CN113128217B - 一种基于网络孪生空间的舆情处置决策方法 - Google Patents
一种基于网络孪生空间的舆情处置决策方法 Download PDFInfo
- Publication number
- CN113128217B CN113128217B CN202110323742.8A CN202110323742A CN113128217B CN 113128217 B CN113128217 B CN 113128217B CN 202110323742 A CN202110323742 A CN 202110323742A CN 113128217 B CN113128217 B CN 113128217B
- Authority
- CN
- China
- Prior art keywords
- public opinion
- processed
- opinion event
- moment
- event
- 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 39
- 238000012545 processing Methods 0.000 claims abstract description 155
- 230000010485 coping Effects 0.000 claims abstract description 20
- 230000008451 emotion Effects 0.000 claims description 122
- 230000009471 action Effects 0.000 claims description 33
- 230000009467 reduction Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000035945 sensitivity Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供了一种基于网络孪生空间的舆情处置决策方法,包括:获取与待处理舆情事件相关的特征信息;根据与待处理舆情事件相关的特征信息,确定在当前第一时刻对应的该待处理舆情事件的热度指数;生成与该待处理舆情事件的至少两个处理决策;针对每一个处理决策,预测在该处理决策执行后到达第二时刻时,在该第二时刻对应的该待处理舆情事件的热度指数;根据得到的至少两个第二时刻对应的该待处理舆情事件的热度指数,以及第一时刻对应的该待处理舆情事件的热度指数,从至少两个处理决策中选择一个处理决策作为应对该待处理舆情事件的处理决策。本方案,可以选择更有效的处理决策来应对舆情事件。
Description
技术领域
本发明涉及网络技术领域,特别涉及一种基于网络孪生空间的舆情处置决策方法。
背景技术
舆情是指在一定的社会空间内,围绕社会事件的发生、发展和变化,民众对社会管理者产生和持有的社会政治态度。它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。
网络舆情是社会舆情在互联网空间的映射,是社会舆情的直接反映。随着网络的迅速发展,网络舆情已经成为反映社会舆情的主要表现形式。在发生了网络舆情事件之后,为了保证社会稳定运行,政府部门需要采用应对网络舆情事件的处理决策。处理决策的选取非常重要,一旦选取的处理决策在处理过程中无法对网络舆情事件起到正确的引导作用,那么可能会存在反弹现象。
因此,需要提供一种可靠的舆情处理决策方法,以选取应对网络舆情事件的有效处理决策。
发明内容
本发明实施例提供了一种基于网络孪生空间的舆情处置决策方法,以选取应对网络舆情事件的有效处理决策。
第一方面,提供了一种基于网络孪生空间的舆情处置决策方法,包括:
获取与待处理舆情事件相关的特征信息;
根据与待处理舆情事件相关的特征信息,确定在当前第一时刻对应的该待处理舆情事件的热度指数;
生成与该待处理舆情事件的至少两个处理决策;
针对每一个处理决策,预测在该处理决策执行后到达第二时刻时,在该第二时刻对应的该待处理舆情事件的热度指数;其中,所述第一时刻与所述第二时刻距离为设定时间段阈值;
根据得到的至少两个第二时刻对应的该待处理舆情事件的热度指数,以及第一时刻对应的该待处理舆情事件的热度指数,从所述至少两个处理决策中选择一个处理决策作为应对该待处理舆情事件的处理决策。
优选地,所述获取与待处理舆情事件相关的特征信息,包括:
获取与所述待处理舆情事件对应的至少一个特征关键词;
利用该至少一个特征关键词,从网页中采集包含有该特征关键词的多媒体信息,以及获取发布该多媒体信息的实体用户的信息;所述多媒体信息包括:文本信息、图片信息、音频信息和视频信息中的至少一种;
根据获取的实体用户的信息,分析出各实体用户之间具有的关联关系;其中,两个实体用户之间一个实体用户是另一个实体用户的粉丝,则该两个实体用户之间具有关联关系;
根据采集的多媒体信息,确定发布该多媒体信息的实体用户的情绪类型;所述情绪类型包括正面情绪和负面情绪;
将分析出的关联关系以及确定出的情绪类型,确定为与待处理舆情事件相关的特征信息。
优选地,所述处理决策包括:将网页中目标特征关键词进行屏蔽处理、对情绪类型为负面情绪的实体用户发布的包含特征关键词的多媒体信息进行删除处理、对情绪类型为负面情绪的实体用户进行禁言、增加情绪类型为正面情绪的实体用户中的至少一项;
在所述预测在该处理决策执行后到达第二时刻时在该第二时刻对应的该待处理舆情事件的热度指数之前,进一步包括:
根据该处理决策包括的内容,对获取的所述与待处理舆情事件相关的特征信息进行更新,得到更新后的特征信息;
利用更新后的特征信息执行所述预测在该处理决策执行后到达第二时刻时在该第二时刻对应的该待处理舆情事件的热度指数。
优选地,所述热度指数通过如下公式计算得到:
其中,Q用于表征热度指数,K用于表征该待处理舆情事件对应的作用量,T用于表征该待处理舆情事件的持续时长,W(-)用于表征情绪类型为负面情绪的实体用户对该待处理舆情事件的作用量,W(+)用于表征情绪类型为正面情绪的实体用户对该待处理舆情事件的作用量。
优选地,所述待处理舆情事件对应的作用量通过如下公式确定:
K=ω1k1+ω2k2
其中,w1用于表征该待处理舆情事件危害度k1的权重,w2用于表征该待处理舆情事件敏感度k2的权重。
优选地,所述情绪类型为负面情绪/正面情绪的实体用户对该待处理舆情事件的作用量通过如下方式确定:
S1:确定情绪类型为负面情绪/正面情绪的实体用户的个数n,并根据情绪类型为负面情绪/正面情绪的实体用户之间的关联关系,生成如下n×n阶的第一矩阵:
其中,在实体用户i是实体用户j的粉丝时,aji=0,否则,aji=1;在i=j时,aij=aji=1;n为正整数;
S2:利用如下公式计算每一个实体用户的影响值:
其中,fi用于表征第i个实体用户的影响值,λ为影响系数;
S3:将第一矩阵中的aii替换为fi,得到如下第二矩阵:
S4:利用如下公式计算情绪类型为负面情绪/正面情绪的实体用户对该待处理舆情事件的作用量:
其中,W()用于表征情绪类型为负面情绪/正面情绪的实体用户对该待处理舆情事件的作用量,Ai用于表征第i个实体用户对该待处理舆情事件的子作用量,用于表征第i个实体用户的网络活跃度,Pi用于表征第i个实体用户具有的粉丝数量。
优选地,所述从所述至少两个处理决策中选择一个处理决策作为应对该待处理舆情事件的处理决策,包括:
针对每一个处理决策在第二时刻对应的该待处理舆情事件的热度指数,均执行:根据该处理决策在第二时刻对应的该待处理舆情事件的热度指数与第一时刻对应的该待处理舆情事件的热度指数,计算该待处理舆情事件的热度下降比例;
在得到的至少两个热度下降比例中,确定是否存在热度下降比例大于设定比例阈值的目标热度下降比例;
如果存在,将目标热度下降比例所对应的处理决策中的任一处理决策作为应对该待处理舆情事件的处理决策;
如果不存在,将至少两个热度下降比例中最大热度下降比例所对应的处理决策作为应对该待处理舆情事件的处理决策。
第二方面,还提供了一种基于网络孪生空间的舆情处置决策装置,包括:
获取单元,用于获取与待处理舆情事件相关的特征信息;
确定单元,用于根据与待处理舆情事件相关的特征信息,确定在当前第一时刻对应的该待处理舆情事件的热度指数;
生成单元,用于生成与该待处理舆情事件的至少两个处理决策;
所述确定单元,还用于针对每一个处理决策,预测在该处理决策执行后到达第二时刻时,在该第二时刻对应的该待处理舆情事件的热度指数;其中,所述第一时刻与所述第二时刻距离为设定时间段阈值;
选择单元,用于根据得到的至少两个第二时刻对应的该待处理舆情事件的热度指数,以及第一时刻对应的该待处理舆情事件的热度指数,从所述至少两个处理决策中选择一个处理决策作为应对该待处理舆情事件的处理决策。
第三方面,还提供了一种基于网络孪生空间的舆情处置决策装置,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行上述实施例中任一项所述的方法。
第四方面,还提供了计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行上述实施例中任一项所述的方法。
本发明实施例提供了一种基于网络孪生空间的舆情处置决策方法,通过获取与待处理舆情事件相关的特征信息,并确定在当前第一时刻对应的该待处理舆情事件的热度指数,针对该待处理舆情事件的至少两个处理决策,预测每一个处理决策在执行后到达第二时刻时,该待处理舆情事件的热度指数,通过处理决策执行后对应的热度指数和第一时刻的热度指数,选择出应对该待处理舆情事件的处理决策。本方案通过计算热度指数的方式来确定处理决策在执行后对该舆情事件的影响趋势,从而可以选择更有效的处理决策来应对舆情事件。
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。
图1是本发明一个实施例提供的基于网络孪生空间的舆情处置决策方法流程图;
图2是本发明一个实施例提供的基于网络孪生空间的舆情处置决策装置所在设备的硬件架构图;
图3是本发明一个实施例提供的基于网络孪生空间的舆情处置决策装置结构图;
图4是本发明另一个实施例提供的基于网络孪生空间的舆情处置决策装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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做出创造性劳动的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。
如图1所示,本发明实施例提供了一种基于网络孪生空间的舆情处置决策方法,包括:
步骤101:获取与待处理舆情事件相关的特征信息;
步骤102:根据与待处理舆情事件相关的特征信息,确定在当前第一时刻对应的该待处理舆情事件的热度指数;
步骤103:生成与该待处理舆情事件的至少两个处理决策;
步骤104:针对每一个处理决策,预测在该处理决策执行后到达第二时刻时,在该第二时刻对应的该待处理舆情事件的热度指数;其中,所述第一时刻与所述第二时刻距离为设定时间段阈值;
步骤105:根据得到的至少两个第二时刻对应的该待处理舆情事件的热度指数,以及第一时刻对应的该待处理舆情事件的热度指数,从所述至少两个处理决策中选择一个处理决策作为应对该待处理舆情事件的处理决策。
本发明实施例中,通过获取与待处理舆情事件相关的特征信息,并确定在当前第一时刻对应的该待处理舆情事件的热度指数,针对该待处理舆情事件的至少两个处理决策,预测每一个处理决策在执行后到达第二时刻时,该待处理舆情事件的热度指数,通过处理决策执行后对应的热度指数和第一时刻的热度指数,选择出应对该待处理舆情事件的处理决策。本方案通过计算热度指数的方式来确定处理决策在执行后对该舆情事件的影响趋势,从而可以选择更有效的处理决策来应对舆情事件。
