CN117573809B - 一种基于事件图谱的舆情推演方法以及相关装置 - Google Patents
一种基于事件图谱的舆情推演方法以及相关装置 Download PDFInfo
- Publication number
- CN117573809B CN117573809B CN202410049093.0A CN202410049093A CN117573809B CN 117573809 B CN117573809 B CN 117573809B CN 202410049093 A CN202410049093 A CN 202410049093A CN 117573809 B CN117573809 B CN 117573809B
- Authority
- CN
- China
- Prior art keywords
- event
- target
- vector
- node
- public opinion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 269
- 230000001364 causal effect Effects 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000002085 persistent effect Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000012800 visualization Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000034804 Product quality issues Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001052 transient effect Effects 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3335—Syntactic pre-processing, e.g. stopword elimination, stemming
-
- 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于事件图谱的舆情推演方法以及相关装置,用于实现舆情事件的因果逻辑关系可视化,以提高推演结果的可靠性。本申请方法包括:从知识库中抽取样本舆情事件;从样本舆情事件中提取因果元组;根据因果元组构建目标事件图谱;对目标舆情事件进行向量化处理;分别计算目标事件向量与事件图谱中各个事件节点的向量相似度;判断所有向量相似度中的最大值是否大于第一预设阈值;若是,确定与最大值对应的事件节点为目标事件节点;根据目标事件图谱获取目标事件节点的后续事件节点集;根据后续事件节点集中各个后续事件节点对应的边权重系数分别计算预测概率;确定与所有预测概率中的最大值对应的后续事件节点为目标舆情后续事件。
Description
技术领域
本申请涉及事件推演分析技术领域,尤其涉及一种基于事件图谱的舆情事件推演方法以及相关装置。
背景技术
舆情是指在一定的社会空间内,围绕中介性社会事件的发生、发展和变化,作为主体的民众对作为客体的社会管理者、企业、个人及其他各类组织及其政治、社会、道德等方面的取向产生和持有的社会态度。它是较多群众关于社会中各种现象、问题所表达的信念、态度、意见和情绪等表现的总和。而随着电子信息技术的发展,舆情事件的传播媒介也开始从报纸、广播以及电视等传统媒体逐渐向网络媒体发展。
网络媒体具有进入门槛低、信息超大规模、信息发布与传播迅速、参与群体庞大以及实时交互性强等综合性特点。由于网络信息的发布成本极低,信息的提供者、传播者和阅读者之间已经没有明显的界限。也正因如此,在当前复杂的网络环境下,当出现网络谣言和非理性声音时极易引发公众对立情绪,成为激化社会矛盾、酿成重大社会事件的导火索。因此,为了构建和谐的网络舆论环境,相关政企单位需要及时了解舆情信息和推演出舆情发展方向,以及时作出应对。目前,传统的舆情推演方法通常依赖于知识图谱和语义网络等知识库,但是其无法对舆情事件之间的逻辑和因果关系进行挖掘,从而导致舆情事件的归因和动态演化特征无法得到充分体现,降低了推演结果的可靠性。
发明内容
本申请提供了一种基于事件图谱的舆情推演方法以及相关装置,能够实现舆情事件的因果逻辑关系可视化,以提高推演结果的可靠性。
本申请第一方面提供了一种基于事件图谱的舆情推演方法,包括:
从知识库中抽取样本舆情事件;
从所述样本舆情事件中提取因果元组;
根据所述因果元组构建目标事件图谱;
对目标舆情事件进行向量化处理,得到目标事件向量;
遍历所述目标事件图谱的所有事件节点,并分别计算所述目标事件向量与所述事件图谱中各个事件节点的向量相似度;
判断所有向量相似度中的最大值是否大于第一预设阈值;
若是,确定与所述最大值对应的事件节点为目标事件节点;
根据所述目标事件图谱获取所述目标事件节点的后续事件节点集;
根据所述后续事件节点集中各个后续事件节点对应的边权重系数分别计算预测概率;
确定与所有预测概率中的最大值对应的后续事件节点为目标舆情后续事件。
可选的,所述遍历所述目标事件图谱的所有事件节点,并分别计算所述目标事件向量与所述事件图谱中各个事件节点的向量相似度,包括:
遍历所述目标事件图谱的所有事件节点;
计算所述目标事件向量与所述目标事件图谱中各个事件节点的第一点积:
分别计算所述目标事件向量的第一范数以及所述目标事件图谱中各个事件节点的第二范数;
根据所述第一点积、所述第一范数以及所述第二范数计算第一相似度,通过下述式子计算所述第一相似度:
其中,表示所述目标事件向量,/>表示所述目标事件图谱中的任一事件节点,表示所述目标事件向量/>与所述目标事件图谱中任一个事件节点/>的第一点积,表示所述目标事件向量/>的第一范数/>与所述目标事件图谱中任一个事件节点/>的第二范数/>的积。
根据所述第一相似度确定所述目标事件向量与所述目标事件图谱中各个事件节点的向量相似度。
可选的,所述根据所述后续事件节点集中各个后续事件节点对应的边权重系数分别计算预测概率,包括:
计算所述目标事件向量与所述后续事件节点集中的各个后续事件节点的第二点积;
分别计算所述目标事件向量的第一范数以及所述后续事件节点集中的各个后续事件节点的第三范数;
根据所述第二点积、所述第一范数以及所述第三范数计算第二相似度,通过下述式子计算所述第二相似度:
其中,表示所述目标事件向量,/>表示所述后续事件节点集中的任一后续事件节点,/>表示所述目标事件向量/>与所述后续事件节点集中的任一后续事件节点/>的第二点积,/>表示所述目标事件向量/>的第一范数/>与所述后续事件节点集中的任一后续事件节点/>的第三范数/>的积。
将所述第二相似度作为边权重系数;
使用sigmoid函数将所述边权重系数转换为预测概率,所述预测概率的计算公式为:
,
其中,,/>表示边权重系数。
可选的,所述从知识库中抽取样本舆情事件包括:
获取知识库中的待识别文本;
识别所述待识别文本的事件触发词,并确定所述事件触发词对应的事件类型;
识别所述事件触发词对应的事件元素,并根据所述事件类型对所述事件元素进行角色分类,以得到样本舆情事件。
可选的,所述从知识库中抽取样本舆情事件包括:
获取知识库中的待识别文本;
对所述待识别文本的事件触发词和事件元素进行联合识别;
对所述事件触发词对应的事件类型以及所述事件元素的角色类型进行分类,以得到样本舆情事件。
可选的,在所述对目标舆情事件进行向量化处理,得到目标事件向量之后,所述遍历所述目标事件图谱的所有事件节点之前,所述舆情推演方法还包括:
从所述目标事件向量中提取子事件向量,得到子事件向量集;
计算子事件向量集中的各子事件向量之间的向量相似度;
判断是否存在两个子事件向量之间的向量相似度高于第二预设阈值;
若是,则对所述两个子事件向量进行融合归并;
所述遍历所述目标事件图谱的所有事件节点,并分别计算所述目标事件向量与所述事件图谱中各个事件节点的向量相似度包括:
遍历所述目标事件图谱的所有事件节点,并分别计算融合归并后的所述目标事件向量与所述事件图谱中各个事件节点的向量相似度。
可选的,所述对目标舆情事件进行向量化处理,得到目标事件向量包括:
对目标舆情事件进行文本预处理,得到原始目标语料数据;
将所述原始目标语料数据输入至预训练的词嵌入模型,得到词嵌入向量集;
将词嵌入向量集中的所有词嵌入向量进行平均值计算,得到第一事件向量;
对所述第一事件向量进行标准化处理,得到目标事件向量。
本申请第二方面提供了一种基于事件图谱的舆情推演装置,包括:
抽取单元,用于从知识库中抽取样本舆情事件;
第一提取单元,用于从所述样本舆情事件中提取因果元组;
构建单元,用于根据所述因果元组构建目标事件图谱;
向量化处理单元,用于对目标舆情事件进行向量化处理,得到目标事件向量;
第一计算单元,用于遍历所述目标事件图谱的所有事件节点,并分别计算所述目标事件向量与所述目标事件图谱中各个事件节点的向量相似度;
第一判断单元,用于判断所有向量相似度中的最大值是否大于第一预设阈值;
第一确定单元,用于当所有向量相似度中的最大值是否大于第一预设阈值时,确定与所述最大值对应的事件节点为目标事件节点;
获取单元,用于根据所述目标事件图谱获取所述目标事件节点的后续事件节点集;
第二计算单元,用于根据所述后续事件节点集中各个后续事件节点对应的边权重系数分别计算预测概率;
第二确定单元,用于确定与所有预测概率中的最大值对应的后续事件节点为目标舆情后续事件。
可选的,所述第一计算单元具体用于:
遍历所述目标事件图谱的所有事件节点;
计算所述目标事件向量与所述目标事件图谱中各个事件节点的第一点积:
分别计算所述目标事件向量的第一范数以及所述目标事件图谱中各个事件节点的第二范数;
根据所述第一点积、所述第一范数以及所述第二范数计算第一相似度,通过下述式子计算所述第一相似度:
其中,表示所述目标事件向量,/>表示所述目标事件图谱中的任一事件节点,表示所述目标事件向量/>与所述目标事件图谱中任一个事件节点/>的第一点积,表示所述目标事件向量/>的第一范数/>与所述目标事件图谱中任一个事件节点/>的第二范数/>的积。
根据所述第一相似度确定所述目标事件向量与所述目标事件图谱中各个事件节点的向量相似度。
可选的,所述第二计算单元具体用于:
计算所述目标事件向量与所述后续事件节点集中的各个后续事件节点的第二点积;
分别计算所述目标事件向量的第一范数以及所述后续事件节点集中的各个后续事件节点的第三范数;
根据所述第二点积、所述第一范数以及所述第三范数计算第二相似度,通过下述式子计算所述第二相似度:
其中,表示所述目标事件向量,/>表示所述后续事件节点集中的任一后续事件节点,/>表示所述目标事件向量/>与所述后续事件节点集中的任一后续事件节点/>的第二点积,/>表示所述目标事件向量/>的第一范数/>与所述后续事件节点集中的任一后续事件节点/>的第三范数/>的积。
将所述第二相似度作为边权重系数;
使用sigmoid函数将所述边权重系数转换为预测概率,所述预测概率的计算公式为:
,
其中,,/>表示边权重系数。
可选的,所述抽取单元具体用于:
获取知识库中的待识别文本;
识别所述待识别文本的事件触发词,并确定所述事件触发词对应的事件类型;
识别所述事件触发词对应的事件元素,并根据所述事件类型对所述事件元素进行角色分类,以得到样本舆情事件。
可选的,所述抽取单元还具体用于:
获取知识库中的待识别文本;
对所述待识别文本的事件触发词和事件元素进行联合识别;
对所述事件触发词对应的事件类型以及所述事件元素的角色类型进行分类,以得到样本舆情事件。
可选的,所述舆情推演装置还包括:
第二提取单元,用于从所述目标事件向量中提取子事件向量,得到子事件向量集;
第三计算单元,用于计算子事件向量集中的各子事件向量之间的向量相似度;
第二判断单元,用于判断是否存在两个子事件向量之间的向量相似度高于第二预设阈值;
融合归并单元,用于当存在两个子事件向量之间的向量相似度高于第二预设阈值时,对所述两个子事件向量进行融合归并;
所述第一计算单元具体用于:
遍历所述目标事件图谱的所有事件节点,并分别计算融合归并后的所述目标事件向量与所述事件图谱中各个事件节点的向量相似度。
可选的,所述向量化处理单元具体用于:
对目标舆情事件进行文本预处理,得到原始目标语料数据;
将所述原始目标语料数据输入至预训练的词嵌入模型,得到词嵌入向量集;
将词嵌入向量集中的所有词嵌入向量进行平均值计算,得到第一事件向量;
对所述第一事件向量进行标准化处理,得到目标事件向量。
本申请第三方面提供了一种基于事件图谱的舆情推演系统,包括:
中央处理器,存储器,输入输出接口,有线或无线网络接口以及电源;
所述存储器为短暂存储存储器或持久存储存储器;
所述中央处理器配置为与所述存储器通信,并执行所述存储器中的指令操作以执行第一方面以及第一方面的可选方式中的任意一种所述的方式。
本申请第四方面提供了一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行第一方面以及第一方面的可选方式中的任意一种所述的方式。
从以上技术方案可以看出,本申请具有以下效果:
从知识库中抽取样本舆情事件;从样本舆情事件中提取因果元组;根据因果元组构建目标事件图谱;对目标舆情事件进行向量化处理,得到目标事件向量;遍历目标事件图谱的所有事件节点,并分别计算目标事件向量与事件图谱中各个事件节点的向量相似度;判断所有向量相似度中的最大值是否大于第一预设阈值;若是,确定与最大值对应的事件节点为目标事件节点;根据目标事件图谱获取目标事件节点的后续事件节点集;根据后续事件节点集中各个后续事件节点对应的边权重系数分别计算预测概率;确定与所有预测概率中的最大值对应的后续事件节点为目标舆情后续事件。这样,可以通过比较目标舆情事件的目标事件向量与已构建的目标事件图谱的各事件节点的相似度,以确定目标事件节点,并通过与目标事件节点具有因果逻辑关系的后续事件节点的边权重系数来确定概率最大的后续事件节点为目标舆情后续事件,从而可以实现目标舆情事件的因果逻辑关系的可视化,提高了推演结果的可靠性。
附图说明
图1为本申请中一种基于事件图谱的舆情推演方法的一个实施例示意图;
图2-1、图2-2以及图2-3为本申请中一种基于事件图谱的舆情推演方法的另一个实施例示意图;
图3为本申请中一种基于事件图谱的舆情推演装置的一个实施例示意图;
图4为本申请中一种基于事件图谱的舆情推演装置的另一个实施例示意图;
图5为本申请中一种基于事件图谱的舆情推演系统的一个实施例示意图。
具体实施方式
本申请提供了一种基于事件图谱的舆情推演方法以及相关装置,用于实现舆情事件的因果逻辑关系可视化,以提高推演结果的可靠性。
本申请描述的基于事件图谱的舆情推演方法应用于对已发生的舆情事件进行后续发展推演。
本申请描述的应用于系统、服务器或者具有处理能力的设备上执行实现,请参阅图1所示,本申请中的基于事件图谱的舆情推演方法的一个实施例包括:
101、从知识库中抽取样本舆情事件;
本实施例中,事件作为一种特殊的信息形式,是指在特定时间、特定地点发生的涉及一个或多个参与者的特定事件,通常可以描述为状态的变化。舆情事件是指公布或者发布于网络上的舆论事件,例如:A公司因制造并出售假冒产品,被相关管理部门处罚。样本舆情事件是从收集有众多舆情事件的知识库中抽取出来用于构建目标事件图谱的样本,样本舆情事件的抽取旨在将舆情事件信息从非结构化的纯文本中提取为结构化的形式。
102、从样本舆情事件中提取因果元组;
本实施例中,因果事件元组是对样本舆情事件文本中的事件进行因果关系识别的重要因素,它通常被建模为一个分类问题,即识别一个句子中的两个事件之间是否存在因果关系。例如,“小A是一名喜欢足球的年轻人,在一场激烈的比赛后不久,他在警方的袭击中丧生。”其中的“袭击”事件和“丧生”事件之间的因果关系就需要通过因果事件元组来进行抽取和理解。
因果元组不仅包括了因果关系的概念定义,还涉及到模式匹配的方法,如:由因到果和由果溯因的模式。值得注意的是,因果关系是指两个事件之间,前一事件(原因)导致后一事件(结果)的发生,满足发生时间上的偏序约束。并且,因果事件对之间存在一个介于0到1之间的因果强度值,表示该因果关系的置信度。因此,在对样本舆情事件进行因果元组提取时,需要对样本舆情事件的因果关系进行置信度评估。
103、根据因果元组构建目标事件图谱;
本实施例中,在提取出样本舆情事件的因果元组后,根据该因果元组确定事件之间的因果关系和时序关系,以建立包含事件逻辑链的目标事件图谱。目标事件图谱中含有多个节点和指向边,节点表示一个事件的向量,指向边表示节点之间的因果关系和时序关系,例如:节点1表示:A公司破产了,节点2表示A公司出售假冒产品被举报,指向边从节点2指向节点1,该指向边表示节点2的事件发生在节点1之前,且是节点2事件导致了节点1事件的发生。
值得一提的是,可以在提取出样本舆情事件的因果元组后,对样本舆情事件进行共指消解,旨在将出现在不同上下文中的同一实体进行融合。另外,还可以对样本舆情事件进行论元补全,旨在通过分析事件的元素及其关系,推断出缺失的事件元素。
104、对目标舆情事件进行向量化处理,得到目标事件向量;
本实施例中,目标舆情事件为需要进行后续事件推演的舆情事件。在获取到目标舆情事件后,可以通过词嵌入技术对该目标舆情事件进行向量化处理,具体实施步骤,后续实施例再进行描述。
105、遍历目标事件图谱的所有事件节点,并分别计算目标事件向量与事件图谱中各个事件节点的向量相似度;
106、判断所有向量相似度中的最大值是否大于第一预设阈值,若是,则执行步骤107;
107、确定与最大值对应的事件节点为目标事件节点;
本实施例中,计算目标事件向量与事件图谱中的每个事件节点之间的向量相似度,并按照大小关系对得到的各个向量相似度进行排序,以选出最大值。然后判断该最大值是否大于第一预设阈值,若是,则表示该最大值对应的事件节点与目标事件向量的相似度最高,可以将该事件节点确定为目标事件节点;若否,则表示该目标事件图谱中未包含满足相似度要求的事件节点,此时可以结束流程。
108、根据目标事件图谱获取目标事件节点的后续事件节点集;
本实施例中,根据目标事件图谱中的各个节点之间的指向关系,将与目标事件节点存在指向关系且该节点为被指向方的节点确定为后续事件节点,并将获取到的所有后续事件节点的集合作为后续事件节点集。
109、根据后续事件节点集中各个后续事件节点对应的边权重系数分别计算预测概率;
本实施例中分别根据单个后续事件节点的边权重系数计算该后续事件节点为目标舆情后续事件的预测概率,边权重系数为目标事件向量与后续事件节点之间的指向边的权重,预测概率的具体计算方法后续实施例再进行描述。
110、确定与所有预测概率中的最大值对应的后续事件节点为目标舆情后续事件。
从各个后续事件节点对应的预测概率中选出其中的最大值,并将该最大值对应的后续事件作为目标舆情后续事件。该目标舆情后续事件即为对目标舆情事件进行后续推演的结果,表示目标舆情事件可能会导致目标舆情后续事件的发生。
在本实施例中,先从知识库中抽取样本舆情事件;然后从样本舆情事件中提取因果元组;根据因果元组构建目标事件图谱;再对目标舆情事件进行向量化处理,得到目标事件向量;进一步遍历目标事件图谱的所有事件节点,并分别计算目标事件向量与事件图谱中各个事件节点的向量相似度;再进一步判断所有向量相似度中的最大值是否大于第一预设阈值;若是,确定与最大值对应的事件节点为目标事件节点;之后根据目标事件图谱获取目标事件节点的后续事件节点集;再根据后续事件节点集中各个后续事件节点对应的边权重系数分别计算预测概率;最后确定与所有预测概率中的最大值对应的后续事件节点为目标舆情后续事件。这样,可以通过比较目标舆情事件的目标事件向量与已构建的目标事件图谱的各事件节点的相似度,以确定目标事件节点,并通过与目标事件节点具有因果逻辑关系的后续事件节点的边权重系数来确定概率最大的后续事件节点为目标舆情后续事件,从而可以实现目标舆情事件的因果逻辑关系的可视化,提高了推演结果的可靠性。
请参阅图2-1、图2-2以及图2-3所示,本申请中的基于事件图谱的舆情推演方法的另一个实施例包括:
201、获取知识库中的待识别文本;
202、识别待识别文本的事件触发词,并确定事件触发词对应的事件类型;
203、识别事件触发词对应的事件元素,并根据事件类型对事件元素进行角色分类,以得到样本舆情事件;
可选的,本实施例中,样本舆情事件提取旨在从待识别文本中确定焦点事件类型,并使用对应的角色提取其元素。样本舆情事件提取的方法可以采用基于管道模型的方法,即:将所有子任务视为独立的分类问题,且子任务按照顺序执行,后续任务依赖前者的结果。该方法将事件提取任务转化为多阶段分类任务,需要用到的分类器包括:触发词分类器、元素分类器以及元素角色分类器。其中触发词分类器用于识别待识别文本中的事件触发词以及该事件触发词对应的事件类型,元素分类器用于识别事件触发词对应的事件元素,元素角色分类器用于识别事件元素对应的元素类型。该方法先通过触发词分类器对从知识库中获取的待识别文本进行识别,以得到待识别文本的事件触发词,同时确定事件触发词对应的事件类型;然后通过元素分类器对得到的事件触发词进行识别,以得到事件元素,同时通过元素角色分类器对事件元素进行角色分类,以得到角色类型。例如:获取到的待识别文本为:“A公司于2月10日在B地点开展技能培训”,其中事件触发词为技能培训,事件类型为培训,事件元素为A公司、2月10日以及B地点,分别对应的角色类型为对象、时间以及地点。
204、获取知识库中的待识别文本;
205、对待识别文本的事件触发词和事件元素进行联合识别;
206、对事件触发词对应的事件类型以及事件元素的角色类型进行分类,以得到样本舆情事件;
可选的,在另一种可实现方式中,样本舆情事件提取的方法还可以采用基于联合模型的方法,即:将事件抽取子任务构建成一个联合学习模型来进行触发词识别和元素识别,其中触发词和元素可以相互促进提取效果。具体的,先对从知识库中获取到的待识别文本进行事件触发词和事件元素的联合识别,在进行识别的过程中两者可以相互促进;然后再将识别到的事件触发词和事件元素分别进行分类,以得到事件类型和角色类型。这样,可以通过结合触发词识别任务和元素识别任务来减少错误的事件触发词识别结果在网络中传播的情况。
207、从样本舆情事件中提取因果元组;
208、根据因果元组构建目标事件图谱;
本实施例中的步骤207和208与前述图1所示实施例的步骤102和103类似,此处不再进行赘述。
209、对目标舆情事件进行文本预处理,得到原始目标语料数据;
210、将原始目标语料数据输入至预训练的词嵌入模型,得到词嵌入向量集;
211、将词嵌入向量集中的所有词嵌入向量进行平均值计算,得到第一事件向量;
212、对第一事件向量进行标准化处理,得到目标事件向量;
可选的,本实施例中,可以采用词嵌入技术对目标舆情事件进行向量化处理。首先,对目标舆情事件进行分词、去停用词以及词干提取等文本预处理,以将目标舆情事件转化为更加清晰和简洁的文本表示,得到原始目标语料数据。然后将原始目标语料数据输入至预训练的词嵌入模型,将原始目标语料数据中的单词映射到高维向量空间中,以得到词嵌入向量,具体可以采用Word2Vec、GloVe或FastText,此处不做限定。再将得到的所有词嵌入向量进行平均值计算,或者可以进行加权平均值计算,以将整个文本的语义信息融合至一个向量中,得到第一事件向量。在获取到第一事件向量后,可以将领域专属的特征融合至该第一事件向量中,然后对该第一事件向量进行标准化处理,确保所有维度都具有相似的尺度,以提高后续向量相似度计算的准确度。最后,将标准化处理后得到的向量作为目标事件向量。
213、从目标事件向量中提取子事件向量,得到子事件向量集;
214、计算子事件向量集中的各子事件向量之间的向量相似度;
215、判断是否存在两个子事件向量之间的向量相似度高于第二预设阈值,若是,则执行步骤216,若否,则执行步骤217;
216、对两个子事件向量进行融合归并;
可选的,本实施例中,可以对得到的目标事件向量的内部子向量进行向量相似度比较,以判断该子向量是否需要进行融合归并,以减少目标事件向量的冗余。具体的,融合归并包含两种情形,即:若目标事件向量的两个子向量存在重复描述同一舆情事件存在的因果逻辑的情形,则删除其中一个子向量;若目标事件向量的两个子向量存在属于不同舆情事件但内容相同的因果逻辑的情形,则合并为同一事件子向量。例如:目标事件向量包含有事件A向量、事件B向量和事件C向量,其中事件A向量为:“公司A因为产品质量问题被消费者投诉”,事件B向量为:“公司B因为产品质量问题被消费者投诉”,事件C向量为:“公司A因为售后服务不佳被消费者投诉”。若事件A向量与事件B向量之间的向量相似度高于第二预设阈值,且两者存在“因为产品质量问题被消费者投诉”的重复描述,则可以删除事件A向量或者删除事件B向量。若事件A向量与事件C向量之间的向量相似度高于第二预设阈值,且两者分别属于不同舆情事件:“因为产品质量问题被消费者投诉”和“因为售后服务不佳被消费者投诉”,但两者的内容相同,都为“公司A”,则可以将事件A向量与事件C向量合并为一个事件向量。
217、遍历目标事件图谱的所有事件节点;
218、计算目标事件向量与目标事件图谱中各个事件节点的第一点积:
219、分别计算目标事件向量的第一范数以及目标事件图谱中各个事件节点的第二范数;
220、根据第一点积、第一范数以及第二范数计算第一相似度;
221、根据第一相似度确定目标事件向量与目标事件图谱中各个事件节点的向量相似度;
可选的,本实施例中,目标事件向量需要与目标事件图谱中的各个事件节点进行一一向量相似度比较,其中可以采用计算余弦相似度的方法进行向量相似度的比较。首先,可以令目标事件向量为,目标事件图谱中的任一事件节点为/>,计算目标事件向量/>和事件节点/>的第一点积/>,对应公式为:
,
其中表示目标事件向量/>和事件节点/>的维数。然后分别计算目标事件向量的第一范数/>与事件节点/>的第二范数/>,其中/>,。再将第一点积除以第一范数与第二范数的积,得到第一相似度,其公式为:。最后,确定该第一相似度为目标事件向量/>和事件节点/>的向量相似度。
222、判断所有向量相似度中的最大值是否大于第一预设阈值,若是,则执行步骤223;
223、确定与最大值对应的事件节点为目标事件节点;
224、根据目标事件图谱获取目标事件节点的后续事件节点集;
本实施例中的步骤222至224与前述图1所示实施例中的步骤105至108类似,此处不再进行赘述。
225、计算目标事件向量与后续事件节点集中的各个后续事件节点的第二点积;
226、分别计算目标事件向量的第一范数以及后续事件节点集中的各个后续事件节点的第三范数;
227、根据第二点积、第一范数以及第三范数计算第二相似度;
228、将第二相似度作为边权重系数;
229、使用sigmoid函数将边权重系数转换为预测概率;
可选的,本实施例中,可以令目标事件向量为,后续事件节点集中的任一后续事件节点为/>。首先,计算目标事件向量/>与后续事件节点集中的任一后续事件节点/>的第二点积/>,对应公式为:
其中,表示目标事件向量/>和后续事件节点/>的维数。然后,分别计算表示目标事件向量/>的第一范数/>与后续事件节点集中的任一后续事件节点/>的第三范数,其中/>,/>。再将第二点积除以第一范数与第三范数的积,得到第二相似度,其公式为:/>。将第二相似度作为目标事件向量/>指向后续事件节点/>的指向边的边权重系数/>,即。最后,使用sigmoid函数将边权重系数转换为预测概率,该预测概率的计算公式为:
230、确定与所有预测概率中的最大值对应的后续事件节点为目标舆情后续事件。
本实施例中的步骤230与前述图1所示实施例中的步骤110类似,此处不再进行赘述。
请参阅图3所示,本申请中的基于事件图谱的舆情推演装置的一个实施例包括:
抽取单元301,用于从知识库中抽取样本舆情事件;
第一提取单元302,用于从样本舆情事件中提取因果元组;
构建单元303,用于根据因果元组构建目标事件图谱;
向量化处理单元304,用于对目标舆情事件进行向量化处理,得到目标事件向量;
第一计算单元305,用于遍历目标事件图谱的所有事件节点,并分别计算目标事件向量与事件图谱中各个事件节点的向量相似度;
第一判断单元306,用于判断所有向量相似度中的最大值是否大于第一预设阈值;
第一确定单元307,用于当所有向量相似度中的最大值是否大于第一预设阈值时,确定与最大值对应的事件节点为目标事件节点;
获取单元308,用于根据目标事件图谱获取目标事件节点的后续事件节点集;
第二计算单元309,用于根据后续事件节点集中各个后续事件节点对应的边权重系数分别计算预测概率;
第二确定单元310,用于确定与所有预测概率中的最大值对应的后续事件节点为目标舆情后续事件。
本实施例中,抽取单元301从知识库中抽取样本舆情事件;第一提取单元302从样本舆情事件中提取因果元组;构建单元303根据因果元组构建目标事件图谱;向量化处理单元304对目标舆情事件进行向量化处理,得到目标事件向量;第一计算单元305遍历目标事件图谱的所有事件节点,并分别计算目标事件向量与事件图谱中各个事件节点的向量相似度;第一判断单元306判断所有向量相似度中的最大值是否大于第一预设阈值;第一确定单元307当所有向量相似度中的最大值是否大于第一预设阈值时,确定与最大值对应的事件节点为目标事件节点;获取单元308根据目标事件图谱获取目标事件节点的后续事件节点集;第二计算单元309根据后续事件节点集中各个后续事件节点对应的边权重系数分别计算预测概率;第二确定单元310确定与所有预测概率中的最大值对应的后续事件节点为目标舆情后续事件。这样,可以通过比较目标舆情事件的目标事件向量与已构建的目标事件图谱的各事件节点的相似度,以确定目标事件节点,并通过与目标事件节点具有因果逻辑关系的后续事件节点的边权重系数来确定概率最大的后续事件节点为目标舆情后续事件,从而可以实现目标舆情事件的因果逻辑关系的可视化,提高了推演结果的可靠性。
请参阅图4所示,本申请中的基于事件图谱的舆情推演装置的另一个实施例包括:
抽取单元401,具体用于:
获取知识库中的待识别文本;
识别待识别文本的事件触发词,并确定事件触发词对应的事件类型;
识别事件触发词对应的事件元素,并根据事件类型对事件元素进行角色分类,以得到样本舆情事件;
还具体用于:
获取知识库中的待识别文本;
对待识别文本的事件触发词和事件元素进行联合识别;
对事件触发词对应的事件类型以及事件元素的角色类型进行分类,以得到样本舆情事件;
第一提取单元402,用于从样本舆情事件中提取因果元组;
构建单元403,用于根据因果元组构建目标事件图谱;
向量化处理单元404,具体用于:
对目标舆情事件进行文本预处理,得到原始目标语料数据;
将原始目标语料数据输入至预训练的词嵌入模型,得到词嵌入向量集;
将词嵌入向量集中的所有词嵌入向量进行平均值计算,得到第一事件向量;
对第一事件向量进行标准化处理,得到目标事件向量;
第二提取单元405,用于从目标事件向量中提取子事件向量,得到子事件向量集;
第三计算单元406,用于计算子事件向量集中的各子事件向量之间的向量相似度;
第二判断单元407,用于判断是否存在两个子事件向量之间的向量相似度高于第二预设阈值;
融合归并单元408,用于当存在两个子事件向量之间的向量相似度高于第二预设阈值时,对两个子事件向量进行融合归并;
第一计算单元409,具体用于:
遍历目标事件图谱的所有事件节点;
计算目标事件向量与目标事件图谱中各个事件节点的第一点积:
分别计算目标事件向量的第一范数以及目标事件图谱中各个事件节点的第二范数;
根据第一点积、第一范数以及第二范数计算第一相似度,通过下述式子计算第一相似度:
其中,表示目标事件向量,/>表示目标事件图谱中的任一事件节点,/>表示目标事件向量/>与目标事件图谱中任一个事件节点/>的第一点积,/>表示目标事件向量/>的第一范数/>与目标事件图谱中任一个事件节点/>的第二范数/>的积。
根据第一相似度确定目标事件向量与目标事件图谱中各个事件节点的向量相似度;
第一判断单元410,用于判断所有向量相似度中的最大值是否大于第一预设阈值;
第一确定单元411,用于当所有向量相似度中的最大值是否大于第一预设阈值时,确定与最大值对应的事件节点为目标事件节点;
获取单元412,用于根据目标事件图谱获取目标事件节点的后续事件节点集;
第二计算单元413,具体用于:
计算目标事件向量与后续事件节点集中的各个后续事件节点的第二点积;
分别计算目标事件向量的第一范数以及后续事件节点集中的各个后续事件节点的第三范数;
根据第二点积、第一范数以及第三范数计算第二相似度,通过下述式子计算第二相似度:
其中,表示目标事件向量,/>表示后续事件节点集中的任一后续事件节点,表示目标事件向量/>与后续事件节点集中的任一后续事件节点/>的第二点积,表示目标事件向量/>的第一范数/>与后续事件节点集中的任一后续事件节点/>的第三范数/>的积。
