CN117649117A - 处置方案的确定方法、装置以及计算机设备 - Google Patents
处置方案的确定方法、装置以及计算机设备 Download PDFInfo
- Publication number
- CN117649117A CN117649117A CN202410127108.0A CN202410127108A CN117649117A CN 117649117 A CN117649117 A CN 117649117A CN 202410127108 A CN202410127108 A CN 202410127108A CN 117649117 A CN117649117 A CN 117649117A
- Authority
- CN
- China
- Prior art keywords
- event
- information
- target
- risk
- candidate
- 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.)
- Granted
Links
- 238000011282 treatment Methods 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 75
- 230000004927 fusion Effects 0.000 claims description 124
- 238000011161 development Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012502 risk assessment Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 230000018109 developmental process Effects 0.000 description 47
- 230000008859 change Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000009472 formulation Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种处置方案的确定方法、装置以及计算机设备，属于计算机技术领域，方法包括：基于获取的舆情信息，创建第一拓扑图；基于所述第一拓扑图，从多个目标事件中确定目标风险事件以及所述目标风险事件关联的参考风险事件；基于所述舆情信息中分别与所述目标风险事件和所述参考风险事件对应的第一信息簇以及第二信息簇，以及所述目标风险事件的第一事件信息和所述参考风险事件的第二事件信息，生成所述目标风险事件的多个事件处置方案；基于各个所述事件处置方案对应的预估处理结果以及所述预估处理结果对应的预估舆情信息，从所述多个事件处置方案中确定对所述目标风险事件进行处置的目标事件处置方案。
Description
技术领域
本申请涉及计算机技术领域，特别涉及一种处置方案的确定方法、装置以及计算机设备。
背景技术
随着互联网的发展，越来越多的网民开始使用各种应用平台来发表自己的观点和问题。这也使得舆情信息传播范围变得更广，传播速度变得更快，舆情信息的影响也越来越大。
舆情信息的产生通常对应于某一风险事件，如何制定对风险事件的处置方案是研究的热点。
发明内容
本申请实施例提供了一种处置方案的确定方法、装置以及计算机设备，能够智能化地制定风险事件的处置方案，技术方案如下：
一方面，提供了一种处置方案的确定方法，所述方法包括：
基于获取的舆情信息，创建第一拓扑图，所述第一拓扑图包括多个第一类节点和各个所述第一类节点对应的第二类节点，一个所述第一类节点对应于一个目标事件，所述第二类节点对应于所述舆情信息中的子信息；
基于所述第一拓扑图，从多个目标事件中确定目标风险事件以及所述目标风险事件关联的参考风险事件，所述目标风险事件为所述多个目标事件中风险最高的事件；
基于所述舆情信息中分别与所述目标风险事件和所述参考风险事件对应的第一信息簇以及第二信息簇，以及所述目标风险事件的第一事件信息和所述参考风险事件的第二事件信息，生成所述目标风险事件的多个事件处置方案，所述第一信息簇以及所述第二信息簇均包括多个子信息；
基于各个所述事件处置方案对应的预估处理结果以及所述预估处理结果对应的预估舆情信息，从所述多个事件处置方案中确定对所述目标风险事件进行处置的目标事件处置方案。
一方面，提供了一种处置方案的确定装置，所述装置包括：
拓扑图创建模块，用于基于获取的舆情信息，创建第一拓扑图，所述第一拓扑图包括多个第一类节点和各个所述第一类节点对应的第二类节点，一个所述第一类节点对应于一个目标事件，所述第二类节点对应于所述舆情信息中的子信息；
事件确定模块，用于基于所述第一拓扑图，从多个目标事件中确定目标风险事件以及所述目标风险事件关联的参考风险事件，所述目标风险事件为所述多个目标事件中风险最高的事件；
方案生成模块，用于基于所述舆情信息中分别与所述目标风险事件和所述参考风险事件对应的第一信息簇以及第二信息簇，以及所述目标风险事件的第一事件信息和所述参考风险事件的第二事件信息，生成所述目标风险事件的多个事件处置方案，所述第一信息簇以及所述第二信息簇均包括多个子信息；
方案确定模块，用于基于各个所述事件处置方案对应的预估处理结果以及所述预估处理结果对应的预估舆情信息，从所述多个事件处置方案中确定对所述目标风险事件进行处置的目标事件处置方案。
一方面，提供了一种计算机设备，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条计算机程序，所述计算机程序由所述一个或多个处理器加载并执行以实现所述处置方案的确定方法。
一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机程序，所述计算机程序由处理器加载并执行以实现所述处置方案的确定方法。
一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括程序代码，该程序代码存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取该程序代码，处理器执行该程序代码，使得该计算机设备执行上述处置方案的确定方法。
通过本申请实施例提供的技术方案，基于获取的舆情信息来创建反映第一类节点以及第二类节点之间关系的第一拓扑图，第一类节点对应于目标事件，第二类节点对应于舆情信息中的子信息。基于该第一拓扑图，从多个目标事件中确定目标风险事件以及该目标风险事件关联的参考风险事件，该目标风险事件为该多个目标事件中风险最高的事件。基于该舆情信息中分别与该目标风险事件和该参考风险事件对应的第一信息簇以及第二信息簇，以及目标风险事件的第一事件信息和该参考风险事件的第二事件信息，生成目标风险事件的多个事件处置方案。基于各个事件处置方案对应的预估处理结果以及预估处理结果对应的预估舆情信息，从多个事件处置方案中确定对该目标风险事件进行处置的目标事件处置方案，从而实现智能化的处置方案制定。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，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处置方案的确定方法的实施环境的示意图；
图2是本申请实施例提供的一种处置方案的确定方法流程图；
图3是本申请实施例提供的另一种处置方案的确定方法流程图；
图4是本申请实施例提供的一种处置方案的确定装置的结构示意图；
图5是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式做进一步详细描述。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分，应理解，“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系，也不对数量和执行顺序进行限定。
