CN117216650A - 一种目标对象风险行为预警方法及相关设备 - Google Patents
一种目标对象风险行为预警方法及相关设备 Download PDFInfo
- Publication number
- CN117216650A CN117216650A CN202311065578.0A CN202311065578A CN117216650A CN 117216650 A CN117216650 A CN 117216650A CN 202311065578 A CN202311065578 A CN 202311065578A CN 117216650 A CN117216650 A CN 117216650A
- Authority
- CN
- China
- Prior art keywords
- risk behavior
- pieces
- information
- emotion
- target object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008451 emotion Effects 0.000 claims abstract description 198
- 238000004458 analytical method Methods 0.000 claims abstract description 111
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 238000005065 mining Methods 0.000 claims abstract description 35
- 230000006399 behavior Effects 0.000 claims description 379
- 238000012549 training Methods 0.000 claims description 34
- 230000002996 emotional effect Effects 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种目标对象风险行为预警方法及相关设备，在具体的方法中，先基于预设情绪分析模型以及目标对象发布的多条历史信息来进行情绪分析，进而确定该目标对象是否情绪异常，然后通过预设风险行为解析模型来确定目标对象最有可能出现的风险行为类型，最后对与此风险行为类型对应的历史信息进行信息挖掘，从而清晰呈现与此风险行为类型相关的各类关键信息，最后基于与风险行为相关的关键信息来实现对目标对象的风险行为预警，其能够对情绪异常的对象进行深度的风险行为信息挖掘，并以挖掘得到的风险行为信息进行预警，提高了对目标对象风险行为预警的准确率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种目标对象风险行为预警方法及相关设备。
背景技术
随着社交媒体和在线社交网络的飞速发展，大众的情绪和心理状态更容易受到社交媒体中多样化的言论所影响，从而出现对社会一定风险的行为，因此，对网络用户可能出现的负面情绪以及相应负面情绪所导致的风险行为进行监测能够有效维持社交媒体和社会的问题，其相关的技术变得日益重要。
在传统的解决办法中，通常线下走访调研、线上举报以及筛选特定关键的方式等人工的手段来进行用户风险行为监测。然而，此类方法往往会消耗过多的社会资源及人力资源，难以应对大规模的监测需求。而在目前的现有技术中，通常基于自然语言技术以及相应仅能够基于用户的发言贴以及评论等信息来确定对应用户的情绪倾向性，但无法准确获取用户在此情绪倾向性基础下潜在的风险行为以及此风险行为相关的细节，对网络用户风险行为预警的准确率较低。
因此，如何解决现有技术中对网络用户风险行为监测准确率较低的问题，成为本领域技术人员急需解决的技术问题。
发明内容
基于上述问题，为了解决现有技术中对网络用户风险行为监测准确率较低的问题，本申请提供了一种目标对象风险行为预警方法及相关设备。
本申请实施例公开了如下技术方案：
第一方面，本申请公开了一种目标对象风险行为预警方法，包括：
获取目标对象在预设时间段内所发布的多条历史信息；所述历史信息为所述目标对象在网络平台所发布的历史信息；
基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常；在情绪状态异常的对象所发布的多条历史信息中，包括有多条表示负面情绪的历史信息；
若确定所述目标对象情绪状态异常，则根据预设风险行为解析模型对所述多条表示负面情绪的历史信息进行风险行为解析，得到多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及第一风险行为类型；所述第一风险行为类型包括：在所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型中，出现次数的排名高于预设排名位列的风险行为类型；所述预设风险行为解析模型基于深度学习模型训练得到；
基于预设信息挖掘算法，对与所述第一风险行为类型对应的历史信息进行风险行为信息挖掘，得到与所述第一风险行为类型对应的风险行为信息；
根据所述与所述第一风险行为类型对应的风险行为信息，进行风险行为预警。
可选的，所述基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常，具体包括：
基于所述预设情绪分析模型，对所述多条历史信息进行情绪分析，得到所述多条历史信息各自表示的情绪类别；所述情绪类别至少包括：积极情绪和负面情绪；
确定所述表示负面情绪的历史信息在所述多条历史信息中所占的比例；
若所述表示负面情绪的历史信息在所述多条历史信息中所占的比例超过预设阈值，则确定所述目标对象情绪状态异常。
可选的，所述基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常之前，还包括：
对所述多条历史信息进行数据预处理，得到多条经过处理后的历史信息；所述多条经过处理后的历史信息皆以预设格式存储；
对所述多条经过处理后的历史信息进行向量转换，得到与所述多条经过处理后的历史信息各自对应的词向量空间。