在本发明实施例中,处理决策在执行完成后的一个时间段之后才能够看到处理效果,因此,可以预先设定时间段阈值,在发现待处理舆情事件并着手进行处理时的时刻为第一时刻,那么在处理决策执行完成后到达距离第一时刻的时长满足设定时间段阈值的第二时刻时,可以预测该待处理舆情事件的热度指数,通过预测的每一个处理决策对应的热度指数以及第一时刻对应的热度指数,来选择更有效的处理决策来应对舆情事件,从而可以提高对舆情事件的处理效率和准确性。
在本发明一个实施例中,在发现待处理舆情事件之后,需要获取与待处理舆情事件相关的特征信息,具体地,可以通过如下方式获得:
获取与所述待处理舆情事件对应的至少一个特征关键词;
利用该至少一个特征关键词,从网页中采集与包含有该特征关键词的多媒体信息,以及获取发布该多媒体信息的实体用户的信息;所述多媒体信息包括:文本信息、图片信息、音频信息和视频信息中的至少一种;
根据获取的实体用户的信息,分析出各实体用户之间具有的关联关系;其中,两个实体用户之间一个实体用户是另一个实体用户的粉丝,则该两个实体用户之间具有关联关系;
根据采集的多媒体信息,确定发布该多媒体信息的实体用户的情绪类型;所述情绪类型包括正面情绪和负面情绪;
将分析出的关联关系以及确定出的情绪类型,确定为与待处理舆情事件相关的特征信息。
本发明实施例中,利用特征关键词,从网页中采集包含有该特征关键词的多媒体信息,获取到的多媒体信息可以将其确定为该待处理舆情事件的相关信息,以及获取发布多媒体信息的实体用户的信息,通过分析可以得到各实体用户之间具有的关联关系,以及实体用户的情绪类型。如果一个实体用户针对舆情事件发布了多媒体信息,那么该实体用户的粉丝会受到该实体用户发布多媒体信息的影响,并且该实体用户的情绪类型也会影响到该实体用户的粉丝,因此,将实体用户之间的关联关系以及实体用户的情绪类型确定为待处理舆情事件的特征信息,可以为处理决策的选取提供参考,使得选取的处理决策更有效。
其中,待处理舆情事件对应的至少一个特征关键词,可以通过待处理舆情事件的性质确定与该性质相关的几个词语作为特征关键词,也可以通过对样本舆情事件进行词频统计的方式获得。比如,针对威胁国家安全的舆情事件,可以预先针对该威胁国家安全的样本舆情事件,并对样本舆情事件包括的样本多媒体信息进行分词处理,通过统计分词出现的概率来确定样本舆情事件的特征关键词。在确定了一个待处理舆情事件的类型之后,比如为威胁国家安全的舆情事件,那么可以直接获取根据预先对样本舆情事件得到的特征关键词。如此,可以保证获取到的特征关键词更准确,进而保证获取的待处理舆情事件的特征信息更准确。
其中,实体用户的情绪类型至少可以通过对发布的多媒体信息进行分词处理的方式来确定。比如,对文本信息进行分词处理,得到多个单词,并利用预先对单词进行情绪类型分类的方式,确定分词处理后得到的多个单词中每个单词对应的情绪类型,将占比更多的情绪类型确定为该实体用户的情绪类型。
需要说明的是,对于多媒体信息为图片信息、音频信息或视频信息时,可以先对图片信息以文本语义形式来表达,以及将音频信息和视频信息转换为文本信息之后,在通过分词处理方式来确定对应的情绪类型。
除分词处理方式以外,还可以通过其他方式确定实体用户的情绪类型,比如,采用神经网络模型对实体用户的情绪类型进行识别。具体地,预先通过样本多媒体信息对神经网络模型进行训练,在采集到一个实体用户的多媒体信息之后,可以将多媒体信息输入到训练好的神经网络模型中,神经网络模型对多媒体信息中的文本、图片、音视频等信息进行融合,并统一进行分析,从而输出该实体用户的情绪类型。该方式不仅效率高,且识别准确率高。
在本发明一个实施例中,获取与待处理舆情事件相关的特征信息的另一个方式,也可以是预先采集全网信息,根据采集的全网信息对网络空间实体构建成对应的网络孪生空间,然后在获取与待处理舆情事件相关的特征信息时,通过图索引方式在网络孪生空间中获取相关特征信息。
在本发明一个实施例中,处理决策可以包括:将网页中目标特征关键词进行屏蔽处理、对情绪类型为负面情绪的实体用户发布的包含特征关键词的多媒体信息进行删除处理、对情绪类型为负面情绪的实体用户进行禁言、增加情绪类型为正面情绪的实体用户中的至少一项。
通过屏幕目标特征关键词,对情绪类型为负面情绪的实体用户发布的包含特征关键词的多媒体信息进行删除处理,以及对情绪类型为负面情绪的实体用户进行禁言等手段,可以降低实体用户对该舆情事件在负面上的讨论度,降低舆情事件在负面上的热度。另外,通过增加情绪类型为正面情绪的实体用户,可以对网络空间中的舆论起到正面引导作用,提高舆情事件在正面上的热度。
需要说明的是,在生成处理决策时,并不是将网页中所有目标特征关键词进行全部屏蔽、对所有情绪类型为负面情绪的实体用户发布的包含特征关键词的多媒体信息进行删除、以及对所有对情绪类型为负面情绪的实体用户进行禁言,或者,无休止的增加情绪类型为正面情绪的实体用户。因为上述极端情况不仅处理成本高,而且可能会引起反面效果。因此,在生成处理决策时,可以适量的选择处理方式,以保证达到更有效的结果。
本发明实施例中,可以通过样本舆情事件和样本处理决策,预先训练神经网络模型。在发生了待处理舆情事件之后,可以将待处理舆情事件的特征信息输入到训练好的神经网络模型中,由神经网络模型输出至少一个处理决策,将该输出的至少一个处理决策作为针对该待处理舆情事件生成的至少一个处理决策。
进一步地,根据上述处理决策包括的内容可知,在处理决策执行后,该待处理舆情事件的特征信息会发生变化,因此,在所述预测在该处理决策执行后到达第二时刻时在该第二时刻对应的该待处理舆情事件的热度指数之前,可以进一步包括:根据该处理决策包括的内容,对获取的所述与待处理舆情事件相关的特征信息进行更新,得到更新后的特征信息;利用更新后的特征信息执行所述预测在该处理决策执行后到达第二时刻时在该第二时刻对应的该待处理舆情事件的热度指数。
