CN113537802A - 一种基于开源情报的地缘政治风险推演方法 - Google Patents
一种基于开源情报的地缘政治风险推演方法 Download PDFInfo
- Publication number
- CN113537802A CN113537802A CN202110843096.8A CN202110843096A CN113537802A CN 113537802 A CN113537802 A CN 113537802A CN 202110843096 A CN202110843096 A CN 202110843096A CN 113537802 A CN113537802 A CN 113537802A
- Authority
- CN
- China
- Prior art keywords
- score
- data
- geopolitical
- index
- different
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000013136 deep learning model Methods 0.000 claims abstract description 13
- 230000002996 emotional effect Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000008451 emotion Effects 0.000 claims description 23
- 238000003058 natural language processing Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 230000007935 neutral effect Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 241000337007 Oceania Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于开源情报的地缘政治风险推演方法，包括以下步骤：步骤1：构建地缘政治关键词库；步骤2：基于地缘政治关键词库进行国别、语种、平台、信源、类别数据采集，包括政务媒体发布数据、政务官员发布数据、媒体报道数据、智库学者数据、KOL数据和普通网民数据；步骤3：基于深度学习模型对采集内容进行主题识别，涉及不同主体、领域、关键词和监测地区。本发明准确度高，通过深度学习方法对情感倾向进行正向、负向、中性打分，并保留了准确率较高的赋权配比用于下一阶段推演，保持高精度，可调节性强，可根据不同专家观点对不同因子重要性进行赋权，计算得出最贴合专家理论的结果。
Description
技术领域
本发明属于互联网信息、大数据技术领域，具体为一种基于开源情报的地缘政治风险推演方法。
背景技术
随着信息技术的发展，大规模计算成本和互联网边际成本不断降低，技术的进步为大数据的存储与处理提供了有利条件。大数据的应用领域广泛，在医疗、商业、教育等行业起着重要作用。此外，大数据海量、多样化的特点及其自身涵盖的信息使其富有研究价值。近年来，许多学科的前沿研究以大数据样本为基础构建模型，从而获取更合理且可靠的量化指标。
地缘政治风险作为政治地理学的重要流派，综合了诸多要素分析、预测地区的战略形势。高地缘政治风险往往对国家社会经济造成负面影响，因此，对地缘政治风险的推演对于社会发展有着重要意义。
当前，一些地缘政治风险评估方法已采用大规模文本分析处理方法。例如，贝莱德地缘政治风险仪表盘定义了风险关键词，借助大数据文本分析，基于汤森路透、道琼斯等数据库与twitter等社交媒体数据源统计风险关键词出现频率，并根据文本情感倾向进行微调赋值，其中，赋值0表示2003年至当时贝莱德地缘政治风险指标的历史均值，赋值1表示贝莱德地缘政治风险指标值较平均值高出一个标准差。
尽管此种方法可以在一定程度上反映地缘政治风险，但贝莱德地缘政治风险仪表盘存在诸多局限性：
一是贝莱德地缘政治风险仪表盘侧重分析衡量地缘政治风险对于跨境投资市场的影响，难以反映政治主体与普通民众对于地缘政治风险的关心程度，因此其辐射面较窄，媒体与政府较难从中获取有效信息。
二是贝莱德地缘政治风险仪表盘在计算时，近期数据以及财经类报道所占权重更高。这使得其更适用于具备一定专业知识、偏好金融财经行业的主体，因此其带有识别、操作难度，原理简易性差。
三是贝莱德地缘政治风险仪表盘无法通过专家自主筛选各指标因子来获取不同结果，专家无法对各类指标进行自定义标注，另外，专家无法自行调整各指标所占权重，因此，可调节性差。
四是贝莱德地缘政治风险仪表盘通过0/1赋值来调节情感倾向，难以准确反映出负面情感趋势，故准确性有待考量。
针对现有的地缘政治风险分析评估方法在受众辐射面、原理通俗性、自主调节评估及准确度上的不足，对地缘政治风险的推演需要一套更加简洁、直观且客观的方法。
发明内容