人工智能（Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得较佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。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、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。
机器学习（Machine Learning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识子模型使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
语义特征：用于表示文本所表达语义的特征，不同的文本可以对应于相同的语义特征，例如文本“今天天气怎么样”和文本“今天天气如何”可以对应于同一个语义特征。计算机设备可以将文本中的字符映射为字符向量，根据字符之间的关系，对字符向量进行组合和运算，得到文本的语义特征。例如计算机设备可以采用编解码器的双向编码器表示（Bidirectional Encoder Representations from Transformers，BERT）。
拓扑图：由一些节点以及这些节点之间的连线所组成的网络，拓扑图能够反映节点之间的关系。
图卷积：用来提取拓扑图的空间特征的模型。
舆情信息：对舆情的一种描述和反映。
归一化处理：将取值范围不同的数列映射到（0，1）区间上，便于数据的处理。在一些情况下，归一化后的数值可以直接被实现为概率。
嵌入编码（Embedded Coding）：嵌入编码在数学上表示一个对应关系，即通过一个函数F将X空间上的数据映射到Y空间上，其中该函数F是单射函数，映射的结果是结构保存，单射函数表示映射后的数据与映射前的数据唯一对应，结构保存表示映射前数据的大小关系与映射后数据的大小关系相同，例如映射前存在数据X1以及X2，映射后得到X1对应的Y1以及X2对应的Y2。若映射前的数据X1＞X2，那么相应地，映射后的数据Y1大于Y2。对于词语来说，就是将词语映射到另外一个空间，便于后续的机器学习和处理。
注意力权重：可以表示训练或预测过程中某个数据的重要性，重要性表示输入的数据对输出数据影响的大小。重要性高的数据其对应的注意力权重的值较高，重要性低的数据其对应的注意力权重的值较低。在不同的场景下，数据的重要性并不相同，模型的训练注意力权重的过程也即是确定数据重要性的过程。
需要说明的是，本申请所涉及的信息（包括但不限于用户设备信息、用户个人信息等）、数据（包括但不限于用于分析的数据、存储的数据、展示的数据等）以及信号，均为经用户授权或者经过各方充分授权的，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
图1是本申请实施例提供的一种处置方案的确定方法的实施环境示意图，参见图1，该实施环境中可以包括终端110和服务器140。
终端110通过无线网络或有线网络与服务器140相连。可选地，终端110是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。终端110安装和运行有支持处置方案确定的应用程序。
服务器140是独立的物理服务器，或者是多个物理服务器构成的服务器集群或者分布式系统，或者是提供云服务、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、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。
在本申请实施例中，可以由服务器或终端作为执行主体来实施本申请实施例提供的技术方案，也可以通过终端和服务器之间的交互来实施本申请提供的技术方法，本申请实施例对此不作限定。
下面对本申请实施例提供的处置方案的确定方法进行说明。图2是本申请实施例提供的一种处置方案的确定方法的流程图，参见图2，以执行主体为服务器为例，方法包括下述步骤
其中，舆情信息包括文章、视频、图片、评论、投诉以及意见等信息。目标事件是指引发舆情的事件，目标事件可以为任一类型的事件，本申请实施例对此不作限定。舆情信息包括多个子信息，一个目标事件可能对应于该舆情信息中的多个子信息，不同子信息的来源或者形式不同。第一拓扑图是一种图结构的数据，第一拓扑图用于反映第一类节点与第二类节点之间，以及第二类节点之间的关联关系。
其中，目标风险事件是指存在风险且风险是多个目标事件中最高的目标事件。参考风险事件是指与目标风险事件具有关联关系的目标事件，也即是，参考风险事件的变化和发展可能会影响目标风险事件的变化和发展，相应地，目标风险事件的变化和发展也可能影响参考风险事件的变化和发展。参考风险事件的数量为一个或多个，为了便于理解，在后续说明过程中以参考风险事件的数量为一个为例进行说明。
其中，信息簇为子信息的集合，第一信息簇中的子信息均是与目标风险事件对应的子信息，第二信息簇中的子信息均是与参考风险事件对应的子信息，该第一信息簇和第二信息簇中可能存在相同的子信息。第一事件信息为描述目标风险事件的事件情况的信息，第二事件信息为描述参考风险事件的事件情况的信息。事件处置方案包括对目标风险事件进行处置的方式。
其中，预估处理结果是指采用对应事件处置方案后可能出现的结果，包括目标风险事件的变化情况以及参考风险事件的变化情况。预估处理结果对应的预估舆情信息用于表示产生预估处理结果之后舆情信息的变化情况。目标事件处置方案也即是对目标风险事件进行处置的方案，可以作为制定实际方案时的参考。
通过本申请实施例提供的技术方案，基于获取的舆情信息来创建反映第一类节点以及第二类节点之间关系的第一拓扑图，第一类节点对应于目标事件，第二类节点对应于舆情信息中的子信息。基于该第一拓扑图，从多个目标事件中确定目标风险事件以及该目标风险事件关联的参考风险事件，该目标风险事件为该多个目标事件中风险最高的事件。基于该舆情信息中分别与该目标风险事件和该参考风险事件对应的第一信息簇以及第二信息簇，以及目标风险事件的第一事件信息和该参考风险事件的第二事件信息，生成目标风险事件的多个事件处置方案。基于各个事件处置方案对应的预估处理结果以及预估处理结果对应的预估舆情信息，从多个事件处置方案中确定对该目标风险事件进行处置的目标事件处置方案，从而实现智能化的处置方案制定。
上述步骤201-204是对本申请实施例提供的处置方案的确定方法的简单介绍，下面将结合一些例子，对本申请实施例提供的处置方案的确定方法进行更加清楚地说明，参见图3，以执行主体为服务器为例，方法包括下述步骤。
其中，舆情信息包括文章、视频、图片、评论、投诉以及意见等信息。
在一种可能的实施方式中，服务器从多个信息收集设备中获取舆情信息，不同信息收集设备用于收集不同来源的舆情信息。
其中，不同信息收集设备对应于不同的数据源，不同数据源的数据具有多种数据形式。
在这种实施方式中，服务器能够从不同的信息收集设备中获取舆情信息，舆情信息较为全面。
举例来说，服务器周期性地从多个信息收集设备中获取舆情信息，以保持舆情信息的时效性。其中，服务器收集舆情信息的周期由技术人员根据实际情况进行设置，本申请实施例对此不作限定。
在一些实施例中，信息收集设备从对应的数据源获取初始舆情信息，对初始舆情信息进行信息过滤，以去除初始舆情信息中冗余和无效的信息。信息收集设备将经过信息过滤后的初始舆情信息发送给服务器，服务器得到该信息收集设备发送的舆情信息。
在一种可能的实施方式中，多个信息收集设备将收集到的舆情信息发送给服务器，不同信息收集设备向服务器发送舆情信息的周期不同。服务器获取多个信息收集设备发送的舆情信息。
在这种实施方式下，由信息收集设备主动向服务器发送收集到的舆情信息，能够保持服务器上的舆情信息保持最新版本。
其中，目标事件是指引发舆情的事件，目标事件可以为任一类型的事件，本申请实施例对此不作限定。舆情信息包括多个子信息，一个目标事件可能对应于该舆情信息中的多个子信息，不同子信息的来源或者形式不同。第一拓扑图是一种图结构的数据，第一拓扑图用于反映第一类节点与第二类节点之间，以及第二类节点之间的关联关系。
