CN113742592A - 舆情信息推送方法、装置、设备及存储介质 - Google Patents
舆情信息推送方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113742592A CN113742592A CN202111052217.3A CN202111052217A CN113742592A CN 113742592 A CN113742592 A CN 113742592A CN 202111052217 A CN202111052217 A CN 202111052217A CN 113742592 A CN113742592 A CN 113742592A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- public opinion
- model
- extracting
- 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 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种舆情信息推送方法,包括:基于预设种类的采集模型构建信息采集模型;筛选信息来源渠道,并利用所述信息采集模型中的各种采集模型分别从所述信息来源渠道中提取不同类型的信息,汇总得到初始信息集;采集目标用户的用户信息,根据所述用户信息基于内容推荐算法生成用户画像;根据所述用户画像对所述初始信息集进行分类,得到与所述用户画像匹配的用户舆情信息,并为目标用户推荐与匹配的用户舆情信息。此外,本发明还涉及区块链技术,所述用户信息可存储于区块链的节点。本发明还提出一种舆情信息推送装置、电子设备以及存储介质。本发明可以解决信息推送内容不全面和准确性较低的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种舆情信息推送方法、装置、电子设备及计算机可读存储介质。
背景技术
在互联网出现之前,人们了解信息的主要途径是通过报纸、广播和电视等传统媒体,这些媒体客观真实地对当前社会中存在的各种热门新闻事件发表的报导,为群众提供新闻资讯,被称为“新闻舆情”。而随着互联网的出现和发展,信息可以通过网络展示给人们。
但网络中的信息多种多样,且结构复杂,传统的信息获取方法是用户自行搜索或者等待机构的定期推送,用户自行搜索往往准确性较低,且耗费时间,效率较低;而机构的定期推送可以提高准确性,但是需要时间进行整理,信息的时效性较差。
发明内容
本发明提供一种舆情信息推送方法、装置及计算机可读存储介质,其主要目的在于解决信息推送时时效性较低及准确性较低的问题。
为实现上述目的,本发明提供的一种舆情信息推送方法,包括:
基于预设种类的采集模型构建信息采集模型;
筛选信息来源渠道,并利用所述信息采集模型中的各种采集模型分别从所述信息来源渠道中提取不同类型的信息,汇总所述不同类型的信息得到初始信息集;
采集目标用户的用户信息,根据所述用户信息基于内容推荐算法生成用户画像;
根据所述用户画像对所述初始信息集进行分类,得到与所述用户画像匹配的用户舆情信息,并为所述目标用户推荐与所述用户画像相匹配的用户舆情信息。
可选地,所述利用所述信息采集模型从所述信息来源渠道中进行信息提取,得到初始信息集,包括:
利用所述信息采集模型中的本体论模型从所述信息来源渠道中提取预设主题相关的信息,得到第一舆情信息集;
利用所述信息采集模型中的马尔可夫模型从所述信息来源渠道中提取预设时间内产生的实时信息,并对所述实时信息进行分类得到第二舆情信息集;
利用所述信息采集模型中的动态贝叶斯网络模型从所述信息来源渠道中提取预设时间内产生的实时信息,并提取所述实时信息的摘要得到第三舆情信息集;
将所述第一舆情信息集、所述第二舆情信息集和所述第三舆情信息集进行汇集,得到初始信息集。
可选地,所述利用所述信息采集模型中的本体论模型从所述信息来源渠道中提取预设主题相关的信息,得到第一舆情信息集,包括:
获取预设的主题关键词,并根据所述主题关键词在所述信息来源渠道中进行网络爬虫,得到HTML主题文档;
基于文本分割符对所述HTML主题文档进行分割,得到文本语义块;
利用贝叶斯分类器对所述文本语义块进行语义分析,得到文本语义;
根据所述文本语义对所述HTML主题文档进行格式转化,得到XML文档,并对所述XML文档按照预设格式进行词汇提取,得到第一舆情信息集。
可选地,所述利用所述信息采集模型中的马尔可夫模型从所述信息来源渠道中提取预设时间内产生的实时信息,并对所述实时信息进行分类得到第二舆情信息集,包括:
从所述信息来源渠道中获取预设时间内的舆情信息;
通过预先训练好的所述马尔可夫模型对所述舆情信息进行语义识别,得到语义向量;
计算所述语义向量在所述训练好的马尔科夫模型的参数下的隐藏状态;
根据所述隐藏状态基于所述马尔科夫模型中的类别分类器计算所述语义向量的类别概率,并根据所述概率类别进行分类,得到第二舆情信息集。
可选地,所述利用所述信息采集模型中的动态贝叶斯网络模型从所述信息来源渠道中提取预设时间内产生的实时信息,并提取所述实时信息的摘要得到第三舆情信息集,包括:
从所述信息来源渠道中获取预设时间内的舆情信息;
利用所述动态贝叶斯网络模型对所述预设时间内的舆情信息舆情信息进行语义特征提取,得到特征序列;
基于条件概率分布在所述动态贝叶斯网络模型预设的参数下对所述特征序列进行文本语义预测,得到第三舆情信息集。
可选地,所述采集目标用户的用户信息,根据所述用户信息基于内容推荐算法生成用户画像,包括:
从数据库中获取目标用户的基础信息和历史行为信息,得到用户信息;
提取所述用户信息中的偏好特征,并计算所述偏好特征的权重;
按照所述权重从大到小将所述偏好特征进行排序,得到用户画像。
可选地,所述根据所述用户画像对所述初始信息集进行分类,得到与所述用户画像匹配的用户舆情信息,并为所述目标用户推荐与所述用户画像相匹配的用户舆情信息,包括:
提取所述初始信息集中每条信息的关键词;
将所述关键词与所述用户画像进行相似度计算,得到相似度值,并根据所述相似度值将所述初始信息集中信息进行分类,得到所述用户画像匹配的用户舆情信息;
将所述用户舆情信息推送给符合所述用户画像的目标用户。
为了解决上述问题,本发明还提供一种舆情信息推送装置,所述装置包括:
模型构建模块,用于基于预设种类的采集模型构建信息采集模型;
信息采集模块,用于筛选信息来源渠道,并利用所述信息采集模型中的各种采集模型分别从所述信息来源渠道中提取不同类型的信息,汇总所述不同类型的信息得到初始信息集;
用户画像生成模块,用于采集目标用户的用户信息,根据所述用户信息基于内容推荐算法生成用户画像;
信息推送模块,用于根据所述用户画像对所述初始信息集进行分类,得到与所述用户画像匹配的用户舆情信息,并为所述目标用户推荐与所述用户画像相匹配的用户舆情信息。
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,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的舆情信息推送方法。
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,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的舆情信息推送方法。
本发明实施例基于预设种类的采集模型构建信息采集模型,并利用所述信息采集模型中的各种采集模型分别从所述信息来源渠道中提取不同类型的信息,可以从互联网的海量信息中获取多方面的舆情信息,不同类型的采集模型可以相互补充并确保信息来源的全面性及准确性;同时通过内容推荐算法生成用户画像,并根据用户画像为用户实时推送与其相关的舆情信息,使用户可以全面掌握所需舆情动态,根据舆情信息为业务选择提供依据,提高信息推送的准确性,并且使用户得到信息更加及时,信息相关性更强,使舆情信息能够发挥更有效的作用。因此本发明提出的舆情信息推送方法、装置、电子设备及计算机可读存储介质,可以解决信息推送内容不全面和准确性较低的问题。
附图说明
图1为本发明一实施例提供的舆情信息推送方法的流程示意图;
图2为本发明一实施例提供的信息提取的流程示意图;
图3为本发明一实施例提供的舆情信息推送装置的功能模块图;
图4为本发明一实施例提供的实现所述舆情信息推送方法的电子设备的结构示意图。
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。
本申请实施例提供一种舆情信息推送方法。所述舆情信息推送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,所述舆情信息推送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。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的舆情信息推送方法的流程示意图。在本实施例中,所述舆情信息推送方法包括:
S1、基于预设种类的采集模型构建信息采集模型。
详细地,本发明实施例中,所述信息采集模型是基于预设种类的采集模型集合而成的一种文本处理模型,用于从信息源中提取预设种类的文本。可选地,所述预设种类的采集模型包括,但不限于,本体论模型、马尔可夫模型、动态贝叶斯网络模型等。
其中,所述本体论(Ontology)模型用于定义某一领域内的专业词汇以及他们之间的关系。例如,xml文档就是一个标签化的词汇表,是本体理论的一项典型应用。
所述马尔可夫模型是一种统计模型,应用在词性自动标注,音字转换,概率文法等各个自然语言处理的应用领域,用于基于语义内容,将输入的文本分配到相应的语言中,并用短时模型—状态解决文本分析特性相对稳定阶段的描述,也可以用转移概率来刻画稳定状态之间的状态迁移过程。
所述动态贝叶斯网络(Dynamic Bayesian Network,DBN)模型,是一个随着毗邻时间步骤把不同变量联系起来的贝叶斯网络,是基于概率推理的图形化网络,可以有效解决复杂设备的不确定性和关联性。
详细地,所述基于预设种类的采集模型构建信息采集模型,包括:
从预设数据库中获取第一训练信息集,基于本体论算法利用所述第一训练信息集构建并训练本体论模型;
