CN115828906A - 一种基于nlp的网络异常言论分析监测方法 - Google Patents
一种基于nlp的网络异常言论分析监测方法 Download PDFInfo
- Publication number
- CN115828906A CN115828906A CN202310113294.8A CN202310113294A CN115828906A CN 115828906 A CN115828906 A CN 115828906A CN 202310113294 A CN202310113294 A CN 202310113294A CN 115828906 A CN115828906 A CN 115828906A
- Authority
- CN
- China
- Prior art keywords
- speech
- network
- abnormal
- data
- historical network
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Telephonic Communication Services (AREA)
Abstract
本发明涉及网络异常言论分析监测领域,具体涉及一种基于NLP的网络异常言论分析监测方法,包括:获取历史网络言论数据进行初始分类处理得到历史网络言论特征数据;利用所述历史网络言论特征数据基于NLP得到历史网络言论分类数据;利用所述历史网络言论分类数据建立词汇‑行为分析标准;利用待分析网络异常言论数据根据所述词汇‑行为分析标准得到待分析网络异常言论监测结果,在整体监测方案中分为监测与验证两步,提升了监测速度与监测效率,其次在验证过程中对待分析数据二次处理,保证了与初步监测的相互独立性,在监测结果的验证与判断上存在较高的准确性,避免了由于单一监测过程或验证导致的结果误判造成损失。
Description
技术领域
本发明涉及网络异常言论分析监测领域,具体涉及一种基于NLP的网络异常言论分析监测方法。
背景技术
网络日渐发达,日常生活中上网浏览各种网站逐渐成为主流,而各种网络留言交谈等行为却很难进行监管,同时,人工无法对全部网络言论进行逐个筛查,在某些特殊情况产生漏洞从而容易发生危害沟通或发布违法消息,因此亟需一种切实可行的方法对网络异常言论进行分析处理,进而得到实时监测结果。
发明内容
针对现有技术的不足,本发明提供了一种基于NLP的网络异常言论分析监测方法,通过基于NLP处理语句词汇,从而提升对待分析数据监测的准确性与监测效率。
为实现上述目的,本发明提供了一种基于NLP的网络异常言论分析监测方法,包括:
获取历史网络言论数据进行初始分类处理得到历史网络言论特征数据;
利用所述历史网络言论特征数据基于NLP得到历史网络言论分类数据;
利用所述历史网络言论分类数据建立词汇-行为分析标准;
利用待分析网络异常言论数据根据所述词汇-行为分析标准得到待分析网络异常言论监测结果。
优选的,所述获取历史网络言论数据进行初始分类处理得到历史网络言论特征数据包括:
获取历史网络正常言论数据与历史网络异常言论数据;
利用所述历史网络正常言论数据与历史网络异常言论数据作为历史网络言论数据;
利用所述历史网络正常言论数据与历史网络异常言论数据进行非相关词汇去除处理得到历史网络正常言论特征数据与历史网络异常言论特征数据;
利用所述历史网络正常言论特征数据与历史网络异常言论特征数据作为历史网络言论特征数据;
其中,非相关词汇去除处理为删除历史网络言论数据中的语气词与助词。
优选的,利用所述历史网络言论特征数据基于NLP得到历史网络言论分类数据包括:
利用所述历史网络言论特征数据的历史网络正常言论特征数据基于NLP得到历史网络正常言论特征词汇与历史网络正常言论特征词汇关联结果;
利用所述历史网络言论特征数据的历史网络异常言论特征数据基于NLP得到历史网络异常言论特征词汇与历史网络异常言论特征词汇关联结果;
利用所述历史网络正常言论特征词汇、历史网络正常言论特征词汇关联结果、历史网络异常言论特征词汇与历史网络异常言论特征词汇关联结果作为历史网络言论分类数据。
进一步的,利用所述历史网络言论特征数据的历史网络正常言论特征数据基于NLP得到历史网络正常言论特征词汇与历史网络正常言论特征词汇关联结果包括:
利用所述历史网络正常言论特征数据基于NLP得到历史网络正常言论特征词汇;
获取历史网络正常言论特征数据对应的各单独语句中全部词汇作为历史网络正常言论特征词汇关联结果。
进一步的,利用所述历史网络言论特征数据的历史网络异常言论特征数据基于NLP得到历史网络异常言论特征词汇与历史网络异常言论特征词汇关联结果包括:
利用所述历史网络异常言论特征数据基于NLP得到历史网络异常言论特征词汇;
获取历史网络异常言论特征数据对应的各单独语句中全部词汇作为历史网络异常言论特征词汇关联结果。
优选的,利用所述历史网络言论分类数据建立词汇-行为分析标准包括:
获取历史网络言论分类数据的历史网络正常言论特征词汇与历史网络言论分类数据的历史网络异常言论特征词汇中的相同词汇作为历史网络言论基础词汇集;
利用所述历史网络言论分类数据的历史网络正常言论特征词汇关联结果与历史网络异常言论特征词汇关联结果作为词汇-行为初始分析模板;
利用所述历史网络言论基础词汇集与词汇-行为初始分析模板作为词汇-行为分析标准。
优选的,利用待分析网络异常言论数据根据所述词汇-行为分析标准得到待分析网络异常言论监测结果包括:
利用所述待分析网络异常言论数据根据所述词汇-行为分析标准得到待分析网络异常言论初始监测结果;
利用所述待分析网络异常言论初始监测结果根据所述词汇-行为分析标准进行验证处理得到待分析网络异常言论初始监测验证结果;
利用所述待分析网络异常言论初始监测验证结果得到待分析网络异常言论监测结果。
进一步的,利用所述待分析网络异常言论数据根据所述词汇-行为分析标准得到待分析网络异常言论初始监测结果包括:
获取所述待分析网络异常言论数据与词汇-行为分析标准中词汇-行为初始分析模板的历史网络正常言论特征词汇关联结果的相似度作为第一相似度;
获取所述待分析网络异常言论数据与词汇-行为分析标准中词汇-行为初始分析模板的历史网络异常言论特征词汇关联结果的相似度作为第二相似度;
判断所述第一相似度与第二相似度的差值是否大于第一相似度与第二相似度的平均值,若是,则所述待分析网络异常言论初始监测结果为初步正常,否则,所述待分析网络异常言论初始监测结果为异常。
进一步的,利用所述待分析网络异常言论初始监测结果根据所述词汇-行为分析标准进行验证处理得到待分析网络异常言论初始监测验证结果包括:
当待分析网络异常言论初始监测结果为初步正常时,利用所述待分析网络异常言论初始监测结果对应的待分析网络异常言论数据进行非相关词汇去除处理得到待分析网络异常言论特征数据;
利用所述待分析网络异常言论特征数据基于NLP得到待分析网络异常言论特征词汇;
根据词汇-行为分析标准的历史网络言论基础词汇集对所述待分析网络异常言论特征词汇进行降重处理得到待分析网络异常言论词汇降重数据;
判断所述待分析网络异常言论词汇降重数据与词汇-行为分析标准的历史网络异常言论特征词汇关联结果是否为强相关,若是,则所述待分析网络异常言论初始监测验证结果为异常,否则,所述待分析网络异常言论初始监测验证结果为误差;
其中,降重处理为去除待分析网络异常言论特征词汇中的历史网络言论基础词汇集的词汇,所述强相关为待分析网络异常言论词汇降重数据与历史网络异常言论特征词汇关联结果的相似度大于0.6。
进一步的,利用所述待分析网络异常言论初始监测验证结果得到待分析网络异常言论监测结果包括:
当待分析网络异常言论初始监测结果为异常时,所述待分析网络异常言论监测结果为异常;
当待分析网络异常言论初始监测结果为初步正常时,判断待分析网络异常言论初始监测验证结果是否为异常,若是,则所述待分析网络异常言论监测结果为异常,否则,所述待分析网络异常言论监测结果为误差。
与最接近的现有技术相比,本发明具有的有益效果:
应用了NLP对待监测数据进行处理,同时对待监测进行降噪处理,去除了会影响NLP处理的助词语气词等,并在整体监测方案中分为监测与验证两步,提升了监测速度与监测效率,其次在验证过程中对待分析数据二次处理,保证了与初步监测的相互独立性,在监测结果的验证与判断上存在较高的准确性,避免了由于单一监测过程或验证导致的结果误判造成损失。
附图说明
图1是本发明提供的一种基于NLP的网络异常言论分析监测方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。:
实施例1:本发明提供了一种基于NLP的网络异常言论分析监测方法,如图1所示,包括:
S1、获取历史网络言论数据进行初始分类处理得到历史网络言论特征数据;
S2、利用所述历史网络言论特征数据基于NLP得到历史网络言论分类数据;
S3、利用所述历史网络言论分类数据建立词汇-行为分析标准;
S4、利用待分析网络异常言论数据根据所述词汇-行为分析标准得到待分析网络异常言论监测结果。
S1具体包括:
S1-1、获取历史网络正常言论数据与历史网络异常言论数据;
S1-2、利用所述历史网络正常言论数据与历史网络异常言论数据作为历史网络言论数据;
S1-3、利用所述历史网络正常言论数据与历史网络异常言论数据进行非相关词汇去除处理得到历史网络正常言论特征数据与历史网络异常言论特征数据;