本发明实施例中,针对每一个处理决策,根据处理决策包括的内容,可以对待处理舆情事件相关的特征信息进行更新,利用更新后的特征信息预测待处理舆情事件的热度指数,可以更准确的预测出该处理决策在执行完成后该舆情事件的热度指数,为处理决策的制定和下达提供参考依据。
本实施例所述的热度指数是用来评价舆情事件在负面上的讨论热度的,其中,负面情绪的实体用户发布的与该舆情事件相关的多媒体信息越多,那么热度指数就会越大,相反,如果正面情绪的实体用户发布的与该舆情事件相关的多媒体信息越多,那么热度指数就会越小。基于此,在本发明一个实施例中,该热度指数至少可以通过如下公式计算得到:
其中,Q用于表征热度指数,K用于表征该待处理舆情事件对应的作用量,T用于表征该待处理舆情事件的持续时长,W(-)用于表征情绪类型为负面情绪的实体用户对该待处理舆情事件的作用量,W(+)用于表征情绪类型为正面情绪的实体用户对该待处理舆情事件的作用量。
本发明实施例中,利用上述公式中的各个参数,直接获取各个参数对应的数值,然后代入上述公式,即可快速、直接的计算得到热度指数,进一步提高了处理决策的确定速度。
可以理解,在利用上述公式计算步骤102中第一时刻对应的该待处理舆情事件的热度指数时,该待处理舆情事件的持续时长T可以通过该待处理舆情事件的初始时刻以及当前第一时刻来确定。该初始时刻可以通过对采集的多媒体信息的时间进行分析,将最早发布多媒体信息的时刻确定为该初始时刻。或者,将与该待处理舆情事件相关的多媒体信息中发布频率大于某个预设频率值时的时刻确定该初始时刻,如此可以过滤掉一些不确定因素,比如,最早发布多媒体信息的时刻可能距离当前第一时刻为一个月,而舆情事件的发酵往往在时间上具有集中性,因此,可以将早期的时刻过滤掉,使得计算的持续时长更加有效。
在本发明一个实施例中,舆情事件的发生,会引起网民对舆情事件的关注,也可能给社会稳定、经济秩序造成一定的损失。因此,对于上述实施例所示的公式中用于表征该待处理舆情事件对应的作用量的参数K,可以由两个参数来表征,分别为危害度和敏感度。具体地,该待处理舆情事件对应的作用量通过如下公式确定:
K=ω1k1+ω2k2
其中,w1用于表征该待处理舆情事件危害度k1的权重,w2用于表征该待处理舆情事件敏感度k2的权重。
本说明实施例中,待处理舆情事件的危害度、敏感度可以通过量化的形式表达,比如,危害度可以分为四个级别,特别重大、重大、较大、一般等。敏感度也可以采用分值来评价,比如,采用5级制,假设1标识敏感度最低,5表示敏感度最高,然后通过平均法计算该待处理舆情事件的敏感度。
本说明实施例中,危害度和敏感度对舆情事件的影响权重可能不同,在确定两个参数分别对应的权重时,可以根据待处理舆情事件的危害度、敏感度来确定,也可以直接设定两个常数,比如,w1等于0.58,w2等于0.42。或者针对不同类型的舆情事件,设定的两个权重的常数值不同。
通过使用危害度和敏感度两个参数来对舆情事件的作用量进行表达,不仅可以体现出舆情事件的热度基础,而且可以对作用量实现量化,便于热度指数的计算。
在本发明一个实施例中,情绪类型为负面情绪的实体用户对该待处理舆情事件的作用量,以及情绪类型为正面情绪的实体用户对该待处理舆情事件的作用量,其计算方式相同,只是在进行参数统计时,需要分别针对不同的情绪类型进行统计。具体地,该情绪类型为负面情绪/正面情绪的实体用户对该待处理舆情事件的作用量,至少可以通过如下一种方式确定:
S1:确定情绪类型为负面情绪/正面情绪的实体用户的个数n,并根据情绪类型为负面情绪/正面情绪的实体用户之间的关联关系,生成如下n×n阶的第一矩阵:
其中,在实体用户i是实体用户j的粉丝时,aji=0,否则,aji=1;在i=j时,aij=aji=1;其中,aji用于表征第一矩阵M中第j行第i个元素;i、j均为大于等于1,且小于等于n的整数;n为正整数;
S2:利用如下公式计算每一个实体用户的影响值:
其中,fi用于表征第i个实体用户的影响值,λ为影响系数;
S3:将第一矩阵中的aii替换为fi,得到如下第二矩阵:
S4:利用如下公式计算情绪类型为负面情绪/正面情绪的实体用户对该待处理舆情事件的作用量:
其中,Ai用于表征第i个实体用户对该待处理舆情事件的子作用量,用于表征第i个实体用户的网络活跃度,Pi用于表征第i个实体用户具有的粉丝数量。
需要说明的是,由于情绪类型为负面情绪的实体用户与情绪类型为正面情绪的实体用户的个数可能不同,因此在计算时,需要根据实际情况进行参数的统计。
本说明书实施例中,实体用户对该待处理舆情事件的作用量可以通过每一个实体用户对该待处理舆情事件的子作用量之和来表示。而子作用量可以利用该实体用户的网络活跃度与该实体用户具有的粉丝数量来表示。然而考虑到实体用户之间具有关联关系,比如,一个实体用户在发布与待处理舆情事件的多媒体信息时,该实体用户的粉丝会受到该实体用户发布多媒体信息的影响。因此,实体用户对该待处理舆情事件的子作用量还需要考虑其对与其具有关联关系的实体用户的影响。如此,可以通过计算实体用户的影响值来构建影响矩阵,即上述第二矩阵,并利用该第二矩阵参与计算实体用户对该待处理舆情事件的子作用量,从而使得计算得到的实体用户对该待处理舆情事件的子作用量更加准确,实现了对网络空间中关联关系的表征,进一步提高了热度指数的计算准确性。
在本发明一个实施例中,为了选择更有效的处理决策,所述从所述至少两个处理决策中选择一个处理决策作为应对该待处理舆情事件的处理决策,指数可以通过如下一种方式来实现:
针对每一个处理决策在第二时刻对应的该待处理舆情事件的热度指数,均执行:根据该处理决策在第二时刻对应的该待处理舆情事件的热度指数与第一时刻对应的该待处理舆情事件的热度指数,计算该待处理舆情事件的热度下降比例;
在得到的至少两个热度下降比例中,确定是否存在热度下降比例大于设定比例阈值的目标热度下降比例;
如果存在,将目标热度下降比例所对应的处理决策中的任一处理决策作为应对该待处理舆情事件的处理决策;
如果不存在,将至少两个热度下降比例中最大热度下降比例所对应的处理决策作为应对该待处理舆情事件的处理决策。