将第二相似度作为边权重系数;
使用sigmoid函数将边权重系数转换为预测概率,预测概率的计算公式为:
,
其中,,/>表示边权重系数;
第二确定单元414,用于确定与所有预测概率中的最大值对应的后续事件节点为目标舆情后续事件。
本实施例中,各单元的功能与前述图2-1、图2-2以及图2-3所示实施例中的步骤201至230的功能类似,此处不再进行赘述。
请参阅图5所示,本申请中的基于事件图谱的舆情推演系统的一个实施例包括:
中央处理器502,存储器501,输入输出接口503,有线或无线网络接口504以及电源505;
存储器501为短暂存储存储器或持久存储存储器;
中央处理器502配置为与存储器501通信,并执行存储器501中的指令操作以执行前述图1至图2-2、图2-2以及图2-3所示实施例中的步骤。
本申请提供了一种计算机可读存储介质,包括指令,当该指令在计算机上运行时,使得计算机执行前述图1至图2-2、图2-2以及图2-3所示实施例中的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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,作为单元显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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (9)
1.一种基于事件图谱的舆情推演方法,其特征在于,包括:
从知识库中抽取样本舆情事件;
从所述样本舆情事件中提取因果元组;
根据所述因果元组构建目标事件图谱;
对目标舆情事件进行向量化处理,得到目标事件向量;
遍历所述目标事件图谱的所有事件节点,并分别计算所述目标事件向量与所述事件图谱中各个事件节点的向量相似度;
判断所有向量相似度中的最大值是否大于第一预设阈值;
若是,确定与所述最大值对应的事件节点为目标事件节点;
根据所述目标事件图谱获取所述目标事件节点的后续事件节点集;
计算所述目标事件向量与所述后续事件节点集中的各个后续事件节点的第二点积;
分别计算所述目标事件向量的第一范数以及所述后续事件节点集中的各个后续事件节点的第三范数;
根据所述第二点积、所述第一范数以及所述第三范数计算第二相似度,通过下述式子计算所述第二相似度:
其中,表示所述目标事件向量,/>表示所述后续事件节点集中的任一后续事件节点,/>表示所述目标事件向量/>与所述后续事件节点集中的任一后续事件节点/>的第二点积,/>表示所述目标事件向量/>的第一范数/>与所述后续事件节点集中的任一后续事件节点/>的第三范数/>的积;
将所述第二相似度作为边权重系数;
使用sigmoid函数将所述边权重系数转换为预测概率,所述预测概率的计算公式为:
,
其中,,/>表示边权重系数;
确定与所有预测概率中的最大值对应的后续事件节点为目标舆情后续事件。
2.根据权利要求1中所述的舆情推演方法,其特征在于,所述遍历所述目标事件图谱的所有事件节点,并分别计算所述目标事件向量与所述事件图谱中各个事件节点的向量相似度,包括:
遍历所述目标事件图谱的所有事件节点;
计算所述目标事件向量与所述目标事件图谱中各个事件节点的第一点积:
分别计算所述目标事件向量的第一范数以及所述目标事件图谱中各个事件节点的第二范数;
根据所述第一点积、所述第一范数以及所述第二范数计算第一相似度,通过下述式子计算所述第一相似度:
其中,表示所述目标事件向量,/>表示所述目标事件图谱中的任一事件节点,/>表示所述目标事件向量/>与所述目标事件图谱中任一个事件节点/>的第一点积,表示所述目标事件向量/>的第一范数/>与所述目标事件图谱中任一个事件节点/>的第二范数/>的积;
根据所述第一相似度确定所述目标事件向量与所述目标事件图谱中各个事件节点的向量相似度。
3.根据权利要求1中所述的舆情推演方法,其特征在于,所述从知识库中抽取样本舆情事件包括:
获取知识库中的待识别文本;
识别所述待识别文本的事件触发词,并确定所述事件触发词对应的事件类型;
识别所述事件触发词对应的事件元素,并根据所述事件类型对所述事件元素进行角色分类,以得到样本舆情事件。
4.根据权利要求1中所述的舆情推演方法,其特征在于,所述从知识库中抽取样本舆情事件包括:
获取知识库中的待识别文本;
对所述待识别文本的事件触发词和事件元素进行联合识别;
对所述事件触发词对应的事件类型以及所述事件元素的角色类型进行分类,以得到样本舆情事件。
5.根据权利要求1至4中任一项所述的舆情推演方法,其特征在于,在所述对目标舆情事件进行向量化处理,得到目标事件向量之后,所述遍历所述目标事件图谱的所有事件节点之前,所述舆情推演方法还包括:
从所述目标事件向量中提取子事件向量,得到子事件向量集;
计算子事件向量集中的各子事件向量之间的向量相似度;
判断是否存在两个子事件向量之间的向量相似度高于第二预设阈值;
若是,则对所述两个子事件向量进行融合归并;
所述遍历所述目标事件图谱的所有事件节点,并分别计算所述目标事件向量与所述事件图谱中各个事件节点的向量相似度包括:
遍历所述目标事件图谱的所有事件节点,并分别计算融合归并后的所述目标事件向量与所述事件图谱中各个事件节点的向量相似度。
6.根据权利要求1至4中任一项所述的舆情推演方法,其特征在于,所述对目标舆情事件进行向量化处理,得到目标事件向量包括:
对目标舆情事件进行文本预处理,得到原始目标语料数据;
将所述原始目标语料数据输入至预训练的词嵌入模型,得到词嵌入向量集;
将词嵌入向量集中的所有词嵌入向量进行平均值计算,得到第一事件向量;
对所述第一事件向量进行标准化处理,得到目标事件向量。
7.一种基于事件图谱的舆情推演装置,其特征在于,包括:
抽取单元,用于从知识库中抽取样本舆情事件;
第一提取单元,用于从所述样本舆情事件中提取因果元组;
构建单元,用于根据所述因果元组构建目标事件图谱;
向量化处理单元,用于对目标舆情事件进行向量化处理,得到目标事件向量;
第一计算单元,用于遍历所述目标事件图谱的所有事件节点,并分别计算所述目标事件向量与所述事件图谱中各个事件节点的向量相似度;
第一判断单元,用于判断所有向量相似度中的最大值是否大于第一预设阈值;
第一确定单元,用于当所有向量相似度中的最大值是否大于第一预设阈值时,确定与所述最大值对应的事件节点为目标事件节点;
获取单元,用于根据所述目标事件图谱获取所述目标事件节点的后续事件节点集;
第二计算单元,用于计算所述目标事件向量与所述后续事件节点集中的各个后续事件节点的第二点积;
分别计算所述目标事件向量的第一范数以及所述后续事件节点集中的各个后续事件节点的第三范数;
根据所述第二点积、所述第一范数以及所述第三范数计算第二相似度,通过下述式子计算所述第二相似度:
其中,表示所述目标事件向量,/>表示所述后续事件节点集中的任一后续事件节点,/>表示所述目标事件向量/>与所述后续事件节点集中的任一后续事件节点/>的第二点积,/>表示所述目标事件向量/>的第一范数/>与所述后续事件节点集中的任一后续事件节点/>的第三范数/>的积;
将所述第二相似度作为边权重系数;
使用sigmoid函数将所述边权重系数转换为预测概率,所述预测概率的计算公式为:
,
其中,,/>表示边权重系数;
第二确定单元,用于确定与所有预测概率中的最大值对应的后续事件节点为目标舆情后续事件。
8.一种基于事件图谱的舆情推演系统,其特征在于,包括:
中央处理器,存储器,输入输出接口,有线或无线网络接口以及电源;
所述存储器为短暂存储存储器或持久存储存储器;
所述中央处理器配置为与所述存储器通信,并执行所述存储器中的指令操作以执行权利要求1至6中任意一项所述的舆情推演方法。
9.一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1至6中任意一项所述的舆情推演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410049093.0A CN117573809B (zh) | 2024-01-12 | 2024-01-12 | 一种基于事件图谱的舆情推演方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410049093.0A CN117573809B (zh) | 2024-01-12 | 2024-01-12 | 一种基于事件图谱的舆情推演方法以及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117573809A CN117573809A (zh) | 2024-02-20 |
CN117573809B true CN117573809B (zh) | 2024-05-10 |
Family
ID=89892051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410049093.0A Active CN117573809B (zh) | 2024-01-12 | 2024-01-12 | 一种基于事件图谱的舆情推演方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117573809B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685621A (zh) * | 2021-01-06 | 2021-04-20 | 深圳市网联安瑞网络科技有限公司 | 融合舆情风向跟踪及民情预测的网络舆情检测系统与方法 |
CN112711705A (zh) * | 2020-11-30 | 2021-04-27 | 泰康保险集团股份有限公司 | 舆情数据处理方法、设备及存储介质 |
CN112749737A (zh) * | 2020-12-30 | 2021-05-04 | 北京知因智慧科技有限公司 | 图像分类方法及装置、电子设备、存储介质 |
CN113590824A (zh) * | 2021-07-30 | 2021-11-02 | 平安科技(深圳)有限公司 | 因果事理图谱的构建方法、装置及相关设备 |
CN114036246A (zh) * | 2021-12-06 | 2022-02-11 | 国能(北京)商务网络有限公司 | 商品图谱向量化方法、装置、电子设备及存储介质 |
WO2022126962A1 (zh) * | 2020-12-16 | 2022-06-23 | 平安科技(深圳)有限公司 | 基于知识图谱的引导教唆语料的检测方法及其相关设备 |
CN114841161A (zh) * | 2022-05-20 | 2022-08-02 | 中国工商银行股份有限公司 | 事件要素抽取方法、装置、设备、存储介质和程序产品 |
CN115525742A (zh) * | 2021-06-24 | 2022-12-27 | 四川大学 | 一种基于表示学习的知识图谱问答方法 |
WO2023004632A1 (zh) * | 2021-07-28 | 2023-02-02 | 京东方科技集团股份有限公司 | 知识图谱的更新方法、装置、电子设备、存储介质及程序 |
CN115700518A (zh) * | 2022-12-21 | 2023-02-07 | 湖南涉外经济学院 | 一种基于二阶层论的事件推演方法、装置及设备 |
CN115809759A (zh) * | 2022-11-30 | 2023-03-17 | 中铁云网信息科技有限公司 | 基于事理图谱的企业舆情分析方法 |
WO2023065545A1 (zh) * | 2021-10-19 | 2023-04-27 | 平安科技(深圳)有限公司 | 风险预测方法、装置、设备及存储介质 |
CN116128275A (zh) * | 2021-12-14 | 2023-05-16 | 公安部第三研究所 | 一种事件推演预测系统 |
CN116340606A (zh) * | 2022-11-28 | 2023-06-27 | 北京海致星图科技有限公司 | 重大突发事件的分析方法、装置、存储介质和设备 |
CN116562370A (zh) * | 2023-04-17 | 2023-08-08 | 东南大学 | 一种基于应急知识图谱的突发公共卫生事件情景推演方法 |
CN117149917A (zh) * | 2023-09-01 | 2023-12-01 | 重庆清元数智科技有限公司 | 一种元宇宙产业舆情事件的事理图谱构建方法 |
-
2024
- 2024-01-12 CN CN202410049093.0A patent/CN117573809B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711705A (zh) * | 2020-11-30 | 2021-04-27 | 泰康保险集团股份有限公司 | 舆情数据处理方法、设备及存储介质 |
WO2022126962A1 (zh) * | 2020-12-16 | 2022-06-23 | 平安科技(深圳)有限公司 | 基于知识图谱的引导教唆语料的检测方法及其相关设备 |
CN112749737A (zh) * | 2020-12-30 | 2021-05-04 | 北京知因智慧科技有限公司 | 图像分类方法及装置、电子设备、存储介质 |
CN112685621A (zh) * | 2021-01-06 | 2021-04-20 | 深圳市网联安瑞网络科技有限公司 | 融合舆情风向跟踪及民情预测的网络舆情检测系统与方法 |
CN115525742A (zh) * | 2021-06-24 | 2022-12-27 | 四川大学 | 一种基于表示学习的知识图谱问答方法 |
WO2023004632A1 (zh) * | 2021-07-28 | 2023-02-02 | 京东方科技集团股份有限公司 | 知识图谱的更新方法、装置、电子设备、存储介质及程序 |
CN113590824A (zh) * | 2021-07-30 | 2021-11-02 | 平安科技(深圳)有限公司 | 因果事理图谱的构建方法、装置及相关设备 |
WO2023065545A1 (zh) * | 2021-10-19 | 2023-04-27 | 平安科技(深圳)有限公司 | 风险预测方法、装置、设备及存储介质 |
CN114036246A (zh) * | 2021-12-06 | 2022-02-11 | 国能(北京)商务网络有限公司 | 商品图谱向量化方法、装置、电子设备及存储介质 |
CN116128275A (zh) * | 2021-12-14 | 2023-05-16 | 公安部第三研究所 | 一种事件推演预测系统 |
CN114841161A (zh) * | 2022-05-20 | 2022-08-02 | 中国工商银行股份有限公司 | 事件要素抽取方法、装置、设备、存储介质和程序产品 |
CN116340606A (zh) * | 2022-11-28 | 2023-06-27 | 北京海致星图科技有限公司 | 重大突发事件的分析方法、装置、存储介质和设备 |
CN115809759A (zh) * | 2022-11-30 | 2023-03-17 | 中铁云网信息科技有限公司 | 基于事理图谱的企业舆情分析方法 |
CN115700518A (zh) * | 2022-12-21 | 2023-02-07 | 湖南涉外经济学院 | 一种基于二阶层论的事件推演方法、装置及设备 |
CN116562370A (zh) * | 2023-04-17 | 2023-08-08 | 东南大学 | 一种基于应急知识图谱的突发公共卫生事件情景推演方法 |
CN117149917A (zh) * | 2023-09-01 | 2023-12-01 | 重庆清元数智科技有限公司 | 一种元宇宙产业舆情事件的事理图谱构建方法 |
Non-Patent Citations (2)
Title |
---|
基于综合影响力模型的改进EvolveKG方法及应用研究;詹威威等;《计算机应用研究》;20200630;159-162 * |
网络最终话语权控制图谱的微观进化预测算法研究;王征等;《情报理论与实践》;20190415;158-164 * |
Also Published As
Publication number | Publication date |
---|---|
CN117573809A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108717408B (zh) | 一种敏感词实时监控方法、电子设备、存储介质及系统 | |
CN111444340A (zh) | 文本分类和推荐方法、装置、设备及存储介质 | |
CN113627447B (zh) | 标签识别方法、装置、计算机设备、存储介质及程序产品 | |
CN110909165A (zh) | 数据处理方法、装置、介质及电子设备 | |
CN110598070B (zh) | 应用类型识别方法及装置、服务器及存储介质 | |
CN113011889B (zh) | 账号异常识别方法、系统、装置、设备及介质 | |
CN112905868B (zh) | 事件抽取方法、装置、设备及存储介质 | |
CN111177367B (zh) | 案件分类方法、分类模型训练方法及相关产品 | |
CN114357197B (zh) | 事件推理方法和装置 | |
CN113051911B (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
Van Quan et al. | Real-time earthquake detection using convolutional neural network and social data | |
CN113190702A (zh) | 用于生成信息的方法和装置 | |
CN110909540A (zh) | 短信垃圾新词识别方法、装置及电子设备 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN115187066A (zh) | 风险识别方法、装置、电子设备及存储介质 | |
CN117609479B (zh) | 一种模型处理方法、装置、设备、介质及产品 | |
CN115204436A (zh) | 检测业务指标异常原因的方法、装置、设备及介质 | |
CN117573809B (zh) | 一种基于事件图谱的舆情推演方法以及相关装置 | |
CN116975267A (zh) | 一种信息处理方法、装置及计算机设备、介质、产品 | |
CN113010664B (zh) | 一种数据处理方法、装置及计算机设备 | |
Raj et al. | Automated Cyberstalking Classification using Social Media | |
CN113095073B (zh) | 语料标签生成方法、装置、计算机设备和存储介质 | |
CN114064859A (zh) | 知识抽取方法、装置、设备、介质和程序产品 | |
CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
CN113220947A (zh) | 对事件特征进行编码的方法和装置 |
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 |