CN116050862A - 一种舆情情感态势预测方法、系统、终端及存储介质 - Google Patents

Abstract

本发明涉及一种舆情情感态势预测方法、系统、终端及存储介质，其方法包括获取舆情数据；基于分组规则，根据所述评论时间对每一次历史舆情事件的评论内容分组；基于评分模型，根据评论内容和评论标识依次确定每一次历史舆情事件的每个分组的情感态势分值；获取预设的时间节点；根据舆情事件样本中每个历史舆情事件处于时间节点外的情感态势分值训练，并得到预测模型；根据所述预测模型和舆情事件集合中每个历史舆情事件处于时间节点内的情感态势分值确定情感态势预测值。本申请具有准确预测舆情情感态势的特点。

Description

一种舆情情感态势预测方法、系统、终端及存储介质

技术领域

本申请涉及舆情分析技术的领域，尤其是涉及一种舆情情感态势预测方法、系统、终端及存储介质。

背景技术

目前，互联网舆情发展趋势预测的目的是运用信息技术等手段，根据信息发展的历史数据和当前的数据，预测互联网上的话题在未来一段时间内发展的趋势，如信息数量、传播范围、传播时间等。

在舆情向消极方向发展时，公安等相关部门往往需要介入处理，以避免态势进一步扩大，从而造成重大影响。现有技术中，相关部门的工作人员通常根据自身经验和舆情热度做主观判断，难以进行准确预测。

发明内容

本申请目的一是提供一种舆情情感态势预测方法，具有准确预测舆情情感态势的特点。

本申请的上述申请目的一是通过以下技术方案得以实现的：

一种舆情情感态势预测方法，包括：

获取舆情数据，所述舆情数据包括历史舆情事件，每一次历史舆情事件都包括评论数据，所述评论数据包括评论内容、评论时间和评论标识，一条评论内容对应一个评论时间和一个评论标识；

基于分组规则，根据所述评论时间对每一次历史舆情事件的评论内容分组；

基于评分模型，根据评论内容和评论标识依次确定每一次历史舆情事件的每个分组的情感态势分值；

获取预设的时间节点；

根据舆情事件样本中每个历史舆情事件处于时间节点外的情感态势分值训练，并得到预测模型，所述舆情事件样本为具有处于时间节点外的情感态势分值的历史舆情事件的集合；

根据所述预测模型和舆情事件集合中每个历史舆情事件处于时间节点内的情感态势分值确定情感态势预测值，所述舆情事件集合为只具有处于时间节点内的情感态势分值的历史舆情事件的集合。

通过采用上述技术方案，能够对所有历史舆情事件的所有评论内容按照评论时间进行分组，然后通过评分模型得到每一组的情感态势分值。情感态势分值能够反映每一组评论内容的感情色彩，即积极或消极。当确定所有历史舆情事件每一组的情感态势分值后，能够根据舆情事件样本中所有历史舆情事件的情感态势分值训练预测模型，预测模型能够预测舆情事件集合中所有历史舆情事件不同时间的情感态势分值，本方法能够准确预测舆情情感态势。

可选的，所述评分模型包括第一评分模型和第二评分模型，所述基于评分模型，根据评论内容和评论标识依次确定每一次历史舆情事件的每个分组的情感态势分值包括：

基于所述第一评分模型，依次确定每个分组中每个评论内容的情感得分，所述情感得分反映积极情感或消极情感；

基于所述第二评分模型，根据反映积极情感的情感得分和对应评论内容的评论标识依次确定每一次历史舆情事件的每个分组中的积极情感态势分值，根据反映消极情感的情感得分和对应评论内容的评论标识依次确定每一次历史舆情事件的每个分组中的消极情感态势分值，根据同组的积极情感态势分值和消极情感态势分值依次确定每一次历史舆情事件的每个分组的情感态势分值。

可选的，所述基于所述第二评分模型，根据反映积极情感的情感得分和对应评论内容的评论标识依次确定每一次历史舆情事件的每个分组中的积极情感态势分值包括：

根据反映积极情感的情感得分和对应评论内容的数量确定积极情感平均值；

根据所述积极情感平均值、对应评论内容的数量和对应评论内容的评论标识数量确定积极情感态势分值。

可选的，所述积极情感态势分值为积极情感平均值、对应评论内容的数量和对应评论内容的评论标识数量之积。

可选的，基于所述第二评分模型，根据反映消极情感的情感得分和对应评论内容的评论标识依次确定每一次历史舆情事件的每个分组中的消极情感态势分值包括：

根据反映消极情感的情感得分和对应评论内容的数量确定消极情感平均值；

根据所述消极情感平均值、对应评论内容的数量和对应评论内容的评论标识数量确定消极情感态势分值。

可选的，所述消极情感态势分值为消极情感平均值、对应评论的内容数量和对应评论内容的评论标识数量之积。

可选的，所述情感态势分值为积极情感态势分值与消极情感态势分值的绝对值之差。

本申请目的二是提供一种舆情情感态势预测系统，具有准确预测舆情情感态势的特点。

本申请的上述申请目的二是通过以下技术方案得以实现的：

一种舆情情感态势预测系统，包括，

数据获取模块，用于获取舆情数据，所述舆情数据包括历史舆情事件，每一次历史舆情事件都包括评论数据，所述评论数据包括评论内容、评论时间和评论标识，一条评论内容对应一个评论时间和一个评论标识；

分组模块，用于基于分组规则，根据所述评论时间对每一次历史舆情事件的评论内容分组；

确定模块，用于基于评分模型，根据评论内容和评论标识依次确定每一次历史舆情事件的每个分组的情感态势分值；

节点获取模块，用于获取预设的时间节点；

训练模块，用于根据舆情事件样本中每个历史舆情事件处于时间节点外的情感态势分值训练，并得到预测模型，所述舆情事件样本为具有处于时间节点外的情感态势分值的历史舆情事件的集合；以及，

预测模块，用于根据所述预测模型和舆情事件集合中每个历史舆情事件处于时间节点内的情感态势分值确定情感态势预测值，所述舆情事件集合为只具有处于时间节点内的情感态势分值的历史舆情事件的集合。

本申请目的三是提供一种智能终端，具有准确预测舆情情感态势的特点。

本申请的上述申请目的三是通过以下技术方案得以实现的：

一种智能终端，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述舆情情感态势预测方法的计算机程序。

本申请目的四是提供一种计算机存储介质，能够存储相应的程序，具有便于实现准确预测舆情情感态势的特点。

本申请的上述申请目的四是通过以下技术方案得以实现的：

一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种舆情情感态势预测方法的计算机程序。

综上所述，本申请包括以下至少一种有益技术效果：

本申请能够对所有历史舆情事件的所有评论内容按照评论时间进行分组，然后通过评分模型得到每一组的情感态势分值。情感态势分值能够反映每一组评论内容的感情色彩，即积极或消极。当确定所有历史舆情事件每一组的情感态势分值后，能够根据舆情事件样本中所有历史舆情事件的情感态势分值训练预测模型，预测模型能够预测舆情事件集合中所有历史舆情事件不同时间的情感态势分值。本申请能够准确预测舆情情感态势。

附图说明

图1是本申请其中一实施例的舆情情感态势预测方法的流程示意图。

图2是本申请其中一实施例的舆情情感态势预测系统的系统示意图。

图3是本申请其中一实施例的智能终端的结构示意图。

图中，21、数据获取模块；22、分组模块；23、确定模块；24、节点获取模块；25、训练模块；26、预测模块；301、CPU；302、ROM；303、RAM；304、总线；305、I/O接口；306、输入部分；307、输出部分；308、存储部分；309、通信部分；310、驱动器；311、可拆卸介质。

具体实施方式

以下结合附图对本申请作进一步详细说明。

本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供一种舆情情感态势预测方法，应用于服务器中，能够准确预测舆情趋势，以辅助公安等相关部门的工作人员掌握舆情的发展趋势，并在舆情向消极态势发展时，工作人员能够以主动介入的方式阻止舆情继续扩大，从而一定程度地避免产生严重的负面影响。

下面结合说明书附图对本申请实施例作进一步详细描述。

本申请实施例提供舆情情感态势预测方法的主要流程描述如下。

如图1所示：

S100：获取舆情数据。

可以了解的是，舆情数据具体包括历史舆情事件，即到当前时间节点已经发生的所有舆情事件，不仅包括已经发生还尚未结束的舆情事件，还包括已经发生并且结束的舆情事件。其中，每一次的历史舆情事件都包括评论数据。评论数据来源于各个媒体中，其具体包括评论内容、评论时间和评论标识。评论标识为评论内容的发起人，在一些具体的示例中，评论标识为某个媒体平台的用户ID。评论内容可以是发起人在媒体平台上发表的评论。例如，可以是在微博平台发表的微博，在论坛平台发表的帖子。当然，包括但不限于上述示例。一条评论内容对应一个评论时间和一个评论标识。两条评论内容或两条以上的评论内容对应的评论标识可以相同。在获取不同历史舆情事件的评论数据时，可以按照媒体来源分别获取。

在预测舆情情感态势之前，需要先确定每一次历史舆情事件不同时间段内的情感态势分值。情感态势分值能够反映当前时间段内的舆情情感方向。

S200：基于分组规则，根据所述评论时间对每一次历史舆情事件的评论内容分组。

在对每一次历史舆情事件的评论内容分组之前，需要确定时间段的时长，例如，1个小时，5个小时，12个小时，1天，2天等任意时长。当然，时间段的时长不宜过短，容易使得采集的数据没有参考意义。时间段的时长也不宜过长，容易使得采集的数据缺乏及时性。优选的，在本申请实施例中，时间段的时长为1天。即，根据评论时间将每一次历史舆情事件的评论内容按照日期进行分组。

S300：基于评分模型，根据评论内容和评论标识依次确定每一次历史舆情事件的每个分组的情感态势分值。

具体的，评分模型能够对每一次历史舆情事件的每个分组的所有评论内容进行评分，其输入量为评论内容和评论标识，输出量为每个分组的情感态势分值。其中，评分模型包括第一评分模型和第二评分模型。

第一评分模型用于为每一次历史舆情事件的每条评论内容评分，以确定每条评论内容的情感得分。在一些具体的示例中，对每一次历史舆情事件的每条评论内容评分时，可以按照分组情况，逐一对每一组内的每条评论内容评分。

第二评分模型用于根据每条评论内容的情感得分确定每一次历史舆情事件的每个分组的情感态势分值。

可选的，步骤S300包括以下步骤（S310~S320）：

S310：基于第一评分模型，依次确定每个分组中每个评论内容的情感得分。

第一评分模型为训练好的模型，能够对文本内容的情感进行情感类别所识别。在本申请中，当向第一评分模型输入一条评论内容时，第一评分模型能够输出量为与该评论内容对应的情感得分。情感得分能够反映出该评论内容属于积极情感还是消极情感。优选的，第一评分模型中预设的评分规则为，情感得分的分值范围为-1~1。当情感得分的分值越接近-1，则说明该评论内容越消极。当情感得分的分值越接近1，则说明该评论内容越积极。当然，在其他的实施例中，也可以给第一评分模型预设其他的评分规则。

S320：基于第二评分模型，根据反映积极情感的情感得分和对应评论内容的评论标识依次确定每一次历史舆情事件的每个分组中的积极情感态势分值，根据反映消极情感的情感得分和对应评论内容的评论标识依次确定每一次历史舆情事件的每个分组中的消极情感态势分值，根据同组的积极情感态势分值和消极情感态势分值依次确定每一次历史舆情事件的每个分组的情感态势分值。

可以了解的是，由于情感得分能够反映积极情感或消极情感，所以可以根据所有反映积极情感的评论内容的情感得分及对应的评论标识确定积极情感态势分值，根据所有反映消极情感的评论内容的情感得分及对应的评论标识确定消极情感态势分值。

具体来说，以某一次历史舆情事件的某一天的评论数据为例。首先，根据反映积极情感的情感得分和对应评论内容的数量确定积极情感平均值。其中，在本申请实施例中规定，情感得分的分值为0~1，则该评论内容属于积极情感。情感得分的分值为-1~0.则该评论内容属于消极情感。将一天中所有评论内容按照情感得分分为积极情感的评论和消极情感的评论，并统计积极情感的评论数量。进一步的，计算积极情感平均值。

其次，根据积极情感平均值、对应评论内容的数量和对应评论内容的评论标识数量确定积极情感态势分值。

可以理解的是，对于同一次历史舆情事件，同一个评论标识可以发表多条评论内容。同样的，对于同一次历史舆情事件，同一个评论标识在同一天内也可以发表多条评论。由此，本申请实施例中规定积极情感态势分值为积极情感平均值、对应评论内容的数量和对应评论内容的评论标识数量之积。当然，在其他实施例中，也可以将积极情感态势分值与积极情感平均值、对应评论内容的数量及对应评论内容的评论标识数量之间设置为其他关系。不仅如此，还可以在计算积极情感态势分值加入更多参数，以使积极情感态势分值能够描述的数据更加全面。

同理，统计积极情感的评论数量，根据反映消极情感的情感得分和对应评论内容的数量确定消极情感平均值。而后，根据消极情感平均值、对应评论内容的数量和对应评论内容的评论标识数量确定消极情感态势分值，同样的，在本申请实施中，消极情感态势分值为消极情感平均值、对应评论内容的数量和对应评论内容的评论标识数量之积。

当确定积极情感态势分值和消极情感态势分值后，可以根据积极情感态势分值和消极情感态势分值确定情感态势分值。由于本申请实施例中规定情感得分为正数时反映为积极情感，情感得分为负数时反映为消极情感，故，优选的，情感态势分值为积极情感态势分值与消极情感态势分值的绝对值的差。在其他实施例中，情感态势分值的计算方式可以根据情感得分的评分规则、积极情感态势分值的计算方式、消极情感态势分值的计算方式做适应性调整。

对于每一次历史舆情事件每一天的评论数据，都可以按照上述方式计算对应的情感态势分值。以一次已经结束的历史舆情事件为例，其按照日期的情感态势分值的表现方式可以为：对所有计算得到的情感态势分值按照日期排序，并为之派生天序号，即1~n，代表第一天到第n天。将天序号和与之对应的情感态势分值一并转置为列，从而形成舆情的每日发展的情感态势数据集。值得说明的是，若历史舆情事件仍处于持续发展中，则对于没有计算得到情感态势分值的日期，其情感态势分值可以填写零以作补充。

当按照上述处理方式对所有舆情数据进行处理后，即可对历史舆情事件的情感趋势进行预测，具体方法如下：

S400：获取预设的时间节点。

可以理解的是，对于一次历史舆情事件，其持续时间可能是7天，8天，9天或者更长的时间。在一个具体的示例中，假设一次历史舆情事件的持续时间为7天，当前为第5天，则可以用前5天的评论数据得到的情感态势分值预测后2天的情感态势分值，以预测舆情的情感态势。假设一次历史舆情事件的持续时间为9天，当前为第6天，则可以用前6天的评论数据得到的情感态势分值预测后3天的情感态势分值，以预测舆情的情感态势。其中，当前的时间节点即可作为本步骤中预设的时间节点。

当确定时间节点后，可以按照如下步骤对情感态势分值进行预测。

S500：根据舆情事件样本中每个历史舆情事件处于时间节点外的情感态势分值训练，并得到预测模型。

S600：根据所述预测模块和舆情事件集合中每个历史舆情事件处于时间节点内的情感态势分值确定情感态势预测值。

其中，舆情事件样本为具有处于时间节点外的情感态势分值的历史舆情事件集合。舆情事件集合为只具有处于时间节点内的情感态势分值的历史舆情事件集合。为了便于理解，下面给出一个具体的示例进行说明。例如，预设的时间节点为第5天，那么将至少具有第6天的情感态势分值的历史舆情事件组成舆情事件样本，将只有5天的情感态势分值的历史舆情事件组成舆情事件集合。

进一步的，预测模型能够预测时间节点后一天的情感态势预测值。对于需要预测未来连续几天中每天的情感态势预测值，则需要预设多个时间节点，并根据对应的舆情事件样本训练多个预测模型，以分别预测每天的情感态势预测值。同样的，对于不同的时间节点，对应的舆情事件集合也各不相同。

下面以用5天的情感态势分值预测未来3天的情感态势预测值为例进行详细说明：

在预测第6天的情感态势预测值时，舆情事件样本为至少具有第6天的情感态势分值的历史舆情事件组成的集合。选择舆情事件样本中所有历史舆情事件前6天的情感态势分值，并以前5天的情感态势分值作为自变量，以第6天的情感态势分值作为目标训练预测模型。使用该预测模型根据舆情事件集合所有历史舆情事件的前5天情感态势分值预测第6天的情感态势预测值。此时，舆情事件集合为只有5天的情感态势分值的历史舆情事件组成的集合。

在预测第7天的情感态势预测值时，首先将时间节点调整为第6天。此时，舆情事件样本为至少具有第7天的情感态势分值的历史舆情事件组成的集合。舆情事件集合为只有6天的情感态势分值的历史舆情事件组成的集合。舆情事件集合可以包括只有6天的情感态势分值的历史舆情事件，还可以包括只有5天的情感态势分值的历史舆情事件及第6天的情感态势预测值的历史舆情事件。选择舆情事件样本中所有历史舆情事件前7天的情感态势分值，并以前6天的情感态势分值作为自变量，以第7天的情感态势分值作为目标训练预测模型。使用该预测模型根据舆情事件集合所有历史舆情事件的前6天情感态势分值和情感态势预测值预测第7天的情感态势预测值。

在预测第8天的情感态势预测值时，首先将时间节点调整为第7天。此时，舆情事件样本为至少具有第8天的情感态势分值的历史舆情事件组成的集合。舆情事件集合为只有7天的情感态势分值的历史舆情事件组成的集合。舆情事件集合可以包括只有7天的情感态势分值的历史舆情事件，还可以包括只有5天的情感态势分值的历史舆情事件及第6天、第7天的情感态势预测值的历史舆情事件，还可以包括只有6天的情感态势分值的历史舆情事件及第7天的情感态势预测值的历史舆情事件。选择舆情事件样本中所有历史舆情事件前8天的情感态势分值，并以前7天的情感态势分值作为自变量，以第8天的情感态势分值作为目标训练预测模型。使用该预测模型根据舆情事件集合所有历史舆情事件的前7天情感态势分值和情感态势预测值预测第8天的情感态势预测值。

本申请实施例提供的舆情情感态势预测方法能够准确预测未来连续几天的情感态势预测值，从而有助于公安等相关部门的工作人员分析舆情事件的情感态势走向，以在舆情向消极态势发展时，工作人员介入阻止舆情继续扩大，从而一定程度地避免产生严重的负面影响。

图2为本申请一种实施例提供的舆情情感态势预测系统。

如图2所示的舆情情感态势预测系统，包括数据获取模块21、分组模块22、确定模块23、节点获取模块24、训练模块25和预测模块26，其中：

数据获取模块21，用于获取舆情数据，所述舆情数据包括历史舆情事件，每一次历史舆情事件都包括评论数据，所述评论数据包括评论内容、评论时间和评论标识，所述评论内容、评论时间和评论标识一一对应。

分组模块22，用于基于分组规则，根据所述评论时间对每一次历史舆情事件的评论内容分组。

确定模块23，用于基于评分模型，根据评论内容和评论标识依次确定每一次历史舆情事件的每个分组的情感态势分值。

节点获取模块24，用于获取预设的时间节点。

训练模块25，用于根据舆情事件样本中每个历史舆情事件处于时间节点外的情感态势分值训练，并得到预测模型，所述舆情事件样本为具有处于时间节点外的情感态势分值的历史舆情事件的集合。

预测模块26，用于根据舆情事件样本中每个历史舆情事件处于时间节点外的情感态势分值训练，并得到预测模型，所述舆情事件样本为具有处于时间节点外的情感态势分值的历史舆情事件的集合。

图3示出了适于用来实现本申请实施例的智能终端的结构示意图。

如图3所示，智能终端包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有系统操作所需的各种程序和数据。CPU 301、ROM302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。

特别地，根据本申请的实施例，上文参考流程图图1描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在机器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。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示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：具有一种或多种导线的电连接、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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，前述模块、程序段、或代码的一部分包含一种或多种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。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括：数据获取模块21、分组模块22、确定模块23、节点获取模块24、训练模块25和预测模块26。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，数据获取模块21还可以被描述为“用于获取舆情数据的模块”。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的智能终端中所包含的；也可以是单独存在，而未装配入该智能终端中的。上述计算机可读存储介质存储有一个或者多个程序，当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的舆情情感态势预测方法。

以上描述仅为本申请的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，本申请中所涉及的申请范围，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前述申请构思的情况下，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。例如上述特征与本申请中申请的(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)