本发明实施例中,可以设定一个比例阈值,如果热度下降比例大于设定比例阈值,那么可以表明该处理决策达到了满意的处理效果,那么可以从热度下降比例大于设定比例阈值中的任一热度下降比例对应的处理决策作为应对该待处理舆情事件的处理决策,否则可以选择热度下降比例最大的处理决策,以尽可能选择更有效的处理决策来应对舆情事件。
如图2、图3所示,本发明实施例提供了一种基于网络孪生空间的舆情处置决策装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图2所示,为本发明实施例提供的一种基于网络孪生空间的舆情处置决策装置所在设备的一种硬件结构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图3所示,作为一个逻辑意义上的装置,是通过其所在设备的CPU将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。本实施例提供的一种基于网络孪生空间的舆情处置决策装置,包括:
获取单元301,用于获取与待处理舆情事件相关的特征信息;
确定单元302,用于根据与待处理舆情事件相关的特征信息,确定在当前第一时刻对应的该待处理舆情事件的热度指数;
生成单元303,用于生成与该待处理舆情事件的至少两个处理决策;
所述确定单元302,还用于针对每一个处理决策,预测在该处理决策执行后到达第二时刻时,在该第二时刻对应的该待处理舆情事件的热度指数;其中,所述第一时刻与所述第二时刻距离为设定时间段阈值;
选择单元304,用于根据得到的至少两个第二时刻对应的该待处理舆情事件的热度指数,以及第一时刻对应的该待处理舆情事件的热度指数,从所述至少两个处理决策中选择一个处理决策作为应对该待处理舆情事件的处理决策。
作为优选,本发明一个实施例中,所述获取单元,具体用于执行如下操作:
获取与所述待处理舆情事件对应的至少一个特征关键词;
利用该至少一个特征关键词,从网页中采集包含有该特征关键词的多媒体信息,以及获取发布该多媒体信息的实体用户的信息;所述多媒体信息包括:文本信息、图片信息、音频信息和视频信息中的至少一种;
根据获取的实体用户的信息,分析出各实体用户之间具有的关联关系;其中,两个实体用户之间一个实体用户是另一个实体用户的粉丝,则该两个实体用户之间具有关联关系;
根据采集的多媒体信息,确定发布该多媒体信息的实体用户的情绪类型;所述情绪类型包括正面情绪和负面情绪;
将分析出的关联关系以及确定出的情绪类型,确定为与待处理舆情事件相关的特征信息。
作为优选,本发明一个实施例中,所述处理决策包括:将网页中目标特征关键词进行屏蔽处理、对情绪类型为负面情绪的实体用户发布的包含特征关键词的多媒体信息进行删除处理、对情绪类型为负面情绪的实体用户进行禁言、增加情绪类型为正面情绪的实体用户中的至少一项;
请参考图4,该基于网络孪生空间的舆情处置决策装置可以进一步包括:更新单元305,用于在所述预测单元执行所述预测在该处理决策执行后到达第二时刻时在该第二时刻对应的该待处理舆情事件的热度指数之前,根据该处理决策包括的内容,对获取的所述与待处理舆情事件相关的特征信息进行更新,得到更新后的特征信息;以使所述预测单元利用更新后的特征信息执行所述预测在该处理决策执行后到达第二时刻时在该第二时刻对应的该待处理舆情事件的热度指数。
作为优选,本发明一个实施例中,所述确定单元302在确定热度指数时,通过如下公式计算得到:
其中,K用于表征该待处理舆情事件对应的作用量,T用于表征该待处理舆情事件的持续时长,W(-)用于表征情绪类型为负面情绪的实体用户对该待处理舆情事件的作用量,W(+)用于表征情绪类型为正面情绪的实体用户对该待处理舆情事件的作用量。
作为优选,本发明一个实施例中,所述确定单元302在确定所述待处理舆情事件对应的作用量时,通过如下公式确定:
K=ω1k1+ω2k2
其中,w1用于表征该待处理舆情事件危害度k1的权重,w2用于表征该待处理舆情事件敏感度k2的权重。
作为优选,本发明一个实施例中,所述确定单元302在确定所述情绪类型为负面情绪/正面情绪的实体用户对该待处理舆情事件的作用量时,通过如下方式确定:
S1:确定情绪类型为负面情绪/正面情绪的实体用户的个数n,并根据情绪类型为负面情绪/正面情绪的实体用户之间的关联关系,生成如下n×n阶的第一矩阵:
其中,在实体用户i是实体用户j的粉丝时,aji=0,否则,aji=1;在i=j时,aij=aji=1;
S2:利用如下公式计算每一个实体用户的影响值:
其中,fi用于表征第i个实体用户的影响值,λ为影响系数;
S3:将第一矩阵中的aii替换为fi,得到如下第二矩阵:
S4:利用如下公式计算情绪类型为负面情绪/正面情绪的实体用户对该待处理舆情事件的作用量:
其中,W()用于表征情绪类型为负面情绪/正面情绪的实体用户对该待处理舆情事件的作用量,Ai用于表征第i个实体用户对该待处理舆情事件的子作用量,用于表征第i个实体用户的网络活跃度,Pi用于表征第i个实体用户具有的粉丝数量。
作为优选,本发明一个实施例中,所述选择单元,具体用于执行如下操作:
针对每一个处理决策在第二时刻对应的该待处理舆情事件的热度指数,均执行:根据该处理决策在第二时刻对应的该待处理舆情事件的热度指数与第一时刻对应的该待处理舆情事件的热度指数,计算该待处理舆情事件的热度下降比例;
在得到的至少两个热度下降比例中,确定是否存在热度下降比例大于设定比例阈值的目标热度下降比例;
如果存在,将目标热度下降比例所对应的处理决策中的任一处理决策作为应对该待处理舆情事件的处理决策;
如果不存在,将至少两个热度下降比例中最大热度下降比例所对应的处理决策作为应对该待处理舆情事件的处理决策。
可以理解的是,本发明实施例示意的结构并不构成对一种基于网络孪生空间的舆情处置决策装置的具体限定。在本发明的另一些实施例中,一种基于网络孪生空间的舆情处置决策装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种基于网络孪生空间的舆情处置决策装置,包括:至少一个存储区和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行本发明任一实施例中的一种基于网络孪生空间的舆情处置决策方法。
本发明实施例还提供了一种计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行本发明任一实施例中的一种基于网络孪生空间的舆情处置决策方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个······”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
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,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于网络孪生空间的舆情处置决策方法,其特征在于,包括:
获取与待处理舆情事件相关的特征信息;
根据与待处理舆情事件相关的特征信息,确定在当前第一时刻对应的该待处理舆情事件的热度指数;
生成与该待处理舆情事件的至少两个处理决策;
针对每一个处理决策,预测在该处理决策执行后到达第二时刻时,在该第二时刻对应的该待处理舆情事件的热度指数;其中,所述第一时刻与所述第二时刻距离为设定时间段阈值;
根据得到的至少两个第二时刻对应的该待处理舆情事件的热度指数,以及第一时刻对应的该待处理舆情事件的热度指数,从所述至少两个处理决策中选择一个处理决策作为应对该待处理舆情事件的处理决策;
所述处理决策包括:将网页中目标特征关键词进行屏蔽处理、对情绪类型为负面情绪的实体用户发布的包含特征关键词的多媒体信息进行删除处理、对情绪类型为负面情绪的实体用户进行禁言、增加情绪类型为正面情绪的实体用户中的至少一项;
在所述预测在该处理决策执行后到达第二时刻时在该第二时刻对应的该待处理舆情事件的热度指数之前,进一步包括:
根据该处理决策包括的内容,对获取的所述与待处理舆情事件相关的特征信息进行更新,得到更新后的特征信息;
利用更新后的特征信息执行所述预测在该处理决策执行后到达第二时刻时在该第二时刻对应的该待处理舆情事件的热度指数。
2.根据权利要求1所述的方法,其特征在于,所述获取与待处理舆情事件相关的特征信息,包括:
获取与所述待处理舆情事件对应的至少一个特征关键词;
利用该至少一个特征关键词,从网页中采集包含有该特征关键词的多媒体信息,以及获取发布该多媒体信息的实体用户的信息;所述多媒体信息包括:文本信息、图片信息、音频信息和视频信息中的至少一种;
根据获取的实体用户的信息,分析出各实体用户之间具有的关联关系;其中,两个实体用户之间一个实体用户是另一个实体用户的粉丝,则该两个实体用户之间具有关联关系;
根据采集的多媒体信息,确定发布该多媒体信息的实体用户的情绪类型;所述情绪类型包括正面情绪和负面情绪;
将分析出的关联关系以及确定出的情绪类型,确定为与待处理舆情事件相关的特征信息。
3.根据权利要求1所述的方法,其特征在于,所述热度指数通过如下公式计算得到:
其中,Q用于表征热度指数,K用于表征该待处理舆情事件对应的作用量,T用于表征该待处理舆情事件的持续时长,W(-)用于表征情绪类型为负面情绪的实体用户对该待处理舆情事件的作用量,W(+)用于表征情绪类型为正面情绪的实体用户对该待处理舆情事件的作用量;其中,所述作用量由两个参数来表征,分别为危害度和敏感度;
所述待处理舆情事件对应的作用量通过如下公式确定:
K=ω1k1+ω2k2
其中,ω1用于表征该待处理舆情事件危害度k1的权重,ω2用于表征该待处理舆情事件敏感度k2的权重。
4.根据权利要求3所述的方法,其特征在于,所述情绪类型为负面情绪/正面情绪的实体用户对该待处理舆情事件的作用量通过如下方式确定:
S1:确定情绪类型为负面情绪/正面情绪的实体用户的个数n,并根据情绪类型为负面情绪/正面情绪的实体用户之间的关联关系,生成如下n×n阶的第一矩阵:
其中,在实体用户i是实体用户j的粉丝时,aji=0,否则,aji=1;在i=j时,aij=aji=1;n为正整数;
S2:利用如下公式计算每一个实体用户的影响值:
其中,fi用于表征第i个实体用户的影响值,λ为影响系数;
S3:将第一矩阵中的aii替换为fi,得到如下第二矩阵:
S4:利用如下公式计算情绪类型为负面情绪/正面情绪的实体用户对该待处理舆情事件的作用量:
其中,W()用于表征情绪类型为负面情绪/正面情绪的实体用户对该待处理舆情事件的作用量,Ai用于表征第i个实体用户对该待处理舆情事件的子作用量,用于表征第i个实体用户的网络活跃度,Pi用于表征第i个实体用户具有的粉丝数量。
5.根据权利要求1-4中任一所述的方法,其特征在于,所述从所述至少两个处理决策中选择一个处理决策作为应对该待处理舆情事件的处理决策,包括:
针对每一个处理决策在第二时刻对应的该待处理舆情事件的热度指数,均执行:根据该处理决策在第二时刻对应的该待处理舆情事件的热度指数与第一时刻对应的该待处理舆情事件的热度指数,计算该待处理舆情事件的热度下降比例;
在得到的至少两个热度下降比例中,确定是否存在热度下降比例大于设定比例阈值的目标热度下降比例;
如果存在,将目标热度下降比例所对应的处理决策中的任一处理决策作为应对该待处理舆情事件的处理决策;
如果不存在,将至少两个热度下降比例中最大热度下降比例所对应的处理决策作为应对该待处理舆情事件的处理决策。
6.一种基于网络孪生空间的舆情处置决策装置,其特征在于,包括:
获取单元,用于获取与待处理舆情事件相关的特征信息;
确定单元,用于根据与待处理舆情事件相关的特征信息,确定在当前第一时刻对应的该待处理舆情事件的热度指数;
生成单元,用于生成与该待处理舆情事件的至少两个处理决策;