可选的，所述根据预设风险行为解析模型对所述多条表示负面情绪的历史信息进行风险行为解析，得到多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及第一风险行为类型，具体包括：
基于所述预设风险行为解析模型，对所述多条表示负面情绪的历史信息进行事件分析，确定与所述多条表示负面情绪的历史信息各自对应的事件类型；所述事件类型表示导致所述目标对象出现风险行为的事件类型；
通过所述预设风险行为解析模型、所述多条表示负面情绪的历史信息以及对应的事件类型，确定所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及所述第一风险行为类型。
可选的，所述根据所述与所述第一风险行为类型对应的风险行为信息，进行风险行为预警，具体包括：
根据所述与所述第一风险行为类型对应的风险行为信息，确定与所述风险行为信息对应的预警等级；
根据所述预警等级以及所述风险行为信息，生成针对所述目标对象的风险行为预警信号。
可选的，所述风险行为信息包括：所述目标对象执行所述第一风险行为类型时所涉及的人物信息、时间信息以及地点信息。
第二方面，本申请公开了一种目标对象风险行为预警系统，包括：
获取模块，用于获取目标对象在预设时间段内所发布的多条历史信息；所述历史信息为所述目标对象在网络平台所发布的历史信息；
情绪分析模块，用于基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常；在情绪状态异常的对象所发布的多条历史信息中，包括有多条表示负面情绪的历史信息；
风险行为解析模块，用于在确定所述目标对象情绪状态异常时，则根据预设风险行为解析模型对所述多条表示负面情绪的历史信息进行风险行为解析，得到多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及第一风险行为类型；所述第一风险行为类型包括：在所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型中，出现次数的排名高于预设排名位列的风险行为类型；所述预设风险行为解析模型基于深度学习模型训练得到；
信息挖掘模块，用于基于预设信息挖掘算法，对与所述第一风险行为类型对应的历史信息进行风险行为信息挖掘，得到与所述第一风险行为类型对应的风险行为信息；所述风险行为信息包括：执行所述第一风险行为类型涉及的人物信息、地点信息以及时间信息；
预警模块，用于根据所述与所述第一风险行为类型对应的风险行为信息，进行风险行为预警。
可选的，所述情绪分析模块，具体用于：
基于所述预设情绪分析模型，对所述多条历史信息进行情绪分析，得到所述多条历史信息各自表示的情绪类别；所述情绪类别至少包括：积极情绪和负面情绪；
确定所述表示负面情绪的历史信息在所述多条历史信息中所占的比例；
若所述表示负面情绪的历史信息在所述多条历史信息中所占的比例超过预设阈值，则确定所述目标对象情绪状态异常。
可选的，所述系统，还包括：预处理模块；所述预处理模块，具体用于：
对所述多条历史信息进行数据预处理，得到多条经过处理后的历史信息；所述多条经过处理后的历史信息皆以预设格式存储；
对所述多条经过处理后的历史信息进行向量转换，得到与所述多条经过处理后的历史信息各自对应的词向量空间。
可选的，所述风险行为解析模块，具体用于：
基于所述预设风险行为解析模型，对所述多条表示负面情绪的历史信息进行事件分析，确定与所述多条表示负面情绪的历史信息各自对应的事件类型；所述事件类型表示导致所述目标对象出现风险行为的事件类型；
通过所述预设风险行为解析模型、所述多条表示负面情绪的历史信息以及对应的事件类型，确定所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及所述第一风险行为类型。
可选的，所述预警模块，具体用于：
根据所述与所述第一风险行为类型对应的风险行为信息，确定与所述风险行为信息对应的预警等级；
根据所述预警等级以及所述风险行为信息，生成针对所述目标对象的风险行为预警信号。
可选的，所述风险行为信息包括：所述目标对象执行所述第一风险行为类型时所涉及的人物信息、时间信息以及地点信息。
第三方面，本申请公开了一种电子设备，所述设备包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行所述的目标对象风险行为预警方法。
第四方面，本申请公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的目标对象风险行为预警方法。
相较于现有技术，本申请具有以下有益效果：本申请公开了一种目标对象风险行为预警方法及相关设备，在具体的方法中，首先会获取目标对象在预设时间段内在网络平台所发布的多条历史信息，并基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常。在情绪状态异常的用户所发布的多条历史信息中，包括有多条表示负面情绪的历史信息。若确定所述目标对象情绪状态异常，则根据预设风险行为解析模型对所述多条表示负面情绪的历史信息进行风险行为解析，得到多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及第一风险行为类型；所述第一风险行为类型包括：在所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型中，出现次数的排名高于预设排名位列的风险行为类型；对与所述第一风险行为类型对应的历史信息进行风险行为信息挖掘，得到与所述第一风险行为类型对应的行为信息；所述行为信息包括：执行所述第一风险行为类型涉及的人物信息、地点信息以及时间信息。最后基于第一风险行为类型对应的风险行为信息，即可完成对目标对象的风险行为预警。在上述方法中，先基于对目标对象的情绪分析来确定情绪异常的目标对象，然后通过预设风险行为解析模型来确定目标对象最有可能出现的风险行为类型，最后对与此风险行为类型对应的历史信息进行信息挖掘，从而清晰呈现与此风险行为类型相关的各类关键信息，最后基于与风险行为相关的关键信息来实现对目标对象的风险行为预警，其能够对情绪异常的对象进行深度的风险行为信息挖掘，并以挖掘得到的风险行为信息进行预警，提高了对目标对象风险行为预警的准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种目标对象风险行为预警方法的流程示意图；