从预设数据库中获取第二训练信息集,利用所述第二训练信息集构建并训练马尔可夫模型;
从预设数据库中获取第三训练信息集,利用所述第三训练信息集构建并训练动态贝叶斯网络模型;
基于模型的通用框架将所述本体论模型、所述马尔可夫模型和所述动态贝叶斯网络模型进行组合,得到信息采集模型。
本发明实施例汇总多种采集算法得到信息采集模型,可以确保提取到的信息的全面性及准确性。
S2、筛选信息来源渠道,并利用所述信息采集模型中的各种采集模型分别从所述信息来源渠道中提取不同类型的信息,汇总所述不同类型的信息得到初始信息集。
本发明实施例中,所述信息来源渠道是指获取舆情信息的来源,即从哪些地方获取舆情信息。
本发明实施例基于信息的准确性和舆情的时效性筛选信息的来源渠道。其中,所述信息来源渠道包括,但不限于主流网站、专业网站、重大事件和突发事件。其中,所述主流网站和专业网站是指官方和权威的媒体网站,如:人民日报,网易新闻、今日头条等;而重大事件和突发事件则是当前时间内的一些热点讨论事件。
详细地,参照图2所示,所述利用所述信息采集模型中的各种采集模型分别从所述信息来源渠道中进行提取不同类型的信息,汇总所述不同类型的信息得到初始信息集,包括:
S21、利用所述信息采集模型中的本体论模型从所述信息来源渠道中提取预设主题相关的信息,得到第一舆情信息集;
S22、利用所述信息采集模型中的马尔可夫模型从所述信息来源渠道中提取预设时间内产生的实时信息,并对所述实时信息进行分类得到第二舆情信息集;
S23、利用所述信息采集模型中的动态贝叶斯网络模型从所述信息来源渠道中提取预设时间内产生的实时信息,并提取所述实时信息的摘要得到第三舆情信息集;
S24、将所述第一舆情信息集、所述第二舆情信息集和所述第三舆情信息集进行汇集,得到初始信息集。
其中,所述预设时间内产生的实时信息是指当前时间的24小时内,通过获取最新时间产生的实时信息以保证信息的时效性。
本发明实施例通过所述信息采集模型中的多种采集模型可以采集到不同类型的信息,以保证获取的信息的全面性和准确性。
进一步地,所述利用所述信息采集模型中的本体论模型从所述信息来源渠道中提取预设主题相关的信息,得到第一舆情信息集,包括:
获取预设的主题关键词,并根据所述主题关键词在所述信息来源渠道中进行网络爬虫,得到HTML主题文档;
基于文本分割符对所述HTML主题文档进行分割,得到文本语义块;
利用贝叶斯分类器对所述文本语义块进行语义分析,得到文本语义;
根据所述文本语义对所述HTML主题文档进行格式转化,得到XML文档,并对所述XML文档按照预设格式进行词汇提取,得到第一舆情信息集。
其中,所述文本分割符是一种标记符号,用于将文本内容与其他内容进行区分;所述格式转化是将HTML格式转化为XML格式。
利用所述信息采集模型中的本体论模型从所述信息来源渠道中提取预设主题相关的信息可以满足用户对新闻专题追踪的信息需求。
进一步地,所述利用所述信息采集模型中的马尔可夫模型从所述信息来源渠道中提取预设时间内产生的实时信息,并对所述实时信息进行分类得到第二舆情信息集,包括:
从所述信息来源渠道中获取预设时间内的舆情信息;
通过预先训练好的所述马尔可夫模型对所述舆情信息进行语义识别,得到语义向量;
计算所述语义向量在所述训练好的马尔科夫模型的参数下的隐藏状态;
根据所述隐藏状态基于所述马尔科夫模型中的类别分类器计算所述语义向量的类别概率,并根据所述概率类别进行分类,得到第二舆情信息集。
其中,所述隐藏状态是指当前时刻的隐藏状态,是基于前一时刻的隐藏状态进行计算的,所述马尔可夫模型中通过对文本的信息的语义分析和统计进行分类,可以实现信息的自动分类聚集,便于后续推送给不同用户。
进一步地,所述利用所述信息采集模型中的动态贝叶斯网络模型从所述信息来源渠道中提取预设时间内产生的实时信息,并提取所述实时信息的摘要得到第三舆情信息集,包括:
从所述信息来源渠道中获取预设时间内的舆情信息;
利用所述动态贝叶斯网络模型对所述预设时间内的舆情信息舆情信息进行语义特征提取,得到特征序列;
基于条件概率分布在所述动态贝叶斯网络模型预设的参数下对所述特征序列进行文本语义预测,得到第三舆情信息集。
本发明实施例中所述动态贝叶斯网络模型可以随着毗邻时间步骤把不同信息联系起来,可以有效提高舆情信息的全面性的准确性。
S3、采集目标用户的用户信息,根据所述用户信息基于内容推荐算法生成用户画像。
本发明实施例中,所述目标用户是指需要进行信息推送的用户。所述用户信息包括用户的基础信息以及用户行为信息,如用户的个人信息、资金来源、承担风险能力、投资偏好等。
所述用户画像是指包含用户特征的关键词。详细地,所述采集目标用户的用户信息,根据所述用户信息基于内容推荐算法生成用户画像,包括:
从数据库中获取目标用户的基础信息和历史行为信息,得到用户信息;
提取所述用户信息中的偏好特征,并计算所述偏好特征的权重;
按照所述权重从大到小将所述偏好特征进行排序,得到用户画像。
其中,所述偏好特征是指用户历史行为中重复出现次数较多的行为信息。
可选地,为进一步保证所述用户信息的私密性和安全性,所述用户信息还可以从一区块链的节点中获取。
S4、根据所述用户画像对所述初始信息集进行分类,得到与所述用户画像匹配的用户舆情信息,并为所述目标用户推荐与所述用户画像相匹配的用户舆情信息。
详细地,所述S4,包括:
提取所述初始信息集中每条信息的关键词;
将所述关键词与所述用户画像进行相似度计算,得到相似度值,并根据所述相似度值将所述初始信息集中信息进行分类,得到所述用户画像匹配的用户舆情信息;
将所述用户舆情信息推送给符合所述用户画像的目标用户。
本发明其中一个实施例中,将所述相似度值大于预设阈值的关键词对应的所述初始信息集中信息归集为一类,作为与所述用户画像匹配的用户舆情信息。
本发明实施根据用户的用户画像对用户进行实时推送与其相关的舆情信息,使其全面掌握所需舆情动态,根据舆情信息为用户提供业务选择依据。相较于传统的舆情信息推送方式,舆情自动化推送系统,使用户得到信息更加及时且信息相关性更强。
本发明实施例基于预设种类的采集模型构建信息采集模型,并利用所述信息采集模型中的各种采集模型分别从所述信息来源渠道中提取不同类型的信息,可以从互联网的海量信息中获取多方面的舆情信息,不同类型的采集模型可以相互补充并确保信息来源的全面性及准确性;同时通过内容推荐算法生成用户画像,并根据用户画像为用户实时推送与其相关的舆情信息,使用户可以全面掌握所需舆情动态,根据舆情信息为业务选择提供依据,提高信息推送的准确性,并且使用户得到信息更加及时,信息相关性更强,使舆情信息能够发挥更有效的作用。因此本发明提出的舆情信息推送方法、装置、电子设备及计算机可读存储介质,可以解决信息推送内容不全面和准确性较低的问题。
如图3所示,是本发明一实施例提供的舆情信息推送装置的功能模块图。
本发明所述舆情信息推送装置100可以安装于电子设备中。根据实现的功能,所述舆情信息推送装置100可以包括模型构建模块101、信息采集模块102、用户画像生成模块103及信息推送模块104。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:
所述模型构建模块101,用于基于预设种类的采集模型构建信息采集模型;
所述信息采集模块102,用于筛选信息来源渠道,并利用所述信息采集模型中的各种采集模型分别从所述信息来源渠道中提取不同类型的信息,汇总所述不同类型的信息得到初始信息集;
所述用户画像生成模块103,用于采集目标用户的用户信息,根据所述用户信息基于内容推荐算法生成用户画像;
所述信息推送模块104,用于根据所述用户画像对所述初始信息集进行分类,得到与所述用户画像匹配的用户舆情信息,并为所述目标用户推荐与所述用户画像相匹配的用户舆情信息。
详细地,本发明实施例中所述舆情信息推送装置100中所述的各模块在使用时采用与上述图1至图2中所述的舆情信息推送方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图4所示,是本发明一实施例提供的实现舆情信息推送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、通信总线12以及通信接口13,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,如舆情信息推送程序。
其中,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(ControlUnit),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(例如执行舆情信息推送程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
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的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,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的应用软件及各类数据,例如舆情信息推送程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,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。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。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与其他电子设备之间建立通信连接。所述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中处理的信息以及用于显示可视化的用户界面。
图4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4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。
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存储的舆情信息推送程序是多个指令的组合,在所述处理器10中运行时,可以实现:
基于预设种类的采集模型构建信息采集模型;
筛选信息来源渠道,并利用所述信息采集模型中的各种采集模型分别从所述信息来源渠道中提取不同类型的信息,汇总所述不同类型的信息得到初始信息集;
采集目标用户的用户信息,根据所述用户信息基于内容推荐算法生成用户画像;
根据所述用户画像对所述初始信息集进行分类,得到与所述用户画像匹配的用户舆情信息,并为所述目标用户推荐与所述用户画像相匹配的用户舆情信息。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
基于预设种类的采集模型构建信息采集模型;
筛选信息来源渠道,并利用所述信息采集模型中的各种采集模型分别从所述信息来源渠道中提取不同类型的信息,汇总所述不同类型的信息得到初始信息集;
采集目标用户的用户信息,根据所述用户信息基于内容推荐算法生成用户画像;
根据所述用户画像对所述初始信息集进行分类,得到与所述用户画像匹配的用户舆情信息,并为所述目标用户推荐与所述用户画像相匹配的用户舆情信息。
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标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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
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。第一、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)
1.一种舆情信息推送方法,其特征在于,所述方法包括:
基于预设种类的采集模型构建信息采集模型;
筛选信息来源渠道,并利用所述信息采集模型中的各种采集模型分别从所述信息来源渠道中提取不同类型的信息,汇总所述不同类型的信息得到初始信息集;
采集目标用户的用户信息,根据所述用户信息基于内容推荐算法生成用户画像;
根据所述用户画像对所述初始信息集进行分类,得到与所述用户画像匹配的用户舆情信息,并为所述目标用户推荐与所述用户画像相匹配的用户舆情信息。
2.如权利要求1所述的舆情信息推送方法,其特征在于,所述利用所述信息采集模型从所述信息来源渠道中进行信息提取,得到初始信息集,包括:
利用所述信息采集模型中的本体论模型从所述信息来源渠道中提取预设主题相关的信息,得到第一舆情信息集;
利用所述信息采集模型中的马尔可夫模型从所述信息来源渠道中提取预设时间内产生的实时信息,并对所述实时信息进行分类得到第二舆情信息集;
利用所述信息采集模型中的动态贝叶斯网络模型从所述信息来源渠道中提取预设时间内产生的实时信息,并提取所述实时信息的摘要得到第三舆情信息集;
将所述第一舆情信息集、所述第二舆情信息集和所述第三舆情信息集进行汇集,得到初始信息集。
3.如权利要求2所述的舆情信息推送方法,其特征在于,所述利用所述信息采集模型中的本体论模型从所述信息来源渠道中提取预设主题相关的信息,得到第一舆情信息集,包括:
获取预设的主题关键词,并根据所述主题关键词在所述信息来源渠道中进行网络爬虫,得到HTML主题文档;
基于文本分割符对所述HTML主题文档进行分割,得到文本语义块;
利用贝叶斯分类器对所述文本语义块进行语义分析,得到文本语义;
根据所述文本语义对所述HTML主题文档进行格式转化,得到XML文档,并对所述XML文档按照预设格式进行词汇提取,得到第一舆情信息集。
4.如权利要求2所述的舆情信息推送方法,其特征在于,所述利用所述信息采集模型中的马尔可夫模型从所述信息来源渠道中提取预设时间内产生的实时信息,并对所述实时信息进行分类得到第二舆情信息集,包括:
从所述信息来源渠道中获取预设时间内的舆情信息;
通过预先训练好的所述马尔可夫模型对所述舆情信息进行语义识别,得到语义向量;
计算所述语义向量在所述训练好的马尔科夫模型的参数下的隐藏状态;
根据所述隐藏状态基于所述马尔科夫模型中的类别分类器计算所述语义向量的类别概率,并根据所述概率类别进行分类,得到第二舆情信息集。
5.如权利要求2所述的舆情信息推送方法,其特征在于,所述利用所述信息采集模型中的动态贝叶斯网络模型从所述信息来源渠道中提取预设时间内产生的实时信息,并提取所述实时信息的摘要得到第三舆情信息集,包括:
从所述信息来源渠道中获取预设时间内的舆情信息;
利用所述动态贝叶斯网络模型对所述预设时间内的舆情信息舆情信息进行语义特征提取,得到特征序列;
基于条件概率分布在所述动态贝叶斯网络模型预设的参数下对所述特征序列进行文本语义预测,得到第三舆情信息集。
6.如权利要求1所述的舆情信息推送方法,其特征在于,所述采集目标用户的用户信息,根据所述用户信息基于内容推荐算法生成用户画像,包括:
从数据库中获取目标用户的基础信息和历史行为信息,得到用户信息;
提取所述用户信息中的偏好特征,并计算所述偏好特征的权重;
按照所述权重从大到小将所述偏好特征进行排序,得到用户画像。
7.如权利要求1所述的舆情信息推送方法,其特征在于,所述根据所述用户画像对所述初始信息集进行分类,得到与所述用户画像匹配的用户舆情信息,并为所述目标用户推荐与所述用户画像相匹配的用户舆情信息,包括:
提取所述初始信息集中每条信息的关键词;
将所述关键词与所述用户画像进行相似度计算,得到相似度值,并根据所述相似度值将所述初始信息集中信息进行分类,得到所述用户画像匹配的用户舆情信息;
将所述用户舆情信息推送给符合所述用户画像的目标用户。
8.一种舆情信息推送装置,其特征在于,所述装置包括:
模型构建模块,用于基于预设种类的采集模型构建信息采集模型;
信息采集模块,用于筛选信息来源渠道,并利用所述信息采集模型中的各种采集模型分别从所述信息来源渠道中提取不同类型的信息,汇总所述不同类型的信息得到初始信息集;
用户画像生成模块,用于采集目标用户的用户信息,根据所述用户信息基于内容推荐算法生成用户画像;
信息推送模块,用于根据所述用户画像对所述初始信息集进行分类,得到与所述用户画像匹配的用户舆情信息,并为所述目标用户推荐与所述用户画像相匹配的用户舆情信息。
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指令,所述指令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中任意一项所述的舆情信息推送方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的舆情信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111052217.3A CN113742592A (zh) | 2021-09-08 | 2021-09-08 | 舆情信息推送方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111052217.3A CN113742592A (zh) | 2021-09-08 | 2021-09-08 | 舆情信息推送方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113742592A true CN113742592A (zh) | 2021-12-03 |
Family
ID=78737310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111052217.3A Pending CN113742592A (zh) | 2021-09-08 | 2021-09-08 | 舆情信息推送方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742592A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114610980A (zh) * | 2022-03-21 | 2022-06-10 | 平安普惠企业管理有限公司 | 基于网络舆情的黑产识别方法、装置、设备及存储介质 |
CN115168686A (zh) * | 2022-07-25 | 2022-10-11 | 江苏金农股份有限公司 | 一种基于特征词的舆情线索处理方法 |
CN115238180A (zh) * | 2022-07-25 | 2022-10-25 | 深圳市天龙世纪科技发展有限公司 | 互联网大数据的信息推荐方法以及ai系统 |
CN116434601A (zh) * | 2023-04-25 | 2023-07-14 | 广州市单元信息科技有限公司 | 一种消息推送的智能化处理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274391A (zh) * | 2020-01-15 | 2020-06-12 | 北京百度网讯科技有限公司 | 一种spo的抽取方法、装置、电子设备及存储介质 |
CN112380859A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技(深圳)有限公司 | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 |
-
2021
- 2021-09-08 CN CN202111052217.3A patent/CN113742592A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274391A (zh) * | 2020-01-15 | 2020-06-12 | 北京百度网讯科技有限公司 | 一种spo的抽取方法、装置、电子设备及存储介质 |
CN112380859A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技(深圳)有限公司 | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
李知: "web舆情信息自动化采集系统的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 03, pages 139 - 637 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114610980A (zh) * | 2022-03-21 | 2022-06-10 | 平安普惠企业管理有限公司 | 基于网络舆情的黑产识别方法、装置、设备及存储介质 |
CN115168686A (zh) * | 2022-07-25 | 2022-10-11 | 江苏金农股份有限公司 | 一种基于特征词的舆情线索处理方法 |
CN115238180A (zh) * | 2022-07-25 | 2022-10-25 | 深圳市天龙世纪科技发展有限公司 | 互联网大数据的信息推荐方法以及ai系统 |
CN115168686B (zh) * | 2022-07-25 | 2023-05-12 | 江苏金农股份有限公司 | 一种基于特征词的舆情线索处理方法 |
CN115238180B (zh) * | 2022-07-25 | 2023-08-15 | 新疆伊能众诚高科有限公司 | 互联网大数据的信息推荐方法以及ai系统 |
CN116434601A (zh) * | 2023-04-25 | 2023-07-14 | 广州市单元信息科技有限公司 | 一种消息推送的智能化处理方法及系统 |
CN116434601B (zh) * | 2023-04-25 | 2023-12-29 | 广州市单元信息科技有限公司 | 一种消息推送的智能化处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220198516A1 (en) | Data recommendation method and apparatus, computer device, and storage medium | |
CN113742592A (zh) | 舆情信息推送方法、装置、设备及存储介质 | |
CN102119385B (zh) | 用于在内容检索服务系统内检索媒体内容的方法和子系统 | |
CN111782772A (zh) | 基于ocr技术的文本自动生成方法、装置、设备及介质 | |
CN105069102A (zh) | 信息推送方法和装置 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
CN113312461A (zh) | 基于自然语言处理的智能问答方法、装置、设备及介质 | |
CN112989208B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN112330455A (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
CN113378970A (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
CN113919336A (zh) | 基于深度学习的文章生成方法、装置及相关设备 | |
CN113627530A (zh) | 相似问题文本生成方法、装置、设备及介质 | |
CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN114398557A (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
CN112883730A (zh) | 相似文本匹配方法、装置、电子设备及存储介质 | |
CN115659008A (zh) | 大数据信息反馈的信息推送系统、方法、电子设备及介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
US20230394236A1 (en) | Extracting content from freeform text samples into custom fields in a software application | |
CN112364068A (zh) | 课程标签生成方法、装置、设备及介质 | |
CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
CN112948526A (zh) | 用户画像的生成方法及装置、电子设备、存储介质 | |
Voronov et al. | Forecasting popularity of news article by title analyzing with BN-LSTM network | |
CN114385815A (zh) | 基于业务需求的新闻筛选方法、装置、设备及存储介质 | |
CN114255067A (zh) | 数据定价方法和装置、电子设备、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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211203 |