所述确定单元,还用于针对每一个处理决策,预测在该处理决策执行后到达第二时刻时,在该第二时刻对应的该待处理舆情事件的热度指数;其中,所述第一时刻与所述第二时刻距离为设定时间段阈值;
选择单元,用于根据得到的至少两个第二时刻对应的该待处理舆情事件的热度指数,以及第一时刻对应的该待处理舆情事件的热度指数,从所述至少两个处理决策中选择一个处理决策作为应对该待处理舆情事件的处理决策;
所述处理决策包括:将网页中目标特征关键词进行屏蔽处理、对情绪类型为负面情绪的实体用户发布的包含特征关键词的多媒体信息进行删除处理、对情绪类型为负面情绪的实体用户进行禁言、增加情绪类型为正面情绪的实体用户中的至少一项;
所述基于网络孪生空间的舆情处置决策装置进一步包括:更新单元,用于在所述确定单元执行所述预测在该处理决策执行后到达第二时刻时在该第二时刻对应的该待处理舆情事件的热度指数之前,根据该处理决策包括的内容,对获取的所述与待处理舆情事件相关的特征信息进行更新,得到更新后的特征信息;以使所述确定单元利用更新后的特征信息执行所述预测在该处理决策执行后到达第二时刻时在该第二时刻对应的该待处理舆情事件的热度指数。
7.一种基于网络孪生空间的舆情处置决策装置,其特征在于,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行权利要求1至5中任一项所述的方法。
8.计算机可读介质,其特征在于,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110323742.8A CN113128217B (zh) | 2021-03-26 | 2021-03-26 | 一种基于网络孪生空间的舆情处置决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110323742.8A CN113128217B (zh) | 2021-03-26 | 2021-03-26 | 一种基于网络孪生空间的舆情处置决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128217A CN113128217A (zh) | 2021-07-16 |
CN113128217B true CN113128217B (zh) | 2024-04-02 |
Family
ID=76774128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110323742.8A Active CN113128217B (zh) | 2021-03-26 | 2021-03-26 | 一种基于网络孪生空间的舆情处置决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128217B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933093A (zh) * | 2015-05-19 | 2015-09-23 | 武汉泰迪智慧科技有限公司 | 基于大数据的地区舆情监控及决策辅助系统和方法 |
CN106326481A (zh) * | 2016-08-31 | 2017-01-11 | 中译语通科技(北京)有限公司 | 一种基于突发特征的微博热点话题检测方法 |
CN107515893A (zh) * | 2017-07-07 | 2017-12-26 | 南京理工大学 | 基于soar模型的网络舆情预测方法 |
CN110046220A (zh) * | 2018-12-13 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 舆情信息处理方法、装置、设备及计算机可读存储介质 |
CN110096652A (zh) * | 2019-05-06 | 2019-08-06 | 上海汽车集团股份有限公司 | 舆情风向标指数计算方法及装置、可读存储介质 |
CN111753093A (zh) * | 2020-07-02 | 2020-10-09 | 东北电力大学 | 一种网络舆情危机等级评价方法和装置 |
CN111950860A (zh) * | 2020-07-21 | 2020-11-17 | 中证征信(深圳)有限公司 | 一种企业舆情风险指数的监控方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8209277B2 (en) * | 2009-02-09 | 2012-06-26 | Yahoo! Inc. | Predicting the outcome of events based on related internet activity |
TWI601088B (zh) * | 2014-10-06 | 2017-10-01 | Chunghwa Telecom Co Ltd | Topic management network public opinion evaluation management system and method |
CN107992478A (zh) * | 2017-11-30 | 2018-05-04 | 百度在线网络技术(北京)有限公司 | 确定热点事件的方法和装置 |
-
2021
- 2021-03-26 CN CN202110323742.8A patent/CN113128217B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933093A (zh) * | 2015-05-19 | 2015-09-23 | 武汉泰迪智慧科技有限公司 | 基于大数据的地区舆情监控及决策辅助系统和方法 |
CN106326481A (zh) * | 2016-08-31 | 2017-01-11 | 中译语通科技(北京)有限公司 | 一种基于突发特征的微博热点话题检测方法 |