图2为本申请实施例提供的一种目标对象风险行为预警系统的结构示意图；
图3为本申请实施例提供的一种目标对象风险行为预警电子设备的结构示意图。
具体实施方式
正如前文描述，随着社交媒体和在线社交网络的飞速发展，大众的情绪和心理状态更容易受到社交媒体中多样化的言论所影响，从而出现对社会一定风险的行为，因此，对网络用户可能出现的负面情绪以及相应负面情绪所导致的风险行为进行预警能够有效维持社交媒体和社会的问题，其相关的技术变得日益重要。
在传统的解决办法中，通常线下走访调研、线上举报以及筛选特定关键的方式等人工的手段来进行用户风险行为预警。然而，此类方法往往会消耗过多的社会资源及人力资源，难以应对大规模的风险行为预警需求。而在目前的现有技术中，通常基于自然语言技术来实现对网络用户进行情感正负分类，但仅能够基于用户的发言贴以及评论等信息来确定对应用户的情绪倾向性，但无法准确获取用户在此情绪倾向性基础下潜在的风险行为以及此风险行为相关的细节，对网络用户风险行为预警的准确率较低。
因此，如何解决现有技术中对网络用户风险行为预警准确率较低的问题，成为本领域技术人员急需解决的技术问题。
为了解决上述问题，本申请公开了一种目标对象风险行为预警方法及相关设备，在具体的方法中，首先会获取目标对象在预设时间段内在网络平台所发布的多条历史信息，并基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常。在情绪状态异常的用户所发布的多条历史信息中，包括有多条表示负面情绪的历史信息。若确定所述目标对象情绪状态异常，则根据预设风险行为解析模型对所述多条表示负面情绪的历史信息进行风险行为解析，得到多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及第一风险行为类型；所述第一风险行为类型包括：在所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型中，出现次数的排名高于预设排名位列的风险行为类型；对与所述第一风险行为类型对应的历史信息进行风险行为信息挖掘，得到与所述第一风险行为类型对应的行为信息；所述行为信息包括：执行所述第一风险行为类型涉及的人物信息、地点信息以及时间信息。最后基于第一风险行为类型对应的风险行为信息，即可完成对目标对象的风险行为预警。在上述方法中，先基于对目标对象的情绪分析来确定情绪异常的目标对象，然后通过预设风险行为解析模型来确定目标对象最有可能出现的风险行为类型，最后对与此风险行为类型对应的历史信息进行信息挖掘，从而清晰呈现与此风险行为类型相关的各类关键信息，最后基于与风险行为相关的关键信息来实现对目标对象的风险行为预警，其能够对情绪异常的对象进行深度的风险行为信息挖掘，并以挖掘得到的风险行为信息进行预警，提高了对目标对象风险行为预警的准确率。
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅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。
方法实施例
参见图1，该图为本申请实施例提供的一种目标对象风险行为预警方法的流程示意图，具体包括以下步骤：
S101：获取目标对象在预设时间段内所发布的多条历史信息；所述历史信息为所述目标对象在网络平台所发布的历史信息。
首先会通过爬虫算法来获取目标对象在预设时间段内在网络平台中所发布的所有的历史信息，其发布的历史信息可以是在社交媒体上的发帖、评论等文本信息，也可以是在社交媒体上的互动行为。目标对象可以是特定区域内的多个社交媒体用户，也可以是针对某一热点事件下存在评论和发帖的社交媒体用户，目标对象并不局限于单个社交媒体用户或网络用户，其可以是某一特定事件或某一区域内的特定对象，也可以基于在社交媒体中特定的ID来确定目标对象的基本信息，然后再获取目标对象在网络平台发布的历史，对于目标对象的选定规以及预设的时间段皆可自行设定。
S102：基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常；在情绪状态异常的对象所发布的多条历史信息中，包括有多条表示负面情绪的历史信息。
在得到目标对象在预设时间段发布的多条历史信息后，会基于预设的情绪分析模型来对得到的多条历史信息进行情绪分析，以此来判断目标对象是否情绪状态异常。在情绪状态异常的对象中，其发布的历史信息包括有多条表示负面情绪的历史信息。通过预设情绪分析模型对每条历史信息进行情绪分析，能够判断每条历史信息具体所表达的情绪类别，其情绪类别可以快乐、恐惧、愤怒、焦虑以及麻木等等，而多样化的情绪分类又可以统一对其划分为负面情绪以及积极情绪。在根据预设情绪分析模型对历史信息进行情绪分析的过程中，为了保证最后分析工作的效率以及结果的准确性，会根据历史信息的情绪类别来确定其在广义上的负面情绪以及积极情绪。每条历史信息都会对应有其自身所表达的情绪信息，具体是表达负面情绪的历史信息，也可以是表达积极情绪的历史信息。在根据目标对象发布的多条历史信息，确定目标对象是否情绪异常的过程中，具体可以通过以下三个步骤来进行：
步骤一、基于所述预设情绪分析模型，对所述多条历史信息进行情绪分析，得到所述多条历史信息各自表示的情绪类别；所述情绪类别至少包括：积极情绪和负面情绪；
步骤二、确定所述表示负面情绪的历史信息在所述多条历史信息中所占的比例；
步骤三、若所述表示负面情绪的历史信息在所述多条历史信息中所占的比例超过预设阈值，则确定所述目标对象情绪状态异常。
在确定目标对象是否情绪异常的过程中，会根据目标对象所发布的多条历史信息中，表示负面情绪信息的历史信息所占的比例来进行判断。若表示负面情绪的历史信息在多条历史信息中所占的比例超过预设阈值，则确定此时目标对象情绪状态异常。此方法能够基于预设情绪分析模型以及预设阈值来快速准确地判断目标对象是否情绪状态异常。具体的，预设情绪分析模型可以通过如下方式训练得到：
