CN115392953A - 舆情风险预警方法、装置、计算机设备和存储介质 - Google Patents

舆情风险预警方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115392953A
CN115392953A CN202210947389.5A CN202210947389A CN115392953A CN 115392953 A CN115392953 A CN 115392953A CN 202210947389 A CN202210947389 A CN 202210947389A CN 115392953 A CN115392953 A CN 115392953A
Authority
CN
China
Prior art keywords
public
public opinion
main body
data
risk
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210947389.5A
Other languages
English (en)
Inventor
刘洋
王潼龙
廖火炎
张银
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiping Financial Technology Services Shanghai Co Ltd Shenzhen Branch
Original Assignee
Taiping Financial Technology Services Shanghai Co Ltd Shenzhen Branch
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiping Financial Technology Services Shanghai Co Ltd Shenzhen Branch filed Critical Taiping Financial Technology Services Shanghai Co Ltd Shenzhen Branch
Priority to CN202210947389.5A priority Critical patent/CN115392953A/zh
Publication of CN115392953A publication Critical patent/CN115392953A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种舆情风险预警方法、装置、计算机设备和存储介质。所述方法包括：从与目标主体对应的多个舆情事件中，获取目标主体的舆情数据；获取与目标主体对应的关联主体的舆情数据；对目标主体的舆情数据及关联主体的舆情数据进行分析，生成目标主体的舆情风险分析结果。采用本方法能够提高对投资主体进行风险评估的准确性。

Description

舆情风险预警方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种舆情风险预警方法、装置、计算机设备和存储介质。
背景技术
随着信息社会的发展和互联网的普及，社会各类信息呈现出传播渠道多、传播速度快、传播范围广的特点，容易形成网络舆情事件。而在投资活动中，负面舆情事件所产生的风险会传导到投资主体上，从而为投资主体带来风险。
当前，为了应对市场风险，在投资活动中通常需要对投资主体的舆情信息进行实时监测，从而根据监测到的舆情信息对投资主体进行风险评估。相关技术中，在对投资主体进行风险评估时，均是通过现有的舆情风险评估模型直接对所监测到的投资主体的舆情信息进行处理，从而得到投资主体的风险评估结果。
然而，采用上述方法对投资主体进行风险评估时存在准确性较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高对投资主体进行风险评估的准确性的舆情风险预警方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种舆情风险预警方法。方法包括：
从与目标主体对应的多个舆情事件中，获取目标主体的舆情数据；获取与目标主体对应的关联主体的舆情数据；对目标主体的舆情数据及关联主体的舆情数据进行分析，生成目标主体的舆情风险分析结果。
在其中一个实施例中，从与目标主体对应的多个舆情事件中，获取目标主体的舆情数据，包括：
在预设周期内获取与目标主体对应的多个舆情事件，针对各舆情事件，获取目标主体在舆情事件下的舆情数据；基于目标主体在各舆情事件下的舆情数据，生成目标主体的舆情数据。
在其中一个实施例中，针对各舆情事件，获取目标主体在舆情事件下的舆情数据，包括：
针对各舆情事件，获取与舆情事件对应的多个舆情文本数据，并对多个舆情文本数据进行特征提取，生成各舆情文本数据的舆情特征；基于与舆情事件对应的各舆情文本数据的舆情特征，生成舆情事件的舆情特征；基于与舆情事件对应的各舆情文本数据的舆情特征及舆情事件的舆情特征，生成目标主体在舆情事件下的舆情数据。
在其中一个实施例中，基于与舆情事件对应的各舆情文本数据的舆情特征，生成舆情事件的舆情特征，包括：
获取与舆情事件对应的各舆情文本数据的属性特征；根据与舆情事件对应的各舆情文本数据对应的舆情特征及属性特征，计算舆情事件的事件汇聚特征，事件汇聚特征包括事件可靠度指标、事件负面度指标、事件覆盖度指标及事件影响力指标中的至少一个；计算舆情事件的事件汇聚特征的加权和，生成舆情事件的舆情特征。
在其中一个实施例中，对目标主体的舆情数据及关联主体的舆情数据进行分析，生成目标主体的舆情风险分析结果，包括：
获取与目标主体对应的舆情风险传导链路集合；舆情风险传导链路集合中包括至少一个舆情风险传导链路，各舆情风险传导链路中包括与目标主体相关联的至少一个关联主体；针对各舆情风险传导链路，根据关联主体的舆情数据计算目标主体的舆情风险传导数据；计算目标主体的舆情数据及舆情风险传导数据的加权和，生成目标主体的舆情风险分析结果。
在其中一个实施例中，针对各舆情风险传导链路，根据关联主体的舆情数据计算目标主体的舆情风险传导数据，包括：
针对各舆情风险传导链路，根据舆情风险传导链路中的关联主体的舆情数据，计算目标主体在舆情风险传导链路下的舆情风险传导数据；基于目标主体在各舆情风险传导链路下的舆情风险传导数据，计算目标主体的舆情风险传导数据。
在其中一个实施例中，针对各舆情风险传导链路，根据舆情风险传导链路中的关联主体的舆情数据，计算目标主体在舆情风险传导链路下的舆情风险传导数据，包括：
针对各舆情风险传导链路，获取关联主体与目标主体之间的风险影响权重、关联主体与目标主体之间的风险传导系数；根据关联主体的舆情数据及风险影响权重、关联主体与目标主体之间的风险传导系数，计算目标主体在舆情风险传导链路下的舆情风险传导数据。
在其中一个实施例中，上述方法还包括：
获取与目标主体的舆情风险分析结果对应的预警对象；向预警对象进行风险预警。
第二方面，本申请还提供了一种舆情风险预警装置。装置包括：
第一获取模块，用于从与目标主体对应的多个舆情事件中，获取目标主体的舆情数据；
第二获取模块，用于获取与目标主体对应的关联主体的舆情数据；
分析模块，用于对目标主体的舆情数据及关联主体的舆情数据进行分析，生成目标主体的舆情风险分析结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一实施例中的方法步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
上述舆情风险预警方法、装置、计算机设备和存储介质，通过从与目标主体对应的多个舆情事件中，获取目标主体的舆情数据；获取与目标主体对应的关联主体的舆情数据；对目标主体的舆情数据及关联主体的舆情数据进行分析，生成目标主体的舆情风险分析结果。在本申请实施例提供的技术方案中，与传统技术相比，现有的舆情风险评估模型在对投资主体的舆情信息进行处理时，仅采用单个舆情事件所对应的舆情信息对目标主体进行风险评估，没有综合多个舆情事件来计算目标主体的舆情风险；并且是直接根据目标主体的舆情信息对目标主体进行风险评估，仅考虑了目标主体自身的舆情风险，没有考虑到目标主体对应的关联主体在产生舆情风险时也会将舆情风险传导至目标主体，因而，采用现有的舆情风险评估模型对目标主体进行风险评估的准确性较低。而本申请由于考虑了与目标主体对应的多个舆情事件，并基于多个舆情事件对目标主体进行风险分析，提高了风险评估的准确性；并且，由于与目标主体所关联的关联主体出现风险时，也会对目标主体产生影响，因而，通过获取与目标主体对应的关联主体的舆情数据，基于关联主体的舆情数据对目标主体进行风险分析，进一步提高了风险评估的准确性。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中舆情风险预警方法的流程示意图；
图3为一个实施例中获取舆情数据的流程示意图；
图4为一个实施例中获取舆情数据的流程示意图；
图5为一个实施例中生成舆情事件的舆情特征的流程示意图；
图6为一个实施例中生成舆情风险分析结果的流程示意图；
图7为一个实施例中单个舆情风险传导链路的示意图；
图8为一个实施例中多个舆情风险传导链路的示意图；
图9为一个实施例中生成目标主体的舆情风险传导数据的流程示意图；
图10为一个实施例中计算舆情风险传导数据的流程示意图；
图11为一个实施例中进行风险预警的流程示意图；
图12为一个实施例中舆情风险预警方法的流程示意图；
图13为一个实施例中舆情风险预警装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的舆情风险预警方法可以应用于计算机设备中，计算机设备可以是服务器，也可以是终端，其中，服务器可以为一台服务器也可以为由多台服务器组成的服务器集群，本申请实施例对此不作具体限定，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
以计算机设备是服务器为例，图1示出了一种服务器的框图，如图1所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储舆情风险预警数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种舆情风险预警方法。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的服务器的限定，可选地服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
需要说明的是，本申请实施例的执行主体可以是计算机设备，也可以是舆情风险预警装置，下述方法实施例中就以计算机设备为执行主体进行说明。
在一个实施例中，如图2所示，其示出了本申请实施例提供的一种舆情风险预警的流程图，该方法可以包括以下步骤：
步骤220、从与目标主体对应的多个舆情事件中，获取目标主体的舆情数据。
其中，目标主体是待风险评估的对象，也是舆情事件所涉及的主体。舆情 事件指的是某一网络热议度高或热点事件，以及公众对这一事件的具体反映， 代表着社会态度的总和，简单来说，就是指的是引发网络舆论热议的事件。在 获取目标主体对应的多个舆情事件时，可以采用人工智能技术、爬虫技术等根 据预设的监测清单，实时采集监测清单中所对应的主体的舆情事件。
一个舆情事件可以包括多条舆情文本数据，多个舆情文本数据可以是根据舆情事件在预设周期内相关的舆情文本数据，也可以是舆情事件对应的所有文本舆情数据。例如，某房地产企业出现债务危机可以作为一个舆情事件，而该房地产企业出现的债务违约、高管离职、股价下跌等也可以作为其他舆情事件；并且，该房地产企业可以对应债务危机、债务违约、高管离职、股价下跌等中的一个舆情事件，例如，该房地产企业出现了债务危机这一舆情事件，也可以对应其中的多个舆情事件，例如，该房地产企业不仅出现了债务危机这一舆情事件，还出现了债务违约。进一步地，由于一个舆情事件可以包括多条舆情文本数据，以该房地产企业出现的债务危机这一舆情事件为例，直接报道该房地产企业、分析该房地产企业出现债务危机的原因、分析该房地产企业出现债务危机会影响哪些公司等内容均可以是该舆情事件所包括的舆情文本数据。通过根据舆情事件进行数据分析与处理后，可以获取到目标主体的多个舆情数据。
步骤240、获取与目标主体对应的关联主体的舆情数据。
其中，目标主体对应的关联主体是与目标主体有关联关系的主体，例如，关联主体可以是目标主体的实控人、子公司、具有其他股权关系的主体等。先根据不同的关联关系确定出与目标主体对应的所有关联实体，获取各关联实体的舆情数据的方式可采取上述获取目标主体的舆情数据的方式，在此不再赘述。需要说明的是，在确定关联主体时，可以确定出于目标主体对应的所有关联实体，也可以仅获取在关联关系中层级位于目标主体上层的所有关联实体，本实施例对此不作具体限定。
步骤260、对目标主体的舆情数据及关联主体的舆情数据进行分析，生成目标主体的舆情风险分析结果。
其中，在获取到目标主体的舆情数据及关联主体的舆情数据后，可以根据目标主体的舆情数据计算出目标主体的第一舆情风险值，再可以根据关联主体的舆情数据计算出目标主体的第二舆情风险值，最后将第一舆情风险值与第二舆情风险值进行数学运算后，得到目标主体的舆情风险分析结果；还可以直接将目标主体的舆情数据及关联主体的舆情数据输入至预设的机器学习模型中进行处理，从而生成目标主体的舆情风险分析结果；也可以是采用其他方式对目标主体的舆情数据及关联主体的舆情数据进行分析，生成目标主体的舆情风险分析结果，本实施例对此不作具体限定。
本实施例中，通过从与目标主体对应的多个舆情事件中，获取目标主体的舆情数据；获取与目标主体对应的关联主体的舆情数据；对目标主体的舆情数据及关联主体的舆情数据进行分析，生成目标主体的舆情风险分析结果。由于考虑了与目标主体对应的多个舆情事件，并基于多个舆情事件对目标主体进行风险分析，提高了风险评估的准确性；并且，由于与目标主体所关联的关联主体出现风险时，也会对目标主体产生影响，因而，通过获取与目标主体对应的关联主体的舆情数据，基于关联主体的舆情数据对目标主体进行风险分析，进一步提高了风险评估的准确性。
在一个实施例中，如图3所示，其示出了本申请实施例提供的一种舆情风险预警的流程图，具体涉及的是获取舆情数据的一种可能的过程，该方法可以包括以下步骤：
步骤320、在预设周期内获取与目标主体对应的多个舆情事件，针对各舆情事件，获取目标主体在舆情事件下的舆情数据。
其中，预设周期可以是根据实际需求自定义设置的，例如，可以获取最近一周内的与目标主体对应的多个舆情事件，再根据各舆情事件获取目标主体在舆情事件下的舆情数据；也可以是获取最近一个月内的与目标主体对应的多个舆情事件，再根据各舆情事件获取目标主体在舆情事件下的舆情数据；也可以是其他预设周期，本实施例对此不作具体限定。
步骤340、基于目标主体在各舆情事件下的舆情数据，生成目标主体的舆情数据。
其中，通过对舆情事件进行数据采集与分析，可以获取到目标主体的多个舆情文本数据，再对目标主体在各舆情事件下的舆情文本数据进行数据处理与分析后，可以生成目标主体在该舆情事件下的舆情数据，再通过对该目标主体在所有舆情事件下的舆情数据进行分析处理，从而生成目标主体的舆情数据。
可选地，可以是直接对目标主体在各舆情事件下的舆情数据进行统计分析，生成目标主体的舆情数据；也可以是对目标主体在各舆情事件下的舆情文本数据采用机器学习模型进行特征提取、分析、处理后，生成目标主体的舆情数据，也可以是采用其他方式生成目标主体的舆情数据，本实施例对此不作具体限定。
本实施例中，通过在预设周期内获取与目标主体对应的多个舆情事件，针对各舆情事件，获取目标主体在舆情事件下的舆情数据，基于目标主体在各舆情事件下的舆情数据，生成目标主体的舆情数据。通过根据实际需求采集预设周期内的与目标主体对应的多个舆情事件，并基于多个舆情事件对目标主体进行风险分析，提高了采集到的舆情事件的精准度，从而提高了风险评估的准确性。
在一个实施例中，如图4所示，其示出了本申请实施例提供的一种舆情风险预警的流程图，具体涉及的是获取舆情数据的一种具体的过程，该方法可以包括以下步骤：
步骤420、针对各舆情事件，获取与舆情事件对应的多个舆情文本数据，并对多个舆情文本数据进行特征提取，生成各舆情文本数据的舆情特征。
其中，舆情特征是用于描述舆情文本数据的特征信息的参数，可以包括但不限于舆情文本数据对应的主体、所属话题、话题风险分值、全文情感得分等特征。在生成舆情文本数据对应的主体特征时，可以采用预设的命名主体识别（Named Entity Recognition，NER）模型实现，命名实体识别模型是信息提取、问答系统、句法分析、机器翻译等应用领域的重要基础工具，在自然语言处理技术走向实用化的过程中占有重要地位，该模型可以采用多通道卷积神经网络（Multi-Channel Convolutional Neural Network，MCCNN）作为模型架构实现。具体可以将舆情文本数据输入至预设的命名主体识别模型中进行处理，从而输出舆情文本数据对应的主体，再将该主体与监测清单中的主体进行匹配，从而输出舆情文本数据对应的主体特征，例如，监测清单中包括主体的全称或者统一信息代码，通过将该主体与监测清单中的主体进行匹配后，就可以得到该舆情文本数据对应的唯一标识作为该主体特征。
在生成舆情文本数据对应的所属话题及话题风险分值特征时，可以采用预设的语言模型对舆情文本数据的正文信息进行处理后，输出舆情文本数据对应的所属话题及话题风险分值特征。在对预设的语言模型进行训练时，可以采用大量的舆情文本数据样本以及对应的标签信息进行训练，每个标签信息对应的话题风险分值可以是由专家根据实际场景所设置的。
在生成舆情文本数据对应的全文情感得分特征时，可以采用预设的情感分析模型对舆情文本数据进行处理，从而输出舆情文本数据对应的全文情感得分。可选地，在输出的全文情感得分在第一阈值，如0-0.5之间时，可以认为该全文情感得分的属性为负面；在输出的全文情感得分在预设数值，如0.5时，可以认为该全文情感得分的属性为中性；在输出的全文情感得分在第二阈值，如0.5-1之间时，可以认为该全文情感得分的属性为正面。
步骤440、基于与舆情事件对应的各舆情文本数据的舆情特征，生成舆情事件的舆情特征。
其中，基于上述舆情事件对应的各舆情文本数据的舆情特征，可以对属于舆情事件下的所有舆情文本数据的舆情特征进行汇聚处理、分析后，生成该舆情事件的舆情特征。
步骤460、基于与舆情事件对应的各舆情文本数据的舆情特征及舆情事件的舆情特征，生成目标主体在舆情事件下的舆情数据。
其中，通过对舆情事件对应的各舆情文本数据的舆情特征及舆情事件的舆情特征进行数学运算处理，从而计算得到目标主体在舆情事件下的舆情数据，及目标主体在各舆情事件下的舆情数据。
本实施例中，通过针对各舆情事件，获取与舆情事件对应的多个舆情文本数据，并对多个舆情文本数据进行特征提取，生成各舆情文本数据的舆情特征；基于与舆情事件对应的各舆情文本数据的舆情特征，生成舆情事件的舆情特征；基于与舆情事件对应的各舆情文本数据的舆情特征及舆情事件的舆情特征，生成目标主体在舆情事件下的舆情数据。通过结合多个舆情文本数据计算舆情事件的特征，提高了计算舆情事件的舆情特征的准确性，进而提高了计算目标主体的舆情数据的准确性。
在一个实施例中，如图5所示，其示出了本申请实施例提供的一种舆情风险预警的流程图，具体涉及的是生成舆情事件的舆情特征的一种可能的过程，该方法可以包括以下步骤：
步骤520、获取与舆情事件对应的各舆情文本数据的属性特征。
其中，舆情文本数据的属性特征是其固有特征，可以包括但不限于舆情文本数据对应的数量、时间、媒体类型、来源、作者、文本结构等特征。
步骤540、根据与舆情事件对应的各舆情文本数据对应的舆情特征及属性特征，计算舆情事件的事件汇聚特征，事件汇聚特征包括事件可靠度指标、事件负面度指标、事件覆盖度指标及事件影响力指标中的至少一个。
其中，事件汇聚特征是用于描述事件的特征信息的参数，可以是事件文章数量、最新事件时间、最早事件时间、事件主体关联度、事件可靠度指标、事件负面度指标、事件覆盖度指标及事件影响力指标。
事件文章数量指的是同一事件下检索到的过往相似舆情文本数据的数量；最新事件时间指的是最新的事件发生时间；最早事件时间指的是事件发生近期内的最早时间；事件主体关联度是采用词频与逆向词频计算得到的该事件下的主体与事件的紧密程度，若是关联度越高则可以判定该主体可能是该事件下主要的影响主体；事件可靠度指标指的是依照时间下的舆情文本数据的媒体、来源、作者以及文本结构等信息计算得到的事件来源的可信任程度；事件负面度指标指的是相同事件下的舆情文本数据以全文情感得分来计算得到的整体事件所造成的舆论负面程度；事件覆盖度指标指的是依照媒体类型计算该事件媒体的覆盖程度；事件影响力指标值得是该事件影响到多少主体的程度，若是事件影响到越多主体则表示该事件的影响力越高。
步骤560、计算舆情事件的事件汇聚特征的加权和，生成舆情事件的舆情特征。
其中，舆情事件的舆情特征可以通过事件热度综合指数来表示，事件热度综合指数是衡量某一事件在媒体中的关注度、传播声量、热度走势变化的综合指标。可以基于事件可靠度、事件负面度、事件覆盖度、事件影响力四个因子构建事件热度综合指数，其中，事件可靠度越大、事件负面度越大、事件覆盖度越大、事件影响力越大，事件热度综合指数越大。具体可以通过公式（1）计算该事件热度综合指数。
Figure 168382DEST_PATH_IMAGE002
（1）
其中，
Figure 443505DEST_PATH_IMAGE004
为事件i的事件热度综合指数，
Figure 555818DEST_PATH_IMAGE006
为事件i的事件可靠度指标，
Figure 484460DEST_PATH_IMAGE008
为事件i文章来源数，
Figure 682223DEST_PATH_IMAGE010
为事件i的事件负面度指标，
Figure 761037DEST_PATH_IMAGE012
为事件i的事件覆盖度指标，
Figure 852490DEST_PATH_IMAGE014
为事件i的事件影响力指标，
Figure 92978DEST_PATH_IMAGE016
是
Figure 43617DEST_PATH_IMAGE018
Figure 519598DEST_PATH_IMAGE020
四个因子的权重，可以由业务专家设置，四个因子权重加总为1。
本实施例中，通过获取与舆情事件对应的各舆情文本数据的属性特征；根据与舆情事件对应的各舆情文本数据对应的舆情特征及属性特征，计算舆情事件的事件汇聚特征；计算舆情事件的事件汇聚特征的加权和，生成舆情事件的舆情特征。通过根据各舆情文本数据的属性特征及舆情特征共同计算舆情事件的舆情特征，提高了计算舆情事件的舆情特征的准确性。
在上述实施例的基础上，上述步骤460中基于与舆情事件对应的各舆情文本数据的舆情特征及舆情事件的舆情特征，生成目标主体在舆情事件下的舆情数据，可以先通过公式（2）计算得到目标主体在舆情事件下的舆情数据，即单事件主体舆情风险，单事件主体自身舆情风险是衡量某一事件对投资主体产生的风险大小。基于事件热度综合指数、话题风险值、主体关联度计算单事件主体自身舆情风险，事件热度综合指数越大、话题风险值越大、主体关联度越大，单事件主体舆情风险越大。
Figure 340923DEST_PATH_IMAGE022
（2）
其中，
Figure 283471DEST_PATH_IMAGE024
为事件i的主体舆情风险值，
Figure 816346DEST_PATH_IMAGE026
为事件i的事件主体关联度，Hi为事件i的事件热度综合指数，R i是事件i的话题风险值。
进而，可以基于目标主体对应的所有舆情事件的舆情特征，计算出目标主体的舆情数据，即主体自身舆情风险。目标主体发生风险时，通常会伴随着多个负面舆情事件，例如，例如某个公司破产前一段时间内，通常会出现高管离职、资金链断裂、信用评级下调等一系列负面事件。通过将某个主体一个周期内发生的所有事件的主体自身舆情风险进行汇总统计得到，通过公式（3）计算得到主体自身舆情风险。
Figure 705805DEST_PATH_IMAGE028
（3）
其中，IR为主体自身舆情风险值，IRi是事件i的单事件主体舆情风险值。
在一个实施例中，如图6所示，其示出了本申请实施例提供的一种舆情风险预警的流程图，具体涉及的是生成舆情风险分析结果的一种可能的过程，该方法可以包括以下步骤：
步骤620、获取与目标主体对应的舆情风险传导链路集合；舆情风险传导链路集合中包括至少一个舆情风险传导链路，各舆情风险传导链路中包括与目标主体相关联的至少一个关联主体。
其中，目标主体与关联主体之间的关联关系可以为股权关系，股权关系可以包括控股公司、子公司或者其他股权关系。控股公司关系即为关联主体是目标主体的控股公司，子公司关系即为目标主体是关联主体的子公司，其他股权关系是除了控股公司和子公司以外的股权关系。在目标主体与关联主体之间存在股权关系的情况下，目标主体与关联主体之间也会存在内部购销、资金拆借、融资担保等各种形式的财务关系、关联交易等关系，关联主体发生舆情事件可以通过股权关系导致目标主体爆发危机。舆情风险传导数据就是衡量某个目标主体的关联主体发生舆情事件后，所产生的舆情风险传导到目标主体的风险大小。
由于目标主体与关联主体之间不一定是直接关联，并且与目标主体对应的关联主体可以有多个。因而，在计算目标主体的舆情风险传导数据时，需要先获取与目标主体对应的舆情风险传导链路集合，舆情风险传导链路集合中包括至少一个舆情风险传导链路，各舆情风险传导链路中包括与目标主体相关联的至少一个关联主体。如图7所示，图7为本申请实施例提供的一种单个舆情风险传导链路的示意图，其中，C可以作为目标主体，A和B均为C的关联主体，B与C直接关联，A与C间接关联。如图8所示，图8为本申请实施例提供的一种多个舆情风险传导链路的示意图，其中，D和E也为C的关联主体，且D和E分别与C直接关联。
步骤640、针对各舆情风险传导链路，根据关联主体的舆情数据计算目标主体的舆情风险传导数据。
其中，分别根据各舆情风险传导链路，计算该舆情风险传导链路下的目标主体的舆情风险传导数据。请继续参考图8，对于图8中的三个舆情风险传导链路，若A、D、E发生舆情风险，那么可以分别计算出A、D、E传导至C的舆情风险，从而根据传导过来的三个舆情风险，计算出C的舆情风险传导数据。
步骤660、计算目标主体的舆情数据及舆情风险传导数据的加权和，生成目标主体的舆情风险分析结果。
其中，通过公式（4）可以对目标主体的舆情数据及舆情风险传导数据的加权和，从而得到目标主体的舆情风险分析结果。
Figure 178374DEST_PATH_IMAGE030
（4）
其中，SR是目标主体的舆情风险分析结果，IR是目标主体的舆情数据，即主体自身舆情风险，TR是舆情风险传导数据，即主体传导风险。
本实施例中，通过获取与目标主体对应的舆情风险传导链路集合；针对各舆情风险传导链路，根据关联主体的舆情数据计算目标主体的舆情风险传导数据；计算目标主体的舆情数据及舆情风险传导数据的加权和，生成目标主体的舆情风险分析结果。通过获取与目标主体对应的关联主体的舆情数据，基于关联主体的舆情数据以及目标主体的舆情数据共同对目标主体进行风险分析，进一步提高了风险评估的准确性。
在一个实施例中，如图9所示，其示出了本申请实施例提供的一种舆情风险预警的流程图，具体涉及的是生成目标主体的舆情风险传导数据的一种可能的过程，该方法可以包括以下步骤：
步骤920、针对各舆情风险传导链路，根据舆情风险传导链路中的关联主体的舆情数据，计算目标主体在舆情风险传导链路下的舆情风险传导数据。
步骤940、基于目标主体在各舆情风险传导链路下的舆情风险传导数据，计算目标主体的舆情风险传导数据。
其中，分别根据各舆情风险传导链路，计算该舆情风险传导链路下的目标主体的舆情风险传导数据后，可以通过公式（5），计算目标主体的舆情风险传导数据。
Figure 885299DEST_PATH_IMAGE032
（5）
其中，TR为投资主体的传导风险，
Figure 279371DEST_PATH_IMAGE034
为所有舆情风险传导链路的舆情风险传导数据之和。
舆情风险传导数据风险默认最大值为100，如果舆情风险传导数据汇总后超过100，就取100，如果如果舆情风险传导数据汇总后不超过100，就取舆情风险传导数据汇总值。例如，请继续参考图8，关联主体A发生风险传导到目标主体C的舆情风险传导数据为65，关联主体D发生风险传导到目标主体C的舆情风险传导数据为62，关联主体E发生风险传导到目标主体C的舆情风险传导数据为60，汇总后传导到目标主体C的总风险是187，舆情风险传导数据默认最大值为100，因此最终舆情风险传导数据为min{100,65+62+60}=100。
本实施例中，通过针对各舆情风险传导链路，根据舆情风险传导链路中的关联主体的舆情数据，计算目标主体在舆情风险传导链路下的舆情风险传导数据；基于目标主体在各舆情风险传导链路下的舆情风险传导数据，计算目标主体的舆情风险传导数据。通过基于多个舆情风险传导链路下的舆情风险传导数据，共同对目标主体的舆情风险传导数据进行计算，提高了计算目标主体的舆情风险传导数据的转准确性，进而提高了对目标主体进行风险评估的准确性。
在一个实施例中，如图10所示，其示出了本申请实施例提供的一种舆情风险预警的流程图，具体涉及的是计算舆情风险传导数据的一种具体的过程，该方法可以包括以下步骤：
步骤1020、针对各舆情风险传导链路，获取关联主体与目标主体之间的风险影响权重、关联主体与目标主体之间的风险传导系数。
其中，一般认为关联公司风险传导到目标主体时会呈指数衰减，传导距离越短，衰减系数越小，关联关系类型影响系数越大，传导风险越大。因而，需要针对各舆情风险传导链路，先获取到关联主体与目标主体之间的风险影响权重、关联主体与目标主体之间的风险传导系数。
风险影响权重是根据目标主体与关联主体的关联关系类型确定的，对应的风险影响权重可以根据实际需求设定，例如，若关联主体是目标主体的实控人，那么对应的风险影响权重设置为1；若关联主体是目标主体的子公司，那么对应的风险影响权重设置为0.8；若关联主体与目标主体之间具有的其他股权关系，那么对应的风险影响权重设置为0.7。
关联主体与目标主体之间的风险传导系数是关联公司风险传导到目标主体时会呈指数衰减中的衰减系数，可以根据实际需求设为固定值，例如，可以设置为0.1。
步骤1040、根据关联主体的舆情数据及风险影响权重、关联主体与目标主体之间的风险传导系数，计算目标主体在舆情风险传导链路下的舆情风险传导数据。
其中，根据关联主体的舆情数据及风险影响权重、关联主体与目标主体之间的风险传导系数，可以通过公式（6）计算目标主体在舆情风险传导链路下的舆情风险传导数据。
Figure 503679DEST_PATH_IMAGE036
（6）
其中，IR l 为目标主体l在舆情风险传导链路下的舆情风险传导数据，IR l-1 为关联主体l-1的舆情数据；r为关联主体与目标主体之间的风险传导系数，即衰减系数，衰减系数越大，衰减速度越快，该系数可进行配置；λ l-1 为风险影响权重。
例如，请继续参考图7，传导系数r设置为0.1，假设关联主体A发生风险，并且关联主体A的舆情数据为100，关联主体A是主体B的实控人，那么关联主体A传导到主体B的舆情风险传导数据为
Figure 158652DEST_PATH_IMAGE038
，关联主体B为目标主体C的子公司，关联主体B的风险进一步传导到目标主体C的舆情风险传导数据为
Figure 911844DEST_PATH_IMAGE040
。
本实施例中，针对各舆情风险传导链路，获取关联主体与目标主体之间的风险影响权重、关联主体与目标主体之间的风险传导系数；根据关联主体的舆情数据及风险影响权重、关联主体与目标主体之间的风险传导系数，计算目标主体在舆情风险传导链路下的舆情风险传导数据，提高了计算舆情风险传导数据的准确性。
在一个实施例中，如图11所示，其示出了本申请实施例提供的一种舆情风险预警的流程图，具体涉及的是进行风险预警的一种可能的过程，该方法可以包括以下步骤：
步骤1120、获取与目标主体的舆情风险分析结果对应的预警对象。
其中，在计算得到目标主体的舆情风险分析结果后，可以判断该舆情风险分析结果处于哪个风险分级中，风险等级可以预先设置三个，例如，当舆情风险分析结果在[0,a)时，设置为低风险；当舆情风险分析结果在[a,b)时，设置为中风险；当舆情风险分析结果在[b,c)时，设置为高风险，其中，a、b、c的值可以根据实际情况设定，例如，可以设置a为60，b为80，c为100。
不同风险等级可以分别预先设定对应的预警对象，例如，若目标主体为投资领域中的投资主体，那么，高风险对应的预警对象为集团、委托人、受托人；中风险对应的预警对象为委托人、受托人；低风险对应的预警对象为受托人。
步骤1140、向预警对象进行风险预警。
其中，可以采用不同的预警方式向预警对象进行风险预警，例如，可以采用发起处置流程、邮件通知、短信通知、冒泡提示等预警方式。并且，还可以针对不同的预警对象采用不同的预警方式组合进行风险预警，例如，高风险可以采用发起处置流程，并通过邮件和短信进行风险预警；中风险可以通过邮件和短信进行风险预警；低风险可以采用系统冒泡方式进行风险预警。当然，上述方式仅为示例性的介绍，预警方式不限于本实施例所指出的这些方式。
本实施例中，通过获取与目标主体的舆情风险分析结果对应的预警对象；向预警对象进行风险预警，可以及时的发现风险并采取相应的措施，提高了对目标主体的安全性。
在一个实施例中，如图12所示，其示出了本申请实施例提供的一种舆情风险预警的流程图，该方法可以包括以下步骤：
步骤1201、在预设周期内获取与目标主体对应的多个舆情事件，针对各舆情事件，获取目标主体在舆情事件下的舆情数据。
步骤1202、针对各舆情事件，获取与舆情事件对应的多个舆情文本数据，并对多个舆情文本数据进行特征提取，生成各舆情文本数据的舆情特征。
步骤1203、获取与舆情事件对应的各舆情文本数据的属性特征。
步骤1204、根据与舆情事件对应的各舆情文本数据对应的舆情特征及属性特征，计算舆情事件的事件汇聚特征。
步骤1205、计算舆情事件的事件汇聚特征的加权和，生成舆情事件的舆情特征。
步骤1206、基于与舆情事件对应的各舆情文本数据的舆情特征及舆情事件的舆情特征，生成目标主体在舆情事件下的舆情数据。
步骤1207、基于目标主体在各舆情事件下的舆情数据，生成目标主体的舆情数据。
步骤1208、获取与目标主体对应的关联主体的舆情数据。
步骤1209、获取与目标主体对应的舆情风险传导链路集合。
步骤1210、针对各舆情风险传导链路，获取关联主体与目标主体之间的风险影响权重、关联主体与目标主体之间的风险传导系数。
步骤1211、根据关联主体的舆情数据及风险影响权重、关联主体与目标主体之间的风险传导系数，计算目标主体在舆情风险传导链路下的舆情风险传导数据。
步骤1212、基于目标主体在各舆情风险传导链路下的舆情风险传导数据，计算目标主体的舆情风险传导数据。
步骤1213、计算目标主体的舆情数据及舆情风险传导数据的加权和，生成目标主体的舆情风险分析结果。
步骤1214、获取与目标主体的舆情风险分析结果对应的预警对象。
步骤1215、向预警对象进行风险预警。
本实施例中，由于考虑了与目标主体对应的多个舆情事件，并基于多个舆情事件对目标主体进行风险分析，提高了风险评估的准确性；并且，由于与目标主体所关联的关联主体出现风险时，也会对目标主体产生影响，因而，通过获取与目标主体对应的关联主体的舆情数据，基于关联主体的舆情数据对目标主体进行风险分析，进一步提高了风险评估的准确性；并通过向预警对象进行风险预警，可以及时的发现风险并采取相应的措施，提高了对目标主体的安全性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的舆情风险预警方法的舆情风险预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个舆情风险预警装置实施例中的具体限定可以参见上文中对于舆情风险预警方法的限定，在此不再赘述。
在一个实施例中，如图13所示，提供了一种舆情风险预警装置1300，包括：第一获取模块1302、第二获取模块1304和分析模块1306，其中：
第一获取模块1302，用于从与目标主体对应的多个舆情事件中，获取目标主体的舆情数据.
第二获取模块1304，用于获取与目标主体对应的关联主体的舆情数据。
分析模块1306，用于对目标主体的舆情数据及关联主体的舆情数据进行分析，生成目标主体的舆情风险分析结果。
在一个实施例中，上述第一获取模块1302具体用于在预设周期内获取与目标主体对应的多个舆情事件，针对各舆情事件，获取目标主体在舆情事件下的舆情数据；基于目标主体在各舆情事件下的舆情数据，生成目标主体的舆情数据。
在一个实施例中，上述第一获取模块1302还用于针对各舆情事件，获取与舆情事件对应的多个舆情文本数据，并对多个舆情文本数据进行特征提取，生成各舆情文本数据的舆情特征；基于与舆情事件对应的各舆情文本数据的舆情特征，生成舆情事件的舆情特征；基于与舆情事件对应的各舆情文本数据的舆情特征及舆情事件的舆情特征，生成目标主体在舆情事件下的舆情数据。
在一个实施例中，上述第一获取模块1302还用于获取与舆情事件对应的各舆情文本数据的属性特征；根据与舆情事件对应的各舆情文本数据对应的舆情特征及属性特征，计算舆情事件的事件汇聚特征，事件汇聚特征包括事件可靠度指标、事件负面度指标、事件覆盖度指标及事件影响力指标中的至少一个；计算舆情事件的事件汇聚特征的加权和，生成舆情事件的舆情特征。
在一个实施例中，上述分析模块1306具体用于获取与目标主体对应的舆情风险传导链路集合；舆情风险传导链路集合中包括至少一个舆情风险传导链路，各舆情风险传导链路中包括与目标主体相关联的至少一个关联主体；针对各舆情风险传导链路，根据关联主体的舆情数据计算目标主体的舆情风险传导数据；计算目标主体的舆情数据及舆情风险传导数据的加权和，生成目标主体的舆情风险分析结果。
在一个实施例中，上述分析模块1306还用于针对各舆情风险传导链路，根据舆情风险传导链路中的关联主体的舆情数据，计算目标主体在舆情风险传导链路下的舆情风险传导数据；基于目标主体在各舆情风险传导链路下的舆情风险传导数据，计算目标主体的舆情风险传导数据。
在一个实施例中，上述分析模块1306还用于针对各舆情风险传导链路，获取关联主体与目标主体之间的风险影响权重、关联主体与目标主体之间的风险传导系数；根据关联主体的舆情数据及风险影响权重、关联主体与目标主体之间的风险传导系数，计算目标主体在舆情风险传导链路下的舆情风险传导数据。
在一个实施例中，上述舆情风险预警装置还包括第三获取模块和预警模块，其中：
第三获取模块，用于获取与目标主体的舆情风险分析结果对应的预警对象。
预警模块，用于向预警对象进行风险预警。
上述舆情风险预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
从与目标主体对应的多个舆情事件中，获取目标主体的舆情数据；获取与目标主体对应的关联主体的舆情数据；对目标主体的舆情数据及关联主体的舆情数据进行分析，生成目标主体的舆情风险分析结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在预设周期内获取与目标主体对应的多个舆情事件，针对各舆情事件，获取目标主体在舆情事件下的舆情数据；基于目标主体在各舆情事件下的舆情数据，生成目标主体的舆情数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
针对各舆情事件，获取与舆情事件对应的多个舆情文本数据，并对多个舆情文本数据进行特征提取，生成各舆情文本数据的舆情特征；基于与舆情事件对应的各舆情文本数据的舆情特征，生成舆情事件的舆情特征；基于与舆情事件对应的各舆情文本数据的舆情特征及舆情事件的舆情特征，生成目标主体在舆情事件下的舆情数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取与舆情事件对应的各舆情文本数据的属性特征；根据与舆情事件对应的各舆情文本数据对应的舆情特征及属性特征，计算舆情事件的事件汇聚特征，事件汇聚特征包括事件可靠度指标、事件负面度指标、事件覆盖度指标及事件影响力指标中的至少一个；计算舆情事件的事件汇聚特征的加权和，生成舆情事件的舆情特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取与目标主体对应的舆情风险传导链路集合；舆情风险传导链路集合中包括至少一个舆情风险传导链路，各舆情风险传导链路中包括与目标主体相关联的至少一个关联主体；针对各舆情风险传导链路，根据关联主体的舆情数据计算目标主体的舆情风险传导数据；计算目标主体的舆情数据及舆情风险传导数据的加权和，生成目标主体的舆情风险分析结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
针对各舆情风险传导链路，根据舆情风险传导链路中的关联主体的舆情数据，计算目标主体在舆情风险传导链路下的舆情风险传导数据；基于目标主体在各舆情风险传导链路下的舆情风险传导数据，计算目标主体的舆情风险传导数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
针对各舆情风险传导链路，获取关联主体与目标主体之间的风险影响权重、关联主体与目标主体之间的风险传导系数；根据关联主体的舆情数据及风险影响权重、关联主体与目标主体之间的风险传导系数，计算目标主体在舆情风险传导链路下的舆情风险传导数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取与目标主体的舆情风险分析结果对应的预警对象；向预警对象进行风险预警。
本申请实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
从与目标主体对应的多个舆情事件中，获取目标主体的舆情数据；获取与目标主体对应的关联主体的舆情数据；对目标主体的舆情数据及关联主体的舆情数据进行分析，生成目标主体的舆情风险分析结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在预设周期内获取与目标主体对应的多个舆情事件，针对各舆情事件，获取目标主体在舆情事件下的舆情数据；基于目标主体在各舆情事件下的舆情数据，生成目标主体的舆情数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对各舆情事件，获取与舆情事件对应的多个舆情文本数据，并对多个舆情文本数据进行特征提取，生成各舆情文本数据的舆情特征；基于与舆情事件对应的各舆情文本数据的舆情特征，生成舆情事件的舆情特征；基于与舆情事件对应的各舆情文本数据的舆情特征及舆情事件的舆情特征，生成目标主体在舆情事件下的舆情数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取与舆情事件对应的各舆情文本数据的属性特征；根据与舆情事件对应的各舆情文本数据对应的舆情特征及属性特征，计算舆情事件的事件汇聚特征，事件汇聚特征包括事件可靠度指标、事件负面度指标、事件覆盖度指标及事件影响力指标中的至少一个；计算舆情事件的事件汇聚特征的加权和，生成舆情事件的舆情特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取与目标主体对应的舆情风险传导链路集合；舆情风险传导链路集合中包括至少一个舆情风险传导链路，各舆情风险传导链路中包括与目标主体相关联的至少一个关联主体；针对各舆情风险传导链路，根据关联主体的舆情数据计算目标主体的舆情风险传导数据；计算目标主体的舆情数据及舆情风险传导数据的加权和，生成目标主体的舆情风险分析结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对各舆情风险传导链路，根据舆情风险传导链路中的关联主体的舆情数据，计算目标主体在舆情风险传导链路下的舆情风险传导数据；基于目标主体在各舆情风险传导链路下的舆情风险传导数据，计算目标主体的舆情风险传导数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对各舆情风险传导链路，获取关联主体与目标主体之间的风险影响权重、关联主体与目标主体之间的风险传导系数；根据关联主体的舆情数据及风险影响权重、关联主体与目标主体之间的风险传导系数，计算目标主体在舆情风险传导链路下的舆情风险传导数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取与目标主体的舆情风险分析结果对应的预警对象；向预警对象进行风险预警。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
从与目标主体对应的多个舆情事件中，获取目标主体的舆情数据；获取与目标主体对应的关联主体的舆情数据；对目标主体的舆情数据及关联主体的舆情数据进行分析，生成目标主体的舆情风险分析结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在预设周期内获取与目标主体对应的多个舆情事件，针对各舆情事件，获取目标主体在舆情事件下的舆情数据；基于目标主体在各舆情事件下的舆情数据，生成目标主体的舆情数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对各舆情事件，获取与舆情事件对应的多个舆情文本数据，并对多个舆情文本数据进行特征提取，生成各舆情文本数据的舆情特征；基于与舆情事件对应的各舆情文本数据的舆情特征，生成舆情事件的舆情特征；基于与舆情事件对应的各舆情文本数据的舆情特征及舆情事件的舆情特征，生成目标主体在舆情事件下的舆情数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取与舆情事件对应的各舆情文本数据的属性特征；根据与舆情事件对应的各舆情文本数据对应的舆情特征及属性特征，计算舆情事件的事件汇聚特征，事件汇聚特征包括事件可靠度指标、事件负面度指标、事件覆盖度指标及事件影响力指标中的至少一个；计算舆情事件的事件汇聚特征的加权和，生成舆情事件的舆情特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取与目标主体对应的舆情风险传导链路集合；舆情风险传导链路集合中包括至少一个舆情风险传导链路，各舆情风险传导链路中包括与目标主体相关联的至少一个关联主体；针对各舆情风险传导链路，根据关联主体的舆情数据计算目标主体的舆情风险传导数据；计算目标主体的舆情数据及舆情风险传导数据的加权和，生成目标主体的舆情风险分析结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对各舆情风险传导链路，根据舆情风险传导链路中的关联主体的舆情数据，计算目标主体在舆情风险传导链路下的舆情风险传导数据；基于目标主体在各舆情风险传导链路下的舆情风险传导数据，计算目标主体的舆情风险传导数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对各舆情风险传导链路，获取关联主体与目标主体之间的风险影响权重、关联主体与目标主体之间的风险传导系数；根据关联主体的舆情数据及风险影响权重、关联主体与目标主体之间的风险传导系数，计算目标主体在舆情风险传导链路下的舆情风险传导数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取与目标主体的舆情风险分析结果对应的预警对象；向预警对象进行风险预警。
本实施例提供的计算机程序产品，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (12)

1.一种舆情风险预警方法，其特征在于，所述方法包括：
从与目标主体对应的多个舆情事件中，获取所述目标主体的舆情数据；
获取与所述目标主体对应的关联主体的舆情数据；
对所述目标主体的舆情数据及所述关联主体的舆情数据进行分析，生成所述目标主体的舆情风险分析结果。
2.根据权利要求1所述的方法，其特征在于，所述从与目标主体对应的多个舆情事件中，获取所述目标主体的舆情数据，包括：
在预设周期内获取与所述目标主体对应的多个舆情事件，针对各所述舆情事件，获取所述目标主体在所述舆情事件下的舆情数据；
基于所述目标主体在各所述舆情事件下的舆情数据，生成所述目标主体的舆情数据。
3.根据权利要求2所述的方法，其特征在于，所述针对各所述舆情事件，获取所述目标主体在所述舆情事件下的舆情数据，包括：
针对各所述舆情事件，获取与所述舆情事件对应的多个舆情文本数据，并对所述多个舆情文本数据进行特征提取，生成各所述舆情文本数据的舆情特征；
基于与所述舆情事件对应的各所述舆情文本数据的舆情特征，生成所述舆情事件的舆情特征；
基于与所述舆情事件对应的各所述舆情文本数据的舆情特征及所述舆情事件的舆情特征，生成所述目标主体在所述舆情事件下的舆情数据。
4.根据权利要求3所述的方法，其特征在于，所述基于与所述舆情事件对应的各所述舆情文本数据的舆情特征，生成所述舆情事件的舆情特征，包括：
获取与所述舆情事件对应的各所述舆情文本数据的属性特征；
根据与所述舆情事件对应的各所述舆情文本数据对应的舆情特征及所述属性特征，计算所述舆情事件的事件汇聚特征，所述事件汇聚特征包括事件可靠度指标、事件负面度指标、事件覆盖度指标及事件影响力指标中的至少一个；
计算所述舆情事件的事件汇聚特征的加权和，生成所述舆情事件的舆情特征。
5.根据权利要求1所述的方法，其特征在于，所述对所述目标主体的舆情数据及所述关联主体的舆情数据进行分析，生成所述目标主体的舆情风险分析结果，包括：
获取与所述目标主体对应的舆情风险传导链路集合；所述舆情风险传导链路集合中包括至少一个舆情风险传导链路，各所述舆情风险传导链路中包括与所述目标主体相关联的至少一个关联主体；
针对各所述舆情风险传导链路，根据所述关联主体的舆情数据计算所述目标主体的舆情风险传导数据；
计算所述目标主体的舆情数据及所述舆情风险传导数据的加权和，生成所述目标主体的舆情风险分析结果。
6.根据权利要求5所述的方法，其特征在于，所述针对各所述舆情风险传导链路，根据所述关联主体的舆情数据计算所述目标主体的舆情风险传导数据，包括：
针对各所述舆情风险传导链路，根据所述舆情风险传导链路中的所述关联主体的舆情数据，计算所述目标主体在所述舆情风险传导链路下的舆情风险传导数据；
基于所述目标主体在各所述舆情风险传导链路下的舆情风险传导数据，计算所述目标主体的舆情风险传导数据。
7.根据权利要求5所述的方法，其特征在于，所述针对各所述舆情风险传导链路，根据所述舆情风险传导链路中的所述关联主体的舆情数据，计算所述目标主体在所述舆情风险传导链路下的舆情风险传导数据，包括：
针对各所述舆情风险传导链路，获取所述关联主体与所述目标主体之间的风险影响权重、所述关联主体与所述目标主体之间的风险传导系数；
根据所述关联主体的舆情数据及所述风险影响权重、所述关联主体与所述目标主体之间的风险传导系数，计算所述目标主体在所述舆情风险传导链路下的舆情风险传导数据。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取与所述目标主体的舆情风险分析结果对应的预警对象；
向所述预警对象进行风险预警。
9.一种舆情风险预警装置，其特征在于，所述装置包括：
第一获取模块，用于从与目标主体对应的多个舆情事件中，获取所述目标主体的舆情数据；
第二获取模块，用于获取与所述目标主体对应的关联主体的舆情数据；
分析模块，用于对所述目标主体的舆情数据及所述关联主体的舆情数据进行分析，生成所述目标主体的舆情风险分析结果。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202210947389.5A 2022-08-09 2022-08-09 舆情风险预警方法、装置、计算机设备和存储介质 Pending CN115392953A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210947389.5A CN115392953A (zh) 2022-08-09 2022-08-09 舆情风险预警方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210947389.5A CN115392953A (zh) 2022-08-09 2022-08-09 舆情风险预警方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN115392953A true CN115392953A (zh) 2022-11-25

Family

ID=84118979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210947389.5A Pending CN115392953A (zh) 2022-08-09 2022-08-09 舆情风险预警方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115392953A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078008A (zh) * 2023-08-16 2023-11-17 平安科技（深圳）有限公司 舆情风险演变路径预测方法、装置、服务器及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078008A (zh) * 2023-08-16 2023-11-17 平安科技（深圳）有限公司 舆情风险演变路径预测方法、装置、服务器及存储介质

Similar Documents

Publication Publication Date Title
Bai et al. Crude oil price forecasting incorporating news text
US10614073B2 (en) System and method for using data incident based modeling and prediction
CN111340246A (zh) 用于企业智能决策分析的处理方法、装置和计算机设备
US20190325524A1 (en) Techniques for accurate evaluation of a financial portfolio
US11934415B2 (en) Computer-based systems for dynamic data discovery and methods thereof
Gong et al. A new approach of stock price prediction based on logistic regression model
CN113609773B (zh) 基于小样本的数据可靠性评估结果预测性能的方法及系统
CN114580916A (zh) 一种企业风险评估方法、装置、电子设备及存储介质
Margaris et al. Improving Collaborative Filtering's Rating Prediction Accuracy by Considering Users' Rating Variability
Hasan et al. A Novel Cryptocurrency Prediction Method Using Optimum CNN.
CN115080868A (zh) 产品推送方法、装置、计算机设备、存储介质和程序产品
CN115392953A (zh) 舆情风险预警方法、装置、计算机设备和存储介质
CN115641198A (zh) 用户运营方法、装置、电子设备和存储介质
CN114529399A (zh) 用户数据处理方法、装置、计算机设备和存储介质
CN115481767A (zh) 面向配电网检修的运行数据处理方法、装置和计算机设备
CN115204984A (zh) 业务产品推送方法、装置、计算机设备和存储介质
US11593406B2 (en) Dynamic search parameter modification
CN114596118A (zh) 预测模型训练方法、装置、计算机设备和存储介质
CN114495137A (zh) 票据异常检测模型生成方法与票据异常检测方法
Guo et al. Credit Default Prediction on Time-Series Behavioral Data Using Ensemble Models
Chang et al. Incorporating soft information from financial news media for management decisions in dynamic business environments
Wu et al. Evaluation and selection of insurance marketing schemes driven by multisource big data
CN118536083A (zh) 用户信用评分方法、装置、计算机设备、可读存储介质和程序产品
CN118446806A (zh) 授信数据处理方法、装置、计算机设备和存储介质
Li Research on Risk Warning System for Insurance Company Based on Neural Network

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