CN107515893A (zh) * | 2017-07-07 | 2017-12-26 | 南京理工大学 | 基于soar模型的网络舆情预测方法 |
CN110046220A (zh) * | 2018-12-13 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 舆情信息处理方法、装置、设备及计算机可读存储介质 |
CN110096652A (zh) * | 2019-05-06 | 2019-08-06 | 上海汽车集团股份有限公司 | 舆情风向标指数计算方法及装置、可读存储介质 |
CN111753093A (zh) * | 2020-07-02 | 2020-10-09 | 东北电力大学 | 一种网络舆情危机等级评价方法和装置 |
CN111950860A (zh) * | 2020-07-21 | 2020-11-17 | 中证征信(深圳)有限公司 | 一种企业舆情风险指数的监控方法及装置 |
Non-Patent Citations (5)
Title |
---|
Parallel evolution and response decision method for public sentiment based on system dynamics;Xie Tian ET AL;European Journal of Operational Research;第287卷(第3期);第2.2节,第3.3-3.5节 * |
Xie Tian ET AL.Parallel evolution and response decision method for public sentiment based on system dynamics.European Journal of Operational Research.2020,第287卷(第3期),第2.2节,第3.3-3.5节. * |
企业社会责任负面事件网络舆情演化与政企合作研究;齐丽云等;系统工程理论与实践;第40卷(第7期);1792-1805 * |
重大疫情网络舆情防控策略研究;曹武军等;情报杂志;第39卷(第10期);107-114 * |
面向分层指标的网络舆情粗糙数据分析系统研究;窦慧莉;王长宝;杨习贝;陈向坚;;信息技术(第11期);73-75 * |
Also Published As
Publication number | Publication date |
---|---|
CN113128217A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6771751B2 (ja) | リスク評価方法およびシステム | |
CN108073568B (zh) | 关键词提取方法和装置 | |
JP7183385B2 (ja) | ノード分類方法、モデル訓練方法並びに、その装置、機器及びコンピュータプログラム | |
CN110334356B (zh) | 文章质量的确定方法、文章筛选方法、以及相应的装置 | |
CN111753093A (zh) | 一种网络舆情危机等级评价方法和装置 | |
CN111435369B (zh) | 音乐推荐方法、装置、终端及存储介质 | |
CN110825868A (zh) | 一种基于话题热度的文本推送方法、终端设备及存储介质 | |
WO2019242453A1 (zh) | 信息处理方法及装置、存储介质、电子装置 | |
KR102135074B1 (ko) | 인공지능 기반의 팩트 체크 가이드라인을 이용한 가짜 뉴스 판별 시스템 | |
CN109101574B (zh) | 一种数据防泄漏系统的任务审批方法和系统 | |
CN110958472A (zh) | 视频点击量评级预测方法、装置、电子设备及存储介质 | |
CN117291428B (zh) | 一种基于企业管理app的数据后台管理系统 | |
CN103324641A (zh) | 信息记录推荐方法和装置 | |
CN113128217B (zh) | 一种基于网络孪生空间的舆情处置决策方法 | |
CN110727867A (zh) | 一种基于模糊机制的语义实体推荐方法 | |
CN112348279B (zh) | 资讯传播趋势的预测方法、装置、电子设备和存储介质 | |
Garcia de Alford et al. | Reducing age bias in machine learning: An algorithmic approach | |
CN111382345B (zh) | 话题筛选和发布的方法、装置和服务器 | |
KR102296420B1 (ko) | 개인정보보호 정책서 분석 기반 개인정보 수집/활용자의 신뢰도 평가 방법 및 장치 | |
CN113112347A (zh) | 催收决策的确定方法、相关装置及计算机存储介质 | |
US20200142963A1 (en) | Apparatus and method for predicting response to an article | |
CN115329316B (zh) | 权限处理方法、装置、存储介质和电子设备 | |
CN114650447B (zh) | 一种确定视频内容异常程度的方法、装置及计算设备 | |
CN115271544B (zh) | 降低噪声投诉率的方法、装置、电子设备及存储介质 | |
Javanmardi | Measuring content quality in user generated content systems: a machine learning approach |
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 |