首先，从历史时间所获取的多个对象所发布的多条历史信息，随机选取一部分信息作为训练以及用于测试的数据，根据上述描述的情绪类别，例如：快乐、愤怒、焦虑等等，通过人工的方式对这些历史信息一一进行标注，将标注好的信息转换为符合预设情绪分析模型格式要求的数据后，输入至情绪分析模型以进行训练，同时，利用一部分历史信息来进行输出结果的测试和调整，以进一步提高模型的泛化能力。
在本实施例中，可以基于k-折交叉验证(k-fold cross Validation，k折交叉验证)的方法进行训练和测试。所有的输入数据被均匀地分为k份，然后进行k次训练和验证，在每一次中，选择其中一份作为验证集，其余的作为训练集。具体的，首先对整体数据进行分割，然后在每一轮中，选取不同的部分作为测试集，其余的作为训练集，循环进行训练和测试，最后得到k次测试的平均结果，以此作为模型的最终性能指标。
此外，为了确保模型适应各类新数据，可以定期对模型进行更新和调整，这包括收集新的数据，进行人工标注，并将这些新的训练样本加入到原有的训练数据中，以补充训练模型。同时，也可以根据新收集的测试数据进行模型效果的评估和校正，以保证模型的情绪分析能力始终保持在最优状态。
在本实施例中，预设情绪分析模型采用Bert模型或LSTM模型，本实施例对用于训练的模型类型不做具体限定。
S103：若确定所述目标对象情绪状态异常，则根据预设风险行为解析模型对所述多条表示负面情绪的历史信息进行风险行为解析，得到多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及第一风险行为类型；所述第一风险行为类型包括：在所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型中，出现次数的排名高于预设排名位列的风险行为类型；所述预设风险行为解析模型基于深度学习模型训练得到。
当确定目标对象情绪异常时，会基于预设的风险行为解析模型对其所发布的表达负面情绪的历史信息进行风险行为解析，得到每一表达负面情绪的历史信息所单独对应的风险行为类型以及第一风险行为类型。其中，第一风险行为类型为在多个表示负面情绪的风险行为类型中，出现次数的排名高于预设排名位列的风险行为模型，其预设排名位列可以自行设定。例如，当预设排名位列为3时，以风险行为类型的出现次数进行排名，取排名前三的风险行为类型作为第一风险行为类型。
获取第一风险行为类型的目的在于确定目标对象的预设时间段内最有可能出现的风险行为类型，通过预先确定目标对象在一定时间内最有可能出现的风险行为类型，能够有效缩小对目标对象风险行为的预测范围，限定出目标对象最有可能出现的风险行为类型，从而为后续进行风险行为信息挖掘的步骤提供准确地数据。其中，风险行为类型可以预先设定。具体的，通过预设风险行为解析模型以及多条表示负面情绪的历史信息，获取第一风险行为类型的过程可以通过以下两个步骤来实现：
步骤一、基于所述预设风险行为解析模型，对所述多条表示负面情绪的历史信息进行事件分析，确定与所述多条表示负面情绪的历史信息各自对应的事件类型；所述事件类型表示导致所述目标对象出现风险行为的事件类型；
步骤二、通过所述预设风险行为解析模型、所述多条表示负面情绪的历史信息以及对应的事件类型，确定所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及所述第一风险行为类型。
对于每一条表示负面情绪的历史信息，其都具有对应的风险行为类型，而相应的风险行为类型又含有具体的时间类型。因此，在确定历史信息所对应的风险行为类型之前，会先基于预设风险行为模型，确定历史信息所对应的事件类型，例如：社会事件、家庭事件、个人事件等等。再确定历史信息所对应的事件类型后，再根据事件的类型来确定对应的风险行为类型。
通过确定表达负面情绪的历史信息所对应的事件类型，再依据具体的事件类型来确定具体的风险行为类型，能够有效提高获取风险行为类型的效率。在得到每一表达负面情绪的历史信息所对应的风险行为类型后，通过获取其中每一风险行为类型的出现次数，并对其出现次数进行排名，将排名高于预设排名位列的风险行为类型确定为第一风险行为类型，即可得到目标对象在预设时间内最有可能出现的风险行为类型，即第一风险行为类型。
具体的，预设风险行为解析模型的训练过程可以通过以下方式训练得到：
首先，获取在过去时间内中所有表达负面情绪的历史信息，从中随机选取一部分信息作为训练和测试数据，根据上述的风险行为类别，人工对这些信息进行标注，并将标注好的信息转换为符合风险行为解析模型格式要求的数据后，送入风险行为预警模型进行训练，同时，利用测试数据对模型进行验证和调整，以进一步提高模型的泛化能力。
在本实施例中，可以基于k-折交叉验证的方法进行训练和测试。所有的数据被均匀地分为k份，然后进行k次训练和验证，在每一次中，选择其中一份作为验证集，其余的作为训练集。对整体数据进行分割，然后在每一轮中，选取不同的部分作为测试集，其余的作为训练集，循环进行训练和测试，最后得到k次测试的平均结果，以此作为模型的最终性能指标。
此外，为了确保模型适应各类新数据，可以定期对模型进行更新和调整，这包括收集新的数据，进行人工标注，并将这些新的训练样本加入到原有的训练数据中，以补充训练模型。同时，也可以根据新收集的测试数据进行模型效果的评估和校正，以保证模型的预测能力始终保持在最优状态
以风险行为解析模型为TextCNN(Text Convolutional Neural Network，文本卷积神经网络)模型为例，对其进行训练得到预设风险行为解析模型的步骤如下所示：
步骤一、通过词嵌入方法将历史信息中的每个词映射到一个低维空间中，得到每个词的词向量，从而将每一条历史信息中的文本转换为一个二维矩阵。
步骤二、使用多个不同大小的卷积核对上述二维矩阵进行卷积操作，得到每一个二维矩阵各自对应的特征图，每个特征图表示每一条历史信息文本中的一种局部特征。
步骤三、对每个特征图进行最大池化操作，得到其单独对应的标量，其每个特征图各自对应的标量用于表示特征图中最重要的特征值，从而降低特征维度和计算复杂度。
步骤四、将所有池化后的特征值拼接成一个长向量，作为每一条历史信息的全局特征表示。
步骤五、为了防止过拟合，在拼接层和全连接层之间随机丢弃一些特征值，增加模型的泛化能力。
步骤六、将拼接后的特征向量输入到一个全连接层中，使SoftMax函数输出每个类别的概率，进行多分类任务。