S1-4、利用所述历史网络正常言论特征数据与历史网络异常言论特征数据作为历史网络言论特征数据;
其中,非相关词汇去除处理为删除历史网络言论数据中的语气词与助词。
本实施例中,一种基于NLP的网络异常言论分析监测方法,基于开源数据获取历史网络正常言论数据与历史网络异常言论数据。
S2具体包括:
S2-1、利用所述历史网络言论特征数据的历史网络正常言论特征数据基于NLP得到历史网络正常言论特征词汇与历史网络正常言论特征词汇关联结果;
S2-2、利用所述历史网络言论特征数据的历史网络异常言论特征数据基于NLP得到历史网络异常言论特征词汇与历史网络异常言论特征词汇关联结果;
S2-3、利用所述历史网络正常言论特征词汇、历史网络正常言论特征词汇关联结果、历史网络异常言论特征词汇与历史网络异常言论特征词汇关联结果作为历史网络言论分类数据。
S2-1具体包括:
S2-1-1、利用所述历史网络正常言论特征数据基于NLP得到历史网络正常言论特征词汇;
S2-1-2、获取历史网络正常言论特征数据对应的各单独语句中全部词汇作为历史网络正常言论特征词汇关联结果。
S2-2具体包括:
S2-2-1、利用所述历史网络异常言论特征数据基于NLP得到历史网络异常言论特征词汇;
S2-2-2、获取历史网络异常言论特征数据对应的各单独语句中全部词汇作为历史网络异常言论特征词汇关联结果。
S3具体包括:
S3-1、获取历史网络言论分类数据的历史网络正常言论特征词汇与历史网络言论分类数据的历史网络异常言论特征词汇中的相同词汇作为历史网络言论基础词汇集;
S3-2、利用所述历史网络言论分类数据的历史网络正常言论特征词汇关联结果与历史网络异常言论特征词汇关联结果作为词汇-行为初始分析模板;
S3-3、利用所述历史网络言论基础词汇集与词汇-行为初始分析模板作为词汇-行为分析标准。
S4具体包括:
S4-1、利用所述待分析网络异常言论数据根据所述词汇-行为分析标准得到待分析网络异常言论初始监测结果;
S4-2、利用所述待分析网络异常言论初始监测结果根据所述词汇-行为分析标准进行验证处理得到待分析网络异常言论初始监测验证结果;
S4-3、利用所述待分析网络异常言论初始监测验证结果得到待分析网络异常言论监测结果。
S4-1具体包括:
S4-1-1、获取所述待分析网络异常言论数据与词汇-行为分析标准中词汇-行为初始分析模板的历史网络正常言论特征词汇关联结果的相似度作为第一相似度;
S4-1-2、获取所述待分析网络异常言论数据与词汇-行为分析标准中词汇-行为初始分析模板的历史网络异常言论特征词汇关联结果的相似度作为第二相似度;
S4-1-3、判断所述第一相似度与第二相似度的差值是否大于第一相似度与第二相似度的平均值,若是,则所述待分析网络异常言论初始监测结果为初步正常,否则,所述待分析网络异常言论初始监测结果为异常。
S4-2具体包括:
S4-2-1、当待分析网络异常言论初始监测结果为初步正常时,利用所述待分析网络异常言论初始监测结果对应的待分析网络异常言论数据进行非相关词汇去除处理得到待分析网络异常言论特征数据;
S4-2-2、利用所述待分析网络异常言论特征数据基于NLP得到待分析网络异常言论特征词汇;
S4-2-3、根据词汇-行为分析标准的历史网络言论基础词汇集对所述待分析网络异常言论特征词汇进行降重处理得到待分析网络异常言论词汇降重数据;
S4-2-4、判断所述待分析网络异常言论词汇降重数据与词汇-行为分析标准的历史网络异常言论特征词汇关联结果是否为强相关,若是,则所述待分析网络异常言论初始监测验证结果为异常,否则,所述待分析网络异常言论初始监测验证结果为误差;
其中,降重处理为去除待分析网络异常言论特征词汇中的历史网络言论基础词汇集的词汇,所述强相关为待分析网络异常言论词汇降重数据与历史网络异常言论特征词汇关联结果的相似度大于0.6。
本实施例中,一种基于NLP的网络异常言论分析监测方法,相似度计算利用欧氏距离公式进行计算,得到的结果为相似度。
S4-3具体包括:
S4-3-1、当待分析网络异常言论初始监测结果为异常时,所述待分析网络异常言论监测结果为异常;
S4-3-2、当待分析网络异常言论初始监测结果为初步正常时,判断待分析网络异常言论初始监测验证结果是否为异常,若是,则所述待分析网络异常言论监测结果为异常,否则,所述待分析网络异常言论监测结果为误差。
本实施例中,一种基于NLP的网络异常言论分析监测方法,在实际应用中,当存在误差结果时,需要人工进行判断。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于NLP的网络异常言论分析监测方法,其特征在于,包括:
获取历史网络言论数据进行初始分类处理得到历史网络言论特征数据;
利用所述历史网络言论特征数据基于NLP得到历史网络言论分类数据;
利用所述历史网络言论分类数据建立词汇-行为分析标准;
利用待分析网络异常言论数据根据所述词汇-行为分析标准得到待分析网络异常言论监测结果。
2.如权利要求1所述的一种基于NLP的网络异常言论分析监测方法,其特征在于,所述获取历史网络言论数据进行初始分类处理得到历史网络言论特征数据包括:
获取历史网络正常言论数据与历史网络异常言论数据;
利用所述历史网络正常言论数据与历史网络异常言论数据作为历史网络言论数据;
利用所述历史网络正常言论数据与历史网络异常言论数据进行非相关词汇去除处理得到历史网络正常言论特征数据与历史网络异常言论特征数据;
利用所述历史网络正常言论特征数据与历史网络异常言论特征数据作为历史网络言论特征数据;
其中,非相关词汇去除处理为删除历史网络言论数据中的语气词与助词。
3.如权利要求1所述的一种基于NLP的网络异常言论分析监测方法,其特征在于,利用所述历史网络言论特征数据基于NLP得到历史网络言论分类数据包括:
利用所述历史网络言论特征数据的历史网络正常言论特征数据基于NLP得到历史网络正常言论特征词汇与历史网络正常言论特征词汇关联结果;
利用所述历史网络言论特征数据的历史网络异常言论特征数据基于NLP得到历史网络异常言论特征词汇与历史网络异常言论特征词汇关联结果;
利用所述历史网络正常言论特征词汇、历史网络正常言论特征词汇关联结果、历史网络异常言论特征词汇与历史网络异常言论特征词汇关联结果作为历史网络言论分类数据。
4.如权利要求3所述的一种基于NLP的网络异常言论分析监测方法,其特征在于,利用所述历史网络言论特征数据的历史网络正常言论特征数据基于NLP得到历史网络正常言论特征词汇与历史网络正常言论特征词汇关联结果包括:
利用所述历史网络正常言论特征数据基于NLP得到历史网络正常言论特征词汇;
获取历史网络正常言论特征数据对应的各单独语句中全部词汇作为历史网络正常言论特征词汇关联结果。
5.如权利要求3所述的一种基于NLP的网络异常言论分析监测方法,其特征在于,利用所述历史网络言论特征数据的历史网络异常言论特征数据基于NLP得到历史网络异常言论特征词汇与历史网络异常言论特征词汇关联结果包括:
利用所述历史网络异常言论特征数据基于NLP得到历史网络异常言论特征词汇;
获取历史网络异常言论特征数据对应的各单独语句中全部词汇作为历史网络异常言论特征词汇关联结果。
6.如权利要求1所述的一种基于NLP的网络异常言论分析监测方法,其特征在于,利用所述历史网络言论分类数据建立词汇-行为分析标准包括:
获取历史网络言论分类数据的历史网络正常言论特征词汇与历史网络言论分类数据的历史网络异常言论特征词汇中的相同词汇作为历史网络言论基础词汇集;
利用所述历史网络言论分类数据的历史网络正常言论特征词汇关联结果与历史网络异常言论特征词汇关联结果作为词汇-行为初始分析模板;
利用所述历史网络言论基础词汇集与词汇-行为初始分析模板作为词汇-行为分析标准。
7.如权利要求1所述的一种基于NLP的网络异常言论分析监测方法,其特征在于,利用待分析网络异常言论数据根据所述词汇-行为分析标准得到待分析网络异常言论监测结果包括:
利用所述待分析网络异常言论数据根据所述词汇-行为分析标准得到待分析网络异常言论初始监测结果;
利用所述待分析网络异常言论初始监测结果根据所述词汇-行为分析标准进行验证处理得到待分析网络异常言论初始监测验证结果;
利用所述待分析网络异常言论初始监测验证结果得到待分析网络异常言论监测结果。
8.如权利要求7所述的一种基于NLP的网络异常言论分析监测方法,其特征在于,利用所述待分析网络异常言论数据根据所述词汇-行为分析标准得到待分析网络异常言论初始监测结果包括:
获取所述待分析网络异常言论数据与词汇-行为分析标准中词汇-行为初始分析模板的历史网络正常言论特征词汇关联结果的相似度作为第一相似度;
获取所述待分析网络异常言论数据与词汇-行为分析标准中词汇-行为初始分析模板的历史网络异常言论特征词汇关联结果的相似度作为第二相似度;
判断所述第一相似度与第二相似度的差值是否大于第一相似度与第二相似度的平均值,若是,则所述待分析网络异常言论初始监测结果为初步正常,否则,所述待分析网络异常言论初始监测结果为异常。
9.如权利要求7所述的一种基于NLP的网络异常言论分析监测方法,其特征在于,利用所述待分析网络异常言论初始监测结果根据所述词汇-行为分析标准进行验证处理得到待分析网络异常言论初始监测验证结果包括:
当待分析网络异常言论初始监测结果为初步正常时,利用所述待分析网络异常言论初始监测结果对应的待分析网络异常言论数据进行非相关词汇去除处理得到待分析网络异常言论特征数据;
利用所述待分析网络异常言论特征数据基于NLP得到待分析网络异常言论特征词汇;
根据词汇-行为分析标准的历史网络言论基础词汇集对所述待分析网络异常言论特征词汇进行降重处理得到待分析网络异常言论词汇降重数据;
判断所述待分析网络异常言论词汇降重数据与词汇-行为分析标准的历史网络异常言论特征词汇关联结果是否为强相关,若是,则所述待分析网络异常言论初始监测验证结果为异常,否则,所述待分析网络异常言论初始监测验证结果为误差;
其中,降重处理为去除待分析网络异常言论特征词汇中的历史网络言论基础词汇集的词汇,所述强相关为待分析网络异常言论词汇降重数据与历史网络异常言论特征词汇关联结果的相似度大于0.6。
10.如权利要求7所述的一种基于NLP的网络异常言论分析监测方法,其特征在于,利用所述待分析网络异常言论初始监测验证结果得到待分析网络异常言论监测结果包括:
当待分析网络异常言论初始监测结果为异常时,所述待分析网络异常言论监测结果为异常;
当待分析网络异常言论初始监测结果为初步正常时,判断待分析网络异常言论初始监测验证结果是否为异常,若是,则所述待分析网络异常言论监测结果为异常,否则,所述待分析网络异常言论监测结果为误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310113294.8A CN115828906B (zh) | 2023-02-15 | 2023-02-15 | 一种基于nlp的网络异常言论分析监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310113294.8A CN115828906B (zh) | 2023-02-15 | 2023-02-15 | 一种基于nlp的网络异常言论分析监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115828906A true CN115828906A (zh) | 2023-03-21 |
CN115828906B CN115828906B (zh) | 2023-05-02 |
Family
ID=85521404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310113294.8A Active CN115828906B (zh) | 2023-02-15 | 2023-02-15 | 一种基于nlp的网络异常言论分析监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828906B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131427A (zh) * | 2023-10-26 | 2023-11-28 | 戎行技术有限公司 | 一种基于多元nlp的社交平台账号数据关联性分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138570A (zh) * | 2015-07-26 | 2015-12-09 | 吉林大学 | 网络言论数据疑似犯罪度计算方法 |
CN110175851A (zh) * | 2019-02-28 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 一种作弊行为检测方法及装置 |
CN111666480A (zh) * | 2020-06-10 | 2020-09-15 | 东北电力大学 | 一种基于滚动式协同训练的虚假评论识别方法 |
CN112215001A (zh) * | 2020-10-29 | 2021-01-12 | 北京信息科技大学 | 一种谣言识别方法及系统 |
WO2022017299A1 (zh) * | 2020-07-24 | 2022-01-27 | 北京字节跳动网络技术有限公司 | 一种文本检测方法、装置、电子设备及存储介质 |
CN115017887A (zh) * | 2022-06-02 | 2022-09-06 | 电子科技大学 | 基于图卷积的中文谣言检测方法 |
-
2023
- 2023-02-15 CN CN202310113294.8A patent/CN115828906B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138570A (zh) * | 2015-07-26 | 2015-12-09 | 吉林大学 | 网络言论数据疑似犯罪度计算方法 |