本发明的目的在于解决背景技术中的问题，提供一种基于开源情报的地缘政治风险推演方法。
本发明采用的技术方案如下：
一种基于开源情报的地缘政治风险推演方法，包括以下步骤：
步骤1：构建地缘政治关键词库；
步骤2：基于地缘政治关键词库进行国别、语种、平台、信源、类别数据采集，包括政务媒体发布数据、政务官员发布数据、媒体报道数据、智库学者数据、KOL数据和普通网民数据；
步骤3：基于深度学习模型对采集内容进行主题识别，涉及不同主体、领域、关键词和监测地区；
步骤4：基于深度学习模型对采集内容情感倾向进行识别，包括政策风险、官方关系、媒体倾向性；
步骤5：根据不同信源影响力对不同推演因子指标进行赋权；
步骤6：加权计算地缘政治风险指数；
步骤7：基于风险指数变化趋势，根据专家筛选的因子指标和赋权值得出地缘政治走势及概率。
优选的，所述步骤1定义监测关键词，构建监测逻辑，监测内容为出现在监测主体中的符合监测关键词的内容、属于监测主体发布的以及监测领域内的政策文件。
优选的，所述步骤3提取文本特征、挖掘文本信息，使用自然语言处理方法即NLP，对采集的数据进行主题识别，分类汇总到不同主题，所述NLP可从词法、句法、音系角度对文本进行分析，包括以下步骤：
首先将采集所得内容进行预处理，包括分词、去停用词、提取词干；
而后采用编码方式构建文本矩阵，从而获取可量化的文本信息；
在对文本进行特征提取之后，使用Word2Vec工具构建高维向量来表示词语，将相似的词汇放在相近的位置；
最后模型输出该文本属于各个类别的概率值。
优选的，所述步骤4采用深度学习模型，对采集内容进行情感分析，识别情感倾向性，通过输入标注训练集，提取句子特征构建句向量，选择情感倾向性阈值，最终训练模型输出情感倾向性结果。
优选的，所述步骤6按照不同信源影响力分别确定冲突分值、合作分值、综合分值，结合自定义权值求得各项因子指标的标准化得分，其中指标计算为：
1)权重值：给指标i赋分为ni，各项指标赋分加总为N，则指标i权重为ni÷N。
2)冲突分值：单项数据指标中利空信息总得分。
3)合作分值：单项数据指标中利好信息总得分，取值在-100-100之间。
4)综合分值：用单项指标合作分值加上冲突分值(负数)，分值越小，双边关系/地缘政治走势趋于紧张。
5)标准化分值：对单项指标综合分值进行标准化处理，计算方式为：综合分值÷(X的绝对值+Y的绝对值)。
6)最终得分：用各项指标的标准化得分*权重值，得到总分。
优选的，所述步骤7基于单个评估周期按照上述公式计算所得的个周期得分构建地缘政治得分趋势图，0分以上为趋于合作，0分以下为趋于紧张。不同指标筛选及不同因子赋权可得到不同的推演结果。保留准确率较高的指标筛选赋权结果用于下一阶段推演。
优选的，所述深度学习模型，对采集内容进行情感分析，判定内容情感倾向性，具体步骤为：
输入标注训练集、量化语句、采用LSTM模型、确定情感倾向性阈值，最终将文本情感归类到-1/0/1。
优选的，所述步骤3采集所得文本进行主题分类，最后汇总到不同类别。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，准确度高，通过深度学习方法对情感倾向进行正向、负向、中性打分，并保留了准确率较高的赋权配比用于下一阶段推演，保持高精度。
2、本发明中，可调节性强，可根据不同专家观点对不同因子重要性进行赋权，计算得出最贴合专家理论的结果。
3、本发明中，操作简易、原理通俗，该方法只需专家筛选因子指标并进行赋权，无需大数据分析能力和充足专业知识储备，即可获得可靠结果，辐射面广，具有较高的实用价值，综合多样化数据来源，面向商业企业、政府、媒体等各类主体单位。
附图说明
图1为本发明的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，一种基于开源情报的地缘政治风险推演方法，包括以下步骤：
步骤1：构建地缘政治关键词库；
定义监测关键词，构建监测逻辑，监测内容为：出现在监测主体中的符合监测关键词的内容、属于监测主体发布的以及监测领域内的政策文件；
步骤2：基于地缘政治关键词库进行国别、语种、平台、信源、类别数据采集，包括政务媒体发布数据、政务官员发布数据、媒体报道数据、智库学者数据、KOL数据和普通网民数据；
基于监测关键词和监测逻辑规则采集相关数据，数据来源主要包括：政务媒体发布数据、政务官员发布数据、媒体报道数据、智库学者数据、KOL数据、普通网民数据等；
步骤3：基于深度学习模型对采集内容进行主题识别，涉及不同主体、领域、关键词和监测地区；
提取文本特征，挖掘文本信息，使用自然语言处理(NLP)方法，对采集的数据进行主题识别，分类汇总到不同主题。NLP属于人工智能范畴，是基于计算机技术达到“类人化”处理自然语言文本的方法(Elizabeth,2001)。NLP 可从词法、句法、音系等角度对文本进行分析。首先将采集所得内容进行预处理，包括分词、去停用词、提取词干，而后采用编码方式构建文本矩阵，从而获取可量化的文本信息。基于深度神经网络的情感分析模型具有较高的准确度，在对文本进行特征提取之后，借助Word2Vec工具构建高维向量来表示词语，将相似的词汇放在相近的位置。文本中的句子对应词汇向量的集合，即矩阵。自然语言处理通常采用CNNs(Convolutional Neural Networks，卷积神经网络)和RNNs(Recurrent NeuralNetworks，递归神经网络)训练。CNNs 最初应用在图像领域，可以捕捉局部相关性。2014年TextCNN方法问世，将 CNN应用到文本中来实现文本的分类，文本矩阵输入模型后经过多层卷积，最后模型输出该文本属于各个类别的概率值。基于该算法对采集所得文本进行主题分类，最后汇总到不同类别，例如：按照不同主体分成媒体、政要、智库、 KOL、参议院等；根据不同语言分成中文、英文；按地区分成亚洲、欧洲、北美洲、南美洲、大洋洲；依据媒体来源分成Facebook、Twitter等。
步骤4：基于深度学习模型对采集内容情感倾向进行识别，包括政策风险、官方关系、媒体倾向性；
采用深度学习模型，对采集内容进行情感分析，识别情感倾向性。LSTM (Long-Short Term Memory，长短期记忆人工神经网络)是RNNs的一个变种，可用于文本情感分析。通过输入标注训练集，提取句子特征构建句向量，选择情感倾向性阈值(例如大于0.5的输出结果判断为正向，小于0.5的结果判断为负向)，最终训练模型输出情感倾向性结果。深度学习模型训练后，可将采集数据情感倾向分类汇总至：政策风险/利好(其中，若为利好，则机器打分为1，若为利空，则机器打分为-1)，官方交恶/交好(其中，若为交好，则机器打分为1，若为交恶，则机器打分为-1)，媒体正面/负面(其中，若为正面，则机器打分为1，若为负面，则机器打分为-1，若为中性，则机器打分为0)，专家看好/看空(其中，若为正面，则机器打分为1，若为负面，则机器打分为 -1，若为中性，则机器打分为0)，舆论看好/看空(其中，若为正面，则机器打分为1，若为负面，则机器打分为-1，若为中性，则机器打分为0)五个因子指标。此外，专家可进行自定义标注，其中，若专家认为利好，则按照不同程度以1-10打分，若专家认为利空，则按照不同程度以-10--1打分，若专家认为无影响或无态度，则以0打分。
步骤5：根据不同信源影响力对不同推演因子指标进行赋权；
专家根据不同信源筛选信息，自主为不同因子进行赋权。例如：对“政策风险/利好”因子赋权值0.2，权重赋值以0.1分为阶梯，在0-1之间取值。
步骤6：加权计算地缘政治风险指数；
按照“政策风险/利好”、“官方交恶/交好”、“媒体正面/负面”、“专家看好/看空”、“舆论看好/看空”分别确定冲突分值、合作分值、综合分值，结合专家自定义权值求得各项因子指标的标准化得分。其中各项指标计算为：
1)权重值：专家给指标i赋分为ni，各项指标赋分加总为N，则指标i 权重为ni÷N。
2)冲突分值：单项数据指标中利空信息总得分(如一共有100条媒体报道，其中60条为负面信息，平均得分为-1分，则媒体指标冲突分值为-60 分)。
3)合作分值：单项数据指标中利好信息总得分，取值在-100-100之间。
4)综合分值：用单项指标合作分值加上冲突分值(负数)，分值越小，双边关系/地缘政治走势趋于紧张。
5)标准化分值：对单项指标综合分值进行标准化处理，计算方式为：综合分值÷(X的绝对值+Y的绝对值)。
6)最终得分：用各项指标的标准化得分*权重值，得到总分。
步骤7：基于风险指数变化趋势，根据专家筛选的因子指标和赋权值得出地缘政治走势及概率。
基于单个评估周期(日/周/月)按照上述公式计算所得的个周期得分构建地缘政治得分趋势图，0分以上为趋于合作，0分以下为趋于紧张。不同指标筛选及不同因子赋权可得到不同的推演结果。保留准确率较高的指标筛选赋权结果用于下一阶段推演。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于开源情报的地缘政治风险推演方法，其特征在于：包括以下步骤：
步骤1：构建地缘政治关键词库；
步骤2：基于地缘政治关键词库进行国别、语种、平台、信源、类别数据采集，包括政务媒体发布数据、政务官员发布数据、媒体报道数据、智库学者数据、KOL数据和普通网民数据；
步骤3：基于深度学习模型对采集内容进行主题识别，涉及不同主体、领域、关键词和监测地区；
步骤4：基于深度学习模型对采集内容情感倾向进行识别，包括政策风险、官方关系、媒体倾向性；
步骤5：根据不同信源影响力对不同推演因子指标进行赋权；
步骤6：加权计算地缘政治风险指数；
步骤7：基于风险指数变化趋势，根据专家筛选的因子指标和赋权值得出地缘政治走势及概率。
2.如权利要求1所述的一种基于开源情报的地缘政治风险推演方法，其特征在于：所述步骤1定义监测关键词，构建监测逻辑，监测内容为出现在监测主体中的符合监测关键词的内容、属于监测主体发布的以及监测领域内的政策文件。
3.如权利要求1所述的一种基于开源情报的地缘政治风险推演方法，其特征在于：所述步骤3提取文本特征、挖掘文本信息，使用自然语言处理方法即NLP，对采集的数据进行主题识别，分类汇总到不同主题，所述NLP可从词法、句法、音系角度对文本进行分析，包括以下步骤：
首先将采集所得内容进行预处理，包括分词、去停用词、提取词干；
而后采用编码方式构建文本矩阵，从而获取可量化的文本信息；
在对文本进行特征提取之后，使用Word2Vec工具构建高维向量来表示词语，将相似的词汇放在相近的位置；
最后模型输出该文本属于各个类别的概率值。
4.如权利要求1所述的一种基于开源情报的地缘政治风险推演方法，其特征在于：所述步骤4采用深度学习模型，对采集内容进行情感分析，识别情感倾向性，通过输入标注训练集，提取句子特征构建句向量，选择情感倾向性阈值，最终训练模型输出情感倾向性结果。
5.如权利要求1所述的一种基于开源情报的地缘政治风险推演方法，其特征在于：所述步骤6按照不同信源影响力分别确定冲突分值、合作分值、综合分值，结合自定义权值求得各项因子指标的标准化得分，其中指标计算为：
1)权重值：给指标i赋分为ni，各项指标赋分加总为N，则指标i权重为ni÷N。
2)冲突分值：单项数据指标中利空信息总得分。
3)合作分值：单项数据指标中利好信息总得分，取值在-100-100之间。
4)综合分值：用单项指标合作分值加上冲突分值(负数)，分值越小，双边关系/地缘政治走势趋于紧张。
5)标准化分值：对单项指标综合分值进行标准化处理，计算方式为：综合分值÷(X的绝对值+Y的绝对值)。
6)最终得分：用各项指标的标准化得分*权重值，得到总分。
6.如权利要求1所述的一种基于开源情报的地缘政治风险推演方法，其特征在于：所述步骤7基于单个评估周期按照上述公式计算所得的个周期得分构建地缘政治得分趋势图，0分以上为趋于合作，0分以下为趋于紧张。不同指标筛选及不同因子赋权可得到不同的推演结果。保留准确率较高的指标筛选赋权结果用于下一阶段推演。
7.如权利要求4所述的一种基于开源情报的地缘政治风险推演方法，其特征在于：所述深度学习模型，对采集内容进行情感分析，判定内容情感倾向性，具体步骤为：
输入标注训练集、量化语句、采用LSTM模型、确定情感倾向性阈值，最终将文本情感归类到-1/0/1。
8.如权利要求3所述的一种基于开源情报的地缘政治风险推演方法，其特征在于：所述步骤3采集所得文本进行主题分类，最后汇总到不同类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110843096.8A CN113537802A (zh) | 2021-07-26 | 2021-07-26 | 一种基于开源情报的地缘政治风险推演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110843096.8A CN113537802A (zh) | 2021-07-26 | 2021-07-26 | 一种基于开源情报的地缘政治风险推演方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537802A true CN113537802A (zh) | 2021-10-22 |
Family
ID=78088953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110843096.8A Pending CN113537802A (zh) | 2021-07-26 | 2021-07-26 | 一种基于开源情报的地缘政治风险推演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537802A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114970553A (zh) * | 2022-07-29 | 2022-08-30 | 北京道达天际科技股份有限公司 | 基于大规模无标注语料的情报分析方法、装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10095992B1 (en) * | 2016-07-01 | 2018-10-09 | Intraspexion, Inc. | Using classified text, deep learning algorithms and blockchain to identify risk in low-frequency, high value situations, and provide early warning |
| CN109145216A (zh) * | 2018-08-29 | 2019-01-04 | 中国平安保险(集团)股份有限公司 | 网络舆情监控方法、装置及存储介质 |
| CN111814453A (zh) * | 2020-07-09 | 2020-10-23 | 重庆大学 | 基于BiLSTM-TextCNN的细粒度情感分析方法 |
-
2021
