CN115878902A - 基于神经网络模型的融媒体平台自动信息关键主题提取系统 - Google Patents
基于神经网络模型的融媒体平台自动信息关键主题提取系统 Download PDFInfo
- Publication number
- CN115878902A CN115878902A CN202310123400.0A CN202310123400A CN115878902A CN 115878902 A CN115878902 A CN 115878902A CN 202310123400 A CN202310123400 A CN 202310123400A CN 115878902 A CN115878902 A CN 115878902A
- Authority
- CN
- China
- Prior art keywords
- information
- fusion
- county
- topic
- content
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 98
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000003062 neural network model Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012552 review Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 239000013598 vector Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000644 propagated effect Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005295 random walk Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了融媒体技术领域的基于神经网络模型的融媒体平台自动信息关键主题提取系统。该系统对应方法的一具体实施方式包括:获取融媒体平台的实时媒体大数据,利用神经网络模型算法,确定热点信息;基于热点信息,抽取信息关键主题;基于信息关键主题,生成热点主题表单;对热点主题表单进行复核,生成最终热点主题表单并推送至融媒体平台;基于热点主题表单,执行融合信息内容的生产、筛选、发布、传播、推送的各个环节。本公开实施例解决了如何提高县域融媒体平台对全网和本县域融合信息内容的关键主题提取能力的问题,增强本平台生产、筛选、发布、传播、推送的融合信息内容关键主题对全网热点的覆盖率和对区域关注热点的聚焦度。
Description
技术领域
本公开涉及融媒体技术领域,尤其涉及基于神经网络模型的融媒体平台自动信息关键主题提取系统、方法、电子设备和计算机可读介质。
背景技术
融媒体带来了媒介生态的巨大变化,大数据的出现使得新闻媒体对于新闻内容的深度性和独特性追求更为迫切。而受众也有了更加强烈的参与到新闻生产和传播过程中的欲望。在我国,区县级融媒体平台是人民群众了解国内外以及当地各领域新闻资讯的重要渠道,也是全国民众了解该地情况的一个窗口。在媒体融合时代,以融媒体平台作为信息生产、筛选、发布、传播、推送的整合载体,信息内容的生产和传播媒介已发展的愈加丰富多样并相互融合。
信息内容生产和传播媒介的丰富和融合,更加突出对于融媒体平台生产、筛选、发布、传播、推送的融合信息内容来说,确定融合信息内容所归属的关键主题的重要。这一过程指的是面向全网和本融媒体平台对应的目标县域,从海量的、传播渠道和信息内容均具备高度多样性和时变性的融合信息内容当中,实现对融合信息内容归属的关键主题的识别和提取。进而,对于融媒体平台对融合信息内容的生产、筛选、发布、传播、推送的各个环节来说,该关键主题可以发挥内容检索筛选关键词、发布索引、热搜主题、推送榜单等作用。可见,基于对融合信息的关键主题识别和提取,对于融媒体平台生产、筛选、发布、传播、推送各个环节来说,都是根本和根基。
传统的融合信息内容的关键主题的确定方式主要包括:预定义主题和全网热点筛选主题。预定义主题是融媒体平台的运营方预先确定未来一个时期本平台融合信息内容针对的某个关键主题,进而围绕该关键主题实现本平台融合信息内容的生产、筛选、发布、传播、推送的各个环节的操作;但预定义主题的方式受到运营方人为因素影响大,缺乏定量化、科学化的依据。全网热点筛选主题则是融媒体平台通过覆盖全网的微博、短视频、主流新闻媒体或APP等渠道获得全网热点主题列表,进而从中选择未来一个时期本平台融合信息内容针对的某个关键主题,进而围绕该关键主题实现本平台融合信息内容的生产、筛选、发布、传播、推送的各个环节的操作;以上方式对外界渠道的依赖性过强,而且全网热点往往不能聚焦和体现融媒体平台所覆盖的本区域的关注,而且仍然存在一定的人为因素影响大,缺乏定量化、科学化的依据的缺陷。