CN110175851A (zh) * | 2019-02-28 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 一种作弊行为检测方法及装置 |
CN111666480A (zh) * | 2020-06-10 | 2020-09-15 | 东北电力大学 | 一种基于滚动式协同训练的虚假评论识别方法 |
WO2022017299A1 (zh) * | 2020-07-24 | 2022-01-27 | 北京字节跳动网络技术有限公司 | 一种文本检测方法、装置、电子设备及存储介质 |
CN112215001A (zh) * | 2020-10-29 | 2021-01-12 | 北京信息科技大学 | 一种谣言识别方法及系统 |
CN115017887A (zh) * | 2022-06-02 | 2022-09-06 | 电子科技大学 | 基于图卷积的中文谣言检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131427A (zh) * | 2023-10-26 | 2023-11-28 | 戎行技术有限公司 | 一种基于多元nlp的社交平台账号数据关联性分析方法 |
CN117131427B (zh) * | 2023-10-26 | 2024-01-12 | 戎行技术有限公司 | 一种基于多元nlp的社交平台账号数据关联性分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115828906B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740053B (zh) | 基于nlp技术的敏感词屏蔽方法和装置 | |
US20110218798A1 (en) | Obfuscating sensitive content in audio sources | |
CN103258535A (zh) | 基于声纹识别的身份识别方法及系统 | |
CN112735383A (zh) | 语音信号的处理方法、装置、设备及存储介质 | |
CN112148772A (zh) | 告警根因识别方法、装置、设备和存储介质 | |
CN105702252A (zh) | 一种语音识别方法及装置 | |
CN115828906A (zh) | 一种基于nlp的网络异常言论分析监测方法 | |
CN116228174B (zh) | 一种具有智能识别功能的印控仪管理方法 | |
CN106531195B (zh) | 一种对话冲突检测方法及装置 | |
CN109243427A (zh) | 一种车辆故障诊断方法及装置 | |
CN112002328A (zh) | 一种字幕生成方法、装置及计算机存储介质、电子设备 | |
CN110719278A (zh) | 一种网络入侵数据的检测方法、装置、设备及介质 | |
CN116996325A (zh) | 一种基于云计算的网络安全检测方法及系统 | |
CN111209373A (zh) | 基于自然语义的敏感文本识别方法和装置 | |
CN114238402A (zh) | 告警数据处理方法、装置、存储介质以及电子设备 | |
CN113037934A (zh) | 一种基于呼叫中心通话录音的热词分析系统 | |
CN113241063B (zh) | 语音识别系统中的算法参数更新方法、装置、终端及介质 | |
CN111522705A (zh) | 一种工业大数据智能运维解决方法 | |
CN112287663B (zh) | 一种文本解析方法、设备、终端及存储介质 | |
CN103811008A (zh) | 一种音频内容识别方法和装置 | |
CN114707515A (zh) | 话术判别方法、装置、电子设备及存储介质 | |
CN111159996B (zh) | 基于文本指纹算法的短文本集合相似度比较方法及系统 | |
CN117494147B (zh) | 基于网络空间行为数据的多平台虚拟用户数据对齐方法 | |
CN117009533B (zh) | 一种基于分聚类抽取与词向量模型的暗语识别方法 | |
CN115794195B (zh) | 一种基于Viper构架的银行业务管理及维护方法及装置 |
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 |