- 2021-07-26 CN CN202110843096.8A patent/CN113537802A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10095992B1 (en) * | 2016-07-01 | 2018-10-09 | Intraspexion, Inc. | Using classified text, deep learning algorithms and blockchain to identify risk in low-frequency, high value situations, and provide early warning |
| CN109145216A (zh) * | 2018-08-29 | 2019-01-04 | 中国平安保险(集团)股份有限公司 | 网络舆情监控方法、装置及存储介质 |
| CN111814453A (zh) * | 2020-07-09 | 2020-10-23 | 重庆大学 | 基于BiLSTM-TextCNN的细粒度情感分析方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114970553A (zh) * | 2022-07-29 | 2022-08-30 | 北京道达天际科技股份有限公司 | 基于大规模无标注语料的情报分析方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105677873B (zh) | 基于领域知识模型的文本情报关联聚类汇集处理方法 | |
| Lei et al. | Patent analytics based on feature vector space model: A case of IoT | |
| Das et al. | Emotion classification in a resource constrained language using transformer-based approach | |
| CN110188192B (zh) | 一种多任务网络构建与多尺度的罪名法条联合预测方法 | |
| CN109726745B (zh) | 一种融入描述知识的基于目标的情感分类方法 | |
| CN110990564A (zh) | 一种基于情感计算与多头注意力机制的负面新闻识别方法 | |
| Kaur | Incorporating sentimental analysis into development of a hybrid classification model: A comprehensive study | |
| CN108733647B (zh) | 一种基于高斯分布的词向量生成方法 | |
| CN113806547A (zh) | 一种基于图模型的深度学习多标签文本分类方法 | |
| CN113886562A (zh) | 一种ai简历筛选方法、系统、设备和存储介质 | |
| CN115357719A (zh) | 基于改进bert模型的电力审计文本分类方法及装置 | |
| CN114925687B (zh) | 一种基于动态词向量表征的中文作文评分方法及系统 | |
| CN113434688A (zh) | 用于舆情分类模型训练的数据处理方法和装置 | |
| CN115659947A (zh) | 基于机器阅读理解及文本摘要的多项选择答题方法及系统 | |
| CN115952292A (zh) | 多标签分类方法、装置及计算机可读介质 | |
| CN116756688A (zh) | 一种基于多模态融合算法的舆情风险发现方法 | |
| CN113486174B (zh) | 模型训练、阅读理解方法、装置、电子设备及存储介质 | |
| CN116629258B (zh) | 基于复杂信息项数据的司法文书的结构化分析方法及系统 | |
| CN113537802A (zh) | 一种基于开源情报的地缘政治风险推演方法 | |
| CN114004218A (zh) | 一种针对政府工作报告的nlp识别方法 | |
| CN114595693A (zh) | 一种基于深度学习的文本情感分析方法 | |
| CN111767404A (zh) | 一种事件挖掘方法和装置 | |
| CN111859955A (zh) | 一种基于深度学习的舆情数据分析模型 | |
| CN116226371A (zh) | 一种数字经济专利分类方法 | |
| CN112612895B (zh) | 一种主体话题态度指数的计算方法 |
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 |
Application publication date: 20211022 |
|
| RJ01 | Rejection of invention patent application after publication |