1.一种舆情情感态势预测方法，其特征在于，所述方法包括：

获取舆情数据，所述舆情数据包括历史舆情事件，每一次历史舆情事件都包括评论数据，所述评论数据包括评论内容、评论时间和评论标识，一条评论内容对应一个评论时间和一个评论标识；

基于分组规则，根据所述评论时间对每一次历史舆情事件的评论内容分组；

基于评分模型，根据评论内容和评论标识依次确定每一次历史舆情事件的每个分组的情感态势分值；

获取预设的时间节点；

根据舆情事件样本中每个历史舆情事件处于时间节点外的情感态势分值训练，并得到预测模型，所述舆情事件样本为具有处于时间节点外的情感态势分值的历史舆情事件的集合；

根据所述预测模型和舆情事件集合中每个历史舆情事件处于时间节点内的情感态势分值确定情感态势预测值，所述舆情事件集合为只具有处于时间节点内的情感态势分值的历史舆情事件的集合。

2.根据权利要求1所述的方法，其特征在于，所述评分模型包括第一评分模型和第二评分模型，所述基于评分模型，根据评论内容和评论标识依次确定每一次历史舆情事件的每个分组的情感态势分值包括：

基于所述第一评分模型，依次确定每个分组中每个评论内容的情感得分，所述情感得分反映积极情感或消极情感；

基于所述第二评分模型，根据反映积极情感的情感得分和对应评论内容的评论标识依次确定每一次历史舆情事件的每个分组中的积极情感态势分值，根据反映消极情感的情感得分和对应评论内容的评论标识依次确定每一次历史舆情事件的每个分组中的消极情感态势分值，根据同组的积极情感态势分值和消极情感态势分值依次确定每一次历史舆情事件的每个分组的情感态势分值。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第二评分模型，根据反映积极情感的情感得分和对应评论内容的评论标识依次确定每一次历史舆情事件的每个分组中的积极情感态势分值包括：

根据反映积极情感的情感得分和对应评论内容的数量确定积极情感平均值；

根据所述积极情感平均值、对应评论内容的数量和对应评论内容的评论标识数量确定积极情感态势分值。

4.根据权利要求3所述的方法，其特征在于，所述积极情感态势分值为积极情感平均值、对应评论内容的数量和对应评论内容的评论标识数量之积。

5.根据权利要求2所述的方法，其特征在于，基于所述第二评分模型，根据反映消极情感的情感得分和对应评论内容的评论标识依次确定每一次历史舆情事件的每个分组中的消极情感态势分值包括：

根据反映消极情感的情感得分和对应评论内容的数量确定消极情感平均值；

根据所述消极情感平均值、对应评论内容的数量和对应评论内容的评论标识数量确定消极情感态势分值。

6.根据权利要求5所述的方法，其特征在于，所述消极情感态势分值为消极情感平均值、对应评论内容的数量和对应评论内容的评论标识数量之积。

7.根据权利要求6所述的方法，其特征在于，所述情感态势分值为积极情感态势分值与消极情感态势分值的绝对值之差。

8.一种舆情情感态势预测系统，其特征在于，包括，

数据获取模块(21)，用于获取舆情数据，所述舆情数据包括历史舆情事件，每一次历史舆情事件都包括评论数据，所述评论数据包括评论内容、评论时间和评论标识，一条评论内容对应一个评论时间和一个评论标识；

分组模块(22)，用于基于分组规则，根据所述评论时间对每一次历史舆情事件的评论内容分组；

确定模块(23)，用于基于评分模型，根据评论内容和评论标识依次确定每一次历史舆情事件的每个分组的情感态势分值；

节点获取模块(24)，用于获取预设的时间节点；

训练模块(25)，用于根据舆情事件样本中每个历史舆情事件处于时间节点外的情感态势分值训练，并得到预测模型，所述舆情事件样本为具有处于时间节点外的情感态势分值的历史舆情事件的集合；以及，

预测模块(26)，用于根据所述预测模型和舆情事件集合中每个历史舆情事件处于时间节点内的情感态势分值确定情感态势预测值，所述舆情事件集合为只具有处于时间节点内的情感态势分值的历史舆情事件的集合。

9.一种智能终端，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。

10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。

Images