CN117077628A - 舆情应对预案生成方法、装置、服务器及存储介质 - Google Patents
舆情应对预案生成方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN117077628A CN117077628A CN202311036602.8A CN202311036602A CN117077628A CN 117077628 A CN117077628 A CN 117077628A CN 202311036602 A CN202311036602 A CN 202311036602A CN 117077628 A CN117077628 A CN 117077628A
- Authority
- CN
- China
- Prior art keywords
- public opinion
- sentence
- coping
- risk type
- plan
- 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
Links
- 230000010485 coping Effects 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011161 development Methods 0.000 claims abstract description 128
- 230000004044 response Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 230000018109 developmental process Effects 0.000 description 111
- 238000012549 training Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000005192 partition Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000005526 G1 to G0 transition Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例涉及自然语言处理和金融领域,提供了一种舆情应对预案生成方法、装置、服务器及存储介质,该方法包括:获取舆情事件对应的报道文章集合;对每个报道文章进行分句,得到句子集合,识别句子集合中每个句子的风险类型,并根据每个句子的风险类型,确定目标风险类型;根据报道文章集合确定舆情事件所处的舆情发展阶段;根据目标风险类型和舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本;根据舆情事件对应的舆情文本、应对预案文本和预设预案生成条件,生成舆情应对预案文本。该方法提高了生成舆情应对预案文本的效率和准确性。
Description
技术领域
本申请涉及自然语言处理技术领域,尤其涉及一种舆情应对预案生成方法、装置、服务器及存储介质。
背景技术
舆情事件是指与金融领域相关的舆情事件,例如,某个保险企业的员工在处理车险理赔时,态度极其不好,此事件被客户曝光到网络,并且一些新闻媒体也发布了关于此事件的报道文章。当发生舆情事件时,与舆情事件相关的金融企业需要采用对应的预案来应对舆情事件,以减少舆情事件给金融企业的声誉带来的影响。
但是,目前金融企业应对舆情事件时多依赖人力,需要经历决策、讨论、撰写公关文案和审核发布等多个阶段,而应对舆情事件的黄金时间仅有48小时,仅仅依赖人力,无法在短时间内针对舆情事件给出准确的舆情应对预案。因此,如何准确高效地生成舆情事件的舆情应对预案是目前亟待解决的问题。
发明内容
本申请实施例提供一种舆情应对预案生成方法、装置、服务器及存储介质,旨在准确高效地生成舆情事件的舆情应对预案。
第一方面,本申请实施例提供一种舆情应对预案生成方法,包括:
获取舆情事件对应的报道文章集合,所述报道文章集合包括不同媒体发布的与所述舆情事件关联的报道文章;
对每个所述报道文章进行分句,得到句子集合,识别所述句子集合中每个句子的风险类型,并根据每个所述句子的风险类型,确定目标风险类型;
根据所述报道文章集合确定所述舆情事件所处的舆情发展阶段;
根据所述目标风险类型和所述舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本;
根据所述舆情事件对应的舆情文本、所述应对预案文本和预设预案生成条件,生成舆情应对预案文本。
第二方面,本申请实施例还提供一种舆情应对预案生成装置,所述舆情应对预案生成装置包括:
获取模块,被配置为获取舆情事件对应的报道文章集合,所述报道文章集合包括不同媒体发布的与所述舆情事件关联的报道文章;
风险类型确定模块,被配置为对每个所述报道文章进行分句,得到句子集合,识别所述句子集合中每个句子的风险类型,并根据每个所述句子的风险类型,确定目标风险类型;
发展阶段确定模块,被配置为根据所述报道文章集合确定所述舆情事件所处的舆情发展阶段;
预案匹配模块,被配置为根据所述目标风险类型和所述舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本;
预案生成模块,被配置为根据所述舆情事件对应的舆情文本、所述应对预案文本和预设预案生成条件,生成舆情应对预案文本。
第三方面,本申请实施例还提供一种服务器,所述服务器包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如第一方面所述的舆情应对预案生成方法。
第四方面,本申请实施例还提供一种存储介质,所述存储介质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,实现如第一方面所述的舆情应对预案生成方法。
本申请实施例提供一种舆情应对预案生成方法、装置、服务器及存储介质,该方法通过对舆情事件对应的报道文章集合中的每个报道文章进行分句,得到句子集合,识别句子集合中每个句子的风险类型,并根据每个句子的风险类型,可以准确地确定舆情事件的目标风险类型,并且通过该报道文章集合也可以准确地确定舆情事件所处的舆情发展阶段,然后根据目标风险类型和舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本,根据舆情事件对应的舆情文本、该应对预案文本以及预设预案生成条件,可以生成关于如何处理舆情事件的舆情应对预案文本,整个过程不需要人工参与,极大地提高了舆情应对预案的生成效率和准确性。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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他的附图。
图1是本申请实施例提供的一种舆情应对预案生成方法的流程示意图;
图2是实施本实施例提供的舆情应对预案生成方法的一场景示意图;
图3是图1中的舆情应对预案生成方法的子步骤流程示意图;
图4是本申请实施例中确定舆情事件所处的舆情发展阶段的一步骤示意图;
图5是本申请实施例中确定舆情事件所处的舆情发展阶段的另一步骤示意图;
图6是本申请实施例中确定舆情事件所处的舆情发展阶段的又一步骤示意图;
图7是本申请实施例中确定舆情事件所处的舆情发展阶段的再一步骤示意图;
图8是本申请实施例提供的一种舆情应对预案生成装置的示意性框图;
图9是本申请实施例提供的一种服务器的结构示意性框图。
本申请目的的实现、功能特点及优点将结合实施例,参阅附图做进一步说明。
具体实施方式
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做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。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
舆情事件是指与金融领域相关的舆情事件,例如,某个保险企业的员工在处理车险理赔时,态度极其不好,此事件被客户曝光到网络,并且一些新闻媒体也发布了关于此事件的报道文章。当发生舆情事件时,与舆情事件相关的金融企业需要采用对应的预案来应对舆情事件,以减少舆情事件给金融企业的声誉带来的影响。但是,目前金融企业进行舆情事件处理时多依赖人力,需要经历决策、讨论、撰写公关文案和审核发布等多个阶段,而应对舆情事件的黄金时间仅有48小时,仅仅依赖人力,无法在短时间内针对舆情事件给出准确的舆情应对预案。
为解决上述问题,本申请实施例提供一种舆情应对预案生成方法、装置、服务器及存储介质。该方法通过对舆情事件对应的报道文章集合中的每个报道文章进行分句,得到句子集合,识别句子集合中每个句子的风险类型,并根据每个句子的风险类型,可以准确地确定舆情事件的目标风险类型,并且通过该报道文章集合也可以准确地确定舆情事件所处的舆情发展阶段,然后根据目标风险类型和舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本,根据舆情事件对应的舆情文本、该应对预案文本以及预设预案生成条件,可以生成关于如何处理舆情事件的舆情应对预案文本,整个过程不需要人工参与,极大地提高了舆情应对预案的生成效率和准确性。
本申请实施例中,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1是本申请实施例提供的一种舆情应对预案生成方法的流程示意图。
如图1所示,该舆情应对预案生成方法包括步骤S101至步骤S105。
步骤S101、获取舆情事件对应的报道文章集合。
本实施例中,该报道文章集合包括不同新闻媒体发布的与舆情事件关联的报道文章。其中,该舆情事件可以是金融舆情事件,金融舆情事件可以是与设定的金融企业相关的任一舆情事件。例如,某个保险企业的员工在处理车险理赔时,态度极其不好,此事件被客户曝光到网络,被曝光的此事件即为金融舆情事件。
在一些实施例中,终端设备显示预案生成配置界面,并在预案生成配置界面中显示用户输入或者上传的舆情文本;响应于用户对该预案生成配置界面中的确认按键的触发操作,根据用户输入或者上传的舆情文本,生成预案生成请求,将该预案生成请求发送给服务器;服务器在接收到该预案生成请求时,对该预案生成请求进行解析,得到舆情文本,获取舆情文本描述的舆情事件对应的报道文章集合。
在一些实施例中,服务器使用预设爬虫程序从网络中爬取与设定的金融企业名称相关的报道文章;通过聚类模型对爬取的全部新闻报告文章进行聚类处理,得到不同舆情事件各自对应的报道文章集合,并将每个报道文章集合存储至分布式存储系统的存储分区,一个报道文章集合对应一个存储分区;对于每个报道文章集合,根据报道文章集合中的报道文章的新闻正文,生成舆情文本,该舆情文本用于描述舆情事件,并将该舆情文本与存储分区进行关联绑定。其中,预设爬虫程序可以基于实际情况进行设置,本申请实施例对此不做具体限定。
在一些实施例中,获取舆情文本描述的舆情事件对应的报道文章集合可以包括:计算舆情事件的舆情文本与每个存储分区绑定的舆情文本之间的相似度;将最高的相似度所对应的舆情文本确定为匹配舆情文本,获取该匹配舆情文本对应的存储分区中的全部报道文章,以形成舆情事件对应的报道文章集合。例如,分布式存储系统包括存储分区A、存储分区B和存储分区C,存储分区A、存储分区B和存储分区C分别与舆情文本Text1、舆情文本Text2和舆情文本Text3对应,如果舆情事件的舆情文本TextA与舆情文本Text1、舆情文本Text2和舆情文本Text3之间的相似度中,舆情文本TextA与舆情文本Text2之间的相似度最高,则可以获取存储分区B中的全部报道文章,以形成舆情事件对应的报道文章集合。
如图2所示,服务器100分别与终端设备200和分布式存储系统300通信连接。其中,终端设备200用于向服务器100发送携带舆情文本的预案生成请求,服务器100在接收到该预案生成请求时,对该预案生成请求进行解析,得到舆情文本,并从分布式存储系统300中获取该舆情文本对应的报道文章集合。
步骤S102、对每个报道文章进行分句,得到句子集合,识别句子集合中每个句子的风险类型,并根据每个句子的风险类型,确定目标风险类型。
本实施例中,目标风险类型可以为一个或多个,本申请实施例对此不做具体限定。其中,句子的风险类型可以包括信用风险、市场风险、操作风险、利率风险、流动性风险、国别风险、战略风险、信息科技风险、保险风险和其他风险中的至少一项。句子的风险类型还可以包括组织与管理风险、战略风险、产品质量风险、公司治理风险、组织结构风险、违法违规风险和经营不善风险等中的至少一项。
在一些实施例中,识别句子集合中每个句子的风险类型可以包括:运行预设的风险分类模型对句子集合中的每个句子进行风险类型识别,得到每个所述句子的风险类型。其中,风险分类模型是根据多个训练样本对预设多分类模型进行训练得到的,该训练样本包括训练文本和训练文本中的各句子的风险类型。可以理解的是,预设多分类模型可以基于实际情况进行设置,本发明实施例对此不做具体限定。例如,预设多分类模型为梯度提升决策树(Gradient Boosting Decision Tree,GBDT)或卷积神经网络模型(ConvolutionalNeural Networks,CNN)等。
在一些实施例中,如图3所示,步骤S102包括:子步骤S1021至子步骤S1025。
子步骤S1021、对于每个句子,获取句子在对应的报道文章中的位置、报道文章的阅读量、报道文章的转发量、报道文章所属新闻媒体的媒体层级中的至少一项。
本实施例中,句子在对应的报道文章中的位置可以是报道文章的标题位置、摘要位置、正文头部位置、正文中部位置和正文尾部位置中的任一项位置。句子对应的报道文章的所属新闻媒体的媒体层级可以为中央权威、核心财经、综合门户、资讯客户端、自媒体和其他这6个层级中的任一层级。中央权威、核心财经、综合门户、资讯客户端、自媒体和其他这6个层级中,媒体层级由低到高分别为其他、自媒体、资讯客户端、综合门户、核心财经和中央权威,中央权威这一层级最高,其他这一层级最低。
子步骤S1022、根据位置、阅读量、转发量和媒体层级中的至少一项,确定句子的目标重要性评分。
本实施例中,通过句子在对应的报道文章中的位置、报道文章的阅读量、报道文章的转发量和新闻媒体的媒体层级中的至少一项,可以准确地确定句子的目标重要性评分。
在一些实施例中,根据位置、阅读量、转发量和新闻媒体的媒体层级,确定句子的目标重要性评分可以包括:根据句子在对应的报道文章中的位置,确定句子的第一重要性评分;根据阅读量和转发量,确定句子的第二重要性评分;根据句子对应的新闻报道文章所属新闻媒体的媒体层级,确定句子的第三重要性评分;对第一重要性评分、第二重要性评分和第三重要性评分进行加权求和,得到句子的目标重要性评分。
示例性的,根据句子在对应的报道文章中的位置,确定句子的第一重要性评分可以包括:根据句子在对应的报道文章中的位置,在第一映射关系信息中查询与该位置对应的重要性评分,并将查询到的重要性评分确定为第一重要性评分。其中,第一映射关系信息可以用第一映射关系表进行描述,也可以用第一关系曲线进行描述,本申请实施例对此不做具体限定。
示例性的,根据阅读量和转发量,确定句子的第二重要性评分可以包括:根据阅读量和转发量,在第二映射关系信息中查询与阅读量和转发量对应的重要性评分,并将查询到的重要性评分确定为第二重要性评分。其中,第二映射关系信息可以用第二映射关系表进行描述,也可以用第二关系曲线进行描述,本申请实施例对此不做具体限定。
示例性的,根据句子对应的报道文章所属新闻媒体的媒体层级,确定句子的第三重要性评分可以包括:根据句子对应的报道文章所属新闻媒体的媒体层级,在第三映射关系信息中查询与该等级对应的重要性评分,并将查询到的重要性评分确定为第三重要性评分。
示例性的,对第一重要性评分、第二重要性评分和第三重要性评分进行加权求和,得到句子的目标重要性评分可以包括:计算第一重要性评分与第一预设系数的乘积,得到第一加权重要性评分;计算第二重要性评分与第二预设系数的乘积,得到第二加权重要性评分;计算第三重要性评分与第三预设系数的乘积,得到第三加权重要性评分;对第一加权重要性评分、第二加权重要性评分和第三加权重要性评分进行求和,得到句子的目标重要性评分。其中,第一预设系数小于第二预设系数,第二预设系数小于第三预设系数,第一预设系数、第二预设系数和第三预设系数之和为1,第一预设系数、第二预设系数和第三预设系数可以基于实际情况进行设置,本申请实施例对此不做具体限定。
子步骤S1023、将相同风险类型所对应的全部句子的目标重要性评分进行累加,得到每种风险类型各自对应的重要性评分。
本实施例中,每个句子的风险类型形成的风险类型集合可以包括多个不同的风险类型。举例而言,风险类型集合可以包括风险类型A、风险类型B、风险类型C、风险类型D和风险类型E。例如,风险类型A所对应的全部句子包括句子V1、句子V2、句子V3、句子V4和句子V5,句子V1、句子V2、句子V3、句子V4和句子V5的目标重要性评分分别为N1、N2、N3、N4和N5,则风险类型A对应的重要性评分为N1+N2+N3+N4+N5。
子步骤S1024、按照每种风险类型各自对应的重要性评分的大小顺序,对每种风险类型进行排序,得到风险类型队列。
例如,风险类型A、风险类型B、风险类型C、风险类型D和风险类型E的重要性评分分别为80、75、95、83和90,按照风险类型A、风险类型B、风险类型C、风险类型D和风险类型E各自对应的重要性评分的大小顺序,对风险类型A、风险类型B、风险类型C、风险类型D和风险类型E进行排序,可以得到风险类型队列[风险类型C,风险类型E,风险类型D,风险类型A,风险类型B]。
子步骤S1025、将风险类型队列中的前N个风险类型确定为目标风险类型。
本实施例中,N为大于或等于1的整数。例如,风险类型队列为[风险类型C,风险类型E,风险类型D,风险类型A,风险类型B],N=2,则可以将风险类型队列[风险类型C,风险类型E,风险类型D,风险类型A,风险类型B]中的前2个风险类型,即风险类型C和风险类型E确定为目标风险类型。
步骤S103、根据报道文章集合确定舆情事件所处的舆情发展阶段。
本实施例中,舆情发展阶段包括发生期、潜伏期、发展期、高潮期和平稳期中的任一项。可以理解的是,舆情事件的舆情发展阶段的变化过程通常为发生期→潜伏期→发展期→高潮期→平稳期,或者也可以为潜伏期→发展期→高潮期→平稳期,或者还可以为高潮期→平稳期,或者也可以为发生期→潜伏期→发展期→平稳期,或者也可以为平稳期→高潮期,本申请实施例对此不做具体限定。
在一些实施例中,根据报道文章集合确定舆情事件所处的舆情发展阶段可以包括:根据报道文章集合确定报道舆情事件的报道文章的单日新增数量、累计数量和新闻媒体列表;根据单日新增数量、累计数量和新闻媒体列表,确定舆情事件所处的舆情发展阶段。本实施例通过综合考虑舆情事件的新闻报道的单日新增数量、累计数量和新闻媒体列表,可以准确地确定舆情事件所处的舆情发展阶段。
示例性的,统计报道文章集合中的报道文章的数量,得到累计数量;统计闻报道文章集合中的发布日期与当前日期相同的报道文章的数量,得到单日新增数量;获取报道文章集合中的每个报道文章所属的新闻媒体名称,根据获取到的新闻媒体名称,生成报道舆情事件的新闻媒体列表。
在一些实施例中,根据单日新增数量、累计数量和新闻媒体列表,确定舆情事件所处的舆情发展阶段可以包括:确定新闻媒体列表中是否存在预设新闻媒体,得到对应的确定结果;将单日新增数量、累计数量和确定结果输入预设的发展阶段分类模型进行发展阶段分类处理,得到舆情事件所处的舆情发展阶段。其中,预设新闻媒体可以为中央权威媒体或核心财经媒体,核心财经媒体可以包括财经网、财新网、第一财经、界面新闻、经济观察网、经济日报、央视财经、中新经纬和每日经济新闻等中的至少一项。中央权威媒体可以包括人民日报、新华社、求是、解放军报、光明日报、经济日报、中国日报、中央人民广播电台、中央电视台、中央国际广播电台、科技日报、中国纪检监察报、工人日报、中国青年报、中国妇女报、农民日报、法制日报和中新社中的至少一项。
示例性的,预设的发展阶段分类模型是根据多个目标样本对神经网络模型进行训练得到的,该目标样本包括报到舆情事件的报道文章的单日新增数量、累计数量、核心财经媒体的示性变量、中央权威媒体的示性变量以及对应的舆情发展阶段。其中,核心财经媒体的示性变量用于描述报到舆情事件的报道文章所属的新闻媒体是否为核心财经媒体,中央权威媒体的示性变量用于描述报到舆情事件的报道文章所属的新闻媒体是否为中央权威媒体。