因此,如何提高县域融媒体平台对全网和本县域融合信息内容的关键主题提取能力,增强本平台生产、筛选、发布、传播、推送的融合信息内容关键主题对全网热点的覆盖率和对区域关注热点的聚焦度,是本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此,本公开实施例提供了一种基于神经网络模型的融媒体平台自动信息关键主题提取方法、装置、电子设备和计算机可读介质,以解决现有技术中如何提高县域融媒体平台对全网和本县域融合信息内容的关键主题提取能力,增强本平台生产、筛选、发布、传播、推送的融合信息内容关键主题对全网热点的覆盖率和对区域关注热点的聚焦度的问题。
本公开实施例的第一方面,提供了一种基于神经网络模型的融媒体平台自动信息关键主题提取系统,包括:热点获取子系统,用于获取融媒体平台的实时媒体大数据,利用神经网络模型算法,确定热点信息;信息关键主题抽取子系统,用于基于所述热点信息,抽取信息关键主题;表单生成子系统,用于基于所述信息关键主题,生成热点主题表单;表单复核子系统,用于对所述热点主题表单进行复核,生成最终热点主题表单并推送至融媒体平台;融媒体平台,用于基于所述热点主题表单,执行融合信息内容的生产、筛选、发布、传播、推送的各个环节。
在一种可能的实施方式中,输入模块,用于输入所述实时媒体大数据,所述实时媒体大数据包括全网融合内容信息及目标县域内融合内容信息;识别模块,用于建立并训练神经网络模型,所述神经网络模型用于识别所述全网融合内容信息及所述目标县域内融合内容信息的信息传播特征和信息内容特征;特征描述模块,用于利用所述神经网络模型,生成量化描述所述全网融合内容信息及所述目标县域内融合内容信息的信息传播特征和信息内容特征的分类标签;热点确定模块,用于基于表示信息传播特征和信息内容特征的分类标签,确定热点信息。
在一种可能的实施方式中,所述热点获取子系统还包括:所述热点获取子系统还包括:标签化处理模块,利用所述特征描述模块输出的表示融合内容信息在信息传播特征和信息内容特征各个维度上所归属的分类的分类标签,对全网融合内容信息及目标县域内融合内容信息添加标签的注释。
在一种可能的实施方式中,所述信息关键主题抽取子系统包括:信息拆分模块,用于将所述热点信息进行信息拆分,将所述信息输入NLP或知识图谱;内容抽取模块,用于通过语义内容抽取所述信息中的实体信息和/或类别标签信息,形成信息关键主题的描述符。
在一种可能的实施方式中,所述表单生成子系统包括:全网热点主题表单生成模块,用于基于所述全网融合内容信息的信息关键主题,生成全网热点主题表单;县域内热点主题表单生成模块,用于基于所述目标县域内融合内容信息的信息关键主题,生成县域内热点主题表单。
在一种可能的实施方式中,所述表单复核子系统,包括:匹配模块,用于基于全网热点主题表单,匹配与所述全网融合内容信息的信息关键主题相对应的所述目标县域内融合内容信息的信息关键主题,计算模块,用于将所述全网融合内容信息的信息关键主题和目标县域内融合内容信息的信息关键主题进行加权计算,获得计算结果;排序模块,用于基于所述计算结果,对全网热点主题表单进行排序,生成最终的热点主题表单;推送模块,将所述最终热点主题表单推送至融媒体平台。
在一种可能的实施方式中,所述表单复核子系统,还包括:补充表单生成模块,基于所述全网热点主题表单和所述县域内热点主题表单中未匹配到的信息关键主题,生成补充表单,所述补充表单和所述最终热点主题表单一起推送至融媒体平台。
本公开实施例的第二方面,提供了一种基于神经网络模型的融媒体平台自动信息关键主题提取方法,包括:获取融媒体平台的实时媒体大数据,利用神经网络模型算法,确定热点信息;基于所述热点信息,抽取信息关键主题;基于所述信息关键主题,生成热点主题表单;对所述热点主题表单进行复核,生成最终热点主题表单并推送至融媒体平台;基于所述热点主题表单,执行融合信息内容的生产、筛选、发布、传播、推送的各个环节。
本公开实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是:首先,获取融媒体平台的实时媒体大数据,利用神经网络模型算法,确定热点信息。其次,基于所述热点信息,抽取信息关键主题。然后,基于所述信息关键主题,生成热点主题表单。之后,对所述热点主题表单进行复核,生成最终热点主题表单并推送至融媒体平台。最后,基于所述热点主题表单,执行融合信息内容的生产、筛选、发布、传播、推送的各个环节。本公开实施例解决了如何提高县域融媒体平台对全网和本县域融合信息内容的关键主题提取能力的问题,增强本平台生产、筛选、发布、传播、推送的融合信息内容关键主题对全网热点的覆盖率和对区域关注热点的聚焦度。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是根据本公开的基于神经网络模型的融媒体平台自动信息关键主题提取系统的结构示意图;
图2是根据本公开的融合内容信息节点图谱及其度矩阵、邻接矩阵的实例示意图;
图3是根据本公开的基于神经网络模型的融媒体平台自动信息关键主题提取方法的流程示意图;
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
如背景技术所述如何提高县域融媒体平台对全网和本县域融合信息内容的关键主题提取能力,增强本平台生产、筛选、发布、传播、推送的融合信息内容关键主题对全网热点的覆盖率和对区域关注热点的聚焦度,是本领域技术人员亟需解决的技术问题。
为了解决上述技术问题,本发明实施例提供了一种基于神经网络模型的融媒体平台自动信息关键主题提取系统。
图1是根据本公开的基于神经网络模型的融媒体平台自动信息关键主题提取系统的结构示意图,如图1所示,所述系统包括:热点获取子系统、信息关键主题抽取子系统、表单生成子系统、表单复核子系统和融媒体平台。
其中:
热点获取子系统,用于获取融媒体平台的实时媒体大数据,利用神经网络模型算法,确定热点信息;
信息关键主题抽取子系统,用于基于所述热点信息,抽取信息关键主题;
表单生成子系统,用于基于所述信息关键主题,生成热点主题表单;
表单复核子系统,用于基于热点主题的图谱链接,实现对热点主题表单的融合,获得待复核的热点主题表单;并对所述热点主题表单进行复核,生成最终的热点主题表单并推送至融媒体平台;
融媒体平台,用于基于所述热点主题表单,执行融合信息内容的生产、筛选、发布、传播、推送的各个环节。
其中,在以上生产、筛选、发布、传播、推送的各个环节,所述热点主题表单所包含的信息关键主题作为融媒体平台执行内容检索筛选的关键词、执行内容发布的主题索引、作为融媒体平台热搜或置顶内容的主题、融媒体平台推送内容榜单,等待。
在一些实施例中,所述热点获取子系统包括:输入模块,用于输入所述实时媒体大数据,所述实时媒体大数据包括全网融合内容信息及目标县域内融合内容信息;识别模块,用于建立并训练神经网络模型,所述神经网络模型用于识别所述全网融合内容信息及所述目标县域内融合内容信息的信息传播特征和信息内容特征;特征描述模块,用于利用所述神经网络模型,生成量化描述所述全网融合内容信息及所述目标县域内融合内容信息的信息传播特征和信息内容特征的分类标签;热点确定模块,用于基于表示信息传播特征和信息内容特征的分类标签,确定热点信息。
具体来说,所述识别模块构造描述全网融合内容信息和目标县域内融合内容信息的融合内容信息节点图谱,进而构造并训练基于非负伯恩斯坦多项式的图卷积神经网络分类器(NNBernNet),该图卷积神经网络分类器通过聚合该节点图谱中邻居样本信息,进行有效的表征学习训练,最终实现对融合内容信息节点图谱中节点的图分类,基于图分类所得的分类标签,表示融合内容信息的信息传播特征和信息内容特征。
进而,所述特征描述模块利用构造并训练后的非负伯恩斯坦多项式的图卷积神经网络分类器(NNBernNet),获得描述全网融合内容信息及所述目标县域内融合内容信息的信息传播特征和信息内容特征的分类标签。
所述识别模块构造的用于描述全网融合内容信息和目标县域内融合内容信息的融合内容信息节点图谱G,该图谱G表示为由节点集和边集/>组成的一个无向图/>。其中节点集表示为/>,即共n个节点,节点编号由1至n,将从实体媒体大数据中取得的每一条全网融合内容信息或目标县域内融合内容信息表示为该节点集中的一个节点。边集表示为/>,即如果节点i和节点j之间有连边则将二者的连边表示为/>,作为边集E的一个集合元素。节点i和节点j之间有连边,则表明节点i代表的融合内容信息和节点j代表的融合内容信息之间形成了传播链条,例如:通过新闻转载和连载,社交媒体的转发、点赞和评论、专题专栏、共同媒体平台或账号等形式在2个节点代表的融合内容信息之间形成传播链条,从而表示为节点之间的连边。进而,针对该融合内容信息节点图谱G,可以获得描述该图谱的度矩阵D和邻接矩阵A;其中,图谱G的度矩阵D是一个对角矩阵,第i个对角元素的值等于和图谱G中的节点i具有连边的其它节点的个数;图谱G的邻接矩阵A的第i行、第j列个矩阵元素/>则定义为:若连边/>则,若连边/>则/>。图2中给出了一个6个节点的图谱G及其度矩阵D和邻接矩阵A的实例。
其中,n为图谱G的节点集V的节点总数量;表示图谱G中节点i的节点特征向量,该节点特征向量/>是一个P维特征向量,即/>, 该节点特征向量中的P个维度分别用于表示节点i对应的融合内容信息的信息传播特征和信息内容特征,该信息传播特征可以表示为节点i代表的融合内容信息的阅读量、评论数、点赞数等,信息内容特征可以表示为节点i代表的融合内容信息所包含的热点词的词频数;/>表示图谱G的节点i的分类标签,该分类标签用一个C维one-hot向量表示,即:/>,其中若节点i的分类标签中具有第j维分类标签,则分类标签/>的向量中/>的取值为1,否则/>取值为0;分类标签描述了从信息传播特征和信息内容特征的各个维度进行考量代表融合内容信息的该节点所归属的各个分类,例如第1-C维的分类标签可以分别描述该节点代表的融合内容信息是否属于全网传播热点、地域传播热点、特定人群传播热点、爆发传播热点、持续传播热点、热点主题内容等分类;进而,根据图谱G中n个节点各自不同的分类标签状况,可以将图谱G的节点划分为/>和/>,其中/>表示图谱G上具有分类标签/>的节点构成的节点子集,即/>中的节点所代表的融合内容信息已经具有预标注的分类标签,其可以是全网融合内容信息和目标县域内融合内容信息中获得预标注分类标签的少量融合内容信息样本;/>表示图谱G上不具有分类标签/>的节点构成的节点子集,即的节点i对应的分类标签/>是未知的,待分类的。
进而,识别模块在构造的图谱G及其节点描述数据集Data的基础上,构造并训练基于非负伯恩斯坦多项式的图卷积神经网络分类器(NNBernNet),该分类器对图谱G中属于节点子集的任一节点进行图分类,从而获得该节点的分类标签。该图卷积神经网络分类器具体构造和训练过程包括:首先,将融合内容信息节点图谱G转化为归一化拉普拉斯矩阵的形式:/>
其中L表示由图谱G转化的归一化拉普拉斯矩阵,I为单位矩阵。
其中,如前文所述表示图谱G中的节点i的节点特征向量,/>表示该分类器模型针对节点i的输出向量,即对节点i的分类标签/>的预测值,显然/>具有/>个分类标签的类别;分类器模型的/>函数被构造为的函数形式;该函数自变量中的/>表示K阶的伯恩斯坦多项式:
其中非线性激活函数被构造为:的函数形式,/>是/>维的待通过模型训练进行估计的未知参数矩阵,表示从卷积神经网络感知器的输入层到隐藏层的特征变换,/>是/>维的待通过模型训练进行估计的未知参数矩阵,表示从卷积神经网络感知器的隐藏层到输出层的特征变换。继而,根据节点描述数据集Data和该分类器模型,定义分类预测的损失函数:/>
其中,将图谱G上具有分类标签的节点子集/>中的每个节点及其节点描述数据集作为样本,根据样本预标注的分类标签/>与NNBernNet分类器模型输出的分类标签预测值/>在各个分类维度之间是否匹配一致,确定损失函数中的/>,如果二者匹配则,否则/>。
进而,所述识别模块基于图谱G上具有分类标签的节点子集/>中的每个节点及其节点描述数据集作为样本,训练优化NNBernNet分类器模型的卷积核参数和未知参数矩阵/>、/>,直至损失函数达到预期,可以借助常用的深度学习框架PYTorch进行上述训练。经过训练达到预期,确定卷积核参数的估计值/>和层特征变换的参数矩阵估计值/>和/>,从而输出训练完成的图卷积运算NNBernNet分类器模型:/>,
所述特征描述模块利用该训练完成的NNBernNet分类器模型,对图谱G中属于不具有分类标签的节点子集的任一节点进行图分类,从而获得这些节点的分类标签/>,分类标签/>表示表示这些节点所代表的融合内容信息在信息传播特征和信息内容特征各个维度上所归属的分类。所述特征描述模块输出分类标签/>。
在一些实施例中,所述热点获取子系统还包括:标签化处理模块,利用所述特征描述模块输出的表示融合内容信息在信息传播特征和信息内容特征各个维度上所归属的分类的分类标签,对全网融合内容信息及目标县域内融合内容信息添加标签的注释。
所述热点确定模块,根据所述特征描述模块输出的表示信息传播特征和信息内容特征的分类标签,与预定的热点信息标签模板进行匹配,确定热点信息;即,如果所述特征描述模块输出的分类标签中/>对应的至少一个或多个标签维度上的标签值与热点信息标签模板的模板值一致,则判定该分类标签匹配热点信息标签模板,该分类标签对应的全网融合内容信息及目标县域内融合内容信息被判定为热点信息。
在一些实施例中,所述信息关键主题抽取子系统包括:信息拆分模块,用于将所述热点信息进行信息拆分,将所述信息输入NLP或知识图谱;内容抽取模块,用于通过语义内容抽取所述信息中的实体信息和/或类别标签信息,形成信息关键主题的描述符。
在一些实施例的可选方式中,NLP作为人工智能和语言学领域的分支学科,其中知识抽取是指自动化地从文本中发现和抽取相关信息,知识抽取的数据源可以是结构化数据,如链接数据、数据库、半结构化数据,如网页中的表格、列表、或者非结构化数据,即纯文本数据。本系统的执行主体可以利用NLP自带的关键词提取常用工具包通过语义内容抽取所述信息中的实体信息和/或类别标签信息,形成信息关键主题的描述符。作为示例,本系统的执行主体可以进行实体抽取,从文本中检测出命名实体,并将其分类到预定义的类别中,例如人物、组织、地点、时间等,命名实体识别是知识抽取其他任务的基础;再进行关系抽取 ,从文本中识别抽取实体及实体之间的关系;最后进行事件抽取,识别文本中关于事件的信息,并以结构化的形式呈现。例如,从袭击事件的新闻报道中识别袭击发生的地点、时间、袭击目标和受害人等信息。
在一些实施例中,所述表单生成子系统包括:全网热点主题表单生成模块,用于基于所述全网融合内容信息的信息关键主题,生成全网热点主题表单;县域内热点主题表单生成模块,用于基于所述目标县域内融合内容信息的信息关键主题,生成县域内热点主题表单。所述表单生成子系统从所述热点确定模块获得被判定为热点信息的全网融合内容信息及目标县域内融合内容信息, 并且从信息关键主题抽取子系统获得对应这些热点信息的信息关键主题的描述符,从而将判定为热点信息的全网融合内容信息及其信息关键主题加入全网热点主题表单,将判定为热点信息的目标县域内融合内容信息及其信息关键主题加入县域内热点主题表单。
在一些实施例中,所述表单复核子系统,包括:匹配模块,用于基于全网热点主题表单,在所述的融合内容信息节点图谱G上匹配与所述全网融合内容信息相对应的所述目标县域内融合内容信息,从而确定所述全网融合内容信息与相对应的所述目标县域内融合内容信息之间的图谱链接;计算模块,用于基于全网热点主题表单,将所述全网融合内容信息和目标县域内融合内容信息进行距离加权计算,获得关于所述全网融合内容信息和与其相对应的目标县域内融合内容信息之间图谱距离的计算结果;排序模块,用于基于所述图谱距离的计算结果,对全网热点主题表单内的全网融合内容信息及图谱距离符合预设阈值的目标县域内融合内容信息进行融合,生成全网和县域融合热点主题表单;并将该全网和县域融合热点主题表单与县域内热点主题表单二者合并,生成待复核的热点主题表单;推送模块,将经过复核后的最终的热点主题表单推送至融媒体平台。
具体来说,前文提到,所述识别模块构造了描述全网融合内容信息和目标县域内融合内容信息的融合内容信息节点图谱G,被判定为热点信息的全网融合内容信息显然也处于该图谱G上,作为该融合内容信息节点图谱G所包含的节点。进而,所述匹配模块针对所述全网热点主题表单上的任一个全网融合内容信息——下文中将该全网融合内容信息表示为,在所述的融合内容信息节点图谱G上匹配一个或者多个与该全网融合内容信息/>相对应的目标县域内融合内容信息/>,匹配的具体方法是由该全网融合内容信息/>在图谱G上的对应节点作为起点,沿着图谱G上节点之间的边进行随机游走,直至抵达图谱G上首个对应目标县域内融合内容信息的节点,将该节点作为/>;如果从起点出发直至达到随机游走的最大步数阈值仍然没有抵达对应目标县域内融合内容信息的节点,则回到起点重新启动随机游走;显然,对于全网融合内容信息/>,通过以上随机游走的方式可以匹配到一个或者多个相对应的目标县域内融合内容信息/>,并且,在图谱G上从全网融合内容信息对应的节点/>到达每个目标县域内融合内容信息/>对应的节点,也存在多个图谱链接,例如,图谱G上“节点1—边1—节点2—边2—节点3”即为一个图谱链接,其中首、尾节点的节点1、节点3分别为/>和/>对应的节点。从全网融合内容信息对应的节点/>到达一个目标县域内融合内容信息/>的图谱链接的总数量为/>条,且各条图谱链接分别记为,则每条图谱链接的节点跨度值表示为/>,所述节点跨度值被定义为图谱链接上由头至尾的节点总数量(例如,上面的“节点1—边1—节点2—边2—节点3”例子中节点跨度值为3)。进而,所述计算模块将所述全网融合内容信息/>和与其相对应的每一个目标县域内融合内容信息/>进行距离加权计算,获得关于所述全网融合内容信息/>和与其相对应的目标县域内融合内容信息/>之间图谱距离,该图谱距离表示为:/>
排序模块,用于基于所述图谱距离的计算结果,与所述全网融合内容信息相对应的每一个目标县域内融合内容信息/>,按照上述图谱距离/>由小到大进行排序,从中选择出图谱距离符合预设阈值(例如排序在前若干名之内作为预设阈值)的目标县域内融合内容信息/>,将全网热点主题表单上的全网融合内容信息与符合预设阈值的目标县域内融合内容信息/>进行融合,生成全网和县域融合热点主题表单。进而,基于知识图谱将该全网和县域融合热点主题表单与县域内热点主题表单二者合并,生成待排序的热点主题表单。最后,基于排序因子进行加权计算得到所述待排序的热点主题表单中全网融合内容信息的排序分值和目标县域内融合内容信息的排序分值,基于排序分值进行排序。所述排序分值=排序因子/>权重值。
在一些实施例的可选方式中,所述排序因子包括:首次公开时间分值、窗口时间内浏览量分值、窗口时间内点赞量分值及窗口时间内转发量分值。例如,首次公开时间分值的确定标准为:首次公开时间3小时内首次公开时间分值100分,首次公开时间12小时到3小时内首次公开时间分值90分,首次公开时间24小时到12小时内首次公开时间分值80分,首次公开时间48小时到24小时内首次公开时间分值70分,首次公开时间超过48小时首次公开时间分值70分;窗口时间内浏览量分值的确定标准为:窗口时间内(例如3小时)浏览量超过10万次窗口时间内浏览量分值100分,窗口时间内浏览量10万次到8万次窗口时间内浏览量分值90分,窗口时间内浏览量8万次到5万次窗口时间内浏览量分值80分,窗口时间内浏览量5万次到1万次窗口时间内浏览量分值70分,窗口时间内浏览量1万次以内窗口时间内浏览量分值60分;窗口时间内点赞量分值的确定标准为:窗口时间内(例如3小时)点赞量超过1万次窗口时间内点赞量分值100分,窗口时间内点赞量1万次到8千次窗口时间内点赞量分值90分,窗口时间内点赞量8千次到5千次窗口时间内点赞量分值80分,窗口时间内点赞量5千次到1千次窗口时间内点赞量分值70分,窗口时间内点赞量1千次以内窗口时间内点赞量分值60分;窗口时间内转发量分值的确定标准为:窗口时间内(例如3小时)转发量超过一千次窗口时间内转发量分值100分,窗口时间内转发量1千次到8百次窗口时间内转发量分值90分,窗口时间内转发量8百次到5百次窗口时间内转发量分值80分,窗口时间内转发量5百次到1百次窗口时间内转发量分值70分,窗口时间内转发量1百次以内窗口时间内转发量分值60分。排序因子的权重值可自定义配置,例如首次公开时间分值权重为0.3、窗口时间内浏览量分值权重为0.3、窗口时间内点赞量分值权重为0.2及窗口时间内转发量分值权重为0.2。
在一些实施例的可选方式中,对目标县域内融合内容信息的排序分值进行修正,即将目标县域内融合内容信息的排序分值乘以放大因子,以消除登录人次对排序结果的干扰。作为示例,放大因子=全网融媒体平台登录人次/目标县域融媒体平台登录人次。
在一些实施例中,所述表单复核子系统,还包括:参考表单生成模块,基于所述全网热点主题表单和所述县域内热点主题表单中未匹配到的信息关键主题,生成补充表单,所述补充表单和所述最终热点主题表单一起推送至融媒体平台。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
上述为本公开系统结构示意图,可以用于执行本公开方法实施例。对于本公开系统结构示意图中未披露的细节,请参照本公开方法实施例。本系统对应的方法流程示意图如图3所示,所述方法包括:
步骤S1:获取融媒体平台的实时媒体大数据,利用神经网络模型算法,确定热点信息。
步骤S2:基于所述热点信息,抽取信息关键主题。
步骤S3:基于所述信息关键主题,生成热点主题表单。
步骤S4:对所述热点主题表单进行复核,生成最终热点主题表单并推送至融媒体平台。
步骤S5:基于所述热点主题表单,执行融合信息内容的生产、筛选、发布、传播、推送的各个环节。
下面参考图4,其示出了适于用来实现本公开的一些实施例的电子设备。图4示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM 403通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
通常,以下装置可以连接至I/O接口:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置;包括例如磁带、硬盘等的存储装置;以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装,或者从ROM被安装。在该计算机程序被处理装置执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取融媒体平台的实时媒体大数据,利用神经网络模型算法,确定热点信息。基于所述热点信息,抽取信息关键主题。基于所述信息关键主题,生成热点主题表单。对所述热点主题表单进行复核,生成最终热点主题表单并推送至融媒体平台。基于所述热点主题表单,执行融合信息内容的生产、筛选、发布、传播、推送的各个环节。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括热点获取子系统、信息关键主题抽取子系统、表单生成子系统、表单复核子系统和融媒体平台。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,热点获取子系统还可以被描述为“用于获取融媒体平台的实时媒体大数据,利用神经网络模型算法,确定热点信息的系统”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于神经网络模型的融媒体平台自动信息关键主题提取系统,其特征在于,包括:
热点获取子系统,用于获取融媒体平台的实时媒体大数据,利用神经网络模型算法,确定热点信息;
信息关键主题抽取子系统,用于基于所述热点信息,抽取信息关键主题;
表单生成子系统,用于基于所述信息关键主题,生成热点主题表单;
表单复核子系统,用于对所述热点主题表单进行复核,生成最终热点主题表单并推送至融媒体平台;
融媒体平台,用于基于所述热点主题表单,执行融合信息内容的生产、筛选、发布、传播、推送的各个环节。
2.根据权利要求1所述的基于神经网络模型的融媒体平台自动信息关键主题提取系统,其特征在于,所述热点获取子系统包括:
输入模块,用于输入所述实时媒体大数据,所述实时媒体大数据包括全网融合内容信息及目标县域内融合内容信息;
识别模块,用于建立并训练神经网络模型,所述神经网络模型用于识别所述全网融合内容信息及所述目标县域内融合内容信息的信息传播特征和信息内容特征;
特征描述模块,用于利用所述神经网络模型,生成量化描述所述全网融合内容信息及所述目标县域内融合内容信息的信息传播特征和信息内容特征的分类标签;
热点确定模块,用于基于表示信息传播特征和信息内容特征的分类标签,确定热点信息。
3.根据权利要求2所述的基于神经网络模型的融媒体平台自动信息关键主题提取系统,其特征在于,所述热点获取子系统还包括:
标签化处理模块,利用所述特征描述模块输出的表示融合内容信息在信息传播特征和信息内容特征各个维度上所归属的分类的分类标签,对全网融合内容信息及目标县域内融合内容信息添加标签的注释。
4.根据权利要求3所述的基于神经网络模型的融媒体平台自动信息关键主题提取系统,其特征在于,所述信息关键主题抽取子系统包括:
信息拆分模块,用于将所述热点信息进行信息拆分,将所述信息输入NLP或知识图谱;
内容抽取模块,用于通过语义内容抽取所述信息中的实体信息和/或类别标签信息,形成信息关键主题的描述符。
5.根据权利要求4所述的基于神经网络模型的融媒体平台自动信息关键主题提取系统,其特征在于,所述表单生成子系统包括:
全网热点主题表单生成模块,用于基于所述全网融合内容信息的信息关键主题,生成全网热点主题表单;
县域内热点主题表单生成模块,用于基于所述目标县域内融合内容信息的信息关键主题,生成县域内热点主题表单。
6.根据权利要求5所述的基于神经网络模型的融媒体平台自动信息关键主题提取系统,其特征在于,所述表单复核子系统,包括:
匹配模块,用于基于全网热点主题表单,匹配与所述全网融合内容信息的信息关键主题相对应的所述目标县域内融合内容信息的信息关键主题,
计算模块,用于将所述全网融合内容信息的信息关键主题和目标县域内融合内容信息的信息关键主题进行加权计算,获得计算结果;
排序模块,用于基于所述计算结果,对全网热点主题表单进行排序,生成最终的热点主题表单;
推送模块,将所述最终热点主题表单推送至融媒体平台。
7.根据权利要求6所述的基于神经网络模型的融媒体平台自动信息关键主题提取系统,其特征在于,所述表单复核子系统,还包括:
补充表单生成模块,基于所述全网热点主题表单和所述县域内热点主题表单中未匹配到的信息关键主题,生成补充表单,所述补充表单和所述最终热点主题表单一起推送至融媒体平台。
8.一种基于神经网络模型的融媒体平台自动信息关键主题提取方法,其特征在于,包括:
获取融媒体平台的实时媒体大数据,利用神经网络模型算法,确定热点信息;
基于所述热点信息,抽取信息关键主题;
基于所述信息关键主题,生成热点主题表单;
对所述热点主题表单进行复核,生成最终热点主题表单并推送至融媒体平台;
基于所述热点主题表单,执行融合信息内容的生产、筛选、发布、传播、推送的各个环节。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求8中所述方法的步骤。
10.一种计算机可读存储介质,所述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8中所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310123400.0A CN115878902B (zh) | 2023-02-16 | 2023-02-16 | 基于神经网络模型的融媒体平台自动信息关键主题提取系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310123400.0A CN115878902B (zh) | 2023-02-16 | 2023-02-16 | 基于神经网络模型的融媒体平台自动信息关键主题提取系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115878902A true CN115878902A (zh) | 2023-03-31 |
CN115878902B CN115878902B (zh) | 2023-05-23 |
Family
ID=85761196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310123400.0A Active CN115878902B (zh) | 2023-02-16 | 2023-02-16 | 基于神经网络模型的融媒体平台自动信息关键主题提取系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115878902B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629904A (zh) * | 2023-05-08 | 2023-08-22 | 数聚云(苏州)科技有限公司 | 一种基于大数据的客户分层匹配方法 |
CN116663725A (zh) * | 2023-05-30 | 2023-08-29 | 北京网藤科技有限公司 | 一种用于工业互联网的工艺流程智能预测优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395539A (zh) * | 2020-11-26 | 2021-02-23 | 格美安(北京)信息技术有限公司 | 一种基于自然语言处理的舆情风险监测方法及系统 |
CN113010701A (zh) * | 2021-02-25 | 2021-06-22 | 北京四达时代软件技术股份有限公司 | 以视频为中心的融媒体内容推荐方法及装置 |
CN113139782A (zh) * | 2021-03-24 | 2021-07-20 | 湖南新浪信息服务有限公司 | 一种融媒体智能控制系统 |
CN114428881A (zh) * | 2022-01-27 | 2022-05-03 | 湖南快乐阳光互动娱乐传媒有限公司 | 媒资视频的推送方法及装置、存储介质及电子设备 |
-
2023
- 2023-02-16 CN CN202310123400.0A patent/CN115878902B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395539A (zh) * | 2020-11-26 | 2021-02-23 | 格美安(北京)信息技术有限公司 | 一种基于自然语言处理的舆情风险监测方法及系统 |
CN113010701A (zh) * | 2021-02-25 | 2021-06-22 | 北京四达时代软件技术股份有限公司 | 以视频为中心的融媒体内容推荐方法及装置 |
CN113139782A (zh) * | 2021-03-24 | 2021-07-20 | 湖南新浪信息服务有限公司 | 一种融媒体智能控制系统 |
CN114428881A (zh) * | 2022-01-27 | 2022-05-03 | 湖南快乐阳光互动娱乐传媒有限公司 | 媒资视频的推送方法及装置、存储介质及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629904A (zh) * | 2023-05-08 | 2023-08-22 | 数聚云(苏州)科技有限公司 | 一种基于大数据的客户分层匹配方法 |
CN116663725A (zh) * | 2023-05-30 | 2023-08-29 | 北京网藤科技有限公司 | 一种用于工业互联网的工艺流程智能预测优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115878902B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sahoo et al. | Multiple features based approach for automatic fake news detection on social networks using deep learning | |
Shu et al. | Studying fake news via network analysis: detection and mitigation | |
Varshney et al. | A review on rumour prediction and veracity assessment in online social network | |
Beskow et al. | Bot conversations are different: leveraging network metrics for bot detection in twitter | |
Kumar et al. | Fake news detection using machine learning and natural language processing | |
CN115878902B (zh) | 基于神经网络模型的融媒体平台自动信息关键主题提取系统 | |
CN113515634B (zh) | 基于分层异质图神经网络的社交媒体谣言检测方法及系统 | |
Hangloo et al. | Combating multimodal fake news on social media: methods, datasets, and future perspective | |
CN111914185A (zh) | 一种基于图注意力网络的社交网络中文本情感分析方法 | |
CN113536144B (zh) | 一种社交网络信息的传播规模预测方法、装置 | |
CN111782637A (zh) | 一种模型构建方法、装置及设备 | |
Beskow et al. | You are known by your friends: Leveraging network metrics for bot detection in twitter | |
CN113239143B (zh) | 融合电网故障案例库的输变电设备故障处理方法及系统 | |
Zhao et al. | Action sequence augmentation for early graph-based anomaly detection | |
Catal et al. | Product review management software based on multiple classifiers | |
Bai et al. | A rumor detection model incorporating propagation path contextual semantics and user information | |
CN108027824B (zh) | 未来脚本生成装置和方法、以及计算机可读存储介质 | |
Ahmadi et al. | Inductive and transductive link prediction for criminal network analysis | |
Du et al. | Structure tuning method on deep convolutional generative adversarial network with nondominated sorting genetic algorithm II | |
Qalaja et al. | Inclusive study of fake news detection for COVID-19 with new dataset using supervised learning algorithms | |
Oo et al. | Detecting Influential Users in a Trending Topic Community Using Link Analysis Approach. | |
CN117033626A (zh) | 一种文本审核方法、装置、设备及存储介质 | |
Saeed et al. | A framework to predict early news popularity using deep temporal propagation patterns | |
Manasa et al. | Detection of twitter spam using GLoVe vocabulary features, bidirectional LSTM and convolution neural network | |
CN116150470A (zh) | 内容推荐方法、装置、设备、存储介质及程序产品 |
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 |