S104：基于预设信息挖掘算法，对与所述第一风险行为类型对应的历史信息进行风险行为信息挖掘，得到与所述第一风险行为类型对应的风险行为信息。
得到目标对象在预设时间段内最有可能出现的风险行为类型，即第一风险行为类型后，重新确认与第一风险行为类型对应的目标对象发布的历史信息，并基于预设信息挖掘算法对其进行风险行为信息挖掘，挖掘出现第一风险行为类型时可能涉及的人物、时间、地点、关键词等重要信息，从而清晰呈现与目标对象风险行为相关的各类关键信息，在后续进行风险行为预警的过程中，可以依据此与风向行为相关的行为信息，进行相应的风险行为预警。
在本实施例中，预设信息挖掘算法可以采用命名实体识别、词频统计以及逆文档关键词提取算法，来挖掘第一风险行为类型可能涉及的行为信息。
命名实体识别是一种自然语言处理技术，用于从文本中识别和分类具有特定意义的命名实体，例如人名、地名、组织机构名等。命名实体识别技术通常通过训练模型识别出这些实体，并将其分类为预定义的类别。词频统计技术是指文本中某个词语在整篇文档或者某个语料库中出现的频率词频越高，表示该词在文本中出现的次数越多。
而逆文档关键词提取算法是一种用于从文档集中提取关键词的算法，该算法通过计算词语在整个文档集中的逆文档频率来确定关键词的重要性。越高的逆文档频率值高表示该词在文档集中出现越少，具有较高的区别性。
结合命名实体识别、词频统计以及逆文档关键词提取算法，我们可以进行关键词的提取和排序。通过计算每个词语在文本中的词频以及每个词语在整个文档集中的逆文档频率，最后将词语的词频乘以逆文档频率，得到一个权重值，根据权重值对关键词进行排序，即可得到与风险行为类型密切相关的关键词，这些关键词可以用于描述与第一风险行为类型相关的人物信息、地点信息以及时间信息等。
S105：根据所述与所述第一风险行为类型对应的风险行为信息，进行风险行为预警。
最后，根据与第一风险行为类型相对应的风险行为信息，即可完成针对于目标对象的风险行为预警。在进行风险行为预警的过程中，具体可以通过以下两个步骤来完成：
步骤一、根据所述与所述第一风险行为类型对应的风险行为信息，确定与所述风险行为信息对应的预警等级；
步骤二、根据所述预警等级以及所述风险行为信息，生成针对所述目标对象的风险行为预警信号。
在得到第一风险行为类型的风险行为信息后，可以基于具体的风险行为信息来确定相应的预警等级，其预警等级的确定可以基于风险行为信息的信息清晰程度来决定，与第一风险行为类型相关的风险行为信息越清晰具体，相应的预警等级也就越高。也可以基于预先设定的各类风险行为信息与预警等级的对应关系来确定预警等级。例如，当风险行为信息中表明的风险行为发生时间与当前时间的差值小于预设的时间间隔时，此时将预警等级确认为危险等级。具体的预警等级可以是具体的数值，也可以是危险、紧急、较弱等形容词来描述，本实施例对具体的预警等级的表现形式不作具体限定。
最后，根据预警等级以及相关的风险行为信息，生成针对于目标对象的风险行为预警信号，即可完成针对于目标对象的风险行为预警。在风险行为预警信号中，包括有与目标对象相关的风险行为信息以及预警等级，通过目标对象的风险行为预警信号，能够准确的实现针对于目标对象的风险行为预警。
作为一种可选的实施方式，在步骤S102之前，还包括以下两个步骤：
步骤一、对所述多条历史信息进行数据预处理，得到多条经过处理后的历史信息；所述多条经过处理后的历史信息皆以预设格式存储；
步骤二、对所述多条经过处理后的历史信息进行向量转换，得到与所述多条经过处理后的历史信息各自对应的词向量空间。
在基于预设情绪分析模型和历史信息判断目标对象是否情绪状态异常之前，需要将历史信息转换为符合预设情绪分析模型要求的格式。首先，需要先对多条历史信息进行数据预处理，数据预处理的过程包括清洗、分词、去停用词等，通过对多条历史信息进行数据预处理，能够提升历史信息的数据准确性以及适用性。其中，数据清洗主要是删除重复数据、处理缺失值、以及统一数据格式等。分词主要是对连续文本进行识别和切割，划分为独立的词语以及标记。去停用词主要是移除文本中一些常见但对于文本的主题或者情感没有太大贡献的词语，例如"的"、"和"、"是"等。
在完成对历史信息的数据预处理后，对每条经过预处理后的历史信息进行向量转换，将每条历史信息转换成对应的词向量空间。在本申请实施例中，通过词嵌入Word2vec模型将经过数据预处理后的每条历史信息转换成词向量空间并保存，以便进行后续的处理。具体的，可以选择Word2vec的连续词袋模型(Continuous Bag of Words,CBOW)或跳字模型(Skip-gram)模型。
CBOW模型从上下文词预测目标词。给定一个目标词和它的上下文，CBOW模型的目标是最大化以下对数似然函数：
其中，wt是目标词，wt-n,…wt-1,wt+1,…,wt+n是它的上下文词，n是上下文窗口的大小，T是训练集中的总词数。
跳字模型(Skip-gram)模型从目标词预测上下文词，给定一个目标词和它的上下文，Skip-gram模型的目标是最大化以下对数似然函数：
其中，wt是目标词，wt+j是它的上下文词，n是上下文窗口的大小，T是训练集中的总词数。
通过对经过数据预处理后的多条历史信息进行向量转换，得到其各自对应的词向量空间，使得词语在向量空间中的位置能够反映其语义含义。通过词向量表示，我们可以将词语转换为机器硬件可理解的形式，并且能够捕捉到词语之间的语义相似性和关系。
本实施例公开了一种目标对象风险行为预警方法，在具体的方法中，首先会获取目标对象在预设时间段内在网络平台所发布的多条历史信息，并基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常。在情绪状态异常的用户所发布的多条历史信息中，包括有多条表示负面情绪的历史信息。若确定所述目标对象情绪状态异常，则根据预设风险行为解析模型对所述多条表示负面情绪的历史信息进行风险行为解析，得到多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及第一风险行为类型；所述第一风险行为类型包括：在所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型中，出现次数的排名高于预设排名位列的风险行为类型；对与所述第一风险行为类型对应的历史信息进行风险行为信息挖掘，得到与所述第一风险行为类型对应的行为信息；所述行为信息包括：执行所述第一风险行为类型涉及的人物信息、地点信息以及时间信息。最后基于第一风险行为类型对应的风险行为信息，即可完成对目标对象的风险行为预警。在上述方法中，先基于对目标对象的情绪分析来确定情绪异常的目标对象，然后通过预设风险行为解析模型来确定目标对象最有可能出现的风险行为类型，最后对与此风险行为类型对应的历史信息进行信息挖掘，从而清晰呈现与此风险行为类型相关的各类关键信息，最后基于与风险行为相关的关键信息来实现对目标对象的风险行为预警，其能够对情绪异常的对象进行深度的风险行为信息挖掘，并以挖掘得到的风险行为信息进行预警，提高了对目标对象风险行为预警的准确率。