在一些实施例中,根据单日新增数量、累计数量和新闻媒体列表,确定舆情事件所处的舆情发展阶段可以包括:在未确定舆情事件所处的舆情发展阶段,或者舆情事件所处的历史舆情发展阶段为发生期或潜伏期的情况下,若新闻媒体列表中不存在中央权威媒体和核心财经媒体,且累计数量小于或等于第一数量阈值,则确定舆情事件所处的舆情发展阶段为发生期;若新闻媒体列表中不存在中央权威媒体和核心财经媒体,且累计数量大于第一数量阈值,单日新增数量小于第二数量阈值,则确定舆情事件所处的舆情发展阶段为潜伏期;若新闻媒体列表中不存在中央权威媒体和核心财经媒体,且累计数量大于第一数量阈值,单日新增数量大于或等于第二数量阈值,小于或等于第三数量阈值,或者新闻媒体列表中不存在中央权威媒体而存在核心财经媒体,且单日新增数量小于或等于第三数量阈值,则确定舆情事件所处的舆情发展阶段为发展期;若新闻媒体列表中存在中央权威媒体、新闻媒体列表中不存在中央权威媒体而存在核心财经媒体,且单日新增数量大于第三数量阈值或者新闻媒体列表中不存在中央权威媒体和核心财经媒体,累计数量大于第一数量阈值,单日新增数量大于第三数量阈值,则确定舆情事件所处的舆情发展阶段为高潮期。
可以理解的是,第一数量阈值、第二数量阈值和第三数量阈值可基于实际情况进行设置,本申请实施例对此不做具体限定。例如,第一数量阈值为20,第二数量阈值为10,第三数量阈值为50。举例而言,如图4所示,确定舆情事件所处的舆情发展阶段可以包括步骤S11至S19。
步骤S11、判断新闻媒体列表中是否存在中央权威媒体,若是,则执行步骤S20,若否,则执行步骤S12;
步骤S12、判断新闻媒体列表中是否存在核心财经媒体,若是,则执行步骤S15,若否,则执行步骤S13;
步骤S13、判断累计数量是否大于20,若是,则执行步骤S16,若否,则执行步骤S14;
步骤S14、确定舆情事件所处的舆情发展阶段为发生期;
步骤S15、判断单日新增数量是否大于50,若是,则执行步骤S20,若否,则执行步骤S18;
步骤S16、判断单日新增数量是否大于10,若是,则执行步骤S19,若否,则执行步骤S17;
步骤S17、确定舆情事件所处的舆情发展阶段为潜伏期;
步骤S18、确定舆情事件所处的舆情发展阶段为发展期;
步骤S19、判断单日新增数量是否大于50,若否,则执行步骤S18,若是,则执行步骤S20。
步骤S20、确定舆情事件所处的舆情发展阶段为高潮期。
在一些实施例中,根据单日新增数量、累计数量和新闻媒体列表,确定舆情事件所处的舆情发展阶段可以包括:在舆情事件所处的历史舆情发展阶段为发展期时,若新闻媒体列表中不存在中央权威媒体和核心财经媒体,且单日新增数量小于或等于第二数量阈值,则确定舆情事件所处的舆情发展阶段为平稳期;若新闻媒体列表中不存在中央权威媒体和核心财经媒体,且单日新增数量大于第二数量阈值,且小于或等于第三数量阈值或者新闻媒体列表中不存在中央权威媒体而存在核心财经媒体,且单日新增数量小于或等于第三数量阈值,则确定舆情事件所处的舆情发展阶段为发展期;若新闻媒体列表中不存在中央权威媒体和核心财经媒体,且单日新增数量大于第三数量阈值、新闻媒体列表中不存在中央权威媒体而存在核心财经媒体,且单日新增数量大于第三数量阈值或者新闻媒体列表中存在中央权威媒体,则确定舆情事件所处的舆情发展阶段为高潮期。
举例而言,如图5所示,在舆情事件所处的历史舆情发展阶段为发展期时,确定舆情事件所处的舆情发展阶段可以包括步骤S21至S28。
步骤S21、判断新闻媒体列表中是否存在中央权威媒体,若是,则执行步骤S28,若否,则执行步骤S22;
步骤S22、判断新闻媒体列表中是否存在核心财经媒体,若是,则执行步骤S25,若否,则执行步骤S23;
步骤S23、判断单日新增数量是否大于10,若是,则执行步骤S27,若否,则执行步骤S24;
步骤S24、确定舆情事件所处的舆情发展阶段为平稳期;
步骤S25、判断单日新增数量是否大于50,若是,则执行步骤S28,若否,则执行步骤S26;
步骤S26、确定舆情事件所处的舆情发展阶段为发展期;
步骤S27、判断单日新增数量是否大于50,若是,则执行步骤S28,若否,则执行步骤S26;
步骤S28、确定舆情事件所处的舆情发展阶段为高潮期。
在一些实施例中,根据单日新增数量、累计数量和新闻媒体列表,确定舆情事件所处的舆情发展阶段可以包括:在舆情事件所处的历史舆情发展阶段为平稳期时,若新闻媒体列表中不存在中央权威媒体和核心财经媒体,且单日新增数量小于或等于第四数量阈值,则确定舆情事件所处的舆情发展阶段为平稳期;若新闻媒体列表中不存在中央权威媒体和核心财经媒体,且单日新增数量大于第四数量阈值,小于或等于第三数量阈值或者新闻媒体列表中不存在中央权威媒体而存在核心财经媒体,且单日新增数量小于或等于第三数量阈值,则确定舆情事件所处的舆情发展阶段为发展期;若新闻媒体列表中不存在中央权威媒体和核心财经媒体,且单日新增数量大于第三数量阈值、新闻媒体列表中不存在中央权威媒体而存在核心财经媒体,且单日新增数量大于第三数量阈值或者新闻媒体列表中存在中央权威媒体,则确定舆情事件所处的舆情发展阶段为高潮期。
可以理解的是,第四数量阈值可以基于实际情况进行设置,本申请实施例对此不做具体限定。例如,第四数量阈值为15。举例而言,如图6所示,在舆情事件所处的历史舆情发展阶段为平稳期时,确定舆情事件所处的舆情发展阶段可以包括步骤S31至S38。
步骤S31、判断新闻媒体列表中是否存在中央权威媒体,若是,则执行步骤S38,若否,则执行步骤S32;
步骤S32、判断新闻媒体列表中是否存在核心财经媒体,若是,则执行步骤S35,若否,则执行步骤S33;
步骤S33、判断单日新增数量是否大于15,若是,则执行步骤S37,若否,则执行步骤S34;
步骤S34、确定舆情事件所处的舆情发展阶段为平稳期;
步骤S35、判断单日新增数量是否大于50,若是,则执行步骤S38,若否,则执行步骤S36;
步骤S36、确定舆情事件所处的舆情发展阶段为发展期;
步骤S37、判断单日新增数量是否大于50,若是,则执行步骤S38,若否,则执行步骤S36;
步骤S38、确定舆情事件所处的舆情发展阶段为高潮期。
在一些实施例中,根据单日新增数量、累计数量和新闻媒体列表,确定舆情事件所处的舆情发展阶段可以包括:在舆情事件所处的历史舆情发展阶段为高潮期时,若新闻媒体列表中不存在中央权威媒体,且单日新增数量小于第二数量阈值,则确定舆情事件所处的舆情发展阶段为平稳期;若新闻媒体列表中不存在中央权威媒体,且单日新增数量大于或等于第二数量阈值或新闻媒体列表中存在中央权威媒体,则确定舆情事件所处的舆情发展阶段为高潮期。
举例而言,如图7所示,在舆情事件所处的历史舆情发展阶段为高潮期时,确定舆情事件所处的舆情发展阶段可以包括步骤S41至S44。
步骤S41、判断新闻媒体列表中是否存在中央权威媒体,若是,则执行步骤S44,若否,则执行步骤S42;
步骤S42、判断单日新增数量是否小于10,若是,则执行步骤S43,若否,则执行步骤S44;
步骤S43、确定舆情事件所处的舆情发展阶段为平稳期;
步骤S44、确定舆情事件所处的舆情发展阶段为高潮期。
在一些实施例中,在报道舆情事件的报道文章的单日新增数量连续n天为零,则可以确定舆情事件已结束。其中,n为大于或等于3的整数。
步骤S104、根据目标风险类型和舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本。
本实施例中,预设应对预案文本库包括预先生成的多个应对预案文本。例如,利用专家知识,撰写每种风险类型下的不同发展阶段的一个或多个参考预案提示句,从而建立风险类型、发展阶段与参考预案提示句之间的对应关系,然后通过分析具有代表性的舆情事件所对应的报道文章,人工提取报道文章中的关键内容,将该舆情事件对应的参考预案提示句与该关键内容进行比较,替换掉该参考预案提示句中的部分表达,生成新的参考预案提示句,从而建立风险类型、发展阶段与参考预案提示句之间的新的对应关系,最后以风险类型、发展阶段与参考预案提示句之间的新的对应关系为基准,通过人工撰写不同风险类型和发展阶段所对应的应对预案文本,得到预设应对预案文本库,并且建立风险类型、发展阶段与应对预案文本的文件名称之间的对应关系。
在一些实施例中,根据目标风险类型和舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本可以包括:获取与目标风险类型和舆情发展阶段对应的文件名称作为目标文件名称;从预设应对预案文本库中获取与目标文件名称匹配的应对预案文本。其中,可以通过风险类型、发展阶段与应对预案文本的文件名称之间的对应关系,获取与目标风险类型和舆情发展阶段对应的文件名称作为目标文件名称。
步骤S105、根据舆情事件对应的舆情文本、应对预案文本和预设预案生成条件,生成舆情应对预案文本。
本实施例中,舆情事件对应的舆情文本可以是舆情事件对应的报道文章集合中的任一报道文章的正文,也可以是对舆情事件对应的报道文章集合中的每个报道文章的正文进行融合得到的,本申请实施例对此不做具体限定。根据舆情事件对应的舆情文本、应对预案文本和预设预案生成条件,生成舆情应对预案文本,即是根据舆情事件对应的舆情文本和预设预案生成条件,对应对预案文本进行优化,从而生成更加准确的舆情应对预案文本。
在一些实施例中,根据舆情事件对应的舆情文本、应对预案文本和预设预案生成条件,生成舆情应对预案文本可以包括:运行预设的预案生成模型对舆情事件对应的舆情文本、应对预案文本和预设预案生成条件进行预案生成处理,得到舆情应对预案文本。其中,预设预案生成条件可以基于实际情况进行设置,本申请实施例对此不做具体限定。例如,预设预案生成条件可以包括生成具体、可行、可操作的预案。
可以理解的是,预设的预案生成模型是使用多个模型训练样本对神经网络模型进行训练得到的,模型训练样本包括历史舆情事件对应的舆情文本、应对预案文本以及标注的舆情应对预案文本。其中,该神经网络模型可以基于实际情况进行设置,本申请实施例对此不做具体限定。
例如,预设的预案生成模型是使用多个模型训练样本对GPT模型(GenerativePre-Trained Transformer,生成式预训练Transformer模型)进行微调得到的,GPT模型是一种基于互联网的、可用数据来训练的、文本生成的深度学习模型,具备文本生成能力,该GPT模型可以是ChatGPT模型。通过结合应对预案文本以及GPT模型的生成能力,使得生成的预案更加全面与准确,并且也考虑到了舆情事件的特定背景和需求,能够高效、准确、定制化地生成舆情应对预案。
举例而言,服务器可以根据目标舆情文本、应对预案文本和预设预案生成条件生成“请根据应对预案文本和目标舆情文本,生成满足预设预案生成条件的舆情应对预案文本”的指令,然后将该指令输入给预设GPT模型,这样预设GPT模型可以根据应对预案文本和目标舆情文本,生成满足预设预案生成条件的舆情应对预案文本。
上述实施例提供的舆情应对预案生成方法,通过对舆情事件对应的报道文章集合中的每个报道文章进行分句,得到句子集合,识别句子集合中每个句子的风险类型,并根据每个句子的风险类型,可以准确地确定舆情事件的目标风险类型,并且通过该报道文章集合也可以准确地确定舆情事件所处的舆情发展阶段,然后根据目标风险类型和舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本,根据舆情事件对应的舆情文本、该应对预案文本以及预设预案生成条件,可以生成关于如何处理舆情事件的舆情应对预案文本,整个过程不需要人工参与,极大地提高了舆情应对预案的生成效率和准确性。
请参阅图8,图8是本申请实施例提供的一种舆情应对预案生成装置的示意性框图。
如图8所示,该舆情应对预案生成装置400,包括:
获取模块410,被配置为获取舆情事件对应的报道文章集合,所述报道文章集合包括不同媒体发布的与所述舆情事件关联的报道文章;
风险类型确定模块420,被配置为对每个所述报道文章进行分句,得到句子集合,识别所述句子集合中每个句子的风险类型,并根据每个所述句子的风险类型,确定目标风险类型;
发展阶段确定模块430,被配置为根据所述报道文章集合确定所述舆情事件所处的舆情发展阶段;
预案匹配模块440,被配置为根据所述目标风险类型和所述舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本;
预案生成模块450,被配置为根据所述舆情事件对应的舆情文本、所述应对预案文本和预设预案生成条件,生成舆情应对预案文本。
在一些实施例中,所述风险类型确定模块420,还被配置为:
对于每个所述句子,获取所述句子在对应的所述报道文章中的位置、所述报道文章的阅读量、所述报道文章的转发量、所述报道文章所属新闻媒体的媒体层级中的至少一项;
根据所述位置、所述阅读量、所述转发量和所述媒体层级中的至少一项,确定所述句子的目标重要性评分;
将相同所述风险类型所对应的全部所述句子的目标重要性评分进行累加,得到每种所述风险类型各自对应的重要性评分;
按照每种所述风险类型各自对应的重要性评分的大小顺序,对每种所述风险类型进行排序,得到风险类型队列;
将所述风险类型队列中的前N个风险类型确定为目标风险类型,N为大于或等于1的整数。
在一些实施例中,所述风险类型确定模块420,还被配置为:
根据所述句子在对应的所述报道文章中的位置,确定所述句子的第一重要性评分;
根据所述阅读量和所述转发量,确定所述句子的第二重要性评分;
根据所述媒体层级,确定所述句子的第三重要性评分;
对所述第一重要性评分、第二重要性评分和第三重要性评分进行加权求和,得到所述句子的目标重要性评分。
在一些实施例中,所述预案生成模块440,还被配置为:
运行预设的预案生成模型对所述舆情事件对应的舆情文本、所述应对预案文本和预设预案生成条件进行预案生成处理,得到舆情应对预案文本。
在一些实施例中,所述发展阶段确定模块430,还被配置为:
根据所述报道文章集合确定报道所述舆情事件的报道文章的单日新增数量、累计数量和新闻媒体列表;
根据所述单日新增数量、所述累计数量和所述新闻媒体列表,确定所述舆情事件所处的舆情发展阶段。
在一些实施例中,所述发展阶段确定模块430,还被配置为:
确定所述新闻媒体列表中是否存在预设新闻媒体,得到对应的确定结果;
将所述单日新增数量、所述累计数量和所述确定结果输入预设的发展阶段分类模型进行发展阶段分类处理,得到所述舆情事件所处的舆情发展阶段,所述舆情发展阶段包括发生期、潜伏期、发展期、高潮期和平稳期中的任一项。
在一些实施例中,所述预案匹配模块440还被配置为:
获取与所述目标风险类型和所述舆情发展阶段对应的文件名称作为目标文件名称;
从预设应对预案文本库中获取与所述目标文件名称匹配的应对预案文本。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块及单元的具体工作过程,可以参考前述舆情应对预案生成方法实施例中的对应过程,在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图9所示的服务器上运行。
请参阅图9,图9是本申请实施例提供的一种服务器的结构示意性框图。如图9所示,该服务器包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括存储介质和内存储器。
存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种舆情应对预案生成方法。
处理器用于提供计算和控制能力,支撑整个服务器的运行。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图9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,具体的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。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现以下步骤:
获取舆情事件对应的报道文章集合,所述报道文章集合包括不同媒体发布的与所述舆情事件关联的报道文章;
对每个所述报道文章进行分句,得到句子集合,识别所述句子集合中每个句子的风险类型,并根据每个所述句子的风险类型,确定目标风险类型;
根据所述报道文章集合确定所述舆情事件所处的舆情发展阶段;
根据所述目标风险类型和所述舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本;
根据所述舆情事件对应的舆情文本、所述应对预案文本和预设预案生成条件,生成舆情应对预案文本。
在一些实施例中,所述处理器在实现根据每个所述句子的风险类型,确定目标风险类型时,用于实现:
对于每个所述句子,获取所述句子在对应的所述报道文章中的位置、所述报道文章的阅读量、所述报道文章的转发量、所述报道文章所属新闻媒体的媒体层级中的至少一项;
根据所述位置、所述阅读量、所述转发量和所述媒体层级中的至少一项,确定所述句子的目标重要性评分;
将相同所述风险类型所对应的全部所述句子的目标重要性评分进行累加,得到每种所述风险类型各自对应的重要性评分;
按照每种所述风险类型各自对应的重要性评分的大小顺序,对每种所述风险类型进行排序,得到风险类型队列;
将所述风险类型队列中的前N个风险类型确定为目标风险类型,N为大于或等于1的整数。
在一些实施例中,所述处理器在实现根据所述位置、所述阅读量、所述转发量和所述媒体层级,确定所述句子的目标重要性评分时,用于实现:
根据所述句子在对应的所述报道文章中的位置,确定所述句子的第一重要性评分;
根据所述阅读量和所述转发量,确定所述句子的第二重要性评分;
根据所述媒体层级,确定所述句子的第三重要性评分;
对所述第一重要性评分、第二重要性评分和第三重要性评分进行加权求和,得到所述句子的目标重要性评分。
在一些实施例中,所述处理器在实现确定每个所述报道文章中的各句子的风险类型时,用于实现:
将每个所述报道文章中的各句子输入预设的风险分类模型进行风险分类处理,得到每个所述句子的风险类型;
所述风险分类模型是根据多个训练样本对预设多分类模型进行训练得到的,所述训练样本包括训练文本和所述训练文本中的各句子的风险类型。
在一些实施例中,所述处理器在实现根据所述报道文章集合确定所述舆情事件所处的舆情发展阶段时,用于实现:
根据所述报道文章集合确定报道所述舆情事件的报道文章的单日新增数量、累计数量和新闻媒体列表;
根据所述单日新增数量、所述累计数量和所述新闻媒体列表,确定所述舆情事件所处的舆情发展阶段。
在一些实施例中,所述处理器在实现根据所述单日新增数量、所述累计数量和所述新闻媒体列表,确定所述舆情事件所处的舆情发展阶段时,用于实现:
确定所述新闻媒体列表中是否存在预设新闻媒体,得到对应的确定结果;
将所述单日新增数量、所述累计数量和所述确定结果输入预设的发展阶段分类模型进行发展阶段分类处理,得到所述舆情事件所处的舆情发展阶段,所述舆情发展阶段包括发生期、潜伏期、发展期、高潮期和平稳期中的任一项。
在一些实施例中,所述处理器在实现根据所述目标风险类型和所述舆情发展阶段,从预设应对预案文本库中获取匹配的应对预案文本时,用于实现:
获取与所述目标风险类型和所述舆情发展阶段对应的文件名称作为目标文件名称;
从预设应对预案文本库中获取与所述目标文件名称匹配的应对预案文本。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的服务器的具体工作过程,可以参考前述舆情应对预案生成方法实施例中的对应过程,在此不再赘述。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台服务器(可以是个人计算机,服务器,或者网络服务器等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本申请实施例还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序中包括程序指令,所述程序指令被执行时所实现的方法可参阅本申请舆情应对预案生成方法的各个实施例。
其中,所述存储介质可以是易失性的,也可以是非易失性的。所述存储介质可以是前述实施例所述的服务器的内部存储单元,例如所述服务器的硬盘或内存。所述存储介质也可以是所述服务器的外部存储服务器,例如所述服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,所述存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种舆情应对预案生成方法,其特征在于,包括:
获取舆情事件对应的报道文章集合,所述报道文章集合包括不同媒体发布的与所述舆情事件关联的报道文章;
对每个所述报道文章进行分句,得到句子集合,识别所述句子集合中每个句子的风险类型,并根据每个所述句子的风险类型,确定目标风险类型;
根据所述报道文章集合确定所述舆情事件所处的舆情发展阶段;
根据所述目标风险类型和所述舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本;
根据所述舆情事件对应的舆情文本、所述应对预案文本和预设预案生成条件,生成舆情应对预案文本。
2.根据权利要求1所述的舆情应对预案生成方法,其特征在于,所述根据每个所述句子的风险类型,确定目标风险类型,包括:
对于每个所述句子,获取所述句子在对应的所述报道文章中的位置、所述报道文章的阅读量、所述报道文章的转发量、所述报道文章所属新闻媒体的媒体层级中的至少一项;
根据所述位置、所述阅读量、所述转发量和所述媒体层级中的至少一项,确定所述句子的目标重要性评分;
将相同所述风险类型所对应的全部所述句子的目标重要性评分进行累加,得到每种所述风险类型各自对应的重要性评分;
按照每种所述风险类型各自对应的重要性评分的大小顺序,对每种所述风险类型进行排序,得到风险类型队列;
将所述风险类型队列中的前N个风险类型确定为目标风险类型,N为大于或等于1的整数。
3.根据权利要求2所述的舆情应对预案生成方法,其特征在于,所述根据所述位置、所述阅读量、所述转发量和所述媒体层级,确定所述句子的目标重要性评分,包括:
根据所述句子在对应的所述报道文章中的位置,确定所述句子的第一重要性评分;
根据所述阅读量和所述转发量,确定所述句子的第二重要性评分;
根据所述媒体层级,确定所述句子的第三重要性评分;
对所述第一重要性评分、第二重要性评分和第三重要性评分进行加权求和,得到所述句子的目标重要性评分。
4.根据权利要求1所述的舆情应对预案生成方法,其特征在于,所述根据所述舆情事件对应的舆情文本、所述应对预案文本和预设预案生成条件,生成舆情应对预案文本,包括:
运行预设的预案生成模型对所述舆情事件对应的舆情文本、所述应对预案文本和预设预案生成条件进行预案生成处理,得到舆情应对预案文本。
5.根据权利要求1-4中任一项所述的舆情应对预案生成方法,其特征在于,所述根据所述报道文章集合确定所述舆情事件所处的舆情发展阶段,包括:
根据所述报道文章集合确定报道所述舆情事件的报道文章的单日新增数量、累计数量和新闻媒体列表;
根据所述单日新增数量、所述累计数量和所述新闻媒体列表,确定所述舆情事件所处的舆情发展阶段。
6.根据权利要求5所述的舆情应对预案生成方法,其特征在于,所述根据所述单日新增数量、所述累计数量和所述新闻媒体列表,确定所述舆情事件所处的舆情发展阶段,包括:
确定所述新闻媒体列表中是否存在预设新闻媒体,得到对应的确定结果;
将所述单日新增数量、所述累计数量和所述确定结果输入预设的发展阶段分类模型进行发展阶段分类处理,得到所述舆情事件所处的舆情发展阶段,所述舆情发展阶段包括发生期、潜伏期、发展期、高潮期和平稳期中的任一项。
7.根据权利要求1-4中任一项所述的舆情应对预案生成方法,其特征在于,所述根据所述目标风险类型和所述舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本,包括:
获取与所述目标风险类型和所述舆情发展阶段对应的文件名称作为目标文件名称;
从预设应对预案文本库中获取与所述目标文件名称匹配的应对预案文本。
8.一种舆情应对预案生成装置,其特征在于,所述舆情应对预案生成装置包括:
获取模块,被配置为获取舆情事件对应的报道文章集合,所述报道文章集合包括不同媒体发布的与所述舆情事件关联的报道文章;
风险类型确定模块,被配置为对每个所述报道文章进行分句,得到句子集合,识别所述句子集合中每个句子的风险类型,并根据每个所述句子的风险类型,确定目标风险类型;
发展阶段确定模块,被配置为根据所述报道文章集合确定所述舆情事件所处的舆情发展阶段;
预案匹配模块,被配置为根据所述目标风险类型和所述舆情发展阶段,从预设应对预案文本库中匹配对应的应对预案文本;
预案生成模块,被配置为根据所述舆情事件对应的舆情文本、所述应对预案文本和预设预案生成条件,生成舆情应对预案文本。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一项所述的舆情应对预案生成方法。
10.一种存储介质,用于计算机可读存储,其特征在于,所述存储介质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7中任一项所述的舆情应对预案生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036602.8A CN117077628A (zh) | 2023-08-16 | 2023-08-16 | 舆情应对预案生成方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036602.8A CN117077628A (zh) | 2023-08-16 | 2023-08-16 | 舆情应对预案生成方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117077628A true CN117077628A (zh) | 2023-11-17 |
Family
ID=88718857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311036602.8A Pending CN117077628A (zh) | 2023-08-16 | 2023-08-16 | 舆情应对预案生成方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077628A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454142A (zh) * | 2023-12-26 | 2024-01-26 | 北京奇虎科技有限公司 | 数据生成方法、装置、存储介质以及电子设备 |
CN117649117A (zh) * | 2024-01-30 | 2024-03-05 | 浙江数洋科技有限公司 | 处置方案的确定方法、装置以及计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239489A (zh) * | 2017-04-21 | 2017-10-10 | 南京理工大学 | 基于soar模型的突发事件中网络舆情的预测与仿真方法 |
CN109472470A (zh) * | 2018-10-23 | 2019-03-15 | 重庆誉存大数据科技有限公司 | 结合深度学习和逻辑规则的企业新闻数据风险分类方法 |
CN110175733A (zh) * | 2019-04-01 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 一种舆论信息处理方法和服务器 |
CN110502638A (zh) * | 2019-08-30 | 2019-11-26 | 重庆誉存大数据科技有限公司 | 一种基于目标实体的企业新闻风险分类方法 |
CN114861029A (zh) * | 2022-04-19 | 2022-08-05 | 国家计算机网络与信息安全管理中心 | 舆情塑造过程分析方法、装置、电子设备以及存储介质 |
CN115391701A (zh) * | 2022-07-26 | 2022-11-25 | 杭州又拍云科技有限公司 | 一种互联网内容风险分析及预警方法 |
-
2023
- 2023-08-16 CN CN202311036602.8A patent/CN117077628A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239489A (zh) * | 2017-04-21 | 2017-10-10 | 南京理工大学 | 基于soar模型的突发事件中网络舆情的预测与仿真方法 |
CN109472470A (zh) * | 2018-10-23 | 2019-03-15 | 重庆誉存大数据科技有限公司 | 结合深度学习和逻辑规则的企业新闻数据风险分类方法 |
CN110175733A (zh) * | 2019-04-01 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 一种舆论信息处理方法和服务器 |
CN110502638A (zh) * | 2019-08-30 | 2019-11-26 | 重庆誉存大数据科技有限公司 | 一种基于目标实体的企业新闻风险分类方法 |
CN114861029A (zh) * | 2022-04-19 | 2022-08-05 | 国家计算机网络与信息安全管理中心 | 舆情塑造过程分析方法、装置、电子设备以及存储介质 |
CN115391701A (zh) * | 2022-07-26 | 2022-11-25 | 杭州又拍云科技有限公司 | 一种互联网内容风险分析及预警方法 |
Non-Patent Citations (1)
Title |
---|
刘政昊 等: "面向应急管理的金融突发事件事理知识图谱构建与分析研究", 信息资源管理学报, vol. 12, no. 3, 26 May 2022 (2022-05-26), pages 137 - 151 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454142A (zh) * | 2023-12-26 | 2024-01-26 | 北京奇虎科技有限公司 | 数据生成方法、装置、存储介质以及电子设备 |
CN117454142B (zh) * | 2023-12-26 | 2024-04-16 | 北京奇虎科技有限公司 | 数据生成方法、装置、存储介质以及电子设备 |
CN117649117A (zh) * | 2024-01-30 | 2024-03-05 | 浙江数洋科技有限公司 | 处置方案的确定方法、装置以及计算机设备 |
CN117649117B (zh) * | 2024-01-30 | 2024-05-07 | 浙江数洋科技有限公司 | 处置方案的确定方法、装置以及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117077628A (zh) | 舆情应对预案生成方法、装置、服务器及存储介质 | |
US8577155B2 (en) | System and method for duplicate text recognition | |
CN112560491A (zh) | 一种基于ai技术的信息抽取方法、装置和存储介质 | |
CN115840808B (zh) | 科技项目咨询方法、装置、服务器及计算机可读存储介质 | |
CN113256383B (zh) | 保险产品的推荐方法、装置、电子设备及存储介质 | |
CN111221936A (zh) | 一种信息匹配方法、装置、电子设备及存储介质 | |
CN115130711A (zh) | 一种数据处理方法、装置、计算机及可读存储介质 | |
CN117591653A (zh) | 税务问题的自动问答方法、装置、终端设备及存储介质 | |
CN111581346A (zh) | 一种事件抽取方法和装置 | |
CN109583687A (zh) | 自动计算违约合同的控制方法、装置、计算机设备及存储介质 | |
CN113901037A (zh) | 数据管理方法、装置及存储介质 | |
CN117273968A (zh) | 一种跨业务线产品的会计凭证生成方法及其相关设备 | |
CN116843362A (zh) | 保费定价方法、装置、设备及存储介质 | |
CN116244421A (zh) | 项目名称匹配的方法、装置、设备及可读存储介质 | |
CN113590781A (zh) | 末端快递编码预测方法、系统、电子设备及可读存储介质 | |
US11475529B2 (en) | Systems and methods for identifying and linking events in structured proceedings | |
CN113901817A (zh) | 文档分类方法、装置、计算机设备和存储介质 | |
CN112380321A (zh) | 基于票据知识图谱的主次数据库分配方法及相关设备 | |
CN117196293A (zh) | 基于人工智能的舆情风险确定方法、装置、服务器及介质 | |
CN115994261B (zh) | 一种表单联动变化中数值推荐方法 | |
CN116383389A (zh) | 基于人工智能的意图识别方法、装置、计算机设备及介质 | |
CN117078008A (zh) | 舆情风险演变路径预测方法、装置、服务器及存储介质 | |
CN113869028A (zh) | 一种电力文本信息提取方法、装置、终端设备及存储介质 | |
CN118277557A (zh) | 数据挖掘方法、装置及存储介质 | |
CN116975112A (zh) | 一种金融大数据处理方法、装置、设备及介质 |
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 |