。
数据收集的具体步骤：
使用scrapy框架获取数据：找到微博高级搜索的页面，输入公众人物相关事件关键词，页面分析，解构url组成，梳理爬取字段，并用xpath定位提取，多级页面的构造，采用yield Requests形式将新的url传入，进行下一轮的爬取解析。其中爬取的字段有发布用户信息、博文、博文链接、发布时间、博文来源、评论数、点赞数、转发数、事件图片等数据。最后将爬取到的数据保存在mysql数据库中。
数据预处理的具体步骤：
在python中引入jieba包，连接数据库、数据库里的数据存入一个list、去除经常出现的停用词，对上面的列表文本数据通过jiaba分词的精确模式进行中文分词、对分好词的文本数据建立语料词典、对语料进行tfidf计算并对要做相似度的那批文本数据做词典向量转换。
通过LDA模型进行话题提取的具体步骤：
在python中引入gensim包，通过models包下的LdaModel进行模型训练，设置lda的topics数，保存训练好的LDA模型，利用模型获取文档的主题概率，找出主题概率大于0.6的主题分布，将结果保存在mysql数据库中。
通过XGBoost进行微博情感分析步骤：
在python包中导入XGBoost包，从数据库中加载数据，分出变量X和标签Y；将数据集分为训练集和测试集，训练集来训练模型，测试集来测试模型准确度；使用XGBClassifier建立模型和保存模型，加载模型进行情感分类。最后将结果数据保存在mysql数据库中。
构建公众人物舆情知识图谱步骤：
安装neo4j图数据库，建立java项目在Maven中添加spring-data-neo4j和相关依赖，建立五种NodeEntity(节点实体)：话题、用户、事件、公众人物、事件情感极性。建立五种RelationshipEntity(关系实体)：<事件，属于，话题>、<用户，发布，事件>、<公众人物，参与，事件>、<公众人物，包含，话题>、<事件，表达，情绪>，最后通过Repository进行图谱入库。
通过图谱对热点话题进行热度计算步骤：
根据话题热度计算公式
WI(Z)＝w(label(Z))(retweet(Z)+comment(Z)+likes(Z))
和Cypher对图谱查询统计分析话题、事件、事件属性三者关系结合的方式，可以计算出话题中每一条原始微博的影响力。其中，Z表示多个文档组成的文本簇，w(label(Z))表示Z文本簇中话题类别对应的权重，retweet(Z)表示Z文本簇中所有微博文本的转发数之和，comment(Z)表示Z文本簇中所有微博文本的评论数之和，likes(Z)表示第Z个文本簇里所有微博文本的点赞数之和。
通过图谱对热点事件进行热度计算步骤：
根据WI(e)＝retweet(e)+comment(e)+likes(e)和Cypher对图谱查询统计分析事件、事件属性二者关系结合的方式，可以计算出每一条博文影响力。其中，retweet(e)表示微博文本的转发数之和，comment(e)表示微博文本的评论数之和，likes(e)表示微博文本的点赞数之和。
多维“传播特征”舆情预警情感值计算步骤：
话题情感预警值TS(Z)＝WI(Z)*a+WI(-Z)*a,WI(Z)表示正面话题热度值，WI(-Z)表示负面话题热度值。其中a为常量对应的负面情感极性为-1，正面面情感极性为1；事件情感预警值ES(e)＝WI(e)*c,WI(e)表示事件热度值，其中c为常量对应的负面情感极性为-1，正面面情感极性为1；
舆情等级划分步骤：
(1)根据不同舆情预警情感值将话题舆情等级划分为三部分，当舆情值小于-10万橙色预警(一般)，当舆情值小于-20万黄色预警(严重)，当舆情值小于-40万红色预警(较严重)，当达到预警级别会发送短信或者邮件给相关负责人，进行舆情处理。
(2)根据不同舆情预警情感值将事件舆情等级划分为三部分，当舆情值小于-1万橙色预警(一般)，当舆情值小于-3万黄色预警(严重)，当舆情值小于-5万红色预警(较严重)，当达到预警级别会发送短信或者邮件给相关负责人，进行舆情处理。

Claims (2)

