CN113297498A - 基于互联网的食品属性挖掘方法及系统 - Google Patents
基于互联网的食品属性挖掘方法及系统 Download PDFInfo
- Publication number
- CN113297498A CN113297498A CN202110690218.4A CN202110690218A CN113297498A CN 113297498 A CN113297498 A CN 113297498A CN 202110690218 A CN202110690218 A CN 202110690218A CN 113297498 A CN113297498 A CN 113297498A
- Authority
- CN
- China
- Prior art keywords
- food
- public opinion
- data
- internet
- content
- 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.)
- Granted
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例提供一种基于互联网的食品属性挖掘方法及系统,通过食品反馈内容解析模型对互联网食品大数据进行解析,以得到第一食品安全反馈事件序列、第一食品网络舆情数据中每个食品舆情主题数据的舆情内容知识实体以及第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,从而确定出食品属性挖掘信息。如此,能够基于食品舆情主题数据的舆情内容知识实体以及舆情触发行为的关联舆情内容知识实体,从而确保食品属性挖掘信息的精度,并确保食品属性挖掘信息尽可能与实际的食品舆情互联网场景相匹配,以针对相关的食品互联网服务提供商提供后续更为准确的食品筛查和制造优化的有效参考依据。
Description
技术领域
本公开涉及互联网技术领域,示例性地,涉及一种基于互联网的食品属性挖掘方法及系统。
背景技术
随着互联网用户规模日益的扩大,多元化和多样化的信息在互联网为载体的媒介下井喷式的出现,网络舆情也随即产生,其中包括了真实的与虚假的信息,而关于食品安全的话题占据绝大多数,这些关于食品安全的网络舆情必定会对人们的生活以及社会造成一定威胁与影响,尤其是虚假造谣的信息造成的社会危害更是严重。基于此,如何提高食品属性挖掘信息的精度,并确保食品属性挖掘信息尽可能与实际的食品舆情互联网场景相匹配,以针对相关的食品互联网服务提供商提供后续更为准确的食品筛查和制造优化的有效参考依据,是本领域亟待研究的技术问题。
发明内容
为了至少克服现有技术中的上述不足,本公开的目的在于提供一种基于互联网的食品属性挖掘方法及系统。
第一方面,本公开提供一种基于互联网的食品属性挖掘方法,应用于基于互联网的食品属性挖掘系统,所述方法包括:
启用食品反馈内容解析模型获取互联网食品大数据中的第一食品安全反馈事件序列,并确定所述互联网食品大数据中的第一食品网络舆情数据和第一食品网络舆情数据的舆情内容知识图谱;
启用所述食品反馈内容解析模型将所述第一食品网络舆情数据切分为多个食品舆情主题数据,并结合所述第一食品网络舆情数据的舆情内容知识图谱提取所述第一食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体,获取所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体;
基于所述第一食品网络舆情数据中每个所述食品舆情主题数据的舆情内容知识实体、所述第一食品安全反馈事件序列的信息和所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,获取食品属性挖掘信息。
第二方面,本公开实施例还提供一种基于互联网的食品属性挖掘系统,所述基于互联网的食品属性挖掘系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现前述的基于互联网的食品属性挖掘方法。
根据上述任意一个方面,本公开提供的实施方式中,通过食品反馈内容解析模型对互联网食品大数据进行解析,以得到第一食品安全反馈事件序列、第一食品网络舆情数据中每个食品舆情主题数据的舆情内容知识实体以及第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,从而确定出食品属性挖掘信息。如此,相比于相关技术直接对第一食品网络舆情数据的舆情内容知识图谱进行食品属性挖掘的方式,该方案能够基于食品舆情主题数据的舆情内容知识实体以及舆情触发行为的关联舆情内容知识实体,从而确保食品属性挖掘信息的精度,并确保食品属性挖掘信息尽可能与实际的食品舆情互联网场景相匹配,以针对相关的食品互联网服务提供商提供后续更为准确的食品筛查和制造优化的有效参考依据。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,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它相关的附图。
图1为本公开实施例提供的基于互联网的食品属性挖掘方法的流程示意图;
图2为本公开实施例提供的基于互联网的食品属性挖掘装置的功能模块示意图;
图3为本公开实施例提供的用于实现上述的基于互联网的食品属性挖掘方法的基于互联网的食品属性挖掘系统的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本发明,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本发明的原则和范围的情况下,本发明中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本发明并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
本发明中所使用的术语仅用于描述特定的示例性实施例,并不限制本发明的范围。如本发明使用的单数形式“一”、“一个”及“该”可以同样包括复数形式,除非上下文明确提示例外情形。还应当理解,如在本发明说明书中,术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件,但并不排除存在或添加一个或以上其它特征、整体、步骤、操作、组件、部件和/或其组合的情况。
根据以下对附图的描述,本发明的这些和其它的特征、特点以及相关结构元件的功能和操作方法,以及部件组合和制造经济性,可以变得更加显而易见,这些附图都构成本发明说明书的一部分。然而,应当理解的是,附图仅仅是为了说明和描述的目的,并不旨在限制本发明的范围。应当理解的是,附图并不是按比例绘制的。
本发明中使用了流程图用来说明根据本发明的一些实施例的系统所执行的操作。应当理解的是,流程图中的操作可以不按顺序执行。相反,可以按照倒序或同时处理各种步骤。此外,可以向流程图添加一个或以上其它操作。也可以从流程图中删除一个或以上操作。
下面结合说明书附图对本公开进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本公开一种实施例提供的基于互联网的食品属性挖掘方法的流程示意图,下面对该基于互联网的食品属性挖掘方法进行详细介绍。
步骤S110,启用食品反馈内容解析模型获取互联网食品大数据中的第一食品安全反馈事件序列,并确定所述互联网食品大数据中的第一食品网络舆情数据和第一食品网络舆情数据的舆情内容知识图谱。
例如,可以从本地启用食品反馈内容解析模型,也可以从云端启用食品反馈内容解析模型,食品反馈内容解析模型可以是预先训练得到的。互联网食品大数据可以是主动从相关的数据服务器中调取,也可以是实时上传的,具体不作特殊限定。
又例如,食品安全反馈事件序列可以是多个具有明显事件触发行为的食品安全反馈事件形成的序列,比如具有明显事件触发行为的食品安全反馈事件是食品安全反馈事件ev1、食品安全反馈事件ev2、食品安全反馈事件ev3、食品安全反馈事件ev4和食品安全反馈事件ev5,那么第一食品安全反馈事件序列可以是{ev1,ev2,ev3,ev4,ev5}。
此外,食品网络舆情数据可以是关于食品安全的网络舆情的舆情内容描述数据。基于此,舆情内容知识实体可以理解为食品网络舆情数据的某个舆情经由节点,而舆情内容知识图谱可以理解为用于记录舆情内容知识实体的知识图谱,但不限于此。
一种示例性设计的实施方式中,上述步骤S110所描述的启用食品反馈内容解析模型获取互联网食品大数据中的第一食品安全反馈事件序列,并确定所述互联网食品大数据中的第一食品网络舆情数据和第一食品网络舆情数据的舆情内容知识图谱,可以通过以下步骤S111-步骤S113所介绍的实施例。
步骤S111,将互联网食品大数据按照预设输入格式输入食品反馈内容解析模型。
例如,可以按照食品反馈内容解析模型对应的预设输入格式对互联网食品大数据进行格式统一,然后将格式统一后的互联网食品大数据输入食品反馈内容解析模型,进而通过食品反馈内容解析模型进行相应的数据处理和分析。
步骤S112,启用所述食品反馈内容解析模型获取所述互联网食品大数据中的第一食品安全反馈事件序列。
在实际实施过中,为了确保第一食品安全反馈事件序列的完整性,可以基于舆情内容知识图谱进行第一食品安全反馈事件序列的提取。基于此,上述步骤S112所描述的启用所述食品反馈内容解析模型获取所述互联网食品大数据中的第一食品安全反馈事件序列,可以包括以下步骤S1121和步骤S1122所介绍的实施例。
步骤S1121,启用所述食品反馈内容解析模型获取所述互联网食品大数据中的第一参考舆情内容知识图谱。
在一种示例性设计的实施方式中,第一参考舆情内容知识图谱可以理解为基础特征图,用于记录互联网食品大数据的某个舆情经由节点。
步骤S1122,启用所述食品反馈内容解析模型基于所述第一参考舆情内容知识图谱获取所述互联网食品大数据中的第一食品安全反馈事件序列。
可以理解的是,通过对所述第一参考舆情内容知识图谱进行分析,能够对互联网食品大数据的某个舆情经由节点进行整体识别,从而确保第一食品安全反馈事件序列的完整性。
一种示例性设计的实施方式中,上述步骤S1122所描述的启用所述食品反馈内容解析模型基于所述第一参考舆情内容知识图谱获取所述互联网食品大数据中的第一食品安全反馈事件序列,可以通过以下步骤S1122a-步骤S1122c所介绍的实施例实现。
步骤S1122a,启用所述食品反馈内容解析模型基于所述第一参考舆情内容知识图谱,获取所述互联网食品大数据中的第一候选食品安全反馈事件序列。
可以理解的是,由于第一参考舆情内容知识图谱所涵盖的舆情内容知识实体的数量较多,其中可能包含一些噪声特征,为了确保第一候选食品安全反馈事件序列的完整性,同时减少噪声比例,可以先初步筛选得到第一候选食品安全反馈事件序列。
步骤S1122b,启用所述食品反馈内容解析模型基于所述第一候选食品安全反馈事件序列和所述第一参考舆情内容知识图谱,获取所述互联网食品大数据中的第二食品网络舆情数据的舆情内容知识图谱。
在一种示例性设计的实施方式中,可以对所述第一候选食品安全反馈事件序列和所述第一参考舆情内容知识图谱之间的差异进行分析,从而确定出所述互联网食品大数据中的第二食品网络舆情数据,以进一步确定第二食品网络舆情数据的舆情内容知识图谱。可以理解的是,第二食品网络舆情数据与第一食品网络舆情数据不完全相同,一般情况下,第一食品网络舆情数据包含在第二食品网络舆情数据中。可以理解,通过获取所述互联网食品大数据中的第二食品网络舆情数据的舆情内容知识图谱,可以实现对舆情内容知识图谱的精确筛选,从而尽可能减少噪声。
步骤S1122c,启用所述食品反馈内容解析模型基于所述第二食品网络舆情数据的舆情内容知识图谱,获取所述第一食品安全反馈事件序列。
可以理解的是,通过对第二食品网络舆情数据的舆情内容知识图谱进行分析,能够在保证第一食品安全反馈事件序列的完整性的前提下减少误差数据比例,为实现这一目的,上述步骤S1122c所描述的启用所述食品反馈内容解析模型基于所述第二食品网络舆情数据的舆情内容知识图谱,获取所述第一食品安全反馈事件序列,可以通过以下技术方案实现:启用所述食品反馈内容解析模型获取所述第二食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱和第二舆情内容知识图谱;基于所述第二食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱和所述第二食品网络舆情数据的舆情内容知识图谱对应的第二舆情内容知识图谱获取所述第一食品安全反馈事件序列的信息。
一种示例性设计的实施方式中,所述第一舆情内容知识图谱用于表示所述第一候选食品安全反馈事件序列匹配于各舆情标签分布的知识图谱,所述第二舆情内容知识图谱用于表示所述第一食品安全反馈事件序列相对于所述第一候选食品安全反馈事件序列的扩展知识图谱。可以理解的是,通过确定所述第二食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱和第二舆情内容知识图谱,能够将所述第一食品安全反馈事件序列相对于所述第一候选食品安全反馈事件序列的扩展知识图谱考虑在内,这样可以在保证第一食品安全反馈事件序列的完整性的前提下减少噪声比。
一种示例性设计的实施方式中,所述第一食品安全反馈事件序列的信息还包括所述第一食品安全反馈事件序列的舆情主题关注信息和所述第一食品安全反馈事件序列的事件标签分布。基于此,上述步骤所描述的基于所述第二食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱和所述第二食品网络舆情数据的舆情内容知识图谱对应的第二舆情内容知识图谱获取所述第一食品安全反馈事件序列的信息,可以包括以下内容:对所述第二食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱进行舆情关注度的筛选处理,得到所述第一食品安全反馈事件序列的事件标签分布;对所述第二食品网络舆情数据的舆情内容知识图谱对应的第二舆情内容知识图谱与所述第一候选食品安全反馈事件序列的舆情主题关注信息进行更新,得到所述第一食品安全反馈事件序列的舆情主题关注信息。
例如,舆情内容知识实体可以包括关注度属性,用于对不同的舆情内容知识点进行关注度描述,第一食品安全反馈事件序列的舆情主题关注信息可以理解为第一食品安全反馈事件序列中的食品安全反馈事件之间的关联关系。可以理解,通过进行舆情关注度的筛选处理,能够精准确定第一食品安全反馈事件序列的事件标签分布,然后通过对所述第二食品网络舆情数据的舆情内容知识图谱对应的第二舆情内容知识图谱与所述第一候选食品安全反馈事件序列的舆情主题关注信息进行更新,能够完整得到所述第一食品安全反馈事件序列的舆情主题关注信息。由此可见,所述第一食品安全反馈事件序列的信息可以包括第一食品安全反馈事件序列的事件标签分布以及第一食品安全反馈事件序列的舆情主题关注信息。
步骤S113,启用所述食品反馈内容解析模型基于所述第一食品安全反馈事件序列获取所述互联网食品大数据中的第一食品网络舆情数据和第一食品网络舆情数据的舆情内容知识图谱。
在一种示例性设计的实施方式中,所述第一食品网络舆情数据为所述第一食品安全反馈事件序列在所述互联网食品大数据中对应的舆情内容描述数据。可以理解,通过对第一食品安全反馈事件序列进行进一步识别分析,从而提高第一食品网络舆情数据和第一食品网络舆情数据的舆情内容知识图谱的识别精度。
步骤S120,启用所述食品反馈内容解析模型将所述第一食品网络舆情数据切分为多个食品舆情主题数据,并结合所述第一食品网络舆情数据的舆情内容知识图谱提取所述第一食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体,获取所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体。
例如,食品舆情主题数据的切分可以根据时序特征进行切分,也可以根据办公项目进行切分,本发明实施例不作限定。通过将所述第一食品网络舆情数据切分为多个食品舆情主题数据,能够基于食品舆情主题数据的舆情内容知识实体以及舆情触发行为的关联舆情内容知识实体,从而确保后续食品属性挖掘信息的精度。此外,舆情触发行为可以理解为不同的舆情形式(如舆情萌芽阶段,舆情发展阶段,舆情井喷阶段,和舆情衰退阶段,舆情演化的过程形式),舆情触发行为的关联舆情内容知识实体用于表征舆情触发行为的关联的关联舆情内容知识实体。
一种示例性设计的实施方式中,上述步骤S120所描述的启用所述食品反馈内容解析模型将所述第一食品网络舆情数据切分为多个食品舆情主题数据,并结合所述第一食品网络舆情数据的舆情内容知识图谱提取所述第一食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体,获取所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,可以基于以下示例性设计实现:启用所述食品反馈内容解析模型将所述第一食品网络舆情数据切分为多个食品舆情主题数据,启用所述食品反馈内容解析模型基于所述第一食品网络舆情数据的舆情内容知识图谱提取所述第一食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体,启用所述食品反馈内容解析模型获取所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体。
一种示例性设计的实施方式中,所述食品舆情主题数据对应的舆情内容知识实体为所述食品舆情主题数据中存在食品安全反馈事件的挖掘数据。该挖掘数据可以理解为所述食品舆情主题数据中存在食品安全反馈事件的概率分布。可以理解,启用所述食品反馈内容解析模型将所述第一食品网络舆情数据切分为多个食品舆情主题数据、基于所述第一食品网络舆情数据的舆情内容知识图谱提取所述第一食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体以及获取所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体可以通过食品反馈内容解析模型的相关网络层实现。
一种示例性设计的实施方式中,所述第一食品安全反馈事件序列的信息可以包括所述第一食品安全反馈事件序列的舆情主题关注信息。基于此,上述步骤所描述的启用所述食品反馈内容解析模型获取所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,可以通过以下实施方式实现:启用所述食品反馈内容解析模型对所述第一参考舆情内容知识图谱进行关注兴趣点解析,得到所述互联网食品大数据中各所述舆情触发行为对应的第一关注兴趣点解析信息对应的舆情内容知识图谱;基于所述第一食品安全反馈事件序列的舆情主题关注信息确定所述第一食品网络舆情数据中每个舆情触发行为在所述第一关注兴趣点解析信息对应的舆情内容知识图谱中对应的舆情内容知识实体,作为对应所述第一食品网络舆情数据中所述舆情触发行为的关联舆情内容知识实体。
比如,可以通过食品反馈内容解析模型中的关注兴趣点解析层或者关注兴趣点解析子线程对第一参考舆情内容知识图谱进行关注兴趣点解析,从而得到所述互联网食品大数据中各所述舆情触发行为对应的第一关注兴趣点解析信息对应的舆情内容知识图谱。可以理解,第一关注兴趣点解析信息用于表征舆情触发行为在在发展过程中呈现的关注兴趣点的分布,而第一关注兴趣点解析信息对应的舆情内容知识图谱能够更为精准地反映针对舆情内容的关注兴趣点。
一种示例性设计的实施方式中,可以以所述第一食品安全反馈事件序列的舆情主题关注信息作为参考,查询所述第一食品网络舆情数据中每个舆情触发行为在所述第一关注兴趣点解析信息对应的舆情内容知识图谱中对应的舆情内容知识实体,或者可以理解为:为所述第一食品网络舆情数据中每个舆情触发行为匹配所述第一关注兴趣点解析信息对应的舆情内容知识图谱中的舆情内容知识实体,这样可以准确确定出所述第一食品网络舆情数据中所述舆情触发行为的关联舆情内容知识实体,避免舆情触发行为与关联舆情内容知识实体之间的错乱。
步骤S130,基于所述第一食品网络舆情数据中每个所述食品舆情主题数据的舆情内容知识实体、所述第一食品安全反馈事件序列的信息和所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,获取食品属性挖掘信息。
一种示例性设计的实施方式中,所述第一食品安全反馈事件序列的信息可以包括第一食品安全反馈事件序列的事件标签分布,基于此,上述步骤S130所描述的基于所述第一食品网络舆情数据中每个所述食品舆情主题数据的舆情内容知识实体、所述第一食品安全反馈事件序列的信息和所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,获取食品属性挖掘信息,可以通过以下步骤S131和步骤S132所介绍的实施例实现。
步骤S131、基于所述第一食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体确定所述第一食品网络舆情数据中存在所述食品安全反馈事件的舆情内容描述数据,基于所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,确定所述第一食品网络舆情数据中对应所述舆情触发行为的事件标签分布。
一种示例性设计的实施方式中,所述存在食品安全反馈事件的舆情内容描述数据对应的所述食品舆情主题数据对应的舆情内容知识实体覆盖历史挖掘数据。
一种示例性设计的实施方式中,可以根据第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体的差异性,确定第一食品网络舆情数据中对应所述舆情触发行为的事件标签分布,从而确保舆情触发行为的事件标签分布的精准分类。
步骤S132、基于所述第一食品网络舆情数据中每个所述舆情触发行为的事件标签分布,确定所述存在食品安全反馈事件的舆情内容描述数据中属于所述第一食品安全反馈事件序列的事件标签分布的舆情触发行为,作为所述食品属性挖掘信息。
例如,可以对所述第一食品网络舆情数据中每个所述舆情触发行为的事件标签分布进行分析,进而确定所述存在食品安全反馈事件的舆情内容描述数据中对应于/匹配于所述第一食品安全反馈事件序列的事件标签分布的舆情触发行为,然后对舆情触发行为的相关触发行为特征进行提取和整合,以得到食品属性挖掘信息。可以理解的是,所述存在食品安全反馈事件的舆情内容描述数据中属于所述第一食品安全反馈事件序列的事件标签分布的舆情触发行为通常与较多的舆情发展对象/舆情触发行为相关,因而能够确保食品属性挖掘信息反应不同舆情发展对象之间的舆情关联内容,从而针对相关的食品互联网服务提供商提供后续更为准确的食品筛查和制造优化的有效参考依据。
