CN117131281B - 舆情事件处理方法、装置、电子设备和计算机可读介质 - Google Patents
舆情事件处理方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117131281B CN117131281B CN202311396545.4A CN202311396545A CN117131281B CN 117131281 B CN117131281 B CN 117131281B CN 202311396545 A CN202311396545 A CN 202311396545A CN 117131281 B CN117131281 B CN 117131281B
- Authority
- CN
- China
- Prior art keywords
- public opinion
- information
- government
- opinion event
- index information
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 231
- 230000008451 emotion Effects 0.000 claims abstract description 108
- 238000004458 analytical method Methods 0.000 claims abstract description 77
- 238000012795 verification Methods 0.000 claims abstract description 45
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013531 bayesian neural network Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 9
- 230000004044 response Effects 0.000 description 19
- 230000002996 emotional effect Effects 0.000 description 11
- 238000007499 fusion processing Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010034960 Photophobia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000013469 light sensitivity Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了舆情事件处理方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取政务舆情文本数据集;对政务舆情文本数据集进行数据处理,得到处理数据集;生成关键舆情事件数据集;生成舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集;对于每个关键舆情事件数据,执行处理步骤:生成政务舆情预警指标信息;将政务舆情预警指标信息输入政务舆情预警信息生成模型,以生成政务舆情预警信息;挑选出对应的舆情事件处理策略信息;对目标舆情事件处理策略信息进行处理策略逻辑校验,以生成校验信息;执行对应的处理策略。该实施方式可以快捷、高效地对舆情事件进行处理。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及舆情事件处理方法、装置、电子设备和计算机可读介质。
背景技术
目前,随着互联网的不断发展,舆情事件的处理成为当前人们的主要关注对象。对于舆情事件的处理,通常采用的方式为:首先,获取针对舆情事件的各种线索信息。然后,通过相关人员,来人为对舆情事件进行事件处理。
然而,发明人发现,当采用上述方式来处理舆情事件,经常会存在如下技术问题:
第一,人为所接收的针对舆情事件的事件内容有限,且人为对舆情事件进行事件处理可能存在处理过于片面的情况。除此之外,人为对舆情事件进行事件处理,效率往往也比较低;
第二,不能有效、精准地从处理数据集确定出关键舆情事件数据集,导致后续舆情事件的处理策略的侧重点出现偏差,且浪费大量人力资源。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了舆情事件处理方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种舆情事件处理方法,包括:获取政务舆情文本数据集;对上述政务舆情文本数据集进行数据处理,得到处理数据集;根据上述处理数据集,生成关键舆情事件数据集;生成针对上述关键舆情事件数据集的舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集;对于上述关键舆情事件数据集中的每个关键舆情事件数据,执行以下处理步骤:根据上述关键舆情事件数据、对应的舆情事件情感分析信息、对应的舆情事件真实性分析信息和对应的舆情事件敏感性分析信息,生成政务舆情预警指标信息;将上述政务舆情预警指标信息输入至预先训练的政务舆情预警信息生成模型,以生成针对上述关键舆情事件数据的政务舆情预警信息;从舆情事件处理策略信息库中挑选出与上述政务舆情预警信息相对应的舆情事件处理策略信息,作为目标舆情事件处理策略信息;对上述目标舆情事件处理策略信息进行处理策略逻辑校验,以生成校验信息;响应于确定上述校验信息表征上述目标舆情事件处理策略信息通过校验,执行针对上述目标舆情事件处理策略信息对应的处理策略。
第二方面,本公开的一些实施例提供了一种舆情事件处理装置,包括:获取单元,被配置成获取政务舆情文本数据集;数据处理单元,被配置成对上述政务舆情文本数据集进行数据处理,得到处理数据集;第一生成单元,被配置成根据上述处理数据集,生成关键舆情事件数据集;第二生成单元,被配置成生成针对上述关键舆情事件数据集的舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集;执行单元,被配置成对于上述关键舆情事件数据集中的每个关键舆情事件数据,执行以下处理步骤:根据上述关键舆情事件数据、对应的舆情事件情感分析信息、对应的舆情事件真实性分析信息和对应的舆情事件敏感性分析信息,生成政务舆情预警指标信息;将上述政务舆情预警指标信息输入至预先训练的政务舆情预警信息生成模型,以生成针对上述关键舆情事件数据的政务舆情预警信息;从舆情事件处理策略信息库中挑选出与上述政务舆情预警信息相对应的舆情事件处理策略信息,作为目标舆情事件处理策略信息;对上述目标舆情事件处理策略信息进行处理策略逻辑校验,以生成校验信息;响应于确定上述校验信息表征上述目标舆情事件处理策略信息通过校验,执行针对上述目标舆情事件处理策略信息对应的处理策略。
第三方面,本公开的一些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,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的舆情事件处理方法可以快捷、高效地对舆情事件进行处理。具体来说,造成相关的舆情事件的处理不够高效的原因在于:人为所接收的针对舆情事件的事件内容有限,且人为对舆情事件进行事件处理可能存在处理过于片面的情况。除此之外,人为对舆情事件进行事件处理,效率往往也比较低。基于此,本公开的一些实施例的舆情事件处理方法,首先,获取政务舆情文本数据集,作为来源数据,以针对性进行舆情事件处理。然后,对上述政务舆情文本数据集进行数据处理,得到处理数据集,以使得处理后数据可以符合预定地格式,来便于后续生成对应的关键舆情事件数据。接着,根据上述处理数据集,可以精准地生成关键舆情事件数据集。进而,可以精准地生成针对上述关键舆情事件数据集的舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集。接着,对于上述关键舆情事件数据集中的每个关键舆情事件数据,执行以下处理步骤:第一步,根据上述关键舆情事件数据、对应的舆情事件情感分析信息、对应的舆情事件真实性分析信息和对应的舆情事件敏感性分析信息,可以多角度、全方位来准确地生成政务舆情预警指标信息。第二步,将上述政务舆情预警指标信息输入至预先训练的政务舆情预警信息生成模型,以精准地生成针对上述关键舆情事件数据的政务舆情预警信息。第三步,从舆情事件处理策略信息库中挑选出与上述政务舆情预警信息相对应的舆情事件处理策略信息,作为目标舆情事件处理策略信息。第四步,对上述目标舆情事件处理策略信息进行处理策略逻辑校验,以生成校验信息,以避免处理策略逻辑出现问题,以出现较大的处理失误事件。第五步,响应于确定上述校验信息表征上述目标舆情事件处理策略信息通过校验,执行针对上述目标舆情事件处理策略信息对应的处理策略,以实现目标舆情事件的高效处理。综上,通过针对上述关键舆情事件数据集的舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集,以及目标舆情事件处理策略的校验,可以实现快捷、高效地对舆情事件进行处理。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的舆情事件处理方法的一些实施例的流程图;
图2是根据本公开的舆情事件处理装置的一些实施例的结构示意图;
图3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。
参考图1,示出了根据本公开的舆情事件处理方法的一些实施例的流程100。该舆情事件处理方法,包括以下步骤:
步骤101,获取政务舆情文本数据集。
在一些实施例中,上述舆情事件处理方法的执行主体可以通过有线连接方式或者无线连接方式来获取政务舆情文本数据集。其中,政务舆情文本数据可以是与政务相关领域的、对应数据形式为文本形式的舆情数据。政务舆情文本数据集可以是来自各种社交平台或新闻媒体来挖掘得到的。具体的,政务舆情文本数据可以包括但不限于以下至少一项:资讯标题,资讯正文,资讯摘要,发布日期,发布频道,资讯来源,网络评论。
作为示例,首先,Scrapy引擎发送调度指令信号给爬虫端,启动Task任务。然后,接到调度指令信号的爬虫端从内存数据库Memory中的URL队列头部提取一个URL,然后封装为一个请求提交给调度器。接着,调度模块在接收请求后,将其添加至内存数据库Memory请求队列的尾部,再次发送调度指令信号至Scrapy引擎。再接着,调度模块从请求队列头部提取一个执行指令,发送给下载器。进而,下载器根据请求中的URL访问下载Web页面的内容,封装为响应指令发送给爬虫端。进一步的,通过爬虫端中的解析模块分析页面内容,提取政务舆情相关数据,然后将页面中包含的URL发送给流水线模块。最后,流水线模块将新提取出的URL添加至Memory中URL队列的尾部。
步骤102,对上述政务舆情文本数据集进行数据处理,得到处理数据集。
在一些实施例中,上述执行主体可以对上述政务舆情文本数据集进行数据处理,得到处理数据集。
作为示例,上述执行主体可以对上述政务舆情文本数据集进行错别字矫正和数据填充处理,得到处理数据集。
在一些实施例的一些可选的实现方式中,上述对上述政务舆情文本数据集进行数据处理,得到处理数据集,可以包括以下步骤:
第一步,对上述政务舆情文本数据集中的各个政务舆情文本数据进行特征工程处理,得到特征工程处理数据集。其中,特征工程处理包括但不限于以下至少一项:数据清洗,数据过滤,数据分词,去停用词,特征抽取,特征选择。
作为示例,上述执行主体可以采用Python去除空格、特殊符号和所有表情符号。然后,调用ICTCLAS库进行分词处理,分词后根据NLTK停用词库进行停用词去除。接着,停用词去除后,根据舆情关键词库PPK对文本分词列表进行筛查,去除不包含关键词的文本词组,得到质量较好的处理数据集。
第二步,利用贝叶斯神经网络,确定上述特征工程处理数据集中的每个特征工程处理数据对应的文档有效性概率。文档有效性概率表征数据对应文档是否为有效性文档。即,有效性文档可以表征文档内容存在一定的价值信息。
第三步,从上述特征工程处理数据集中去除文档有效性概率小于目标数值的特征工程处理数据,得到去除后数据集。其中,目标数值可以是预先设置的数值。
第四步,确定上述去除后数据集中的各个去除后数据之间的词频相似度。
作为示例,上述执行主体可以通过各个去除后数据之间的余弦距离,作为各个去除后数据之间的词频相似度。
第五步,根据上述各个去除后数据之间的词频相似度,对上述去除后数据集中的各个数据进行数据去重处理和/或合并处理,得到上述处理数据集。
可选地,上述执行主体可以利用数据存储模块对应的数据库,来对处理数据集进行存储,具体的,对应的数据库可以是但不限于以下至少一项:MYSQL结构化数据库,TXT文档数据库,Memory内存数据库和Neo4j图数据库。
步骤103,根据上述处理数据集,生成关键舆情事件数据集。
在一些实施例中,上述执行主体可以根据上述处理数据集,生成关键舆情事件数据集。其中,关键舆情事件数据可以是关键舆情事件对应的事件数据。
作为示例,上述执行主体可以处理数据集中筛选出对应数据热度排于前目标数目个数据,作为关键舆情事件数据,得到关键舆情事件数据集。
在一些实施例的一些可选的实现方式中,根据上述处理数据集,生成关键舆情事件数据集,可以包括以下步骤:
第一步,生成上述处理数据集中的每个处理数据对应的关键词组和领域信息,得到关键词组集和领域信息集。其中,关键词组包括处理数据对应的至少一个关键词。领域信息可以是处理数据所涉及的业务领域的领域信息。
作为示例,对于每个处理数据,首先,上述执行主体可以对处理数据进行数据分词处理,以生成词集。然后,利用TF-IDF算法,从词集中筛选出处理数据对应的关键词组。接着,确定关键词组中的每个关键词对应的至少一个初始领域信息,最后,从所得到的至少一个初始领域信息组中筛选出对应信息数目最多的初始领域信息,作为上述处理数据对应的领域信息。
第二步,根据领域信息集,对上述处理数据集进行数据划分,得到处理数据组集。
作为示例,上述执行主体可以将处理数据集中对应领域信息相同的处理数据归为一类,以生成处理数据组,得到处理数据组集。
第三步,对上述处理数据组集中的每个处理数据组,执行以下处理步骤:
第一子步骤,对于上述处理数据组中的每个处理数据,确定处理数据对应关键词组的融合关键特征信息。其中,融合关键特征信息可以表征关键词组中的各个关键词对应的融合特征信息。
作为示例,上述执行主体可以确定处理数据对应的关键词组。然后,利用关键词特征向量生成模型,以生成关键词组对应的关键词特征向量组。最后,将关键词特征向量组中的各个关键词特征向量进行拼接,以生成融合关键特征信息。
第二子步骤,确定上述处理数据组中的每两个处理数据之间的融合关键特征信息之间的相似度。
作为示例,上述执行主体可以确定上述处理数据组中的每两个处理数据之间的融合关键特征信息之间的余弦相似度。
第三子步骤,根据所得到的各个相似度,对处理数据组进行分类,以生成各个处理数据子组。
作为示例,上述执行主体可以根据各个相似度和处理数据对应的数据特征信息集,对处理数据组中的各个处理数据进行聚类,以各个处理数据簇,作为各个处理数据子组。
第四子步骤,对于各个处理数据子组中的每个处理数据子组,确定处理数据子组对应的数据融合特征信息。
作为示例,对于各个处理数据子组中的每个处理数据子组,首先,上述执行主体可以对处理数据子组中的各个处理数据进行数据向量转换处理,以生成数据向量子组。然后,将数据向量子组中的各个数据向量进行向量融合处理,以生成数据融合特征信息。
第五子步骤,确定各个处理数据子组之间数据子组的关联度。
作为示例,上述执行主体可以确定各个处理数据子组之间数据子组的余弦关联度。
第六子步骤,根据各个关联度,对上述各个处理数据子组中的各个处理数据子组进行组融合,以生成各个融合处理数据组。
作为示例,上述执行主体可以将对应处理数据子组之间关联度均小于目标数值的至少一个处理数据子组归为一组,以生成融合处理数据组,得到各个融合处理数据组。
第四步,确定所得到的融合处理数据组集中的每个融合处理数据组对应的数据关注人数序列和数据关注时长序列。其中,数据关注人数可以是融合处理数据组中的各个处理数据对应数据关注人数的人数总和。数据关注时长可以是融合处理数据组中的各个处理数据对应数据关注时长的时长总和。
第五步,根据各个数据关注人数序列和各个数据关注时长序列,生成上述融合处理数据组集中的每个融合处理数据组对应的数据关注曲线图。其中,上述数据关注曲线图包括:数据关注人数变化曲线和数据关注时长变化曲线。其中,数据关注人数变化曲线可以是当前数据关注人数和未来预定时间段内的数据关注人数的曲线。数据关注时长变化曲线可以是是当前数据关注时长和未来预定时间段内的数据关注时长的曲线。
作为示例,对于上述融合处理数据组集中的每个融合处理数据组,首先,将上述融合处理数据组对应的数据关注人数序列和数据关注时长序列输入至数据预测模型,以生成未来预定时间段对应的未来数据关注人数序列和未来数据关注时长序列。然后,根据数据关注人数序列和未来数据关注人数序列,生成数据关注人数变化曲线,以及根据数据关注时长序列和未来数据关注时长序列,生成数据关注时长变化曲线。最后,根据上述数据关注人数变化曲线和数据关注时长变化曲线,生成数据关注曲线图。数据预测模型可以是时序神经网络模型。
第六步,根据所得到的数据关注曲线图集,生成关键舆情事件数据集。
作为示例,上述执行主体可以利用曲线图相关数据分析技术,来根据数据关注曲线图集,生成关键舆情事件数据集。
作为本公开的发明点之一,解决了背景技术问题中提及的技术问题二“不能有效、精准地从处理数据集确定出关键舆情事件数据集,导致后续舆情事件的处理策略的侧重点出现偏差,且浪费大量人力资源。”。基于此,本公开通过从领域信息、聚类算法、数据之间的关联关系、数据组之间的关联关系和各个数据组对应的未来关注曲线变化图的角度,来全方面的从处理数据集有效、精准地确定出关键舆情事件数据集。
步骤104,生成针对上述关键舆情事件数据集的舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集。
在一些实施例中,上述执行主体可以生成针对上述关键舆情事件数据集的舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集。其中,关键舆情事件数据集中的关键舆情事件数据与舆情事件情感分析信息集中的舆情事件情感分析信息存在一一对应关系。关键舆情事件数据集中的关键舆情事件数据与舆情事件真实性分析信息集中的舆情事件真实性分析信息存在一一对应关系。关键舆情事件数据集中的关键舆情事件数据与舆情事件敏感性分析信息集中的舆情事件敏感性分析信息存在一一对应关系。舆情事件情感分析信息可以表征舆情事件的情感分析情况。例如,舆情事件情感分析信息可以是以下之一:正面情感信息,负面情感信息。舆情事件真实性分析信息可以表征舆情事件的真实性情况。例如,舆情事件真实性分析信息可以是0-100之间的数值。舆情事件真实性分析信息对应数值越大,表征真实性越高。舆情事件敏感性分析信息可以表征舆情事件的敏感情况。舆情事件敏感性分析信息可是0-100之间的数值。舆情事件敏感性分析信息对应数值越大,表征事件越敏感。
在一些实施例的一些可选的实现方式中,上述生成针对上述关键舆情事件数据集的舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集,可以包括以下步骤:
第一步,对于上述关键舆情事件数据集中的每个关键舆情事件数据,执行以下第一生成步骤:
第一子步骤,对上述关键舆情事件数据进行分词处理,得到词集。
第二子步骤,从上述词集中去除停用词,得到去除后词集。
第三子步骤,从上述去除后词集中查找出情感关键词集。其中,上述情感关键词集包括:至少一个正面关键词和至少一个负面关键词。正面关键词可以是情感内容为正面方向的关键词。负面关键词可以是情感内容为负面方向的关键词。
第四子步骤,对于上述情感关键词集中的每个情感关键词,执行以下第二生成步骤:
子步骤1,根据上述情感关键词对应的情感关键词位置,确定与上述情感关键词相临近的、处于上述关键舆情事件数据中的程度词、对应的至少一个否定词和标点符号。其中,程度词可以是位于情感关键词之前的、且相临近的、处于上述关键舆情事件数据中的程度词。至少一个否定词是位于情感关键词之前的、且相临近的、处于上述关键舆情事件数据中的至少一个否定词。标点符号可以是位于情感关键词之后的、且相临近的、处于上述关键舆情事件数据中的标点符号。
作为示例,上述执行主体可以通过对关键舆情事件数据中的各个词进行遍历的方式来确定与上述情感关键词相临近的、处于上述关键舆情事件数据中的程度词、对应的至少一个否定词和标点符号。
子步骤2,根据上述程度词、上述至少一个否定词和上述标点符号,生成针对上述情感关键词的情感值。其中,情感值可以表征情感关键词所能表现的情感倾向。实践中,情感倾向可以包括:正面情感倾向和负面情感倾向。对应情感值可以是正值还可以是负值。正值表征情感关键词所能表现的情感倾向为正面情感倾向。负值表征情感关键词所能表现的情感倾向为负面情感倾向。
作为示例,上述执行主体可以根据词和标点符号对应的分数表,来确定上述程度词对应的程度分数、上述至少一个否定词对应的至少一个否定分数和上述标点符号对应的至少一个符号分数。然后,将程度分数、至少一个否定分数和至少一个符号分数进行相加,以生成相加分数,作为情感值。
第五子步骤,根据所得到的情感值集,生成针对上述关键舆情事件数据的情感分数。
作为示例,首先,上述执行主体可以将情感值集中的各个情感值进行相加,以生成情感分数。
第二步,根据上述情感分数,生成上述关键舆情事件数据对应的舆情事件情感分析信息。
作为示例,响应于确定情感分数为正值,生成表征关键舆情事件数据对应情感倾向为正面情感倾向的舆情事件情感分析信息。响应于确定情感分数为负值,生成表征关键舆情事件数据对应情感倾向为负面情感倾向的舆情事件情感分析信息。响应于确定情感分数为0,生成表征关键舆情事件数据对应情感倾向为不确定情感倾向的舆情事件情感分析信息。
作为又一个示例,响应于确定情感分数大于等于0,生成表征关键舆情事件数据对应情感倾向为正面情感倾向的舆情事件情感分析信息。响应于确定情感分数处于(0,-20)之间,生成表征关键舆情事件数据对应情感倾向为轻度负面情感倾向的舆情事件情感分析信息。响应于确定情感分数处于[-20,∞)之间,生成表征关键舆情事件数据对应情感倾向为重度负面情感倾向的舆情事件情感分析信息。
可选地,上述执行主体可以利用可视化模块,进行统计展示针对舆情事件情感分析信息的政务舆情情感倾向柱状统计图。
可选地,上述生成针对上述关键舆情事件数据集的舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集,还包括以下步骤:
第一步,对于上述关键舆情事件数据集中的每个关键舆情事件数据,执行以下第三生成步骤:
第一子步骤,确定上述关键舆情事件数据对应的至少一个舆情事件来源渠道信息。其中,至少一个舆情事件来源渠道信息可以包括但不限于以下至少一项:传统媒体渠道信息,自媒体渠道信息,社交平台渠道信息。传统媒体渠道信息包括:国家级传统媒体渠道信息、省级传统媒体渠道信息和市级传统媒体渠道信息。自媒体渠道信息包括:知名自媒体渠道信息和非知名自媒体渠道信息。社交平台渠道信息包括:主流社交平台渠道信息和非主流社交平台渠道信息。
第二子步骤,根据预先设置的每个舆情事件来源渠道信息对应的可信数值,将上述至少一个舆情事件来源渠道信息对应的至少一个可信数值进行加权求和处理,得到第一加权求和数值。
在这里,根据传统媒体渠道信息、自媒体渠道信息以及社交平台渠道信息对应发布信息的可信度,设置国家级传统媒体渠道信息对应可信数值为6分,省级传统媒体渠道信息对应可信数值为5分,市级传统媒体渠道信息对应可信数值为4分,知名自媒体渠道信息对应可信数值为4分,非知名自媒体渠道信息对应可信数值为3分,主流社交平台渠道信息对应可信数值为2分、非主流社交平台渠道信息对应可信数值为1分的评分标准。
第三子步骤,根据上述第一加权求和数值,生成上述关键舆情事件数据对应的舆情事件真实性分析信息。
作为示例,响应于确定第一加权求和数值是4分以上的数值,生成表征关键舆情事件数据为较为可信的舆情事件真实性分析信息。响应于确定第一加权求和数值是3-4分的数值,生成表征关键舆情事件数据为一般可信的舆情事件真实性分析信息。响应于确定第一加权求和数值是小于3分的数值,生成表征关键舆情事件数据为不可信的舆情事件真实性分析信息。
第二步,对于上述关键舆情事件数据集中的每个关键舆情事件数据,执行以下第四生成步骤:
第一子步骤,利用舆情敏感词典,确定上述关键舆情事件数据对应的敏感词集。
作为示例,通过舆情敏感词典中的各个词与关键舆情事件数据中的各个词之间的比对,生成敏感词集。
第二子步骤,根据预先获取的表征敏感词与敏感词值之间对应关系的表,确定上述敏感词集中的每个敏感词对应的敏感词值,得到敏感词值集。实践中,针对敏感词为极度敏感词,对应敏感词值为5分。针对敏感词为较为敏感词,对应敏感词值为3分。针对敏感词为一般敏感词,对应敏感词值为1分。
第三子步骤,将上述敏感词集和上述关键舆情事件数据输入至预先训练的多头注意力机制模型,以生成表征敏感词与关键舆情事件数据之间关联关系的敏感词权重值集。其中,多头注意力机制模型可以是Transformer模型中的多头注意力机制模型。敏感词权重值越高,表征敏感词与关键舆情事件数据之间关联关系越密切。敏感词权重值越低,表征敏感词与关键舆情事件数据之间关联关系越不密切。
第四子步骤,对上述敏感词权重值集和上述敏感词值集进行加权求和处理,得到第二加权求和数值。
第二步,根据上述第二加权求和数值,生成上述关键舆情事件数据对应的舆情事件敏感性分析信息。
作为示例,响应于确定第二加权求和数值为15分以上的数值,生成表征关键舆情事件数据为重度敏感数据的舆情事件敏感性分析信息。响应于确定第二加权求和数值为5-15分之间的数值,生成表征关键舆情事件数据为一般敏感数据的舆情事件敏感性分析信息。响应于确定第二加权求和数值为5分以下的数值,生成表征关键舆情事件数据为轻度敏感数据的舆情事件敏感性分析信息。
步骤105,对于上述关键舆情事件数据集中的每个关键舆情事件数据,执行以下处理步骤:
步骤1051,根据上述关键舆情事件数据、对应的舆情事件情感分析信息、对应的舆情事件真实性分析信息和对应的舆情事件敏感性分析信息,生成政务舆情预警指标信息。
在一些实施例中,上述执行主体可以根据上述关键舆情事件数据、对应的舆情事件情感分析信息、对应的舆情事件真实性分析信息和对应的舆情事件敏感性分析信息,生成政务舆情预警指标信息。其中,政务舆情预警指标信息可以表征政务舆情文本数据对应的预警指标信息。
步骤1052,将上述政务舆情预警指标信息输入至预先训练的政务舆情预警信息生成模型,以生成针对上述关键舆情事件数据的政务舆情预警信息。
在一些实施例中,上述执行主体可以将上述政务舆情预警指标信息输入至预先训练的政务舆情预警信息生成模型,以生成针对上述关键舆情事件数据的政务舆情预警信息。其中,政务舆情预警信息生成模型可以是生成政务舆情预警信息的神经网络模型。
在一些实施例的一些可选的实现方式中,上述政务舆情预警信息生成模型包括:第一政务舆情预警信息生成模型、第二政务舆情预警信息生成模型和第三政务舆情预警信息生成模型。其中,第一政务舆情预警信息生成模型可以是生成政务舆情预警信息的神经网络模型。第二政务舆情预警信息生成模型可以是生成政务舆情预警信息的神经网络模型。第三政务舆情预警信息生成模型可以是生成政务舆情预警信息的神经网络模型。第一政务舆情预警信息生成模型可以是卷积神经网络+LSTM神经网络模型。第二政务舆情预警信息生成模型可以是卷积神经网络+LSTM神经网络模型。第三政务舆情预警信息生成模型可以是卷积神经网络+LSTM神经网络模型。
以及上述将上述政务舆情预警指标信息输入至预先训练的政务舆情预警信息生成模型,以生成针对上述关键舆情事件数据的政务舆情预警信息,可以包括以下步骤:
第一步,对上述政务舆情预警指标信息进行指标信息拆分,得到指标信息集。
第二步,对上述指标信息集中的各个指标信息进行聚类处理,以生成指标信息簇集;
第三步,对于上述指标信息簇集中的每个指标信息簇,执行以下确定步骤:
第一子步骤,生成上述指标信息簇对应的指标信息图谱。其中,上述指标信息图谱的节点为指标信息,上述指标信息图谱的实线边表征指标信息组中的两个指标信息之间的对应关系。
第二子步骤,对上述指标信息图谱进行节点和虚线边添加,以生成添加后的指标信息图谱,其中,上述添加后的指标信息图谱中的虚线边表征指标信息组中的两个指标信息之间的对应关系,虚线边对应的边数值的取值范围小于实线边对应的边数值的取值范围。例如,线边对应的边数值的取值范围为[0-0.5]。实线边对应的边数值对应的边数值的取值范围为(0.5-1]。
作为示例,对于指标信息图谱中的每个节点,上述执行主体可以与上述节点相对应的、上述指标信息图谱中不存在的至少一个关联节点。然后,将至少一个关联节点添加至指标信息图谱中,以生成添加后的指标信息图谱。
第三子步骤,从上述指标信息图谱中筛选出边指向为目标顺序、且对应节点数目大于目标数值的指标信息链,得到指标信息链集。其中,目标顺序可以是单方向顺序。目标数值可以是预先设置的数值。例如,目标数值可以是4。
第四子步骤,将上述指标信息链集中的至少一项指标信息链输入至上述第一政务舆情预警信息生成模型,以生成至少一个第一初始政务舆情预警信息。其中,至少一项指标信息链中的指标信息链与至少一个第一初始政务舆情预警信息中的第一初始政务舆情预警信息存在一一对应关系。
第五子步骤,将上述指标信息链集中的至少一项指标信息链输入至上述第二政务舆情预警信息生成模型,以生成至少一个第二初始政务舆情预警信息。其中,至少一项指标信息链中的指标信息链与至少一个第二初始政务舆情预警信息中的第二初始政务舆情预警信息存在一一对应关系。
第六子步骤,将上述指标信息链集中的至少一项指标信息链输入至上述第三政务舆情预警信息生成模型,以生成至少一个第三初始政务舆情预警信息。其中,至少一项指标信息链中的指标信息链与至少一个第三初始政务舆情预警信息中的第三初始政务舆情预警信息存在一一对应关系。
第七子步骤,对上述至少一个第一初始政务舆情预警信息、上述至少一个第二初始政务舆情预警信息和上述至少一个第三初始政务舆情预警信息进行聚类处理,以生成初始政务舆情预警信息簇集。
第八子步骤,从上述初始政务舆情预警信息簇集中筛选出对应信息数目满足预定数目条件的初始政务舆情预警信息簇,作为目标政务舆情预警信息簇。其中,预定数目条件可以是目标政务舆情预警信息簇包括的预警信息最多的初始政务舆情预警信息簇。
第九子步骤,将上述目标政务舆情预警信息簇对应的簇中心作为上述指标信息簇对应的预警信息。
第四步,根据所得到的预警信息集,生成针对上述关键舆情事件数据的政务舆情预警信息。
作为示例,上述执行主体可以从预警信息集提取对应类别最多的预警信息,作为目标预警信息,作为政务舆情预警信息。
步骤1053,从舆情事件处理策略信息库中挑选出与上述政务舆情预警信息相对应的舆情事件处理策略信息,作为目标舆情事件处理策略信息。
在一些实施例中,上述执行主体可以从舆情事件处理策略信息库中挑选出与上述政务舆情预警信息相对应的舆情事件处理策略信息,作为目标舆情事件处理策略信息。其中,舆情事件处理策略信息可以是舆情事件的处理策略的策略信息。
步骤1054,对上述目标舆情事件处理策略信息进行处理策略逻辑校验,以生成校验信息。
在一些实施例中,上述执行主体可以对上述目标舆情事件处理策略信息进行处理策略逻辑校验,以生成校验信息。
步骤1055,响应于确定上述校验信息表征上述目标舆情事件处理策略信息通过校验,执行针对上述目标舆情事件处理策略信息对应的处理策略。
在一些实施例中,响应于确定上述校验信息表征上述目标舆情事件处理策略信息通过校验,上述执行主体可以执行针对上述目标舆情事件处理策略信息对应的处理策略。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的舆情事件处理方法可以快捷、高效地对舆情事件进行处理。具体来说,造成相关的舆情事件的处理不够高效的原因在于:人为所接收的针对舆情事件的事件内容有限,且人为对舆情事件进行事件处理可能存在处理过于片面的情况。除此之外,人为对舆情事件进行事件处理,效率往往也比较低。基于此,本公开的一些实施例的舆情事件处理方法,首先,获取政务舆情文本数据集,作为来源数据,以针对性进行舆情事件处理。然后,对上述政务舆情文本数据集进行数据处理,得到处理数据集,以使得处理后数据可以符合预定地格式,来便于后续生成对应的关键舆情事件数据。接着,根据上述处理数据集,可以精准地生成关键舆情事件数据集。进而,可以精准地生成针对上述关键舆情事件数据集的舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集。接着,对于上述关键舆情事件数据集中的每个关键舆情事件数据,执行以下处理步骤:第一步,根据上述关键舆情事件数据、对应的舆情事件情感分析信息、对应的舆情事件真实性分析信息和对应的舆情事件敏感性分析信息,可以多角度、全方位来准确地生成政务舆情预警指标信息。第二步,将上述政务舆情预警指标信息输入至预先训练的政务舆情预警信息生成模型,以精准地生成针对上述关键舆情事件数据的政务舆情预警信息。第三步,从舆情事件处理策略信息库中挑选出与上述政务舆情预警信息相对应的舆情事件处理策略信息,作为目标舆情事件处理策略信息。第四步,对上述目标舆情事件处理策略信息进行处理策略逻辑校验,以生成校验信息,以避免处理策略逻辑出现问题,以出现较大的处理失误事件。第五步,响应于确定上述校验信息表征上述目标舆情事件处理策略信息通过校验,执行针对上述目标舆情事件处理策略信息对应的处理策略,以实现目标舆情事件的高效处理。综上,通过针对上述关键舆情事件数据集的舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集,以及目标舆情事件处理策略的校验,可以实现快捷、高效地对舆情事件进行处理。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种舆情事件处理装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该舆情事件处理装置具体可以应用于各种电子设备中。
如图2所示,一种舆情事件处理装置200包括:获取单元201、数据处理单元202、第一生成单元203、第二生成单元204和执行单元205。其中,获取单元201,被配置成获取政务舆情文本数据集;数据处理单元202,被配置成对上述政务舆情文本数据集进行数据处理,得到处理数据集;第一生成单元203,被配置成根据上述处理数据集,生成关键舆情事件数据集;第二生成单元204,被配置成生成针对上述关键舆情事件数据集的舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集;执行单元205,被配置成对于上述关键舆情事件数据集中的每个关键舆情事件数据,执行以下处理步骤:根据上述关键舆情事件数据、对应的舆情事件情感分析信息、对应的舆情事件真实性分析信息和对应的舆情事件敏感性分析信息,生成政务舆情预警指标信息;将上述政务舆情预警指标信息输入至预先训练的政务舆情预警信息生成模型,以生成针对上述关键舆情事件数据的政务舆情预警信息;从舆情事件处理策略信息库中挑选出与上述政务舆情预警信息相对应的舆情事件处理策略信息,作为目标舆情事件处理策略信息;对上述目标舆情事件处理策略信息进行处理策略逻辑校验,以生成校验信息;响应于确定上述校验信息表征上述目标舆情事件处理策略信息通过校验,执行针对上述目标舆情事件处理策略信息对应的处理策略。
可以理解的是,该舆情事件处理装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于舆情事件处理装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如,电子设备)300的结构示意图。图3示出的电子设备仅仅是一个示例,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3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)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装置308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,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302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。
通常,以下装置可以连接至I/O接口305: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306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,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3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309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301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电子设备中所包含的;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:获取政务舆情文本数据集;对上述政务舆情文本数据集进行数据处理,得到处理数据集;根据上述处理数据集,生成关键舆情事件数据集;生成针对上述关键舆情事件数据集的舆情事件情感分析信息集、舆情事件真实性分析信息集和舆情事件敏感性分析信息集;对于上述关键舆情事件数据集中的每个关键舆情事件数据,执行以下处理步骤:根据上述关键舆情事件数据、对应的舆情事件情感分析信息、对应的舆情事件真实性分析信息和对应的舆情事件敏感性分析信息,生成政务舆情预警指标信息;将上述政务舆情预警指标信息输入至预先训练的政务舆情预警信息生成模型,以生成针对上述关键舆情事件数据的政务舆情预警信息;从舆情事件处理策略信息库中挑选出与上述政务舆情预警信息相对应的舆情事件处理策略信息,作为目标舆情事件处理策略信息;对上述目标舆情事件处理策略信息进行处理策略逻辑校验,以生成校验信息;响应于确定上述校验信息表征上述目标舆情事件处理策略信息通过校验,执行针对上述目标舆情事件处理策略信息对应的处理策略。
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:一种处理器包括获取单元、数据处理单元、第一生成单元和第二生成单元。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,获取单元还可以被描述为“获取政务舆情文本数据集的单元”。
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 (6)
1.一种舆情事件处理方法,包括:
获取政务舆情文本数据集;
对所述政务舆情文本数据集进行数据处理,得到处理数据集;
根据所述处理数据集,生成关键舆情事件数据集;
对于所述关键舆情事件数据集中的每个关键舆情事件数据,执行以下第一生成步骤:
对所述关键舆情事件数据进行分词处理,得到词集;
从所述词集中去除停用词,得到去除后词集;
从所述去除后词集中查找出情感关键词集,其中,所述情感关键词集包括:至少一个正面关键词和至少一个负面关键词;
对于所述情感关键词集中的每个情感关键词,执行以下第二生成步骤:
根据所述情感关键词对应的情感关键词位置,确定与所述情感关键词相临近的、处于所述关键舆情事件数据中的程度词、对应的至少一个否定词和标点符号;
根据所述程度词、所述至少一个否定词和所述标点符号,生成针对所述情感关键词的情感值;
根据所得到的情感值集,生成针对所述关键舆情事件数据的情感分数;
根据所述情感分数,生成所述关键舆情事件数据对应的舆情事件情感分析信息;
对于所述关键舆情事件数据集中的每个关键舆情事件数据,执行以下第三生成步骤:
确定所述关键舆情事件数据对应的至少一个舆情事件来源渠道信息;
根据预先设置的每个舆情事件来源渠道信息对应的可信数值,将所述至少一个舆情事件来源渠道信息对应的至少一个可信数值进行加权求和处理,得到第一加权求和数值;
根据所述第一加权求和数值,生成所述关键舆情事件数据对应的舆情事件真实性分析信息;
对于所述关键舆情事件数据集中的每个关键舆情事件数据,执行以下第四生成步骤:
利用舆情敏感词典,确定所述关键舆情事件数据对应的敏感词集;
根据预先获取的表征敏感词与敏感词值之间对应关系的表,确定所述敏感词集中的每个敏感词对应的敏感词值,得到敏感词值集;
将所述敏感词集和所述关键舆情事件数据输入至预先训练的多头注意力机制模型,以生成表征敏感词与关键舆情事件数据之间关联关系的敏感词权重值集;
对所述敏感词权重值集和所述敏感词值集进行加权求和处理,得到第二加权求和数值;
根据所述第二加权求和数值,生成所述关键舆情事件数据对应的舆情事件敏感性分析信息;
对于所述关键舆情事件数据集中的每个关键舆情事件数据,执行以下处理步骤:
根据所述关键舆情事件数据、对应的舆情事件情感分析信息、对应的舆情事件真实性分析信息和对应的舆情事件敏感性分析信息,生成政务舆情预警指标信息;
对所述政务舆情预警指标信息进行指标信息拆分,得到指标信息集;
对所述指标信息集中的各个指标信息进行聚类处理,以生成指标信息簇集;
对于所述指标信息簇集中的每个指标信息簇,执行以下确定步骤:
生成所述指标信息簇对应的指标信息图谱,其中,所述指标信息图谱的节点为指标信息,所述指标信息图谱的实线边表征指标信息组中的两个指标信息之间的对应关系;
对所述指标信息图谱进行节点和虚线边添加,以生成添加后的指标信息图谱,其中,所述添加后的指标信息图谱中的虚线边表征指标信息组中的两个指标信息之间的对应关系,虚线边对应的边数值的取值范围小于实线边对应的边数值的取值范围;
从所述指标信息图谱中筛选出边指向为目标顺序、且对应节点数目大于目标数值的指标信息链,得到指标信息链集;
将所述指标信息链集中的至少一项指标信息链输入至第一政务舆情预警信息生成模型,以生成至少一个第一初始政务舆情预警信息,其中,政务舆情预警信息生成模型包括:第一政务舆情预警信息生成模型、第二政务舆情预警信息生成模型和第三政务舆情预警信息生成模型;
将所述指标信息链集中的至少一项指标信息链输入至所述第二政务舆情预警信息生成模型,以生成至少一个第二初始政务舆情预警信息;
将所述指标信息链集中的至少一项指标信息链输入至所述第三政务舆情预警信息生成模型,以生成至少一个第三初始政务舆情预警信息;
对所述至少一个第一初始政务舆情预警信息、所述至少一个第二初始政务舆情预警信息和所述至少一个第三初始政务舆情预警信息进行聚类处理,以生成初始政务舆情预警信息簇集;
从所述初始政务舆情预警信息簇集中筛选出对应信息数目满足预定数目条件的初始政务舆情预警信息簇,作为目标政务舆情预警信息簇;
将所述目标政务舆情预警信息簇对应的簇中心确定为所述指标信息簇对应的预警信息;
根据所得到的预警信息集,生成针对所述关键舆情事件数据的政务舆情预警信息;
从舆情事件处理策略信息库中挑选出与所述政务舆情预警信息相对应的舆情事件处理策略信息,作为目标舆情事件处理策略信息;
对所述目标舆情事件处理策略信息进行处理策略逻辑校验,以生成校验信息;
响应于确定所述校验信息表征所述目标舆情事件处理策略信息通过校验,执行针对所述目标舆情事件处理策略信息对应的处理策略。
2.根据权利要求1所述的方法,其中,所述对所述政务舆情文本数据集进行数据处理,得到处理数据集,包括:
对所述政务舆情文本数据集中的各个政务舆情文本数据进行特征工程处理,得到特征工程处理数据集;
利用贝叶斯神经网络,确定所述特征工程处理数据集中的每个特征工程处理数据对应的文档有效性概率;
从所述特征工程处理数据集中去除文档有效性概率小于目标数值的特征工程处理数据,得到去除后数据集;
确定所述去除后数据集中的各个去除后数据之间的词频相似度;
根据所述各个去除后数据之间的词频相似度,对所述去除后数据集中的各个数据进行数据去重处理和/或合并处理,得到所述处理数据集。
3.根据权利要求1所述的方法,其中,在所述根据所述关键舆情事件数据、对应的舆情事件情感分析信息、对应的舆情事件真实性分析信息和对应的舆情事件敏感性分析信息,生成政务舆情预警指标信息之后,所述方法还包括:
根据所述关键舆情事件数据、对应的舆情事件情感分析信息、对应的舆情事件真实性分析信息和对应的舆情事件敏感性分析信息,生成针对所述关键舆情事件数据的知识图谱;
对所述知识图谱进行图谱节点和/或图像边调整,得到调整后知识图谱。
4.一种舆情事件处理装置,包括:
获取单元,被配置成获取政务舆情文本数据集;
数据处理单元,被配置成对所述政务舆情文本数据集进行数据处理,得到处理数据集;
第一生成单元,被配置成根据所述处理数据集,生成关键舆情事件数据集;
第二生成单元,被配置成对于所述关键舆情事件数据集中的每个关键舆情事件数据,执行以下第一生成步骤:对所述关键舆情事件数据进行分词处理,得到词集;从所述词集中去除停用词,得到去除后词集;从所述去除后词集中查找出情感关键词集,其中,所述情感关键词集包括:至少一个正面关键词和至少一个负面关键词;对于所述情感关键词集中的每个情感关键词,执行以下第二生成步骤:根据所述情感关键词对应的情感关键词位置,确定与所述情感关键词相临近的、处于所述关键舆情事件数据中的程度词、对应的至少一个否定词和标点符号;根据所述程度词、所述至少一个否定词和所述标点符号,生成针对所述情感关键词的情感值;根据所得到的情感值集,生成针对所述关键舆情事件数据的情感分数;根据所述情感分数,生成所述关键舆情事件数据对应的舆情事件情感分析信息;对于所述关键舆情事件数据集中的每个关键舆情事件数据,执行以下第三生成步骤:确定所述关键舆情事件数据对应的至少一个舆情事件来源渠道信息;根据预先设置的每个舆情事件来源渠道信息对应的可信数值,将所述至少一个舆情事件来源渠道信息对应的至少一个可信数值进行加权求和处理,得到第一加权求和数值;根据所述第一加权求和数值,生成所述关键舆情事件数据对应的舆情事件真实性分析信息;对于所述关键舆情事件数据集中的每个关键舆情事件数据,执行以下第四生成步骤:利用舆情敏感词典,确定所述关键舆情事件数据对应的敏感词集;根据预先获取的表征敏感词与敏感词值之间对应关系的表,确定所述敏感词集中的每个敏感词对应的敏感词值,得到敏感词值集;将所述敏感词集和所述关键舆情事件数据输入至预先训练的多头注意力机制模型,以生成表征敏感词与关键舆情事件数据之间关联关系的敏感词权重值集;对所述敏感词权重值集和所述敏感词值集进行加权求和处理,得到第二加权求和数值;根据所述第二加权求和数值,生成所述关键舆情事件数据对应的舆情事件敏感性分析信息;
执行单元,被配置成对于所述关键舆情事件数据集中的每个关键舆情事件数据,执行以下处理步骤:根据所述关键舆情事件数据、对应的舆情事件情感分析信息、对应的舆情事件真实性分析信息和对应的舆情事件敏感性分析信息,生成政务舆情预警指标信息;对所述政务舆情预警指标信息进行指标信息拆分,得到指标信息集;对所述指标信息集中的各个指标信息进行聚类处理,以生成指标信息簇集;对于所述指标信息簇集中的每个指标信息簇,执行以下确定步骤:生成所述指标信息簇对应的指标信息图谱,其中,所述指标信息图谱的节点为指标信息,所述指标信息图谱的实线边表征指标信息组中的两个指标信息之间的对应关系;对所述指标信息图谱进行节点和虚线边添加,以生成添加后的指标信息图谱,其中,所述添加后的指标信息图谱中的虚线边表征指标信息组中的两个指标信息之间的对应关系,虚线边对应的边数值的取值范围小于实线边对应的边数值的取值范围;从所述指标信息图谱中筛选出边指向为目标顺序、且对应节点数目大于目标数值的指标信息链,得到指标信息链集;将所述指标信息链集中的至少一项指标信息链输入至第一政务舆情预警信息生成模型,以生成至少一个第一初始政务舆情预警信息,其中,政务舆情预警信息生成模型包括:第一政务舆情预警信息生成模型、第二政务舆情预警信息生成模型和第三政务舆情预警信息生成模型;将所述指标信息链集中的至少一项指标信息链输入至所述第二政务舆情预警信息生成模型,以生成至少一个第二初始政务舆情预警信息;将所述指标信息链集中的至少一项指标信息链输入至所述第三政务舆情预警信息生成模型,以生成至少一个第三初始政务舆情预警信息;对所述至少一个第一初始政务舆情预警信息、所述至少一个第二初始政务舆情预警信息和所述至少一个第三初始政务舆情预警信息进行聚类处理,以生成初始政务舆情预警信息簇集;从所述初始政务舆情预警信息簇集中筛选出对应信息数目满足预定数目条件的初始政务舆情预警信息簇,作为目标政务舆情预警信息簇;将所述目标政务舆情预警信息簇对应的簇中心确定为所述指标信息簇对应的预警信息;根据所得到的预警信息集,生成针对所述关键舆情事件数据的政务舆情预警信息;从舆情事件处理策略信息库中挑选出与所述政务舆情预警信息相对应的舆情事件处理策略信息,作为目标舆情事件处理策略信息;对所述目标舆情事件处理策略信息进行处理策略逻辑校验,以生成校验信息;响应于确定所述校验信息表征所述目标舆情事件处理策略信息通过校验,执行针对所述目标舆情事件处理策略信息对应的处理策略。
5.一种电子设备,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,使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
6.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311396545.4A CN117131281B (zh) | 2023-10-26 | 2023-10-26 | 舆情事件处理方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311396545.4A CN117131281B (zh) | 2023-10-26 | 2023-10-26 | 舆情事件处理方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117131281A CN117131281A (zh) | 2023-11-28 |
CN117131281B true CN117131281B (zh) | 2024-02-09 |
Family
ID=88853026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311396545.4A Active CN117131281B (zh) | 2023-10-26 | 2023-10-26 | 舆情事件处理方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131281B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021073271A1 (zh) * | 2019-10-17 | 2021-04-22 | 平安科技(深圳)有限公司 | 舆情分析方法、装置、计算机装置及存储介质 |
CA3138730A1 (en) * | 2020-11-12 | 2022-05-12 | 10353744 Canada Ltd. | Public-opinion analysis method and system for providing early warning of enterprise risks |
CN115017302A (zh) * | 2022-01-17 | 2022-09-06 | 黄河水利职业技术学院 | 一种舆情监测方法和舆情监测系统 |
CN116756688A (zh) * | 2023-06-20 | 2023-09-15 | 广东数源智汇科技有限公司 | 一种基于多模态融合算法的舆情风险发现方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11989743B2 (en) * | 2020-09-11 | 2024-05-21 | Changxin Memory Technologies, Inc. | System and method for processing public sentiment, computer storage medium and electronic device |
-
2023
- 2023-10-26 CN CN202311396545.4A patent/CN117131281B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021073271A1 (zh) * | 2019-10-17 | 2021-04-22 | 平安科技(深圳)有限公司 | 舆情分析方法、装置、计算机装置及存储介质 |
CA3138730A1 (en) * | 2020-11-12 | 2022-05-12 | 10353744 Canada Ltd. | Public-opinion analysis method and system for providing early warning of enterprise risks |
CN115017302A (zh) * | 2022-01-17 | 2022-09-06 | 黄河水利职业技术学院 | 一种舆情监测方法和舆情监测系统 |
CN116756688A (zh) * | 2023-06-20 | 2023-09-15 | 广东数源智汇科技有限公司 | 一种基于多模态融合算法的舆情风险发现方法 |
Non-Patent Citations (1)
Title |
---|
政务网络舆情管理与应对工作流程探究;罗亮;;传媒论坛(第16期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117131281A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190163742A1 (en) | Method and apparatus for generating information | |
CN110598157B (zh) | 目标信息识别方法、装置、设备及存储介质 | |
CN107193974B (zh) | 基于人工智能的地域性信息确定方法和装置 | |
CN110633423B (zh) | 目标账号识别方法、装置、设备及存储介质 | |
CN112559747B (zh) | 事件分类处理方法、装置、电子设备和存储介质 | |
CN117131281B (zh) | 舆情事件处理方法、装置、电子设备和计算机可读介质 | |
CN114385780A (zh) | 程序接口信息推荐方法、装置、电子设备和可读介质 | |
CN111090993A (zh) | 属性对齐模型训练方法及装置 | |
CN111008213A (zh) | 用于生成语言转换模型的方法和装置 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN111078849A (zh) | 用于输出信息的方法和装置 | |
CN114298007A (zh) | 一种文本相似度确定方法、装置、设备及介质 | |
CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
CN111191242A (zh) | 漏洞信息确定方法、装置、计算机可读存储介质及设备 | |
WO2023000782A1 (zh) | 获取视频热点的方法、装置、可读介质和电子设备 | |
CN115563281A (zh) | 基于文本数据增强的文本分类方法及装置 | |
CN105245380B (zh) | 一种消息的传播方式识别方法及装置 | |
CN114579876A (zh) | 虚假信息检测方法、装置、设备及介质 | |
CN112148848A (zh) | 一种问答处理方法及装置 | |
CN117172220B (zh) | 文本相似信息生成方法、装置、设备和计算机可读介质 | |
CN110891010B (zh) | 用于发送信息的方法和装置 | |
CN116827894B (zh) | 广播剧用户评论信息发送方法、装置、设备和介质 | |
CN114492413B (zh) | 文本校对方法、装置和电子设备 | |
CN111753080B (zh) | 用于输出信息的方法和装置 | |
CN110110235B (zh) | 用于推送信息的方法和装置 |
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 |