在一种可能的实施方式中，服务器对该舆情信息进行聚类，得到多个信息簇，一个信息簇包括该舆情信息中的多个子信息，一个子信息能够被划分至不同的信息簇。服务器对各个信息簇中的子信息进行事件识别，得到各个信息簇对应的目标事件。服务器基于各个信息簇对应的目标事件，创建多个第一类节点。服务器基于各个信息簇中的多个子信息，创建多个第二类节点。服务器在各个第一类节点与对应的第二类节点之间，以及关联的第二类节点之间增加连线，得到该第一拓扑图。
其中，一个子信息能够被划分至不同的信息簇也就表示一个子信息可能与多个目标事件存在关联，后续能够根据子信息之间的关联来确定相互关联的目标事件。第一类节点可以视作第二类节点的父节点，多个第二类节点之间也可能存在父子关系，本申请实施例对此不做限定。需要说明的是，第一拓扑图中仅存在第一类节点和第二类节点之间的连线，以及两个第二类节点之间的连线，并不存在两个第一类节点之间的连线。
在这种实施方式下，通过对舆情信息进行聚类，得到多个信息簇。对各个信息簇进行时间识别，得到各个信息簇对应的目标事件。基于各个信息簇对应的目标事件，创建多个第一类节点。基于各个信息簇中的多个子信息，创建多个第二类节点。在第一类节点和对应的第二类节点，以及第二类节点之间更加连线，得到该第一拓扑图，第一拓扑图的准确性较高。
为了对上述实施方式进行更加清楚地说明，下面将分为几个部分对上述实施方式进行说明。
第一部分、服务器对该舆情信息进行聚类，得到多个信息簇。
在一种可能的实施方式中，服务器对该舆情信息中的多个子信息进行特征提取，得到各个子信息的子信息特征。服务器基于各个子信息的子信息特征，对该多个子信息进行聚类，得到多个信息簇。
其中，子信息的子信息特征是对子信息的抽象表达，以便于后续处理。
在这种实施方式下，对多个子信息进行特征提取，得到各个子信息的子信息特征。基于各个子信息的子信息特征进行聚类，能够得到多个信息簇，信息簇的准确性较高。
举例来说，对于该舆情信息中多个子信息中的任一子信息，服务器对该子信息进行分词，得到该子信息的多个词汇。服务器对该多个词汇进行嵌入编码，得到各个词汇的嵌入特征。服务器对各个词汇的嵌入特征进行线性变换，得到各个词汇的查询向量、键向量以及值向量。服务器基于各个词汇的查询向量以及键向量，确定各个词汇的注意力权重。服务器基于各个词汇的注意力权重，将各个词汇的值向量进行融合，得到该子信息的子信息特征。
第二部分、服务器对各个信息簇中的子信息进行事件识别，得到各个信息簇对应的目标事件。
在一种可能的实施方式中，对于该多个信息簇中的任一信息簇，服务器对该信息簇中的子信息进行命名实体识别，得到该信息簇中各个子信息中的实体以及实体之间的关系。服务器基于该信息簇中各个子信息中的实体以及实体之间的关系，确定该信息簇对应的目标事件。
举例来说，对于该多个信息簇中的任一信息簇，服务器对该信息簇中的子信息进行命名实体识别，得到该信息簇中各个子信息中的实体以及实体之间的关系。服务器基于该信息簇中各个子信息中的实体以及实体之间的关系，确定该信息簇中各个子信息对应的参考事件。服务器基于该信息簇中各个子信息对应的参考事件，确定该信息簇对应的目标事件。
下面对上述举例中服务器基于该信息簇中各个子信息对应的参考事件，确定该信息簇对应的目标事件的方法进行说明。
在一些实施例中，服务器对各个子信息对应的参考事件进行特征提取，得到各个参考事件的参考事件特征。服务器将多个参考事件的事件特征进行融合，得到融合事件特征。服务器对该融合事件特征进行加噪、噪声预测以及去噪，得到该信息簇对应的目标事件。或者，服务器对该融合事件特征进行变分自编码和解码，得到该信息簇对应的目标事件。
第三部分、服务器基于各个信息簇对应的目标事件，创建多个第一类节点。
在一种可能的实施方式中，服务器创建多个第一类节点，一个第一类节点对应于一个目标事件，第一类节点的数量与目标事件的数量相同。
第四部分、服务器基于各个信息簇中的多个子信息，创建多个第二类节点。
在一种可能的实施方式中，服务器创建多个第二类节点，一个第二类节点对应于一个子信息，第二类节点的数量与子信息的数量相同。
第五部分、服务器在各个第一类节点与对应的第二类节点之间，以及关联的第二类节点之间增加连线，得到该第一拓扑图。
在一种可能的实施方式中，服务器基于目标事件与子信息之间的对应关系，在第一类节点和第二类节点之间增加连线。服务器基于不同子信息之间的关联关系，在不同第二类节点之间增加连线，得到该第一拓扑图。
其中，目标事件与子信息之间的对应关系通过信息簇的形式来表示，信息簇对应于一个目标事件，该信息簇中的子信息也即是与该目标事件对应的子信息。不同子信息之间的关联关系包括时间关联、发布者关联以及地区关联等，技术人员可以根据实际情况进行设置和调整。
其中，目标风险事件是指存在风险且风险是多个目标事件中最高的目标事件。参考风险事件是指与目标风险事件具有关联关系的目标事件，也即是，参考风险事件的变化和发展可能会影响目标风险事件的变化和发展，相应地，目标风险事件的变化和发展也可能影响参考风险事件的变化和发展。参考风险事件的数量为一个或多个，为了便于理解，在后续说明过程中以参考风险事件的数量为一个为例进行说明。
在一种可能的实施方式中，服务器将该第一拓扑图拆分为多个第二拓扑图，一个第二拓扑图对应于一个目标事件，该第二拓扑图包括对应目标事件的第一类节点以及第二类节点。服务器对各个第二拓扑图进行图卷积，得到各个第二拓扑图对应的目标事件的风险值，该风险值用于反映风险的大小。服务器基于各个目标事件的风险值，从该多个目标事件中确定该目标风险事件以及多个候选风险事件，该多个候选风险事件为风险值大于或等于风险值阈值的目标事件。服务器基于该目标风险事件和各个候选风险事件对应的第二拓扑图，以及各个候选风险事件对应的第二拓扑图与该目标风险事件对应的第二拓扑图在该第一拓扑图中的关联关系，从该多个候选风险事件中确定该参考风险事件。
其中，第二拓扑图为第一拓扑图的子图，第一拓扑图对应于多个目标事件，第二拓扑图对应于一个目标事件，一个第二拓扑图包括多个第二类节点以及一个第一类节点。由于一个子信息可能被划分到不同的信息簇中，那么不同第二拓扑图中可能存在相同的第二类节点。
为了对上述实施方式进行更加清楚地说明，下面将分为几个部分对上述实施方式进行说明。
第一部分、服务器将该第一拓扑图拆分为多个第二拓扑图，一个第二拓扑图对应于一个目标事件。
在一种可能的实施方式中，服务器以第一拓扑图中的多个第一类节点为单位对该第一拓扑图进行拆分，得到多个第二拓扑图，一个第二拓扑图包括一个第一类节点以及多个第二类节点。
第二部分、服务器对各个第二拓扑图进行图卷积，得到各个第二拓扑图对应的目标事件的风险值。
在一种可能的实施方式中，服务器对各个第二拓扑图进行图卷积，得到各个第二拓扑图的图卷积特征。服务器对各个第二拓扑图的图卷积特征进行全连接和归一化，得到各个第二拓扑图对应的目标事件的风险值。
第三部分、服务器基于各个目标事件的风险值，从该多个目标事件中确定该目标风险事件以及多个候选风险事件。
在一种可能的实施方式中，服务器将多个目标事件中风险值最大的目标事件确定为目标风险事件。服务器将该多个目标事件中风险值大于或等于风险值阈值的目标事件确定为候选风险事件，多个候选风险事件不包括该目标风险事件。该风险值阈值由技术人员根据实际情况进行设置，本申请实施例对此不作限定。
第四部分、服务器基于该目标风险事件和各个候选风险事件对应的第二拓扑图，以及各个候选风险事件对应的第二拓扑图与该目标风险事件对应的第二拓扑图在该第一拓扑图中的关联关系，从该多个候选风险事件中确定该参考风险事件。
在一种可能的实施方式中，服务器将该目标风险事件和各个候选风险事件对应的第二拓扑图，按照各个候选风险事件对应的第二拓扑图与该目标风险事件对应的第二拓扑图在该第一拓扑图中的关联关系进行重组，得到第三拓扑图。服务器对该第三拓扑图进行图卷积，得到该第三拓扑图中各个候选风险事件对应的第一类节点与该目标风险事件对应的第一类节点的关联系数，该关联系数用于反映关联程度的大小。服务器将该多个候选事件对应的关联系数大于或等于关联系数阈值的候选事件，确定为该参考风险事件。
其中，各个候选风险事件对应的第二拓扑图与该目标风险事件对应的第二拓扑图在该第一拓扑图中的关联关系是指，在该第一拓扑图中，各个候选风险事件对应的第二拓扑图中与该目标风险事件对应的第二拓扑图之间的连接关系，也即是第二类节点之间的连接关系。第三拓扑图也是第一拓扑图的子图，第三拓扑图中的第一类节点对应于目标风险事件和候选风险事件，也即是，相较于第一拓扑图，第三拓扑图中去除了除目标风险事件和候选风险事件之外的目标事件。该关联系数阈值由技术人员根据实际情况进行设置，本申请实施例对此不作限定。
为了对上述实施方式进行更加清楚的说明，下面对上述实施方式中服务器对该第三拓扑图进行图卷积，得到该第三拓扑图中各个候选风险事件对应的第一类节点与该目标风险事件对应的第一类节点的关联系数的方法进行说明。
在一些实施例中，服务器以该第三拓扑图中各个候选风险事件对应的第一类节点为起点，向该目标风险事件对应的第一类节点进行图卷积，得到各个候选风险事件对应的第一类节点与该目标风险事件对应的第一类节点的关联特征。服务器对该关联特征进行全连接和归一化，得到各个候选风险事件对应的第一类节点与该目标风险事件对应的第一类节点的关联系数。
其中，信息簇为子信息的集合，第一信息簇中的子信息均是与目标风险事件对应的子信息，第二信息簇中的子信息均是与参考风险事件对应的子信息，该第一信息簇和第二信息簇中可能存在相同的子信息。第一事件信息为描述目标风险事件的事件情况的信息，第二事件信息为描述参考风险事件的事件情况的信息。事件处置方案包括对目标风险事件进行处置的方式。
在一种可能的实施方式中，服务器将该第一信息簇和该第一事件信息进行融合，得到第一融合信息。服务器将该第二信息簇和该第二事件信息进行融合，得到第二融合信息。服务器将该第一融合信息和该第二融合信息输入处置方案生成模型，通过该处置方案生成模型生成该目标风险事件的多个候选事件处置方案。服务器将该多个候选事件处置方案和该第一融合信息输入风险评估模型，通过该风险评估模型确定各个候选事件处置方案的风险值。服务器将该多个候选事件处置方案中风险值最低的N个候选事件处置方案确定为该目标风险事件的多个事件处置方案，N为正整数。
其中，该处置方案生成模型是基于多组样本信息以及各组样本信息对应的标注处置方案训练得到的，该处置方案生成模型是一个通过有监督方法训练得到的生成式模型，一组样本信息包括一个第一样本融合信息和一个第二样本融合信息。在一些实施例中，事件处置方案除了包括对目标风险事件进行处置的方式之外，还包括对参考风险事件进行处置的方式。
为了对上述实施方式进行更加清楚地说明，下面对上述实施方式中生成多个候选事件处置方案以及确定风险值的方法进行说明。
在一种可能的实施方式中，服务器将该第一融合信息和该第二融合信息输入处置方案生成模型，通过该处置方案生成模型对该第一融合信息和该第二融合信息分别进行特征提取，得到该第一融合信息的第一融合特征以及该第二融合信息的第二融合特征。服务器通过该处置方案生成模型，对该第一融合特征和该第二融合特征进行特征交叉，得到第一目标特征。对该第一融合特征和该第二融合特征分别进行特征升维，得到第一升维特征和第二升维特征，该第一升维特征和该第二升维特征的维度与该第一目标特征相同。服务器通过该处置方案生成模型，将该第一目标特征、该第一升维特征和该第二升维特征进行融合，得到第二目标特征。服务器通过该处置方案生成模型，基于多个随机变量对该第二目标特征进行多轮迭代解码，得到该多个候选事件处置方案，该多个随机变量与该多个候选事件处置方案的数量相同。
其中，该多个随机变量符合预设分布，换句话说，该多个随机变量是按照该预设分布进行采样得到的，该预设分布由技术人员根据实际情况进行设置，本申请实施例对此不作限定。
举例来说，服务器将该第一融合信息和该第二融合信息输入处置方案生成模型，通过该处置方案生成模型对该第一融合信息和该第二融合信息分别进行特征提取，得到该第一融合信息的第一融合特征以及该第二融合信息的第二融合特征。服务器通过该处置方案生成模型，对该第一融合特征和该第二融合特征进行点乘，得到交叉特征。服务器通过该处置方案生成模型，对该交叉特征降维到预设维度，得到该第一目标特征，该预设维度高于该第一融合特征和该第二融合特征的维度，这一步的降维是为了防止梯度爆炸。服务器通过该处置方案生成模型，对该第一融合特征和该第二融合特征分别进行至少一次上采样，得到第一升维特征和第二升维特征。服务器通过该处置方案生成模型，将该第一目标特征、该第一升维特征和该第二升维特征进行加权求和，得到第二目标特征。服务器通过该处置方案生成模型，以预设分布进行采样，得到多个随机变量。对于该多个随机变量中的任一随机变量，服务器通过该处置方案生成模型，将随机变量与该第二目标特征进行拼接，得到第一拼接特征。服务器对该第一拼接特征进行多轮迭代解码，得到该随机变量对应的候选事件处置方案。比如，在第一轮迭代解码过程中，服务器通过该处置方案生成模型，对该第一拼接特征进行解码，得到该随机变量对应的候选事件处置方案的第一个字符。在第二轮迭代解码过程中，服务器通过该处置方案生成模型，对该第一拼接特征和该第一个字符进行解码，得到该随机变量对应的候选事件处置方案的第二个字符，以此类推，直至得到完整的候选事件处置方案。
在一种可能的实施方式中，服务器将该多个候选事件处置方案和该第一融合信息输入风险评估模型，通过该风险评估模型对各个候选事件处置方案和该第一融合信息进行特征提取，得到各个候选事件处置方案的处置方案特征以及该第一融合信息的第一融合特征。对于该多个候选事件处置方案中的任一候选事件处置方案，服务器通过该风险评估模型，对该候选事件处置方案的处置方案特征以及该第一融合信息的第一融合特征进行全连接和归一化，得到该候选事件处置方案的风险值。
其中，风险评估模型提取的第一融合特征与处置方案生成模型提取的第一融合特征不同。该风险评估模型是基于多个样本事件处置方案、各个样本事件处置方案对应的样本融合信息以及各个样本事件处置方案对应的标注风险值训练得到的。
在一种可能的实施方式中，服务器将各个事件处置方案、该第一融合信息以及该第二融合信息输入结果预估模型，通过该结果预估模型分别对该事件处置方案、该第一融合信息以及该第二融合信息进行序列编码，得到该事件处置方案对应的第一编码、该第一融合信息对应的第二编码以及该第二融合信息对应的第三编码。服务器通过该结果预估模型，对该第一编码、该第二编码以及该第三编码进行重编码，得到各个事件处置方案的目标编码。服务器通过该结果预估模型，对该目标编码进行多轮迭代解码，得到各个候选事件处置方案的预估处理结果，该预估处理结果包括该目标风险事件的第一子处理结果和该参考风险事件的第二子处理结果。服务器将各个候选事件处置方案的预估处理结果、该第一融合信息以及该第二融合信息输入舆情预估模型，通过该舆情预估模型确定各个候选事件处置方案的预估舆情信息。
下面对上述实施方式中确定预估舆情信息的方法进行说明。
在一种可能的实施方式中，服务器通过该舆情预估模型，对各个候选事件处置方案的预估处理结果以及该第一融合信息进行处理，得到该目标风险事件对应的第一预估发展信息。服务器通过该舆情预估模型，对各个候选事件处置方案的预估处理结果以及该第二融合信息进行处理，得到该参考风险事件对应的第二预估发展信息。服务器通过该舆情预估模型，确定该第一预估发展信息对该第二预估发展信息的第一影响因子，以及确定该第二预估发展信息对该第一预估发展信息的第二影响因子。服务器通过该舆情预估模型，基于该第一预估发展信息、该第二预估发展信息、该第一影响因子以及该第二影响因子进行预测，得到各个候选事件处置方案的预估舆情信息。
为了对上述实施方式进行更加清楚地说明，下面将分为几个部分对上述实施方式进行说明。
第一部分、服务器通过该舆情预估模型，对各个候选事件处置方案的预估处理结果以及该第一融合信息进行处理，得到该目标风险事件对应的第一预估发展信息。
在一种可能的实施方式中，服务器通过该舆情预估模型，对各个候选事件处置方案的预估处理结果以及该第一融合信息分别进行特征提取，得到各个预估处理结果的处理结果特征以及该第一融合信息的第一融合特征。服务器通过该舆情预估模型，将各个预估处理结果的处理结果特征以及该第一融合信息的第一融合特征进行拼接，得到第二拼接特征。服务器通过该舆情预估模型，对该第二拼接特征进行多轮迭代解码，得到该目标风险事件对应的第一预估发展信息。
其中，舆情预估模型提取的第一融合特征与风险评估模型提取的第一融合特征以及处置方案生成模型提取的第一融合特征不同。
第二部分、服务器通过该舆情预估模型，对各个候选事件处置方案的预估处理结果以及该第二融合信息进行处理，得到该参考风险事件对应的第二预估发展信息。
在一种可能的实施方式中，服务器通过该舆情预估模型，对各个候选事件处置方案的预估处理结果以及该第二融合信息分别进行特征提取，得到各个预估处理结果的处理结果特征以及该第二融合信息的第二融合特征。服务器通过该舆情预估模型，将各个预估处理结果的处理结果特征以及该第二融合信息的第二融合特征进行拼接，得到第三拼接特征。服务器通过该舆情预估模型，对该第三拼接特征进行多轮迭代解码，得到该参考风险事件对应的第二预估发展信息。
第三部分、服务器通过该舆情预估模型，确定该第一预估发展信息对该第二预估发展信息的第一影响因子，以及确定该第二预估发展信息对该第一预估发展信息的第二影响因子。
在一种可能的实施方式中，服务器通过该舆情预估模型，对该第一预估发展信息以及该第二预估发展信息进行特征提取，得到该第一预估发展信息的第一发展信息特征以及该第二预估发展信息的第二发展信息特征。服务器通过该舆情预估模型，对该第一发展信息特征和该第二发展信息特征进行线性变换，得到该第一发展信息特征的第一影响矩阵和该第二发展信息特征的第二影响矩阵。服务器将该第一影响矩阵与该第二影响矩阵相乘后进行全连接和归一化，得到该第一影响因子。服务器将该第二影响矩阵与该第一影响矩阵相乘后进行全连接和归一化，得到该第二影响因子。其中，根据矩阵乘法的原理，第一影响矩阵与该第二影响矩阵相乘和第二影响矩阵与该第一影响矩阵相乘是不同结果。
第四部分、服务器通过该舆情预估模型，基于该第一预估发展信息、该第二预估发展信息、该第一影响因子以及该第二影响因子进行预测，得到各个候选事件处置方案的预估舆情信息。
在一种可能的实施方式中，服务器通过该舆情预估模型，将该第一预估发展信息和该第二影响因子进行融合，得到第一融合影响信息。服务器通过该舆情预估模型，将该第二预估发展信息和该第一影响因子进行融合，得到第二融合影响信息。服务器通过该舆情预估模型，基于该第一融合影响信息和该第二融合影响信息进行预测，得到各个候选事件处置方案的预估舆情信息。比如，服务器通过该舆情预估模型，对该第一融合影响信息和该第二融合影响信息进行特征提取，得到该第一融合影响信息的第一影响特征和该第二融合影响信息的第二影响特征。服务器通过该舆情预估模型，将该第一影响特征和该第二影响特征进行融合，得到第四融合特征。服务器通过该舆情预估模型，对该第四融合特征进行多轮迭代解码，得到各个候选事件处置方案的预估舆情信息。
其中，预估处理结果是指采用对应事件处置方案后可能出现的结果，包括目标风险事件的变化情况以及参考风险事件的变化情况。预估处理结果对应的预估舆情信息用于表示产生预估处理结果之后舆情信息的变化情况。目标事件处置方案也即是对目标风险事件进行处置的方案，可以作为制定实际方案时的参考。
在一种可能的实施方式中，服务器基于各个事件处置方案对应的预估处理结果以及该预估处理结果对应的预估舆情信息，确定各个事件处置方案的处置方案评分。服务器将该多个事件处置方案中方案评分大于或等于评分阈值的事件处置方案，确定为对该目标风险事件进行处置的目标事件处置方案。
下面对上述实施方式中确定处置方案评分的方法进行说明。
在一些实施例中，对于多个事件处置方案中的任一事件处置方案，服务器确定该事件处置方案的预估处理结果对应的结果评分以及预估舆情信息对应的舆情评分。服务器将该结果评分和该舆情评分进行加权求和，得到该事件处置方案的处置方案评分。
其中，加权求和的权重由技术人员根据实际情况进行设置，本申请实施例对此不作限定。预估处理结果与结果评分之间的对应关系，以及预估舆情信息与舆情评分之间的对应关系由技术人员根据实际情况进行设置，本申请实施例对此不作限定。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
通过本申请实施例提供的技术方案，基于获取的舆情信息来创建反映第一类节点以及第二类节点之间关系的第一拓扑图，第一类节点对应于目标事件，第二类节点对应于舆情信息中的子信息。基于该第一拓扑图，从多个目标事件中确定目标风险事件以及该目标风险事件关联的参考风险事件，该目标风险事件为该多个目标事件中风险最高的事件。基于该舆情信息中分别与该目标风险事件和该参考风险事件对应的第一信息簇以及第二信息簇，以及目标风险事件的第一事件信息和该参考风险事件的第二事件信息，生成目标风险事件的多个事件处置方案。基于各个事件处置方案对应的预估处理结果以及预估处理结果对应的预估舆情信息，从多个事件处置方案中确定对该目标风险事件进行处置的目标事件处置方案，从而实现智能化的处置方案制定。
图4是本申请实施例提供的一种处置方案的确定装置的结构示意图，参见图4，装置包括：
拓扑图创建模块401，用于基于获取的舆情信息，创建第一拓扑图，该第一拓扑图包括多个第一类节点和各个该第一类节点对应的第二类节点，一个该第一类节点对应于一个目标事件，该第二类节点对应于该舆情信息中的子信息；
事件确定模块402，用于基于该第一拓扑图，从多个目标事件中确定目标风险事件以及该目标风险事件关联的参考风险事件，该目标风险事件为该多个目标事件中风险最高的事件；
方案生成模块403，用于基于该舆情信息中分别与该目标风险事件和该参考风险事件对应的第一信息簇以及第二信息簇，以及该目标风险事件的第一事件信息和该参考风险事件的第二事件信息，生成该目标风险事件的多个事件处置方案，该第一信息簇以及该第二信息簇均包括多个子信息；
方案确定模块404，用于基于各个该事件处置方案对应的预估处理结果以及该预估处理结果对应的预估舆情信息，从该多个事件处置方案中确定对该目标风险事件进行处置的目标事件处置方案。
在一种可能的实施方式中，该拓扑图创建模块401，用于对该舆情信息进行聚类，得到多个信息簇，一个该信息簇包括该舆情信息中的多个子信息，一个子信息能够被划分至不同的信息簇；对各个该信息簇中的子信息进行事件识别，得到各个该信息簇对应的目标事件；基于各个该信息簇对应的目标事件，创建多个第一类节点；基于各个该信息簇中的多个子信息，创建多个第二类节点；在各个该第一类节点与对应的第二类节点之间，以及关联的第二类节点之间增加连线，得到该第一拓扑图。
在一种可能的实施方式中，该事件确定模块402，用于将该第一拓扑图拆分为多个第二拓扑图，一个该第二拓扑图对应于一个该目标事件，该第二拓扑图包括对应目标事件的第一类节点以及第二类节点；对各个该第二拓扑图进行图卷积，得到各个该第二拓扑图对应的目标事件的风险值，该风险值用于反映风险的大小；基于各个该目标事件的风险值，从该多个目标事件中确定该目标风险事件以及多个候选风险事件，该多个候选风险事件为风险值大于或等于风险值阈值的目标事件；基于该目标风险事件和各个该候选风险事件对应的第二拓扑图，以及各个该候选风险事件对应的第二拓扑图与该目标风险事件对应的第二拓扑图在该第一拓扑图中的关联关系，从该多个候选风险事件中确定该参考风险事件。
在一种可能的实施方式中，该事件确定模块402，用于将该目标风险事件和各个该候选风险事件对应的第二拓扑图，按照各个该候选风险事件对应的第二拓扑图与该目标风险事件对应的第二拓扑图在该第一拓扑图中的关联关系进行重组，得到第三拓扑图；对该第三拓扑图进行图卷积，得到该第三拓扑图中各个该候选风险事件对应的第一类节点与该目标风险事件对应的第一类节点的关联系数，该关联系数用于反映关联程度的大小；将该多个候选事件对应的关联系数大于或等于关联系数阈值的候选事件，确定为该参考风险事件。
在一种可能的实施方式中，该方案生成模块403，用于将该第一信息簇和该第一事件信息进行融合，得到第一融合信息；将该第二信息簇和该第二事件信息进行融合，得到第二融合信息；将该第一融合信息和该第二融合信息输入处置方案生成模型，通过该处置方案生成模型生成该目标风险事件的多个候选事件处置方案；将该多个候选事件处置方案和该第一融合信息输入风险评估模型，通过该风险评估模型确定各个该候选事件处置方案的风险值；将该多个候选事件处置方案中风险值最低的N个候选事件处置方案确定为该目标风险事件的多个事件处置方案，N为正整数。
在一种可能的实施方式中，该方案生成模块403，用于将该第一融合信息和该第二融合信息输入处置方案生成模型，通过该处置方案生成模型对该第一融合信息和该第二融合信息分别进行特征提取，得到该第一融合信息的第一融合特征以及该第二融合信息的第二融合特征；通过该处置方案生成模型，对该第一融合特征和该第二融合特征进行特征交叉，得到第一目标特征；对该第一融合特征和该第二融合特征分别进行特征升维，得到第一升维特征和第二升维特征，该第一升维特征和该第二升维特征的维度与该第一目标特征相同；通过该处置方案生成模型，将该第一目标特征、该第一升维特征和该第二升维特征进行融合，得到第二目标特征；通过该处置方案生成模型，基于多个随机变量对该第二目标特征进行多轮迭代解码，得到该多个候选事件处置方案，该多个随机变量与该多个候选事件处置方案的数量相同。
在一种可能的实施方式中，该装置还包括：
预估舆情信息确定模块，用于将各个该事件处置方案、该第一融合信息以及该第二融合信息输入结果预估模型，通过该结果预估模型分别对该事件处置方案、该第一融合信息以及该第二融合信息进行序列编码，得到该事件处置方案对应的第一编码、该第一融合信息对应的第二编码以及该第二融合信息对应的第三编码；通过该结果预估模型，对该第一编码、该第二编码以及该第三编码进行重编码，得到各个该事件处置方案的目标编码；通过该结果预估模型，对该目标编码进行多轮迭代解码，得到各个该候选事件处置方案的预估处理结果，该预估处理结果包括该目标风险事件的第一子处理结果和该参考风险事件的第二子处理结果；将各个该候选事件处置方案的预估处理结果、该第一融合信息以及该第二融合信息输入舆情预估模型，通过该舆情预估模型确定各个该候选事件处置方案的预估舆情信息。
在一种可能的实施方式中，该预估舆情信息确定模块，用于通过该舆情预估模型，对各个该候选事件处置方案的预估处理结果以及该第一融合信息进行处理，得到该目标风险事件对应的第一预估发展信息；通过该舆情预估模型，对各个该候选事件处置方案的预估处理结果以及该第二融合信息进行处理，得到该参考风险事件对应的第二预估发展信息；通过该舆情预估模型，确定该第一预估发展信息对该第二预估发展信息的第一影响因子，以及确定该第二预估发展信息对该第一预估发展信息的第二影响因子；通过该舆情预估模型，基于该第一预估发展信息、该第二预估发展信息、该第一影响因子以及该第二影响因子进行预测，得到各个该候选事件处置方案的预估舆情信息。
需要说明的是：上述实施例提供的处置方案的确定装置在展示多媒体资源信息时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将计算机设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的处置方案的确定装置与处置方案的确定方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
通过本申请实施例提供的技术方案，基于获取的舆情信息来创建反映第一类节点以及第二类节点之间关系的第一拓扑图，第一类节点对应于目标事件，第二类节点对应于舆情信息中的子信息。基于该第一拓扑图，从多个目标事件中确定目标风险事件以及该目标风险事件关联的参考风险事件，该目标风险事件为该多个目标事件中风险最高的事件。基于该舆情信息中分别与该目标风险事件和该参考风险事件对应的第一信息簇以及第二信息簇，以及目标风险事件的第一事件信息和该参考风险事件的第二事件信息，生成目标风险事件的多个事件处置方案。基于各个事件处置方案对应的预估处理结果以及预估处理结果对应的预估舆情信息，从多个事件处置方案中确定对该目标风险事件进行处置的目标事件处置方案，从而实现智能化的处置方案制定。
图5是本申请实施例提供的一种服务器的结构示意图，该服务器500可因配置或性能不同而产生比较大的差异，可以包括一个或多个处理器（Central Processing Units，CPU）501和一个或多个的存储器502，其中，所述一个或多个存储器502中存储有至少一条计算机程序，所述至少一条计算机程序由所述一个或多个处理器501加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器500还可以具有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器500还可以包括其他用于实现设备功能的部件，在此不作赘述。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括计算机程序的存储器，上述计算机程序可由处理器执行以完成上述实施例中的处置方案的确定方法。例如，该计算机可读存储介质可以是只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、只读光盘 （Compact Disc Read-Only Memory，CD-ROM）、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括程序代码，该程序代码存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取该程序代码，处理器执行该程序代码，使得该计算机设备执行上述处置方案的确定方法。
在一些实施例中，本申请实施例所涉及的计算机程序可被部署在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链系统。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
上述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种处置方案的确定方法，其特征在于，所述方法包括：
基于获取的舆情信息，创建第一拓扑图，所述第一拓扑图包括多个第一类节点和各个所述第一类节点对应的第二类节点，一个所述第一类节点对应于一个目标事件，所述第二类节点对应于所述舆情信息中的子信息；
基于所述第一拓扑图，从多个目标事件中确定目标风险事件以及所述目标风险事件关联的参考风险事件，所述目标风险事件为所述多个目标事件中风险最高的事件；
基于所述舆情信息中分别与所述目标风险事件和所述参考风险事件对应的第一信息簇以及第二信息簇，以及所述目标风险事件的第一事件信息和所述参考风险事件的第二事件信息，生成所述目标风险事件的多个事件处置方案，所述第一信息簇以及所述第二信息簇均包括多个子信息；
基于各个所述事件处置方案对应的预估处理结果以及所述预估处理结果对应的预估舆情信息，从所述多个事件处置方案中确定对所述目标风险事件进行处置的目标事件处置方案。
2.根据权利要求1所述的方法，其特征在于，所述基于获取的舆情信息，创建第一拓扑图，包括：
对所述舆情信息进行聚类，得到多个信息簇，一个所述信息簇包括所述舆情信息中的多个子信息，一个子信息能够被划分至不同的信息簇；
对各个所述信息簇中的子信息进行事件识别，得到各个所述信息簇对应的目标事件；
基于各个所述信息簇对应的目标事件，创建多个第一类节点；
基于各个所述信息簇中的多个子信息，创建多个第二类节点；
在各个所述第一类节点与对应的第二类节点之间，以及关联的第二类节点之间增加连线，得到所述第一拓扑图。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一拓扑图，从多个目标事件中确定目标风险事件以及所述目标风险事件关联的参考风险事件，包括：
将所述第一拓扑图拆分为多个第二拓扑图，一个所述第二拓扑图对应于一个所述目标事件，所述第二拓扑图包括对应目标事件的第一类节点以及第二类节点；
对各个所述第二拓扑图进行图卷积，得到各个所述第二拓扑图对应的目标事件的风险值，所述风险值用于反映风险的大小；
基于各个所述目标事件的风险值，从所述多个目标事件中确定所述目标风险事件以及多个候选风险事件，所述多个候选风险事件为风险值大于或等于风险值阈值的目标事件；
基于所述目标风险事件和各个所述候选风险事件对应的第二拓扑图，以及各个所述候选风险事件对应的第二拓扑图与所述目标风险事件对应的第二拓扑图在所述第一拓扑图中的关联关系，从所述多个候选风险事件中确定所述参考风险事件。
4.根据权利要求3所述的方法，其特征在于，所述基于所述目标风险事件和各个所述候选风险事件对应的第二拓扑图，以及各个所述候选风险事件对应的第二拓扑图与所述目标风险事件对应的第二拓扑图在所述第一拓扑图中的关联关系，从所述多个候选风险事件中确定所述参考风险事件，包括：
将所述目标风险事件和各个所述候选风险事件对应的第二拓扑图，按照各个所述候选风险事件对应的第二拓扑图与所述目标风险事件对应的第二拓扑图在所述第一拓扑图中的关联关系进行重组，得到第三拓扑图；
对所述第三拓扑图进行图卷积，得到所述第三拓扑图中各个所述候选风险事件对应的第一类节点与所述目标风险事件对应的第一类节点的关联系数，所述关联系数用于反映关联程度的大小；
将所述多个候选事件对应的关联系数大于或等于关联系数阈值的候选事件，确定为所述参考风险事件。
5.根据权利要求1所述的方法，其特征在于，所述基于所述舆情信息中分别与所述目标风险事件和所述参考风险事件对应的第一信息簇以及第二信息簇，以及所述目标风险事件的第一事件信息和所述参考风险事件的第二事件信息，生成所述目标风险事件的多个事件处置方案，包括：
将所述第一信息簇和所述第一事件信息进行融合，得到第一融合信息；
将所述第二信息簇和所述第二事件信息进行融合，得到第二融合信息；
将所述第一融合信息和所述第二融合信息输入处置方案生成模型，通过所述处置方案生成模型生成所述目标风险事件的多个候选事件处置方案；
将所述多个候选事件处置方案和所述第一融合信息输入风险评估模型，通过所述风险评估模型确定各个所述候选事件处置方案的风险值；
将所述多个候选事件处置方案中风险值最低的N个候选事件处置方案确定为所述目标风险事件的多个事件处置方案，N为正整数。
6.根据权利要求5所述的方法，其特征在于，所述将所述第一融合信息和所述第二融合信息输入处置方案生成模型，通过所述处置方案生成模型生成所述目标风险事件的多个候选事件处置方案，包括：
将所述第一融合信息和所述第二融合信息输入处置方案生成模型，通过所述处置方案生成模型对所述第一融合信息和所述第二融合信息分别进行特征提取，得到所述第一融合信息的第一融合特征以及所述第二融合信息的第二融合特征；
通过所述处置方案生成模型，对所述第一融合特征和所述第二融合特征进行特征交叉，得到第一目标特征；对所述第一融合特征和所述第二融合特征分别进行特征升维，得到第一升维特征和第二升维特征，所述第一升维特征和所述第二升维特征的维度与所述第一目标特征相同；
通过所述处置方案生成模型，将所述第一目标特征、所述第一升维特征和所述第二升维特征进行融合，得到第二目标特征；
通过所述处置方案生成模型，基于多个随机变量对所述第二目标特征进行多轮迭代解码，得到所述多个候选事件处置方案，所述多个随机变量与所述多个候选事件处置方案的数量相同。
7.根据权利要求5所述的方法，其特征在于，所述基于各个所述事件处置方案对应的预估处理结果以及所述预估处理结果对应的预估舆情信息，从所述多个事件处置方案中确定对所述目标风险事件进行处置的目标风险事件处置方案之前，所述方法还包括：
将各个所述事件处置方案、所述第一融合信息以及所述第二融合信息所述输入结果预估模型，通过所述结果预估模型分别对所述事件处置方案、所述第一融合信息以及所述第二融合信息进行序列编码，得到所述事件处置方案对应的第一编码、所述第一融合信息对应的第二编码以及所述第二融合信息对应的第三编码；通过所述结果预估模型，对所述第一编码、所述第二编码以及所述第三编码进行重编码，得到各个所述事件处置方案的目标编码；通过所述结果预估模型，对所述目标编码进行多轮迭代解码，得到各个所述候选事件处置方案的预估处理结果，所述预估处理结果包括所述目标风险事件的第一子处理结果和所述参考风险事件的第二子处理结果；
将各个所述候选事件处置方案的预估处理结果、所述第一融合信息以及所述第二融合信息输入舆情预估模型，通过所述舆情预估模型确定各个所述候选事件处置方案的预估舆情信息。
8.根据权利要求7所述的方法，其特征在于，所述通过所述舆情预估模型确定各个所述候选事件处置方案的预估舆情信息，包括：
通过所述舆情预估模型，对各个所述候选事件处置方案的预估处理结果以及所述第一融合信息进行处理，得到所述目标风险事件对应的第一预估发展信息；
通过所述舆情预估模型，对各个所述候选事件处置方案的预估处理结果以及所述第二融合信息进行处理，得到所述参考风险事件对应的第二预估发展信息；
通过所述舆情预估模型，确定所述第一预估发展信息对所述第二预估发展信息的第一影响因子，以及确定所述第二预估发展信息对所述第一预估发展信息的第二影响因子；
通过所述舆情预估模型，基于所述第一预估发展信息、所述第二预估发展信息、所述第一影响因子以及所述第二影响因子进行预测，得到各个所述候选事件处置方案的预估舆情信息。
9.一种处置方案的确定装置，其特征在于，所述装置包括：
拓扑图创建模块，用于基于获取的舆情信息，创建第一拓扑图，所述第一拓扑图包括多个第一类节点和各个所述第一类节点对应的第二类节点，一个所述第一类节点对应于一个目标事件，所述第二类节点对应于所述舆情信息中的子信息；
事件确定模块，用于基于所述第一拓扑图，从多个目标事件中确定目标风险事件以及所述目标风险事件关联的参考风险事件，所述目标风险事件为所述多个目标事件中风险最高的事件；
方案生成模块，用于基于所述舆情信息中分别与所述目标风险事件和所述参考风险事件对应的第一信息簇以及第二信息簇，以及所述目标风险事件的第一事件信息和所述参考风险事件的第二事件信息，生成所述目标风险事件的多个事件处置方案，所述第一信息簇以及所述第二信息簇均包括多个子信息；
方案确定模块，用于基于各个所述事件处置方案对应的预估处理结果以及所述预估处理结果对应的预估舆情信息，从所述多个事件处置方案中确定对所述目标风险事件进行处置的目标事件处置方案。
10.一种计算机设备，其特征在于，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条计算机程序，所述计算机程序由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求8任一项所述的处置方案的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410127108.0A CN117649117B (zh) | 2024-01-30 | 2024-01-30 | 处置方案的确定方法、装置以及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410127108.0A CN117649117B (zh) | 2024-01-30 | 2024-01-30 | 处置方案的确定方法、装置以及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117649117A true CN117649117A (zh) | 2024-03-05 |
| CN117649117B CN117649117B (zh) | 2024-05-07 |
Family
ID=90048197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410127108.0A Active CN117649117B (zh) | 2024-01-30 | 2024-01-30 | 处置方案的确定方法、装置以及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649117B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120123822A1 (en) * | 2010-11-17 | 2012-05-17 | Projectioneering, LLC | Computerized complex system event assessment, projection and control |
| JP2015191256A (ja) * | 2014-03-27 | 2015-11-02 | パイオニア株式会社 | 危険度合い判定装置、危険度合い判定方法および危険度合い判定プログラム |
| WO2018023981A1 (zh) * | 2016-08-03 | 2018-02-08 | 平安科技（深圳）有限公司 | 舆情分析方法、装置、设备及计算机可读存储介质 |
| CN110309311A (zh) * | 2018-03-09 | 2019-10-08 | 北京国双科技有限公司 | 一种事件处理策略确定方法及装置 |
| US20190347733A1 (en) * | 2016-06-21 | 2019-11-14 | Sony Corporation | Information processing apparatus, information processing method, and program |
| WO2022134794A1 (zh) * | 2020-12-22 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 新闻事件的舆情处理方法及装置、存储介质、计算机设备 |
| CN116383399A (zh) * | 2023-03-01 | 2023-07-04 | 武汉大学 | 一种事件舆情风险预测方法及系统 |
| CN117077628A (zh) * | 2023-08-16 | 2023-11-17 | 平安科技（深圳）有限公司 | 舆情应对预案生成方法、装置、服务器及存储介质 |
| CN117131281A (zh) * | 2023-10-26 | 2023-11-28 | 中关村科学城城市大脑股份有限公司 | 舆情事件处理方法、装置、电子设备和计算机可读介质 |
-
2024
- 2024-01-30 CN CN202410127108.0A patent/CN117649117B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120123822A1 (en) * | 2010-11-17 | 2012-05-17 | Projectioneering, LLC | Computerized complex system event assessment, projection and control |
| JP2015191256A (ja) * | 2014-03-27 | 2015-11-02 | パイオニア株式会社 | 危険度合い判定装置、危険度合い判定方法および危険度合い判定プログラム |
| US20190347733A1 (en) * | 2016-06-21 | 2019-11-14 | Sony Corporation | Information processing apparatus, information processing method, and program |
| WO2018023981A1 (zh) * | 2016-08-03 | 2018-02-08 | 平安科技（深圳）有限公司 | 舆情分析方法、装置、设备及计算机可读存储介质 |
| CN110309311A (zh) * | 2018-03-09 | 2019-10-08 | 北京国双科技有限公司 | 一种事件处理策略确定方法及装置 |
| WO2022134794A1 (zh) * | 2020-12-22 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 新闻事件的舆情处理方法及装置、存储介质、计算机设备 |
| CN116383399A (zh) * | 2023-03-01 | 2023-07-04 | 武汉大学 | 一种事件舆情风险预测方法及系统 |
| CN117077628A (zh) * | 2023-08-16 | 2023-11-17 | 平安科技（深圳）有限公司 | 舆情应对预案生成方法、装置、服务器及存储介质 |
| CN117131281A (zh) * | 2023-10-26 | 2023-11-28 | 中关村科学城城市大脑股份有限公司 | 舆情事件处理方法、装置、电子设备和计算机可读介质 |
Non-Patent Citations (1)
| Title |
|---|
| 夏一雪 等: "大数据环境下群体性事件舆情信息风险管理研究", 电子政务, no. 11, 20 November 2016 (2016-11-20), pages 31 - 39 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649117B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113627447B (zh) | 标签识别方法、装置、计算机设备、存储介质及程序产品 | |
| CN111737476A (zh) | 文本处理方法、装置、计算机可读存储介质及电子设备 | |
| CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
| CN111625715B (zh) | 信息提取方法、装置、电子设备及存储介质 | |
| Hsu et al. | Integrating machine learning and open data into social Chatbot for filtering information rumor | |
| CN113515589B (zh) | 数据推荐方法、装置、设备以及介质 | |
| CN114330966A (zh) | 一种风险预测方法、装置、设备以及可读存储介质 | |
| US11809506B1 (en) | Multivariant analyzing replicating intelligent ambience evolving system | |
| CN111915086A (zh) | 异常用户预测方法和设备 | |
| CN114462425B (zh) | 社交媒体文本处理方法、装置、设备及存储介质 | |
| CN114492661B (zh) | 文本数据分类方法和装置、计算机设备、存储介质 | |
| CN117272937B (zh) | 文本编码模型训练方法、装置、设备及存储介质 | |
| CN112307738B (zh) | 用于处理文本的方法和装置 | |
| CN111507108B (zh) | 别名生成方法、装置、电子设备及计算机可读存储介质 | |
| CN117764373A (zh) | 风险预测的方法、装置、设备及存储介质 | |
| CN111723186A (zh) | 用于对话系统的基于人工智能的知识图谱生成方法、电子设备 | |
| CN117649117B (zh) | 处置方案的确定方法、装置以及计算机设备 | |
| CN113157892B (zh) | 用户意图处理方法、装置、计算机设备及存储介质 | |
| CN115438164A (zh) | 问答方法、系统、设备及存储介质 | |
| CN114925681A (zh) | 知识图谱问答问句实体链接方法、装置、设备及介质 | |
| CN111914201B (zh) | 网络页面的处理方法及装置 | |
| CN111274818B (zh) | 词向量的生成方法、装置 | |
| CN113254635B (zh) | 数据处理方法、装置及存储介质 | |
| CN115114910B (zh) | 文本处理方法、装置、设备、存储介质及产品 | |
| CN116701972B (zh) | 业务数据处理方法、装置、设备以及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |