CN115827989B - 大数据环境下网络舆情人工智能预警系统及方法 - Google Patents

Abstract

本申请公开了大数据环境下网络舆情人工智能预警系统及方法，属于数据处理技术领域。包括：获取网络的热度信息；将所述网络的热度信息输入至网络预警模型，输出得到网络的类别；依据所述网络的类别对所述网络进行分析，得到与网络舆情概率相关的信息；将所述与网络舆情概率相关的信息输入至网络舆情预测模型中，输出得到网络的舆情量化分析；若所述网络的舆情量化分析大于阈值，则生成大数据环境下网络舆情人工智能预警信息，本申请大大提高舆情监管效率以及相关部门的管理决策效率，基于大量与指定主题相关的语料进行词向量模型训练，以精准地迭代舆情检索策略，相比于传统的直接调用获取新词的方法，精准度更高，针对后续舆情能够有更好的适用性。

Description

大数据环境下网络舆情人工智能预警系统及方法

技术领域

本申请涉及数据处理技术领域，尤其涉及一种大数据环境下网络舆情人工智能预警系统及方法。

背景技术

随着网络技术的快速发展，互联网已成为公众获取信息、表达观点的重要平台。网络舆情是公众对互联网上传播的热点问题所表现的具有一定影响力和倾向性的意见或言论的状态，目前，已有各种不同的基于舆情主题挖掘、民众情感分析等的研究。例如,应用认知情感评价模型构建情感与主题挖掘协同分析模型、基于用户注意力机制的情感分析模型等等。但是这些研究中，一方面没有集数据采集和情感分析等操作为一体的方法，另一方面对于舆情数据的采集的检索策略灵活性较差，且情感分析模型的准确率不佳。

发明内容

为解决上述现有问题，本申请提供一种大数据环境下网络舆情人工智能预警方法，包括：获取网络的热度信息；其中，所述热度信息包括关键词、搜索趋势、地域范围、人群、时间区间；将所述网络的热度信息输入至网络预警模型，输出得到网络的类别；其中，所述网络的类别分为：热度网络、发展网络、负面网络、正面网络以及情感网络；所述网络预警模型由至少一个第一训练样本数据对预测函数模型进行训练得到；所述第一训练样本数据包括训练样本网络的热度信息以及训练样本网络的真实类别；依据所述网络的类别对所述网络进行分析，得到与网络舆情概率相关的信息；将所述与网络舆情概率相关的信息输入至网络舆情预测模型中，输出得到网络的舆情量化分析；其中，所述网络舆情预测模型由至少一个第二训练样本数据对逻辑回归模型进行训练得到；所述第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果；若所述网络的舆情量化分析大于阈值，则生成大数据环境下网络舆情人工智能预警信息。

在某些实施例中，所述网络预警模型的构建方法，包括：构建第一训练样本集；其中，所述第一训练样本集包括至少一个第一训练样本数据；所述第一训练样本数据包括所述训练样本网络的热度信息以及训练样本网络的真实类别将所述训练样本网络的热度信息输入至预测函数模型中，输出得到训练样本网络的预测类别；利用所述训练样本网络的预测类别与所述训练样本网络的真实类别之间的误差对所述预测函数模型中的参数进行调整，直至所述训练样本网络的预测类别与所述训练样本网络的真实类别之间的误差满足预设的收敛条件，将所述预测函数模型作为网络预警模型。

在某些实施例中，所述网络舆情预测模型的构建方法，包括：构建第二训练样本集；其中，所述第二训练样本集包括至少一个第二训练样本数据；所述第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果；将所述与训练样本网络舆情概率相关的信息输入至逻辑回归模型中，输出得到所述训练样本网络的预测舆情量化分析；根据所述所述训练样本网络的预测舆情量化分析，生成所述训练样本网络的预测命中结果；利用所述训练样本网络的预测命中结果与所述训练样本网络的真实预警结果之间的误差对所述逻辑回归模型中的参数进行调整，直至所述训练样本网络的预测命中结果与所述训练样本网络的真实预警结果之间的误差满足预设的收敛条件，将所述逻辑回归模型作为网络舆情预测模型。

在某些实施例中，所述依据所述网络的类别对所述网络进行分析，得到与网络舆情概率相关的信息，包括：依据所述网络的类别，利用统计分析方法对网络进行分析，得到与网络舆情概率相关的信息。

在某些实施例中，所述大数据环境下网络舆情人工智能预警信息包括所述网络的类别，若所述网络的舆情量化分析大于阈值，则生成大数据环境下网络舆情人工智能预警信息之后，还包括：所述网络预警中所述网络的类别对应的舆情信息。

本申请还公开一种大数据环境下网络舆情人工智能预警系统，包括：

获取单元，用于获取网络的热度信息；其中，所述热度信息包括关键词、搜索趋势、地域范围、人群、时间区间；

第一输入单元，用于将所述网络的热度信息输入至网络预警模型，输出得到网络的类别；其中，所述网络的类别分为：热度网络、发展网络、负面网络、正面网络以及情感网络；所述网络预警模型由至少一个第一训练样本数据对预测函数模型进行训练得到；所述第一训练样本数据包括训练样本网络的热度信息以及训练样本网络的真实类别；

分析单元，用于依据所述网络的类别对网络进行分析，得到与网络舆情概率相关的信息；

第二输入单元，用于将与网络舆情概率相关的信息输入至网络舆情预测模型中，输出得到网络的舆情量化分析；其中，所述网络舆情预测模型由至少一个第二训练样本数据对逻辑回归模型进行训练得到；所述第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果；

预警单元，若所述网络的舆情量化分析大于阈值，则生成大数据环境下网络舆情人工智能预警信息。

在某些实施例中，所述网络预警模型的构建单元，包括：

第一训练样本集构建单元，用于构建第一训练样本集；其中，所述第一训练样本集包括至少一个第一训练样本数据；所述第一训练样本数据包括训练样本网络的热度信息以及训练样本网络的真实类别；

第三输入单元，用于将所述训练样本网络的热度信息输入至预测函数模型中，输出得到训练样本网络的预测类别；

第一调整单元，用于利用所述训练样本网络的预测类别与所述训练样本网络的真实类别之间的误差对所述预测函数模型中的参数进行调整，直至所述训练样本网络的预测类别与所述训练样本网络的真实类别之间的误差满足预设的收敛条件，将所述预测函数模型作为网络预警模型。

在某些实施例中，所述网络舆情预测模型的构建单元，包括：

第二训练样本集构建单元，用于构建第二训练样本集；其中，所述第二训练样本集包括至少一个第二训练样本数据；所述第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果；

第四输入单元，用于将所述与训练样本网络舆情概率相关的信息输入至逻辑回归模型中，输出得到所述训练样本网络的预测舆情量化分析；

生成单元，用于根据所述所述训练样本网络的预测舆情量化分析，生成所述训练样本网络的预测命中结果；

第二调整单元，用于利用所述训练样本网络的预测命中结果与所述训练样本网络的真实预警结果之间的误差对所述逻辑回归模型中的参数进行调整，直至所述训练样本网络的预测命中结果与所述训练样本网络的真实预警结果之间的误差满足预设的收敛条件，将所述逻辑回归模型作为网络舆情预测模型。

本申请还公开一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述中任一所述的一种大数据环境下网络舆情人工智能预警方法。

本申请还公开一种计算机存储介质，包括，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述中任一所述的一种大数据环境下网络舆情人工智能预警方法。

从以上技术方案可以看出，本申请具有以下优点：相较于现有舆情分析系统仅包含较为单一的功能，本申请能够实时发现舆情、精准分析舆情、快速出具报告，进而大大提高舆情监管效率以及相关部门的管理决策效率。基于大量与指定主题相关的语料进行词向量模型训练，以精准地迭代舆情检索策略，相比于传统的直接调用获取新词的方法，精准度更高，针对后续舆情能够有更好的适用性，能够有效降低系统迁移、更新与应用成本。其次，其采用了深度学习技术对舆情数据进行情感分类，以尽可能广泛的保留文本中的情绪信息，同时，在模型训练过程中，基于舆情大数据对模型参数进行了调整、调优，进一步使得训练出的情感分类模型准确性更佳，能为管理者决策提供高质量舆情数据基础。

本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：

图1为本申请提供的一种实施例的流程示意图；

图2为本申请提供的另一种实施例的流程示意图；

图3为本申请提供的又一种实施例的流程示意图；

图4为本申请提供的一种实施例的系统示意图；

图5本申请提供的又一种实施例的系统示意图；

图6本申请提供的另种实施例的系统示意图。

具体实施方式

下面详细描述本申请的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。

在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本申请。此外，本申请可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

本申请实施例提供了一种大数据环境下网络舆情人工智能预警方法，如图1所示，具体包括以下步骤：

S101、获取网络的热度信息。

其中，热度信息包括关键词、搜索趋势、地域范围、人群、时间区间。

可以理解的是，若没有网络的热度信息，则可以获取网络的关键词、搜索趋势、地域范围、人群、时间区间后，生成网络的热度信息。

S102、将网络的热度信息输入至网络预警模型，输出得到网络的类别。

其中，网络的类别分为：热度网络、发展网络、负面网络、正面网络以及情感网络；网络预警模型由至少一个第一训练样本数据对预测函数模型进行训练得到；第一训练样本数据包括训练样本网络的热度信息以及训练样本网络的真实类别。

可选的，在本申请的另一实施例中，网络预警模型的构建方法的一种实施方式，如图2所示，包括：

S201、构建第一训练样本集。

其中，第一训练样本集包括至少一个第一训练样本数据；第一训练样本数据包括训练样本网络的热度信息以及训练样本网络的真实类别。

S202、将训练样本网络的热度信息输入至预测函数模型中，输出得到训练样本网络的预测类别。

S203、判断训练样本网络的预测类别与训练样本网络的真实类别之间的误差是否满足预设的收敛条件。

其中，预设的收敛条件为技术人员或有权限的工作人员进行预先设置、更改，此处不做限定。

需要说明的是，在本申请的具体实现过程中，不仅限于采用预设的收敛条件来训练模型，还可以采用预设的迭代次数来训练模型，此处不同样不做限定。

具体的，若判断出训练样本网络的预测类别与训练样本网络的真实类别之间的误差满足预设的收敛条件，则执行步骤S204；若判断出训练样本网络的预测类别与训练样本网络的真实类别之间的误差不满足预设的收敛条件，则执行步骤S205。

S204、将预测函数模型作为网络预警模型。

S205、利用训练样本网络的预测类别与训练样本网络的真实类别之间的误差对预测函数模型中的参数进行调整。

S103、依据网络的类别对网络进行分析，得到与网络舆情概率相关的信息。

可选的，在本申请的另一实施例中，步骤S103的一种实施方式，具体包括：

依据网络的类别，利用统计分析方法对网络进行分析，得到与网络舆情概率相关的信息。

需要说明的是统计分析方法包括但不限于：方差分析、卡方检验等，此处不做限定。

S104、将与网络舆情概率相关的信息输入至网络舆情预测模型中，输出得到网络的舆情量化分析。

其中，网络舆情预测模型由至少一个第二训练样本数据对逻辑回归模型进行训练得到；第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果。

逻辑回归是一种统计学方法，是对各个指标对被解释变量影响的贡献程度的参数估计过程。逻辑回归在模型在处理数据上具有一定的优越性，它对于输入的离散型指标和连续型指标在处理方法上是一致的，这种普适性也是逻辑回归方法相对于其他方法最突出的优点。

可选的，在本申请的另一实施例中，网络舆情预测模型的构建方法的一种实施方式，如图3所示，包括：

S301、构建第二训练样本集。

其中，第二训练样本集包括至少一个第二训练样本数据；第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果。

S302、将与训练样本网络舆情概率相关的信息输入至逻辑回归模型中，输出得到训练样本网络的预测舆情量化分析。

S303、根据训练样本网络的预测舆情量化分析，生成训练样本网络的预测命中结果。

具体的，可以设置一个阈值，若训练样本网络的预测舆情量化分析大于阈值，则生成训练样本网络会流失的预测结果；若训练样本网络的预测舆情量化分析不大于阈值，则生成训练样本网络不会流失的预测结果。

S304、判断训练样本网络的预测命中结果与训练样本网络的真实预警结果之间的误差是否满足预设的收敛条件。

其中，预设的收敛条件为技术人员或有权限的工作人员进行预先设置、更改，此处不做限定。

需要说明的是，在本申请的具体实现过程中，不仅限于采用预设的收敛条件来训练模型，还可以采用预设的迭代次数来训练模型，此处不同样不做限定。

具体的，若判断出训练样本网络的预测命中结果与训练样本网络的真实预警结果之间的误差满足预设的收敛条件，则执行步骤S305；若判断出训练样本网络的预测命中结果与训练样本网络的真实预警结果之间的误差不满足预设的收敛条件，则执行步骤S306。

S305、将逻辑回归模型作为网络舆情预测模型。

S306、利用训练样本网络的预测命中结果与训练样本网络的真实预警结果之间的误差对逻辑回归模型中的参数进行调整。

S105、若网络的舆情量化分析大于阈值，则生成大数据环境下网络舆情人工智能预警信息。

可选的，在本申请的另一实施例中，在生成大数据环境下网络舆情人工智能预警信息后，大数据环境下网络舆情人工智能预警方法，还包括：

网络预警网络的类别对应的舆情信息。

由以上方案可知，本申请提供一种大数据环境下网络舆情人工智能预警方法：首先，获取网络的热度信息；其中，热度信息包括关键词、搜索趋势、地域范围、人群、时间区间；然后，将网络的热度信息输入至网络预警模型，输出得到网络的类别；其中，网络的类别分为：热度网络、发展网络、负面网络、正面网络以及情感网络；网络预警模型由至少一个第一训练样本数据对预测函数模型进行训练得到；第一训练样本数据包括训练样本网络的热度信息以及训练样本网络的真实类别；之后，依据网络的类别对网络进行分析，得到与网络舆情概率相关的信息；将与网络舆情概率相关的信息输入至网络舆情预测模型中，输出得到网络的舆情量化分析；其中，网络舆情预测模型由至少一个第二训练样本数据对逻辑回归模型进行训练得到；第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果；若网络的舆情量化分析大于阈值，则生成大数据环境下网络舆情人工智能预警信息。从而可以有效的对网络舆情进行预警。

需要说明的是，本发明提供的发明名称可用于人工智能领域、大数据领域或金融领域。上述仅为示例，并不对本发明提供的发明名称的应用领域进行限定。

本申请另一实施例提供了一种大数据环境下网络舆情人工智能预警系统，如图4所示，具体包括：

获取单元401，用于获取网络的热度信息。

其中，热度信息包括关键词、搜索趋势、地域范围、人群、时间区间。

第一输入单元402，用于将网络的热度信息输入至网络预警模型，输出得到网络的类别。

其中，网络的类别分为：热度网络、发展网络、负面网络、正面网络以及情感网络；网络预警模型由至少一个第一训练样本数据对预测函数模型进行训练得到；第一训练样本数据包括训练样本网络的热度信息以及训练样本网络的真实类别。

可选的，在本申请的另一实施例中，网络预警模型的构建单元的一种实施方式，如图5所示，包括：

第一训练样本集构建单元501，用于构建第一训练样本集。

其中，第一训练样本集包括至少一个第一训练样本数据；第一训练样本数据包括训练样本网络的热度信息以及训练样本网络的真实类别。

第三输入单元502，用于将训练样本网络的热度信息输入至预测函数模型中，输出得到训练样本网络的预测类别。

第一调整单元503，用于利用训练样本网络的预测类别与训练样本网络的真实类别之间的误差对预测函数模型中的参数进行调整，直至训练样本网络的预测类别与训练样本网络的真实类别之间的误差满足预设的收敛条件，将预测函数模型作为网络预警模型。

本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图2所示，此处不再赘述。

分析单元403，用于依据网络的类别对网络进行分析，得到与网络舆情概率相关的信息。

可选的，在本申请的另一实施例中，分析单元403的一种实施方式，包括：

分析子单元，用于依据网络的类别，利用统计分析方法对网络进行分析，得到与网络舆情概率相关的信息。

本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。

第二输入单元404，用于将与网络舆情概率相关的信息输入至网络舆情预测模型中，输出得到网络的舆情量化分析。

其中，网络舆情预测模型由至少一个第二训练样本数据对逻辑回归模型进行训练得到；第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果。

可选的，在本申请的另一实施方式中，网络舆情预测模型的构建单元的一种实施方式，如图6所示，包括：

第二训练样本集构建单元601，用于构建第二训练样本集。

其中，第二训练样本集包括至少一个第二训练样本数据；第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果。

第四输入单元602，用于将与训练样本网络舆情概率相关的信息输入至逻辑回归模型中，输出得到训练样本网络的预测舆情量化分析。

生成单元603，用于根据训练样本网络的预测舆情量化分析，生成训练样本网络的预测命中结果。

第二调整单元604，用于利用训练样本网络的预测命中结果与训练样本网络的真实预警结果之间的误差对逻辑回归模型中的参数进行调整，直至训练样本网络的预测命中结果与训练样本网络的真实预警结果之间的误差满足预设的收敛条件，将逻辑回归模型作为网络舆情预测模型。

本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图3所示，此处不再赘述。

预警单元405，用于若网络的舆情量化分析大于阈值，则生成大数据环境下网络舆情人工智能预警信息。

本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图1所示，此处不再赘述。

可选的，在本申请的另一实施例中，大数据环境下网络舆情人工智能预警系统的一种实施方式，还包括：

推送单元，用于向网络预警网络的类别对应的舆情信息。

本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。

由以上方案可知，本申请提供一种大数据环境下网络舆情人工智能预警系统：首先，获取单元401获取网络的热度信息；其中，热度信息包括关键词、搜索趋势、地域范围、人群、时间区间；然后，第一输入单元402将网络的热度信息输入至网络预警模型，输出得到网络的类别；其中，网络的类别分为：热度网络、发展网络、负面网络、正面网络以及情感网络；网络预警模型由至少一个第一训练样本数据对预测函数模型进行训练得到；第一训练样本数据包括训练样本网络的热度信息以及训练样本网络的真实类别；之后，分析单元403依据网络的类别对网络进行分析，得到与网络舆情概率相关的信息；第二输入单元404将与网络舆情概率相关的信息输入至网络舆情预测模型中，输出得到网络的舆情量化分析；其中，网络舆情预测模型由至少一个第二训练样本数据对逻辑回归模型进行训练得到；第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果；若网络的舆情量化分析大于阈值，则预警单元405生成大数据环境下网络舆情人工智能预警信息。从而可以有效的对网络舆情进行预警。

本申请另一实施例提供了一种电子设备，包括：

一个或多个处理器。

存储装置，其上存储有一个或多个程序。

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中任意一项所述的大数据环境下网络舆情人工智能预警方法。

本申请另一实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项所述的大数据环境下网络舆情人工智能预警方法。

尽管已经示出和描述了本申请的实施方式，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。

Claims (9)

1.一种大数据环境下网络舆情人工智能预警方法，其特征在于，

包括：

获取网络的热度信息；其中，所述热度信息包括关键词、搜索趋势、地域范围、人群、时间区间；

将所述网络的热度信息输入至网络预警模型，输出得到网络的类别；其中，所述网络的类别分为：热度网络、发展网络、负面网络、正面网络以及情感网络；所述网络预警模型由至少一个第一训练样本数据对预测函数模型进行训练得到；所述第一训练样本数据包括训练样本网络的热度信息以及训练样本网络的真实类别；

依据所述网络的类别对所述网络进行分析，得到与网络舆情概率相关的信息；

将所述与网络舆情概率相关的信息输入至网络舆情预测模型中，输出得到网络的舆情量化分析；其中，所述网络舆情预测模型由至少一个第二训练样本数据对逻辑回归模型进行训练得到；所述第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果；

若所述网络的舆情量化分析大于阈值，则生成大数据环境下网络舆情人工智能预警信息；

所述依据所述网络的类别对所述网络进行分析，得到与网络舆情概率相关的信息，包括：

依据所述网络的类别，利用统计分析方法对网络进行分析，得到与网络舆情概率相关的信息。

2.根据权利要求1所述的一种大数据环境下网络舆情人工智能预警方法，其特征在于，

所述网络预警模型的构建方法，包括：

构建第一训练样本集；其中，所述第一训练样本集包括至少一个第一训练样本数据；所述第一训练样本数据包括所述训练样本网络的热度信息以及训练样本网络的真实类别；

将所述训练样本网络的热度信息输入至预测函数模型中，输出得到训练样本网络的预测类别；

利用所述训练样本网络的预测类别与所述训练样本网络的真实类别之间的误差对所述预测函数模型中的参数进行调整，直至所述训练样本网络的预测类别与所述训练样本网络的真实类别之间的误差满足预设的收敛条件，将所述预测函数模型作为网络预警模型。

3.根据权利要求1所述的一种大数据环境下网络舆情人工智能预警方法，其特征在于，

所述网络舆情预测模型的构建方法，包括：

构建第二训练样本集；其中，所述第二训练样本集包括至少一个第二训练样本数据；所述第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果；

将所述与训练样本网络舆情概率相关的信息输入至逻辑回归模型中，输出得到所述训练样本网络的预测舆情量化分析；

根据所述所述训练样本网络的预测舆情量化分析，生成所述训练样本网络的预测命中结果；

利用所述训练样本网络的预测命中结果与所述训练样本网络的真实预警结果之间的误差对所述逻辑回归模型中的参数进行调整，直至所述训练样本网络的预测命中结果与所述训练样本网络的真实预警结果之间的误差满足预设的收敛条件，将所述逻辑回归模型作为网络舆情预测模型。

4.根据权利要求1所述的一种大数据环境下网络舆情人工智能预警方法，其特征在于，

所述大数据环境下网络舆情人工智能预警信息包括所述网络的类别，若所述网络的舆情量化分析大于阈值，则生成大数据环境下网络舆情人工智能预警信息之后，还包括：

所述网络预警模型中所述网络的类别对应的舆情信息。

5.一种大数据环境下网络舆情人工智能预警系统，其特征在于，

包括：

获取单元，用于获取网络的热度信息；其中，所述热度信息包括关键词、搜索趋势、地域范围、人群、时间区间；

第一输入单元，用于将所述网络的热度信息输入至网络预警模型，输出得到网络的类别；其中，所述网络的类别分为：热度网络、发展网络、负面网络、正面网络以及情感网络；所述网络预警模型由至少一个第一训练样本数据对预测函数模型进行训练得到；所述第一训练样本数据包括训练样本网络的热度信息以及训练样本网络的真实类别；

分析单元，用于依据所述网络的类别对网络进行分析，得到与网络舆情概率相关的信息；

第二输入单元，用于将与网络舆情概率相关的信息输入至网络舆情预测模型中，输出得到网络的舆情量化分析；其中，所述网络舆情预测模型由至少一个第二训练样本数据对逻辑回归模型进行训练得到；所述第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果；

预警单元，若所述网络的舆情量化分析大于阈值，则生成大数据环境下网络舆情人工智能预警信息；

所述依据所述网络的类别对所述网络进行分析，得到与网络舆情概率相关的信息，包括：

依据所述网络的类别，利用统计分析方法对网络进行分析，得到与网络舆情概率相关的信息。

6.根据权利要求5所述的一种大数据环境下网络舆情人工智能预警系统，其特征在于，

所述网络预警模型的构建单元，包括：

第一训练样本集构建单元，用于构建第一训练样本集；其中，所述第一训练样本集包括至少一个第一训练样本数据；所述第一训练样本数据包括训练样本网络的热度信息以及训练样本网络的真实类别；

第三输入单元，用于将所述训练样本网络的热度信息输入至预测函数模型中，输出得到训练样本网络的预测类别；

第一调整单元，用于利用所述训练样本网络的预测类别与所述训练样本网络的真实类别之间的误差对所述预测函数模型中的参数进行调整，直至所述训练样本网络的预测类别与所述训练样本网络的真实类别之间的误差满足预设的收敛条件，将所述预测函数模型作为网络预警模型。

7.根据权利要求5所述的一种大数据环境下网络舆情人工智能预警系统，其特征在于，

所述网络舆情预测模型的构建单元，包括：

第二训练样本集构建单元，用于构建第二训练样本集；其中，所述第二训练样本集包括至少一个第二训练样本数据；所述第二训练样本数据包括与训练样本网络舆情概率相关的信息以及训练样本网络的真实预警结果；

第四输入单元，用于将所述与训练样本网络舆情概率相关的信息输入至逻辑回归模型中，输出得到所述训练样本网络的预测舆情量化分析；

生成单元，用于根据所述所述训练样本网络的预测舆情量化分析，生成所述训练样本网络的预测命中结果；

第二调整单元，用于利用所述训练样本网络的预测命中结果与所述训练样本网络的真实预警结果之间的误差对所述逻辑回归模型中的参数进行调整，直至所述训练样本网络的预测命中结果与所述训练样本网络的真实预警结果之间的误差满足预设的收敛条件，将所述逻辑回归模型作为网络舆情预测模型。

8.一种电子设备，其特征在于，

包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任一所述的一种大数据环境下网络舆情人工智能预警方法。

9.一种计算机存储介质，其特征在于，

其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至4中任一所述的一种大数据环境下网络舆情人工智能预警方法。

Images