通过上述方式,本发明通过食品反馈内容解析模型获取互联网食品大数据中的第一食品安全反馈事件序列,基于第一食品安全反馈事件序列获取互联网食品大数据的第一参考舆情内容知识图谱和第一食品网络舆情数据的舆情内容知识图谱,对第一食品网络舆情数据进行食品舆情主题数据化的食品安全反馈事件识别,从而能够快速实现对第一食品网络舆情数据中食品安全反馈事件的分析识别,并启用食品反馈内容解析模型获取第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,从而能够结合第一食品网络舆情数据中食品安全反馈事件的分析识别结果和每个舆情触发行为的关联舆情内容知识实体获取食品属性挖掘信息。相比于相关技术直接对第一食品网络舆情数据的舆情内容知识图谱进行食品属性挖掘的方式,该方案能够基于食品舆情主题数据的舆情内容知识实体以及舆情触发行为的关联舆情内容知识实体,从而确保食品属性挖掘信息的精度,并确保食品属性挖掘信息尽可能与实际的食品舆情互联网场景相匹配,以针对相关的食品互联网服务提供商提供后续更为准确的食品筛查和制造优化的有效参考依据。
此外,由于直接对第一食品网络舆情数据的舆情内容知识图谱进行食品属性挖掘的方式获取对应的第一食品网络舆情数据的舆情内容知识图谱中各舆情内容知识实体内容匹配于各舆情标签分布的知识图谱,因此其输出的舆情内容知识图谱所对应的数据量较大,而本发明中的食品反馈内容解析模型只是对各食品舆情主题数据是否存在食品安全反馈事件进行分析和识别,能够有效数据处理量,以提高互联网食品大数据挖掘的效率。
一种示例性设计的实施方式中,在步骤S112所描述的启用所述食品反馈内容解析模型获取所述互联网食品大数据中的第一食品安全反馈事件序列的步骤之前,该方法还可以包括对所述食品反馈内容解析模型进行配置的技术方案。
一种示例性设计的实施方式中,上述对所述食品反馈内容解析模型进行配置的步骤,可以通过以下技术方案实现:将参考互联网食品大数据按照预设输入格式输入所述食品反馈内容解析模型;启用所述食品反馈内容解析模型获取所述参考互联网食品大数据的第二参考舆情内容知识图谱;启用所述食品反馈内容解析模型基于所述第二参考舆情内容知识图谱获取所述参考互联网食品大数据中的第二食品网络舆情数据和第三食品网络舆情数据的舆情内容知识图谱;启用所述食品反馈内容解析模型将所述第二食品网络舆情数据切分为多个所述食品舆情主题数据,启用所述食品反馈内容解析模型基于所述第三食品网络舆情数据的舆情内容知识图谱提取所述第二食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体,启用所述食品反馈内容解析模型对所述第二参考舆情内容知识图谱进行关注兴趣点解析,以得到第二关注兴趣点解析信息对应的舆情内容知识图谱;基于所述第二食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体和第一实际知识实体之间的对比信息获取所述食品反馈内容解析模型的第一模型收敛评估信息,基于所述第二关注兴趣点解析信息对应的舆情内容知识图谱与第二实际知识实体之间的对比信息获取所述食品反馈内容解析模型的第二模型收敛评估信息;基于所述第一模型收敛评估信息和所述第二模型收敛评估信息优化所述食品反馈内容解析模型的模型权重配置信息。
一种示例性设计的实施方式中,实际知识实体可以作为对食品反馈内容解析模型进行模型更新的参考,比如通过实际知识实体(真值)和舆情内容知识实体(预测值)确定出模型收敛评估信息(模型损失),然后通过模型收敛评估信息(模型损失)调整优化食品反馈内容解析模型的模型权重配置信息(模型参数),以达到对食品反馈内容解析模型的模型更新。
一种示例性设计的实施方式中,上述步骤所描述的启用所述食品反馈内容解析模型基于所述第二参考舆情内容知识图谱获取所述互联网食品大数据中的第二食品网络舆情数据和第三食品网络舆情数据的舆情内容知识图谱,可以包括以下内容:启用所述食品反馈内容解析模型基于所述第二参考舆情内容知识图谱获取所述参考互联网食品大数据的第二候选食品安全反馈事件序列,将所述第二候选食品安全反馈事件序列在所述参考互联网食品大数据中对应的舆情内容描述数据作为所述第二食品网络舆情数据;启用所述食品反馈内容解析模型基于所述第二候选食品安全反馈事件序列和所述第二参考舆情内容知识图谱,获取所述第三食品网络舆情数据的舆情内容知识图谱。
一种示例性设计的实施方式中,在上述步骤所描述的启用所述食品反馈内容解析模型基于所述第二候选食品安全反馈事件序列和所述第二参考舆情内容知识图谱,获取所述第三食品网络舆情数据的舆情内容知识图谱的步骤之后,该方法还可以包括以下内容:启用所述食品反馈内容解析模型获取所述第三食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱和第二舆情内容知识图谱;基于所述第三食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱和第三实际知识实体之间的对比信息,获取所述食品反馈内容解析模型的第三模型收敛评估信息,基于所述第三食品网络舆情数据的舆情内容知识图谱对应的所述第二舆情内容知识图谱与第四实际知识实体之间的对比信息,获取所述食品反馈内容解析模型的第四模型收敛评估信息;基于所述第三模型收敛评估信息和所述第四模型收敛评估信息优化所述食品反馈内容解析模型的模型权重配置信息。
一种示例性设计的实施方式中,所述第三食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱用于表示所述第二候选食品安全反馈事件序列匹配于各舆情标签分布的知识图谱,所述第三食品网络舆情数据的舆情内容知识图谱对应的第二舆情内容知识图谱用于表示第二食品安全反馈事件序列相对于所述第二候选食品安全反馈事件序列的扩展知识图谱。
譬如,一种示例性设计的实施方式中,在上述步骤S130所描述的获取食品属性挖掘信息之后,该方法还可以包括以下步骤S140所描述的内容。
步骤S140,基于所述食品属性挖掘信息所对应的舆情触发行为的分布趋势数据,获取对所述互联网食品大数据进行挖掘后所得到的第一食品安全知识挖掘数据和第二食品安全知识挖掘数据,其中,所述第一食品安全知识挖掘数据为预设安全状态的动态食品安全知识挖掘数据,所述第二食品安全知识挖掘数据为包括预设安全事件的静态食品安全知识挖掘数据。
步骤S150,确定所述第一食品安全知识挖掘数据和所述第二食品安全知识挖掘数据中对应挖掘知识点的食品生产预警的同步信息,并基于所述对应挖掘知识点的食品生产预警的同步信息确定出所述第一食品安全知识挖掘数据和所述第二食品安全知识挖掘数据之间对应的且满足预设预警条件的目标挖掘知识点。
步骤S160,基于所述第一食品安全知识挖掘数据中的所述目标挖掘知识点对所述第二食品安全知识挖掘数据中的所述目标挖掘知识点进行真实性验证。
步骤S170,对真实性验证后的所述第二食品安全知识挖掘数据中的验证挖掘知识点进行整合以得到目标食品安全知识挖掘数据,并根据所述目标食品安全知识挖掘数据生成预警发布信息。
譬如,一种示例性设计的实施方式中,确定所述第一食品安全知识挖掘数据和所述第二食品安全知识挖掘数据中对应挖掘知识点的食品生产预警的同步信息包括:确定所述第一食品安全知识挖掘数据中各挖掘知识点的知识点描述向量以及所述第二食品安全知识挖掘数据中各挖掘知识点的知识点描述向量;基于所述第一食品安全知识挖掘数据中各挖掘知识点的知识点描述向量以及所述第二食品安全知识挖掘数据中各挖掘知识点的知识点描述向量,确定所述第一食品安全知识挖掘数据和所述第二食品安全知识挖掘数据中对应挖掘知识点的联动挖掘数据,其中,所述食品生产预警的同步信息包括所述联动挖掘数据;其中,确定所述第一食品安全知识挖掘数据和所述第二食品安全知识挖掘数据中对应挖掘知识点的联动挖掘数据,包括以下至少之一:基于所述第一食品安全知识挖掘数据中各挖掘知识点的知识点描述向量以及所述第二食品安全知识挖掘数据中各挖掘知识点的知识点描述向量,确定所述第一食品安全知识挖掘数据和所述第二食品安全知识挖掘数据中所述对应挖掘知识点的知识点差异特征向量以确定所述联动挖掘数据;基于所述第一食品安全知识挖掘数据中各挖掘知识点的知识点描述向量以及所述第二食品安全知识挖掘数据中各挖掘知识点的知识点描述向量,确定所述第一食品安全知识挖掘数据和所述第二食品安全知识挖掘数据中所述对应挖掘知识点的知识点描述向量对应的全局描述类别标签以确定所述联动挖掘数据;确定所述第一食品安全知识挖掘数据和所述第二食品安全知识挖掘数据中所述对应挖掘知识点的欺骗性筛选数据,基于确定出的欺骗性筛选数据以及所述第一食品安全知识挖掘数据和所述第二食品安全知识挖掘数据中所述对应挖掘知识点的知识点描述向量确定所述联动挖掘数据。
譬如,一种示例性设计的实施方式中,基于所述对应挖掘知识点的食品生产预警的同步信息确定出所述第一食品安全知识挖掘数据和所述第二食品安全知识挖掘数据之间对应的且满足预设预警条件的目标挖掘知识点包括:对所述第一食品安全知识挖掘数据和所述第二食品安全知识挖掘数据中所述对应挖掘知识点按照食品生产预警的同步信息对应的关注热度升序排列;通过如下方式之一从排序后的所述对应挖掘知识点中确定出所述目标挖掘知识点:基于预设顺序的预定数量的所述对应挖掘知识点作为所述目标挖掘知识点;基于预设顺序的预定比例的所述对应挖掘知识点作为所述目标挖掘知识点;将食品生产预警的同步信息对应的关注热度小于第一预设热度的所述对应挖掘知识点确定为所述目标挖掘知识点;按顺序将食品生产预警的同步信息对应的关注热度小于第二预设热度的所述对应挖掘知识点中包括的各对应挖掘知识点按照预设重要性规则进行选定,基于选定结果确定所述目标挖掘知识点;基于所述对应挖掘知识点的共享知识点差异特征向量的变化选取所述目标挖掘知识点;其中,按顺序将食品生产预警的同步信息对应的关注热度小于第二预设热度的所述对应挖掘知识点中包括的各对应挖掘知识点按照预设重要性规则进行选定,基于选定结果确定所述目标挖掘知识点包括:确定与食品生产预警的同步信息对应的关注热度小于第二预设热度的所述对应挖掘知识点中包括的各对应挖掘知识点的食品生产预警的同步信息对应的选定数量,其中,食品生产预警的同步信息的关注热度越小对应的选定数量越大;按照确定的选定数量对食品生产预警的同步信息对应的关注热度小于第二预设热度的所述对应挖掘知识点中包括的各对应挖掘知识点进行选定;对选定后的所述对应挖掘知识点进行升序排列,以得到所述目标挖掘知识点;其中,基于所述对应挖掘知识点的共享知识点差异特征向量的变化选取所述目标挖掘知识点包括:按顺序选取目标数量的所述对应挖掘知识点,并确定所述目标数量的所述对应挖掘知识点的第一知识点差异特征向量,其中,所述目标数量为预先确定的最小参考数量;按顺序选取目标数量加一的所述对应挖掘知识点,并确定所述目标数量加一的所述对应挖掘知识点的第二知识点差异特征向量;在确定所述第一知识点差异特征向量和所述第二知识点差异特征向量的匹配度大于或等于设定匹配度时,将所述目标数量的所述对应挖掘知识点确定为所述目标挖掘知识点;在确定所述第一知识点差异特征向量和所述第二知识点差异特征向量的匹配度小于所述设定匹配度时,重复执行选取比前一次选取数量多一个的所述对应挖掘知识点,直到后选取出的所述对应挖掘知识点的知识点差异特征向量与前一次选取出的所述对应挖掘知识点的知识点差异特征向量的匹配度大于或等于所述设定匹配度,并将前一次选取出的所述对应挖掘知识点确定为所述目标挖掘知识点。
图2为本公开实施例提供的基于互联网的食品属性挖掘装置300的功能模块示意图,下面分别对该基于互联网的食品属性挖掘装置300的各个功能模块的功能进行详细阐述。
确定模块310,用于启用食品反馈内容解析模型获取互联网食品大数据中的第一食品安全反馈事件序列,并确定互联网食品大数据中的第一食品网络舆情数据和第一食品网络舆情数据的舆情内容知识图谱。
启用模块320,用于启用食品反馈内容解析模型将第一食品网络舆情数据切分为多个食品舆情主题数据,并结合第一食品网络舆情数据的舆情内容知识图谱提取第一食品网络舆情数据中每个食品舆情主题数据对应的舆情内容知识实体,获取第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体。
获取模块330,用于基于第一食品网络舆情数据中每个食品舆情主题数据的舆情内容知识实体、第一食品安全反馈事件序列的信息和第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,获取食品属性挖掘信息。
图3示出了本公开实施例提供的用于实现上述的基于互联网的食品属性挖掘方法的基于互联网的食品属性挖掘系统100的硬件结构意图,如图3所示,基于互联网的食品属性挖掘系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在一些实施例中,基于互联网的食品属性挖掘系统100可以是单个服务器,也可以是服务器组。所述服务器组可以是集中式的,也可以是分布式的(例如,基于互联网的食品属性挖掘系统100可以是分布式的系统)。在一些实施例中,基于互联网的食品属性挖掘系统100可以是本地的,也可以是远程的。例如,基于互联网的食品属性挖掘系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如,基于互联网的食品属性挖掘系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中,基于互联网的食品属性挖掘系统100可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。在一些实施例中,机器可读存储介质120可以存储从外部终端获取的数据。在一些实施例中,机器可读存储介质120可以储存基于互联网的食品属性挖掘系统100用来执行或使用来完成本发明中描述的示例性方法的数据及/或指令。在一些实施例中,机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,机器可读存储介质120可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云,多层云等,或其任意组合。
在具体实现过程中,至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的基于互联网的食品属性挖掘方法,处理器110、机器可读存储介质120以及通信单元140通过总线130连接,处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述基于互联网的食品属性挖掘系统100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本公开实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上基于互联网的食品属性挖掘方法。
应当理解的是,以上描述仅出于说明的目的,并不旨在限制本发明的范围。对于本领域的普通技术人员来说,可以根据本发明的描述,做出多种修改和变化。然而,这些修改和变化不会背离本发明的范围。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明公开仅作为示例,并不构成对本发明的限制。虽然此处并没有明确说明,本领域技术人员可能会对本发明进行各种修改、改进和修正。该类修改、改进和修正在本发明中被建议,所以该类修改、改进、修正仍属于本发明示范实施例的精神和范围。
同时,本发明使用了特定词语来描述本发明的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外,本发明的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改良。相应地,本发明的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外,本发明公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式,其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。
本发明各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写,包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本发明所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用,并非用于限定本发明流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本发明实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本发明披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。同理,应当注意的是,为了简化本发明披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (10)
1.一种基于互联网的食品属性挖掘方法,其特征在于,应用于基于互联网的食品属性挖掘系统,所述方法包括:
启用食品反馈内容解析模型获取互联网食品大数据中的第一食品安全反馈事件序列,并确定所述互联网食品大数据中的第一食品网络舆情数据和第一食品网络舆情数据的舆情内容知识图谱;
启用所述食品反馈内容解析模型将所述第一食品网络舆情数据切分为多个食品舆情主题数据,并结合所述第一食品网络舆情数据的舆情内容知识图谱提取所述第一食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体,获取所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体;
基于所述第一食品网络舆情数据中每个所述食品舆情主题数据的舆情内容知识实体、所述第一食品安全反馈事件序列的信息和所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,获取食品属性挖掘信息。
2.根据权利要求1所述的基于互联网的食品属性挖掘方法,其特征在于,所述启用食品反馈内容解析模型获取互联网食品大数据中的第一食品安全反馈事件序列,并确定所述互联网食品大数据中的第一食品网络舆情数据和第一食品网络舆情数据的舆情内容知识图谱,包括:
将互联网食品大数据按照预设输入格式输入食品反馈内容解析模型;
启用所述食品反馈内容解析模型获取所述互联网食品大数据中的第一食品安全反馈事件序列;
启用所述食品反馈内容解析模型基于所述第一食品安全反馈事件序列获取所述互联网食品大数据中的第一食品网络舆情数据和第一食品网络舆情数据的舆情内容知识图谱,其中,所述第一食品网络舆情数据为所述第一食品安全反馈事件序列在所述互联网食品大数据中对应的舆情内容描述数据;
所述启用所述食品反馈内容解析模型将所述第一食品网络舆情数据切分为多个食品舆情主题数据,并结合所述第一食品网络舆情数据的舆情内容知识图谱提取所述第一食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体,获取所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,包括:
启用所述食品反馈内容解析模型将所述第一食品网络舆情数据切分为多个食品舆情主题数据,启用所述食品反馈内容解析模型基于所述第一食品网络舆情数据的舆情内容知识图谱提取所述第一食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体,启用所述食品反馈内容解析模型获取所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,其中,所述食品舆情主题数据对应的舆情内容知识实体为所述食品舆情主题数据中存在食品安全反馈事件的挖掘数据。
3.根据权利要求2所述的基于互联网的食品属性挖掘方法,其特征在于,所述第一食品安全反馈事件序列的信息包括第一食品安全反馈事件序列的事件标签分布,所述基于所述第一食品网络舆情数据中每个所述食品舆情主题数据的舆情内容知识实体、所述第一食品安全反馈事件序列的信息和所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,获取食品属性挖掘信息,包括:
基于所述第一食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体确定所述第一食品网络舆情数据中存在所述食品安全反馈事件的舆情内容描述数据,基于所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,确定所述第一食品网络舆情数据中对应所述舆情触发行为的事件标签分布,其中,所述存在食品安全反馈事件的舆情内容描述数据对应的所述食品舆情主题数据对应的舆情内容知识实体覆盖历史挖掘数据;
基于所述第一食品网络舆情数据中每个所述舆情触发行为的事件标签分布,确定所述存在食品安全反馈事件的舆情内容描述数据中属于所述第一食品安全反馈事件序列的事件标签分布的舆情触发行为,作为所述食品属性挖掘信息。
4.根据权利要求2所述的基于互联网的食品属性挖掘方法,其特征在于,所述启用所述食品反馈内容解析模型获取所述互联网食品大数据中的第一食品安全反馈事件序列,包括:
启用所述食品反馈内容解析模型获取所述互联网食品大数据中的第一参考舆情内容知识图谱;
启用所述食品反馈内容解析模型基于所述第一参考舆情内容知识图谱获取所述互联网食品大数据中的第一食品安全反馈事件序列。
5.根据权利要求4所述的基于互联网的食品属性挖掘方法,其特征在于,所述第一食品安全反馈事件序列的信息包括所述第一食品安全反馈事件序列的舆情主题关注信息,所述启用所述食品反馈内容解析模型获取所述第一食品网络舆情数据中每个舆情触发行为的关联舆情内容知识实体,包括:
启用所述食品反馈内容解析模型对所述第一参考舆情内容知识图谱进行关注兴趣点解析,得到所述互联网食品大数据中各所述舆情触发行为对应的第一关注兴趣点解析信息对应的舆情内容知识图谱;
基于所述第一食品安全反馈事件序列的舆情主题关注信息确定所述第一食品网络舆情数据中每个舆情触发行为在所述第一关注兴趣点解析信息对应的舆情内容知识图谱中对应的舆情内容知识实体,作为对应所述第一食品网络舆情数据中所述舆情触发行为的关联舆情内容知识实体。
6.根据权利要求4所述的基于互联网的食品属性挖掘方法,其特征在于,所述启用所述食品反馈内容解析模型基于所述第一参考舆情内容知识图谱获取所述互联网食品大数据中的第一食品安全反馈事件序列,包括:
启用所述食品反馈内容解析模型基于所述第一参考舆情内容知识图谱,获取所述互联网食品大数据中的第一候选食品安全反馈事件序列;
启用所述食品反馈内容解析模型基于所述第一候选食品安全反馈事件序列和所述第一参考舆情内容知识图谱,获取所述互联网食品大数据中的第二食品网络舆情数据的舆情内容知识图谱;
启用所述食品反馈内容解析模型基于所述第二食品网络舆情数据的舆情内容知识图谱,获取所述第一食品安全反馈事件序列。
7.根据权利要求6所述的基于互联网的食品属性挖掘方法,其特征在于,所述启用所述食品反馈内容解析模型基于所述第二食品网络舆情数据的舆情内容知识图谱,获取所述第一食品安全反馈事件序列,包括:
启用所述食品反馈内容解析模型获取所述第二食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱和第二舆情内容知识图谱;其中,所述第一舆情内容知识图谱用于表示所述第一候选食品安全反馈事件序列匹配于各舆情标签分布的知识图谱,所述第二舆情内容知识图谱用于表示所述第一食品安全反馈事件序列相对于所述第一候选食品安全反馈事件序列的扩展知识图谱;
基于所述第二食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱和所述第二食品网络舆情数据的舆情内容知识图谱对应的第二舆情内容知识图谱获取所述第一食品安全反馈事件序列的信息;
所述第一食品安全反馈事件序列的信息还包括所述第一食品安全反馈事件序列的舆情主题关注信息和所述第一食品安全反馈事件序列的事件标签分布,所述基于所述第二食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱和所述第二食品网络舆情数据的舆情内容知识图谱对应的第二舆情内容知识图谱获取所述第一食品安全反馈事件序列的信息,包括:
对所述第二食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱进行舆情关注度的筛选处理,得到所述第一食品安全反馈事件序列的事件标签分布;
对所述第二食品网络舆情数据的舆情内容知识图谱对应的第二舆情内容知识图谱与所述第一候选食品安全反馈事件序列的舆情主题关注信息进行更新,得到所述第一食品安全反馈事件序列的舆情主题关注信息。
8.根据权利要求2所述的基于互联网的食品属性挖掘方法,其特征在于,在所述启用所述食品反馈内容解析模型获取所述互联网食品大数据中的第一食品安全反馈事件序列的步骤之前,还包括:对所述食品反馈内容解析模型进行配置;
其中,所述对所述食品反馈内容解析模型进行配置,包括:
将参考互联网食品大数据按照预设输入格式输入所述食品反馈内容解析模型;启用所述食品反馈内容解析模型获取所述参考互联网食品大数据的第二参考舆情内容知识图谱;
启用所述食品反馈内容解析模型基于所述第二参考舆情内容知识图谱获取所述参考互联网食品大数据中的第二食品网络舆情数据和第三食品网络舆情数据的舆情内容知识图谱;
启用所述食品反馈内容解析模型将所述第二食品网络舆情数据切分为多个所述食品舆情主题数据,启用所述食品反馈内容解析模型基于所述第三食品网络舆情数据的舆情内容知识图谱提取所述第二食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体,启用所述食品反馈内容解析模型对所述第二参考舆情内容知识图谱进行关注兴趣点解析,以得到第二关注兴趣点解析信息对应的舆情内容知识图谱;
基于所述第二食品网络舆情数据中每个所述食品舆情主题数据对应的舆情内容知识实体和第一实际知识实体之间的对比信息获取所述食品反馈内容解析模型的第一模型收敛评估信息,基于所述第二关注兴趣点解析信息对应的舆情内容知识图谱与第二实际知识实体之间的对比信息获取所述食品反馈内容解析模型的第二模型收敛评估信息;
基于所述第一模型收敛评估信息和所述第二模型收敛评估信息优化所述食品反馈内容解析模型的模型权重配置信息。
9.根据权利要求8所述的基于互联网的食品属性挖掘方法,其特征在于,所述启用所述食品反馈内容解析模型基于所述第二参考舆情内容知识图谱获取所述互联网食品大数据中的第二食品网络舆情数据和第三食品网络舆情数据的舆情内容知识图谱,包括:
启用所述食品反馈内容解析模型基于所述第二参考舆情内容知识图谱获取所述参考互联网食品大数据的第二候选食品安全反馈事件序列,将所述第二候选食品安全反馈事件序列在所述参考互联网食品大数据中对应的舆情内容描述数据作为所述第二食品网络舆情数据;
启用所述食品反馈内容解析模型基于所述第二候选食品安全反馈事件序列和所述第二参考舆情内容知识图谱,获取所述第三食品网络舆情数据的舆情内容知识图谱;
其中,在所述启用所述食品反馈内容解析模型基于所述第二候选食品安全反馈事件序列和所述第二参考舆情内容知识图谱,获取所述第三食品网络舆情数据的舆情内容知识图谱之后,还包括:
启用所述食品反馈内容解析模型获取所述第三食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱和第二舆情内容知识图谱,其中,所述第三食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱用于表示所述第二候选食品安全反馈事件序列匹配于各舆情标签分布的知识图谱,所述第三食品网络舆情数据的舆情内容知识图谱对应的第二舆情内容知识图谱用于表示第二食品安全反馈事件序列相对于所述第二候选食品安全反馈事件序列的扩展知识图谱;
基于所述第三食品网络舆情数据的舆情内容知识图谱对应的第一舆情内容知识图谱和第三实际知识实体之间的对比信息,获取所述食品反馈内容解析模型的第三模型收敛评估信息,基于所述第三食品网络舆情数据的舆情内容知识图谱对应的所述第二舆情内容知识图谱与第四实际知识实体之间的对比信息,获取所述食品反馈内容解析模型的第四模型收敛评估信息;
基于所述第三模型收敛评估信息和所述第四模型收敛评估信息优化所述食品反馈内容解析模型的模型权重配置信息。
10.一种基于互联网的食品属性挖掘系统,其特征在于,所述基于互联网的食品属性挖掘系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现权利要求1-9中任意一项的基于互联网的食品属性挖掘方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690218.4A CN113297498B (zh) | 2021-06-22 | 2021-06-22 | 基于互联网的食品属性挖掘方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690218.4A CN113297498B (zh) | 2021-06-22 | 2021-06-22 | 基于互联网的食品属性挖掘方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297498A true CN113297498A (zh) | 2021-08-24 |
CN113297498B CN113297498B (zh) | 2023-05-26 |
Family
ID=77329142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110690218.4A Active CN113297498B (zh) | 2021-06-22 | 2021-06-22 | 基于互联网的食品属性挖掘方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297498B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964504A (zh) * | 2021-12-28 | 2023-04-14 | 北方工业大学 | 一种食品安全风险预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180315023A1 (en) * | 2017-04-26 | 2018-11-01 | General Electric Company | Subject matter knowledge mapping |
WO2019050968A1 (en) * | 2017-09-05 | 2019-03-14 | Forgeai, Inc. | METHODS, APPARATUS, AND SYSTEMS FOR TRANSFORMING UNSTRUCTURED NATURAL LANGUAGE INFORMATION IN TO COMPUTER-PROCESSED STRUCTURED DATA |
CN110008336A (zh) * | 2019-01-14 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种基于深度学习的舆情预警方法及系统 |
CN111324795A (zh) * | 2018-12-13 | 2020-06-23 | 天津科技大学 | 基于微博平台下食品安全网络舆情监测与评估模型的构建 |
CN111914087A (zh) * | 2020-07-30 | 2020-11-10 | 广州城市信息研究所有限公司 | 一种舆情分析方法 |
CN112395410A (zh) * | 2021-01-13 | 2021-02-23 | 北京智源人工智能研究院 | 一种基于实体抽取的产业舆情推荐方法、装置及电子设备 |
CN112989165A (zh) * | 2021-03-26 | 2021-06-18 | 杭州有数金融信息服务有限公司 | 一种计算舆情实体关联度的方法 |
-
2021
- 2021-06-22 CN CN202110690218.4A patent/CN113297498B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180315023A1 (en) * | 2017-04-26 | 2018-11-01 | General Electric Company | Subject matter knowledge mapping |
WO2019050968A1 (en) * | 2017-09-05 | 2019-03-14 | Forgeai, Inc. | METHODS, APPARATUS, AND SYSTEMS FOR TRANSFORMING UNSTRUCTURED NATURAL LANGUAGE INFORMATION IN TO COMPUTER-PROCESSED STRUCTURED DATA |
CN111324795A (zh) * | 2018-12-13 | 2020-06-23 | 天津科技大学 | 基于微博平台下食品安全网络舆情监测与评估模型的构建 |
CN110008336A (zh) * | 2019-01-14 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种基于深度学习的舆情预警方法及系统 |
CN111914087A (zh) * | 2020-07-30 | 2020-11-10 | 广州城市信息研究所有限公司 | 一种舆情分析方法 |
CN112395410A (zh) * | 2021-01-13 | 2021-02-23 | 北京智源人工智能研究院 | 一种基于实体抽取的产业舆情推荐方法、装置及电子设备 |
CN112989165A (zh) * | 2021-03-26 | 2021-06-18 | 杭州有数金融信息服务有限公司 | 一种计算舆情实体关联度的方法 |
Non-Patent Citations (1)
Title |
---|
董悦 等: "基于情感分析与 LDA 模型的网络舆情案例研究", 《价值工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964504A (zh) * | 2021-12-28 | 2023-04-14 | 北方工业大学 | 一种食品安全风险预测方法及系统 |
CN115964504B (zh) * | 2021-12-28 | 2023-06-30 | 北方工业大学 | 一种食品安全风险预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113297498B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10347019B2 (en) | Intelligent data munging | |
CN114298417A (zh) | 反欺诈风险评估方法、训练方法、装置及可读存储介质 | |
CN112286906B (zh) | 基于区块链和云计算的信息安全处理方法及云计算中心 | |
CN110674360B (zh) | 一种用于数据的溯源方法和系统 | |
CN110909363A (zh) | 基于大数据的软件第三方组件漏洞应急响应系统及方法 | |
CN113965389B (zh) | 一种基于防火墙日志的网络安全管理方法、设备及介质 | |
CN112308627B (zh) | 基于区块链和人工智能的广告数据接入方法及大数据中心 | |
US9558462B2 (en) | Identifying and amalgamating conditional actions in business processes | |
CN113760891A (zh) | 一种数据表的生成方法、装置、设备和存储介质 | |
CN114996125A (zh) | 测试用例的生成方法、装置、设备及存储介质 | |
CN114661994B (zh) | 基于人工智能的用户兴趣数据处理方法、系统及云平台 | |
CN115185998A (zh) | 目标字段查找方法及装置、服务器、计算机可读存储介质 | |
CN117409419A (zh) | 图像检测方法、设备及存储介质 | |
CN110532773B (zh) | 恶意访问行为识别方法、数据处理方法、装置和设备 | |
CN113297498A (zh) | 基于互联网的食品属性挖掘方法及系统 | |
CN110895587A (zh) | 用于确定目标用户的方法和装置 | |
CN113596061B (zh) | 基于区块链技术的网络安全漏洞响应方法 | |
CN113986762A (zh) | 一种测试用例的生成方法及装置 | |
US11727059B2 (en) | Retrieval sentence utilization device and retrieval sentence utilization method | |
CN113835988B (zh) | 指标信息预测方法及系统 | |
CN113179287B (zh) | 一种租赁用户信息安全处理方法、系统及云平台 | |
CN114358094B (zh) | 基于雷达通信系统的信号去噪方法及系统 | |
CN113707177B (zh) | 基于语音分析识别的服务处理方法及系统 | |
CN113515465B (zh) | 基于区块链技术的软件兼容性测试方法及系统 | |
CN113382090B (zh) | 一种基于异构数据的数据共享方法及系统 |
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 |