1.基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法，其特征在于：该方法包括如下步骤，
S1舆情数据收集和预处理：在微博搜索框中输入指定公众人物名字，获取对应内容网页链接，通过网络爬虫技术将爬取到的数据存储到mysql数据库中，对获取到的数据进行数据清洗；
S2通过LDA模型进行话题提取：将文档集中每篇文档的主题以概率分布的形式给出；通过分析文档集，抽取出主题分布，根据主题分布进行主题聚类或文本分类；在训练时不需要手工标注的训练集，需要的仅仅是文档集以及指定主题的数量k即可；
S3通过XGBoost进行微博情感分析：从数据库加载数据，分出变量X和标签Y；将数据集分为训练集和测试集，训练集来训练模型，测试集来测试模型准确度；直接使用XGBoost封装好的分类器和回归器，使用XGBClassifier建立模型；
S4构建公众人物舆情知识图谱：定义五种实体类别：话题、用户、事件、公众人物、事件情感极性；定义五种实体关系：<事件，属于，话题>、<用户，发布，事件>、<公众人物，参与，事件>、<公众人物，包含，话题>、<事件，表达，情绪>；最后将构建的知识图谱存储在Neo4j图数据库中；
S5通过图谱对热点话题进行热度计算步骤：根据话题热度计算公式WI(Z)＝w(label(Z))(retweet(Z)+comment(Z)+likes(Z))和Cypher对图谱查询统计分析话题、事件、事件属性三者关系结合的方式，计算出话题中每一条原始微博的影响力；其中，Z表示多个文档组成的文本簇,w(label(Z))表示Z文本簇中话题类别对应的权重，retweet(Z)表示Z文本簇中所有微博文本的转发数之和，comment(Z)表示Z文本簇中所有微博文本的评论数之和，likes(Z)表示第Z个文本簇里所有微博文本的点赞数之和；
S6通过图谱对热点事件进行热度计算步骤：根据WI(e)＝retweet(e)+comment(e)+likes(e)和Cypher对图谱查询统计分析事件、事件属性二者关系结合的方式，计算出每一条博文影响力；其中，e表示热点微博事件，retweet(e)表示微博文本的转发数之和，comment(e)表示微博文本的评论数之和，likes(e)表示微博文本的点赞数之和；
S7多维“传播特征”舆情预警情感值计算：话题情感值TS(Z)＝WI(Z)*a+WI(-Z)*a,WI(Z)表示正面话题热度值，WI(-Z)表示负面话题热度值；其中a为常量对应的负面情感极性为-1，正面面情感极性为1；事件情感值ES(e)＝WI(e)*c,WI(e)表示事件热度值，其中c为常量对应的负面情感极性为-1，正面面情感极性为1；
S8舆情等级划分步骤：
(1)根据不同舆情预警情感值将话题舆情等级划分为三部分，当舆情值小于-10万橙色预警，当舆情值小于-20万黄色预警，当舆情值小于-40万红色预警，当达到预警级别会发送短信或者邮件给相关负责人，进行舆情处理；
(2)根据不同舆情预警情感值将事件舆情等级划分为三部分，当舆情值小于-1万橙色预警，当舆情值小于-3万黄色预警，当舆情值小于-5万红色预警，当达到预警级别会发送短信或者邮件给相关负责人，进行舆情处理。
2.根据权利要求1所述的基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法，其特征在于：LDA的核心公式如下示为：P(word|doc)＝P(word|topic)*P(topic|doc)
其中doc表示整篇文档内容，word表示文档中的词语，topic表示文章主题；通过文档doc中该词语word出现的次数除以文档中词语总数计算出来。
CN202110092936.1A 2021-01-25 2021-01-25 基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法 Pending CN112905800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110092936.1A CN112905800A (zh) 2021-01-25 2021-01-25 基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110092936.1A CN112905800A (zh) 2021-01-25 2021-01-25 基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法

Publications (1)

Publication Number Publication Date
CN112905800A true CN112905800A (zh) 2021-06-04

Family

ID=76118588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110092936.1A Pending CN112905800A (zh) 2021-01-25 2021-01-25 基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法

Country Status (1)

Country Link
CN (1) CN112905800A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468331A (zh) * 2021-07-07 2021-10-01 西北大学 一种舆情信息情绪分类方法
CN117332282A (zh) * 2023-11-29 2024-01-02 之江实验室 一种基于知识图谱的事件匹配的方法及装置
CN117422063A (zh) * 2023-12-18 2024-01-19 四川省大数据技术服务中心 应用智能辅助决策的大数据处理方法及智能辅助决策系统
CN117635190A (zh) * 2023-11-27 2024-03-01 河北数港科技有限公司 一种日志数据分析方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633044A (zh) * 2017-09-14 2018-01-26 国家计算机网络与信息安全管理中心 一种基于热点事件的舆情知识图谱构建方法
CN110162597A (zh) * 2019-04-08 2019-08-23 财付通支付科技有限公司 文章数据处理方法、装置、计算机可读介质及电子设备
CN111143549A (zh) * 2019-06-20 2020-05-12 东华大学 一种基于主题的舆情情感演化的方法
CN111783468A (zh) * 2020-06-28 2020-10-16 百度在线网络技术（北京）有限公司 文本处理方法、装置、设备和介质
CN111931027A (zh) * 2020-08-17 2020-11-13 深圳新闻网传媒股份有限公司 一种智能新闻舆情预警系统
CN111984786A (zh) * 2020-08-17 2020-11-24 深圳新闻网传媒股份有限公司 一种基于新闻信息的智能吹哨预警方法及服务器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633044A (zh) * 2017-09-14 2018-01-26 国家计算机网络与信息安全管理中心 一种基于热点事件的舆情知识图谱构建方法
CN110162597A (zh) * 2019-04-08 2019-08-23 财付通支付科技有限公司 文章数据处理方法、装置、计算机可读介质及电子设备
CN111143549A (zh) * 2019-06-20 2020-05-12 东华大学 一种基于主题的舆情情感演化的方法
CN111783468A (zh) * 2020-06-28 2020-10-16 百度在线网络技术（北京）有限公司 文本处理方法、装置、设备和介质
CN111931027A (zh) * 2020-08-17 2020-11-13 深圳新闻网传媒股份有限公司 一种智能新闻舆情预警系统
CN111984786A (zh) * 2020-08-17 2020-11-24 深圳新闻网传媒股份有限公司 一种基于新闻信息的智能吹哨预警方法及服务器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任东亮等: "基于知识图谱的抗疫意见领袖热点话题检测与分析", 《软件导刊》, vol. 19, no. 10, pages 20 - 24 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468331A (zh) * 2021-07-07 2021-10-01 西北大学 一种舆情信息情绪分类方法
CN117635190A (zh) * 2023-11-27 2024-03-01 河北数港科技有限公司 一种日志数据分析方法及系统
CN117635190B (zh) * 2023-11-27 2024-05-14 河北数港科技有限公司 一种日志数据分析方法及系统
CN117332282A (zh) * 2023-11-29 2024-01-02 之江实验室 一种基于知识图谱的事件匹配的方法及装置
CN117332282B (zh) * 2023-11-29 2024-03-08 之江实验室 一种基于知识图谱的事件匹配的方法及装置
CN117422063A (zh) * 2023-12-18 2024-01-19 四川省大数据技术服务中心 应用智能辅助决策的大数据处理方法及智能辅助决策系统
CN117422063B (zh) * 2023-12-18 2024-02-23 四川省大数据技术服务中心 应用智能辅助决策的大数据处理方法及智能辅助决策系统

Similar Documents

Publication Publication Date Title
CN108763333B (zh) 一种基于社会媒体的事件图谱构建方法
CN103544255B (zh) 基于文本语义相关的网络舆情信息分析方法
Shinzato et al. Tsubaki: An open search engine infrastructure for developing information access methodology
CN112905800A (zh) 基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法
Venugopalan et al. Exploring sentiment analysis on twitter data
CN109284432A (zh) 基于大数据平台的网络舆情分析系统
CN112149422B (zh) 一种基于自然语言的企业新闻动态监测方法
CN104346382B (zh) 使用语言查询的文本分析系统和方法
CN111325018A (zh) 一种基于web检索和新词发现的领域词典构建方法
CN109460477A (zh) 信息收集分类系统和方法及其检索和集成方法
CN104794209B (zh) 基于马尔科夫逻辑网络的中文微博情绪分类方法及系统
Kanev et al. Sentiment analysis of multilingual texts using machine learning methods
Campbell et al. Content+ context networks for user classification in twitter
CN113934910A (zh) 一种自动优化、更新的主题库构建方法，及热点事件实时更新方法
Ding et al. Scoring tourist attractions based on sentiment lexicon
WO2024087754A1 (zh) 一种多维度文本综合辨识方法
Rauniyar A survey on deep learning based various methods analysis of text summarization
CN107818078B (zh) 汉语自然语言对话的语义关联与匹配方法
Liu et al. Application of Internet segmentation research based on Natural Language Processing technology in enterprise public opinion risk monitoring
CN115098773A (zh) 一种基于大数据的舆情监控与分析系统及方法
Kannan et al. Text document clustering using statistical integrated graph based sentence sensitivity ranking algorithm
Wang et al. Question answering system of discipline inspection laws and regulations based on knowledge graph
Aloui et al. Automatic classification and response of E-mails
Yu et al. Hot event detection for social media based on keyword semantic information
CN111209737A (zh) 噪声文档的筛除方法及计算机可读存储介质

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