下面对本申请实施例提供的一种目标对象的风险行为预警系统进行介绍，下文描述的一种目标对象的风险行为预警系统与上文描述的一种目标对象的风险行为预警方法可相互对应参照。
系统实施例
参照图2，该图为本申请实施例提供的一种目标对象风险行为预警系统的结构示意图，具体包括以下模块：
获取模块100，用于获取目标对象在预设时间段内所发布的多条历史信息；所述历史信息为所述目标对象在网络平台所发布的历史信息；
情绪分析模块200，用于基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常；在情绪状态异常的对象所发布的多条历史信息中，包括有多条表示负面情绪的历史信息；
风险行为解析模块300，用于在确定所述目标对象情绪状态异常时，则根据预设风险行为解析模型对所述多条表示负面情绪的历史信息进行风险行为解析，得到多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及第一风险行为类型；所述第一风险行为类型包括：在所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型中，出现次数的排名高于预设排名位列的风险行为类型；所述预设风险行为解析模型基于深度学习模型训练得到；
信息挖掘模块400，用于基于预设信息挖掘算法，对与所述第一风险行为类型对应的历史信息进行风险行为信息挖掘，得到与所述第一风险行为类型对应的风险行为信息；所述风险行为信息包括：执行所述第一风险行为类型涉及的人物信息、地点信息以及时间信息；
预警模块500，用于根据所述与所述第一风险行为类型对应的风险行为信息，进行风险行为预警。
可选的，所述情绪分析模块200，具体用于：
基于所述预设情绪分析模型，对所述多条历史信息进行情绪分析，得到所述多条历史信息各自表示的情绪类别；所述情绪类别至少包括：积极情绪和负面情绪；
确定所述表示负面情绪的历史信息在所述多条历史信息中所占的比例；
若所述表示负面情绪的历史信息在所述多条历史信息中所占的比例超过预设阈值，则确定所述目标对象情绪状态异常。
可选的，所述系统，还包括：预处理模块；所述预处理模块，具体用于：
对所述多条历史信息进行数据预处理，得到多条经过处理后的历史信息；所述多条经过处理后的历史信息皆以预设格式存储；
对所述多条经过处理后的历史信息进行向量转换，得到与所述多条经过处理后的历史信息各自对应的词向量空间。
可选的，所述风险行为解析模块300，具体用于：
基于所述预设风险行为解析模型，对所述多条表示负面情绪的历史信息进行事件分析，确定与所述多条表示负面情绪的历史信息各自对应的事件类型；所述事件类型表示导致所述目标对象出现风险行为的事件类型；
通过所述预设风险行为解析模型、所述多条表示负面情绪的历史信息以及对应的事件类型，确定所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及所述第一风险行为类型。
可选的，所述预警模块500，具体用于：
根据所述与所述第一风险行为类型对应的风险行为信息，确定与所述风险行为信息对应的预警等级；
根据所述预警等级以及所述风险行为信息，生成针对所述目标对象的风险行为预警信号。
可选的，所述风险行为信息包括：所述目标对象执行所述第一风险行为类型时所涉及的人物信息、时间信息以及地点信息。
电子设备实施例
参见图3，该图为本申请实施例提供的一种目标对象风险行为预警电子设备的结构示意图，包括：
存储器11，用于存储计算机程序；
处理器12，用于执行所述计算机程序时实现上述任意方法实施例所述的目标对象风险行为预警方法的步骤。
在本实施例中，设备可以是车载电脑、PC(Personal Computer，个人电脑)，也可以是智能手机、平板电脑、掌上电脑、便携计算机等终端设备。
该设备可以包括存储器11、处理器12和总线13。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是设备的内部存储单元，例如该设备的硬盘。存储器11在另一些实施例中也可以是设备的外部存储设备，例如设备上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括设备的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于设备的应用软件及各类数据，例如执行故障预测方法的程序代码等，还可以用于暂时地存储已经输出或者将要输出的数据。处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)。
处理器12在一些实施例中可以是一中央处理器(Central Processing unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行故障预测方法的程序代码等。
该总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
进一步地，设备还可以包括网络接口14，网络接口14可选的可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该设备与其他电子设备之间建立通信连接。
可选地，该设备还可以包括用户接口15，用户接口15可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口15还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有组件11-15的设备，本领域技术人员可以理解的是，图3示出的结构并不构成对设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于方法装置、电子设备及车辆而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的方法装置、电子设备及车辆仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元提示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本申请的一种具体实施方式，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。
Claims (14)
1.一种目标对象风险行为预警方法，其特征在于，包括：
获取目标对象在预设时间段内所发布的多条历史信息；所述历史信息为所述目标对象在网络平台所发布的历史信息；
基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常；在情绪状态异常的对象所发布的多条历史信息中，包括有多条表示负面情绪的历史信息；
若确定所述目标对象情绪状态异常，则根据预设风险行为解析模型对所述多条表示负面情绪的历史信息进行风险行为解析，得到多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及第一风险行为类型；所述第一风险行为类型包括：在所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型中，出现次数的排名高于预设排名位列的风险行为类型；所述预设风险行为解析模型基于深度学习模型训练得到；
基于预设信息挖掘算法，对与所述第一风险行为类型对应的历史信息进行风险行为信息挖掘，得到与所述第一风险行为类型对应的风险行为信息；
根据所述与所述第一风险行为类型对应的风险行为信息，进行风险行为预警。
2.根据权利要求1所述的方法，其特征在于，所述基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常，具体包括：
基于所述预设情绪分析模型，对所述多条历史信息进行情绪分析，得到所述多条历史信息各自表示的情绪类别；所述情绪类别至少包括：积极情绪和负面情绪；
确定所述表示负面情绪的历史信息在所述多条历史信息中所占的比例；
若所述表示负面情绪的历史信息在所述多条历史信息中所占的比例超过预设阈值，则确定所述目标对象情绪状态异常。
3.根据权利要求1所述的方法，其特征在于，所述基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常之前，还包括：
对所述多条历史信息进行数据预处理，得到多条经过处理后的历史信息；所述多条经过处理后的历史信息皆以预设格式存储；
对所述多条经过处理后的历史信息进行向量转换，得到与所述多条经过处理后的历史信息各自对应的词向量空间。
4.根据权利要求1所述的方法，其特征在于，所述根据预设风险行为解析模型对所述多条表示负面情绪的历史信息进行风险行为解析，得到多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及第一风险行为类型，具体包括：
基于所述预设风险行为解析模型，对所述多条表示负面情绪的历史信息进行事件分析，确定与所述多条表示负面情绪的历史信息各自对应的事件类型；所述事件类型表示导致所述目标对象出现风险行为的事件类型；
通过所述预设风险行为解析模型、所述多条表示负面情绪的历史信息以及对应的事件类型，确定所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及所述第一风险行为类型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述与所述第一风险行为类型对应的风险行为信息，进行风险行为预警，具体包括：
根据所述与所述第一风险行为类型对应的风险行为信息，确定与所述风险行为信息对应的预警等级；
根据所述预警等级以及所述风险行为信息，生成针对所述目标对象的风险行为预警信号。
6.根据权利要求1所述的方法，其特征在于，所述风险行为信息包括：所述目标对象执行所述第一风险行为类型时所涉及的人物信息、时间信息以及地点信息。
7.一种目标对象风险行为预警系统，其特征在于，包括：
获取模块，用于获取目标对象在预设时间段内所发布的多条历史信息；所述历史信息为所述目标对象在网络平台所发布的历史信息；
情绪分析模块，用于基于预设情绪分析模型和所述多条历史信息，确定所述目标对象是否情绪状态异常；在情绪状态异常的对象所发布的多条历史信息中，包括有多条表示负面情绪的历史信息；
风险行为解析模块，用于在确定所述目标对象情绪状态异常时，则根据预设风险行为解析模型对所述多条表示负面情绪的历史信息进行风险行为解析，得到多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及第一风险行为类型；所述第一风险行为类型包括：在所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型中，出现次数的排名高于预设排名位列的风险行为类型；所述预设风险行为解析模型基于深度学习模型训练得到；
信息挖掘模块，用于基于预设信息挖掘算法，对与所述第一风险行为类型对应的历史信息进行风险行为信息挖掘，得到与所述第一风险行为类型对应的风险行为信息；所述风险行为信息包括：执行所述第一风险行为类型涉及的人物信息、地点信息以及时间信息；
预警模块，用于根据所述与所述第一风险行为类型对应的风险行为信息，进行风险行为预警。
8.根据权利要求7所述的系统，其特征在于，所述情绪分析模块，具体用于：
基于所述预设情绪分析模型，对所述多条历史信息进行情绪分析，得到所述多条历史信息各自表示的情绪类别；所述情绪类别至少包括：积极情绪和负面情绪；
确定所述表示负面情绪的历史信息在所述多条历史信息中所占的比例；
若所述表示负面情绪的历史信息在所述多条历史信息中所占的比例超过预设阈值，则确定所述目标对象情绪状态异常。
9.根据权利要求7所述的系统，其特征在于，还包括：预处理模块；所述预处理模块，具体用于：
对所述多条历史信息进行数据预处理，得到多条经过处理后的历史信息；所述多条经过处理后的历史信息皆以预设格式存储；
对所述多条经过处理后的历史信息进行向量转换，得到与所述多条经过处理后的历史信息各自对应的词向量空间。
10.根据权利要求7所述的系统，其特征在于，所述风险行为解析模块，具体用于：
基于所述预设风险行为解析模型，对所述多条表示负面情绪的历史信息进行事件分析，确定与所述多条表示负面情绪的历史信息各自对应的事件类型；所述事件类型表示导致所述目标对象出现风险行为的事件类型；
通过所述预设风险行为解析模型、所述多条表示负面情绪的历史信息以及对应的事件类型，确定所述多个与所述多条表示负面情绪的历史信息各自对应的风险行为类型以及所述第一风险行为类型。
11.根据权利要求7所述的系统，其特征在于，所述预警模块，具体用于：
根据所述与所述第一风险行为类型对应的风险行为信息，确定与所述风险行为信息对应的预警等级；
根据所述预警等级以及所述风险行为信息，生成针对所述目标对象的风险行为预警信号。
12.根据权利要求7所述的系统，其特征在于，所述风险行为信息包括：所述目标对象执行所述第一风险行为类型时所涉及的人物信息、时间信息以及地点信息。
13.一种电子设备，其特征在于，所述设备包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-6中任一项所述的目标对象风险行为预警方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6中任一项所述的目标对象风险行为预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311065578.0A CN117216650A (zh) | 2023-08-23 | 2023-08-23 | 一种目标对象风险行为预警方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311065578.0A CN117216650A (zh) | 2023-08-23 | 2023-08-23 | 一种目标对象风险行为预警方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117216650A true CN117216650A (zh) | 2023-12-12 |
Family
ID=89045216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311065578.0A Pending CN117216650A (zh) | 2023-08-23 | 2023-08-23 | 一种目标对象风险行为预警方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216650A (zh) |
-
2023
- 2023-08-23 CN CN202311065578.0A patent/CN117216650A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110347835B (zh) | 文本聚类方法、电子装置及存储介质 | |
| CN111651601B (zh) | 用于电力信息系统的故障分类模型的训练方法及分类方法 | |
| CN112560453B (zh) | 语音信息校验方法、装置、电子设备及介质 | |
| CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN112560465B (zh) | 批量异常事件的监控方法、装置、电子设备及存储介质 | |
| CN114780746A (zh) | 基于知识图谱的文档检索方法及其相关设备 | |
| CN112579781B (zh) | 文本归类方法、装置、电子设备及介质 | |
| CN113360654B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN113918704A (zh) | 基于机器学习的问答方法、装置、电子设备及介质 | |
| CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
| CN110765245A (zh) | 基于大数据的情感正负判断方法、装置、设备及存储介质 | |
| CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
| CN113469237B (zh) | 用户意图识别方法、装置、电子设备及存储介质 | |
| CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
| CN117216650A (zh) | 一种目标对象风险行为预警方法及相关设备 | |
| CN115080745A (zh) | 基于人工智能的多场景文本分类方法、装置、设备及介质 | |
| CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
| CN114330705A (zh) | 光伏发电量的预测方法、装置、电子设备和存储介质 | |
| CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 | |
| CN112115229A (zh) | 文本意图识别方法、装置、系统以及文本分类系统 | |
| CN115146596B (zh) | 召回文本的生成方法、装置、电子设备及存储介质 | |
| CN111680513B (zh) | 特征信息的识别方法、装置及计算机可读存储介质 | |
| CN115329723A (zh) | 基于小样本学习的用户圈层挖掘方法、装置、介质及设备 | |
| CN112347739A (zh) | 适用规则分析方法、装置、电子设备及存储介质 | |
| CN115758172A (zh) | 一种基于图学习的虚拟电厂用户敏感数据识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |