TW201640383A - 網路事件自動蒐集分析方法及系統 - Google Patents
網路事件自動蒐集分析方法及系統 Download PDFInfo
- Publication number
- TW201640383A TW201640383A TW104114534A TW104114534A TW201640383A TW 201640383 A TW201640383 A TW 201640383A TW 104114534 A TW104114534 A TW 104114534A TW 104114534 A TW104114534 A TW 104114534A TW 201640383 A TW201640383 A TW 201640383A
- Authority
- TW
- Taiwan
- Prior art keywords
- event
- module
- network
- attention
- parameter
- Prior art date
Links
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
- G06F16/951—Indexing; Web crawling techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本發明係為一種網路事件自動蒐集分析方法及系統,包括一事件取樣模組、一主題產生模組、一主題篩選模組及一事件決策支援模組。該事件取樣從複數個網路資源取得網路資訊。該主題產生模組將等網路資訊歸納為數個不同事件主題。該主題篩選模組判定事件主題是否為熱門主題,且根據綜合指數的高低依序排列該等熱門主題。該事件決策支援模組根據每一熱門主題的一關注度參數及一關注時間參數決定該熱門主題的重要性等級。
Description
本發明為一種網路輿情的處理技術,特別是一種網路事件自動蒐集分析系統及方法。
由於網路的使用與發展成熟與龐大造成,過去的2年來,人類在網路上製造的資料量,占人類史上總資料量九成。預估到2020年數據量會比2010年大50倍,將有500億個戶聯設備在蒐集數據。網路上存在的這些巨量資料中有著珍貴的訊息,像是相關性(Unknown Correlation)、未顯露的模式(Hidden Patterns)、市場趨勢(Market Trend),可能埋藏著前所未見的知識跟應用等著被挖掘發現。因此從這些巨量資料中萃取出那些有價值的資訊來利用是目前各方產業研究的方向。
網路舆情蒐集是目前其中一種在網路巨量資料中萃取有價值資訊的手段。由於目前公眾人物、執政者或管理、領導人經常因為對於輿情情勢的誤判而延誤事件處理先機,或是處理方向錯誤導致事件成為事故。輿情包含社會輿情及網路輿情,其中網路輿情是社會輿情在網路空間的映射,是社會輿情的直接反映。傳統的社會輿情存在於民間,存在於大眾的思想觀念和日常的街頭巷尾的議論之中,前者難以捕捉,後者稍縱即逝,輿情的獲取只能通過社會明察暗訪、民意調查等方式進行,獲取效率低下,樣本少而且容易流於偏頗,耗費巨大。而隨著網際網路的發展,大眾往往以資訊化的方式發表各自看法,網路輿情比社會輿情更容易獲取。
然而,目前的輿情監測產品或服務,有些屬於人與機構的監測,目的在監控人與機構在網路上的言行並對監控者自動提出特定行為發生的警示訊息;有些屬於被動的事件監測,需由使用者自行設定特定事件主題及關鍵字,系統方能依據設定事件主題進行監測及分析。前者無法反映社會輿情的變化;後者則緩不濟急,等需求者意識到重要主題時,往往已經錯失處理先機。
因此需要一種能夠即時反應社會輿情變化,主動獲知輿情的輕重緩急的系統及方法。
本發明之一目的,在於提供一種根據蒐集到的每一熱門主題的一關注度參數的高低及一關注時間參數的長短予以重要性分級的網路事件自動蒐集分析系統及方法。
本發明之另一目的,在於提供一種主動蒐集網路資源並即時反應網路上的事件變化,顯示網路上事件的輕重緩急的網路事件自動蒐集分析系統及方法。
為達上述目的,本發明提供一種網路事件自動蒐集分析方法,包括下列步驟:經由一事件取樣模組取得網路資訊的內容及發佈時間訊息儲存在一資料庫;經由一主題產生模組根據該資料庫內的網路資訊數量的累計產生複數個事件主題;經由一主題篩選模組針對每一事件主題依據數個參數得到一綜合指數,並在該綜合指數超過一預設警示值時將該事件主題判定為熱門主題,且依據該等綜合指數的高低依序排列該等熱門主題;經由一事件決策支援模組的一事件決策次模組根據每一熱門主題的一關注度參數及一關注時間參數決定該熱門主題的重要性等級。
本發明另外提供一種網路事件自動蒐集分析系統,包括:一事件取樣模組,用以取得網路資訊的內容及發佈時間訊息;一資料庫,連接該事件取樣模組,儲存取得的網路資訊的內容及發佈時間訊息;一主題產生模組,連接該資料庫產生複數個事件主題:一主題篩選模組,針對每一事件主題依據數個參數得到一綜合指數,並在該綜合指數超過一預設警示值時將該事件主題判定為熱門主題,且依據該等綜合指數的高低依序排列該等熱門主題;一事件決策支援模組,包括一事件決策次模組根據每一熱門主題的一關注度參數及一關注時間參數決定該熱門主題的重要性等級。
10‧‧‧系統
11‧‧‧事件取樣模組
12‧‧‧資料庫
13‧‧‧主題產生模組
131‧‧‧詞句分析次模組
132‧‧‧分類/聚類次模組
133‧‧‧群組關鍵詞句次模組
134‧‧‧事件主題產生次模組
14‧‧‧主題篩選模組
15‧‧‧事件決策支援模組
151‧‧‧事件決策次模組
152‧‧‧事件支援次模組
20‧‧‧網路資料源
31‧‧‧顯示螢幕
S01~S04‧‧‧步驟
下列圖式之目的在於使本發明能更容易被理解,於本文中會詳加描述該些圖式,並使其構成具體實施例的一部份。透過本文中之具體實施例並參考相對應的圖式,俾以詳細解說本發明之具體實施例,並用以闡述發明之作用原理。
第1圖係為本發明的系統方塊示意圖;
第2圖係為系統的次模組之方塊示意圖;
第3圖係為系統的次模組之方塊示意圖;
第4圖係為本發明的方法流程示意圖;
第5圖係為本發明重要性等級區分之示意圖;
第6圖係為本發明顯示在一客戶端之示意圖。
以下將參照相關圖式,說明本發明較佳實施,其中相同的元件將以相同的元件符號加以說明。
請參閱第1圖係為本發明的系統方塊示意圖;第2圖係為系統的次模組之方塊示意圖。如圖所示該系統10包括一事件取樣模組11、一資料庫12、一主題產生模組13、一主題篩選模組14及一事件決策支援模組15。該事件取樣模組11用以從網路資料源20取得網路資訊的內容及發佈時間訊息,網路資料源20包括網站、部落格、網路論壇、網路社群平台,例如但不限制為Facebook、Twitter、Plurk、Google+、Youtube、Google、Yahoo、Sina、批踢踢等。該資料庫12連接該事件取樣模組11以儲存取得的網路資訊的內容及發佈時間訊息。
該主題產生模組13,連接該資料庫12產生複數個事件主題。該主題產生模組13包括一詞句分析次模組131、一分類/聚類次模組132、一群組關鍵詞句次模組133及一事件主題產生次模組134(如第2圖所示)。
該詞句分析次模組131係對資料庫12內的每一網路資訊內容分析後找出至少一關鍵詞句及至少一正負情緒詞句,其中分析技術例如但不限制利用目前的中文分詞技術、自然語言處理技術或中文訊息處理技術及情緒分析方法對網路資訊的內容文字進行去重複、斷詞、斷句、語意分析後萃取出該關鍵詞句及該正負情緒詞句。尤其要說明的是,該詞句分析次模組131係利用情緒分析方法從每一篇網路資訊的內容文字找出正負情緒詞句,並判斷該篇網路資訊為為正評論或負評論。該情緒分析方法例如但不限制為首先建立情緒詞庫,其次將文本比對該情緒詞庫,最後計算出該正負面詞句的分數。具體例如但不限制為中華民國專利公告號I477987B揭示一種分析文本之方法,包含:拆解該文本成複數句子,各該句子包括至少一分句,且各該至少一分句包括至少一詞彙;分析該至少一詞彙之一屬性,其中該屬性係選自由一樂觀詞彙、一悲觀詞彙、一非情緒詞彙及一否定修飾詞彙所組成之群組其中之一;累計各該分句中之所有詞彙之各該屬性,以推算各該分句之一情緒傾向;以及以各該句子為單位累加各該分句之該等情緒傾向而計算出該文本中各該情緒傾向之一熵值,以決定該文本之一情緒傾向。
該分類/聚類次模組132以分類或聚類方式將具有相似的關鍵詞句的網路資訊歸為一事件群組。該群組關鍵詞句次模組133根據該事件群組內的每一網路資訊的關鍵詞句定義至少一群組關鍵詞句,並將該群組關鍵詞句作為新進入該資料庫12內的網路資訊匹配歸入所屬事件群組的依據。該事件主題產生模組134根據該事件群組中的網路資訊數量累計至一預設值產生一事件主題。該預設值係由系統設定,例如但不限制將預設值設定為網路資訊數量累積到50篇就產生一事件主題。
該主題篩選模組14針對每一事件主題依據數個參數得到一綜合指數,並在該綜合指數超過一預設警示值時將該事件主題判定為熱門主題,且依據每一熱門主題的綜合指數的高低依序排列該等熱門主題。因此被判定為熱門主題的事件主題顯示在一電子裝置(例如行動裝置)上的顯示螢幕31上就會如同第6圖所示,綜合指數較高的熱門主題排列在前面序位,而綜合指數較低的熱門主題排列在後面序位。再者,考慮到這些熱門主題的話題性,系統可以在一排列範圍內依序排列,本實施例如但不限制如第5圖所示排列10則事件主題。
特別要說明的,該等參數包括媒體關注指數、網民關注指數、網民回應指數、媒體情緒指數、網民情緒指數,並給定各參數一個權值後計算得到該綜合指數。
同時要說明的是各參數包括複數次指標如下列:
1.媒體關注指數,包括:報導媒體的廣度(如媒體家數)、媒體報導的聲量(如報導篇數)、媒體報導的深度(如新聞總字數)、媒體報導的持久度(如累計報導天數)。
2.網民關注指數,包括:網民關注報導媒體的廣度(集中度)、當日點閱總數量、累計點閱總數量、點閱數量增數值。
3.網民回應指數,包括:網民新聞回應數量、網民論壇貼文及回應數量、當日網民部落格貼文及回應數量。
4.媒體情緒指數,包括:媒體正面報導強度(如正面情緒字數)、媒體負面報導強度(如負面情緒字數)。
5.網民情緒指數,包括:網民正面回應強度(如正面情緒字數)、網民負面回應強度(如正面情緒字數)。
如第3圖所示,該事件決策支援模組15包括一事件決策次模組151根據每一熱門主題的一關注度參數及一關注時間參數決定該熱門主題的重要性等級。該關注度參數包括該報導媒體的廣度(如媒體家數)、媒體報導的聲量(如報導篇數)、媒體報導的深度(如新聞總字數)、網民關注報導媒體的廣度(集中度)、當日點閱總數量、累計點閱總數量及網民回應數量,分別給予上列這些參數一個權值後計算得到該關注度參數。再者該關注時間參數包括該媒體報導的持久度(如累計報導天數)及該點閱數量增減數值,分別給予上列這些參數一個權值後計算得到該關注時間參數。
如第5圖所示,該重要性等級包括焦點等級、關注等級、一般等級及退燒等級,該關注時間參數預設有一第一比較值a,該關注度參數預設有一第二比較值b,該第一比較值a及該第二比較值b表示為圖中交接處,該事件決策次模組151根據該關注時間參數大於或等於或小於該第一比較值a,及該關注度參數大於或等於或小於該第二比較值b區分該重要性等級。
詳細而言,若該關注時間參數大於或等於該第一比較值a,且該關注度參數大於或等於該第二比較值b則判定該重要性等級為焦點等級。另外若該該關注時間參數小於該第一比較值a,且該關注度參數大於等於該第二比較值b判定該重要性等級為關注等級。另外若該關注時間參數小於該第一比較值a,且該關注度參數小於該第二比較值b判定該重要性等級為一般等級。另外若該關注時間參數大於等於該第一比較值a,且該關注度參數小於該第二比較值b判定該重要性等級為退燒等級。
因此每一熱門主題重要性等級區分顯示在該電子裝置上的顯示螢幕31上就會如同第6圖所示,焦點等級表示該熱門主題的關注時間參數長及關注度參數高。關注等級表示該熱門主題的關注時間參數短但是關注度參數高。一般等級表示該熱門主題的關注時間參數短且關注度參數低。退燒等級表示該熱門主題的關注時間參數長但是關注度參數低。
上述的事件決策支援模組15更包括一事件支援次模組152(如第3圖所示)用以統計該熱門主題的正負情緒詞句然後按照預設格式輸出報告。預設格式包括以下項目:
1.主要正評媒體列表及其正評程度(該程度例如正面字詞的數量)
2.主要負評媒體列表及其正評程度(該程度例如負面字詞的數量)
3.正評網民主要屬性(該屬性例如為年齡層或性別或教育程度或居住區域)
4.負評網民主要屬性(該屬性例如為年齡層或性別或教育程度或居住區域)
5.媒體正評關鍵字詞列表
6.媒體負評關鍵字詞列表
7.網民正評關鍵字詞列表
8.網民負評關鍵字詞列表
請繼續參閱第4圖係為本發明的方法流程示意圖。如圖所示,本發明的方法包括步驟如下:
步驟S01取得網路資訊。在本步驟經由該事件取樣模組11從網路資料源20取得網路資訊的內容及發佈時間訊息儲存在該資料庫12。
步驟S02產生數個不同事件主題。在本步驟經由該主題產生模13組根據該資料庫12內的網路資訊的累計數量產生複數個不同事件主題,每一事件主題係由該主題產生模組13的詞句分析次模組131分析該資料庫12內的每一網路資訊內容後找出至少一關鍵詞句及至少一正負情緒詞句,分析技術例如但不限制利用目前的中文分詞技術、自然語言處理技術或中文訊息處理技術及情緒分析方法(已在上面詳細說明,此不重複贅述)對網路資訊的內容文字進行去重複、斷詞、斷句、語意分析後萃取出該關鍵詞句及該正負情緒詞句。
然後經由一分類/聚類次模組132以分類或聚類方式將具有相似關鍵詞句的網路資訊歸為一事件群組,然後根據該事件群組內的每一網路資訊的關鍵詞句定義該事件群組的群組關鍵詞句,並將該群組關鍵詞句作為新進入該資料庫12內的網路資訊匹配歸入所屬事件群組的依據。然後該事件主題產生次模組134根據該事件群組中的網路資訊數量累計至一預設值產生一事件主題。該預設值係由系統設定,例如但不限制將預設值設定為網路資訊數量累積到50篇就產生一事件主題。
步驟S03判定每一事件主題是否為熱門主題,並根據每一熱門主題的綜合指數高低依序排列。在本步驟經由針對每一事件主題依據數個參數得到一綜合指數,並在該綜合指數超過一預設警示值時將該事件主題判定為熱門主題,且依據每一熱門主題的綜合指數的高低依序排列該等熱門主題。,綜合指數較高的熱門主題排列在前面序位,而綜合指數較低的熱門主題排列在後面序位。再者,考慮到這些熱門主題的話題性,系統可以在一排列範圍內依序排列,例如但不限制如第6圖所示排列10則事件主題。用來計算該綜合指數的各參數及該等參數的各項次指標如前面所述。
步驟S04區分該等熱門主題的重要性等級,在本步驟經由該事件決策支援模組15的該事件決策次模組151根據每一熱門主題的一關注度參數及一關注時間參數決定該熱門主題的重要性等級,且經由該事件決策支援模組15的該事件支援次模組152統計該熱門主題的正負情緒詞句然後按照前述的預設格式輸出報告。
該每一熱門主題的關注度參數包括該報導媒體的廣度(如媒體家數)、媒體報導的聲量(如報導篇數)、媒體報導的深度(如新聞總字數)、網民關注報導媒體的廣度(集中度)、當日點閱總數量、累計點閱總數量及網民回應數量,分別給予上列這些參數一個權值後計算得到該關注度參數。每一熱門主題的關注時間參數包括該媒體報導的持久度(如累計報導天數)及該點閱數量增減數值,分別給予上列這些參數一個權值後計算得到該關注時間參數。
如第5圖所示,該重要性等級包括焦點等級、關注等級、一般等級及退燒等級,該關注時間參數預設有一第一比較值a,該關注度參數預設有一第二比較值b,該第一比較值a及該第二比較值b表示為圖中交接處,該事件決策次模組151根據該關注時間參數大於或等於或小於該第一比較值a,及該關注度參數大於或等於或小於該第二比較值b區分該重要性等級。
詳細而言,若該關注時間參數大於或等於該第一比較值a,且該關注度參數大於或等於該第二比較值b則判定該重要性等級為焦點等級。另外若該該關注時間參數小於該第一比較值a,且該關注度參數大於等於該第二比較值b判定該重要性等級為關注等級。另外若該關注時間參數小於該第一比較值a,且該關注度參數小於該第二比較值b判定該重要性等級為一般等級。另外若該關注時間參數大於等於該第一比較值a,且該關注度參數小於該第二比較值b判定該重要性等級為退燒等級。
綜上所述,本發明可以從廣大眾多的網路資訊中主動獲知重要的熱門主題,且自動實現對於這些熱門主題的重要性程度分級評估,即時反應網路上的事件變化。
雖然本發明以實施方式揭露如上,然其並非用以限定本發明,任何熟悉此技藝者,在不脫離本發明的精神和範圍內,當可作各種的更動與潤飾,因此本發明之保護範圍當視後附的申請專利範圍所定者為準。
S01~S04‧‧‧步驟
Claims (14)
- 【第1項】一種網路事件自動蒐集分析方法,包括下列步驟:
經由一事件取樣模組取得網路資訊的內容及發佈時間訊息儲存在一資料庫;
經由一主題產生模組根據該資料庫內的網路資訊的累計數量產生複數個不同事件主題;
經由一主題篩選模組針對每一事件主題依據數個參數得到一綜合指數,並在該綜合指數超過一預設警示值時將該事件主題判定為熱門主題,且依據該等綜合指數的高低依序排列該等熱門主題;
經由一事件決策支援模組的一事件決策次模組根據每一熱門主題的一關注度參數及一關注時間參數決定該熱門主題的重要性等級。 - 【第2項】如請求項1所述之網路事件自動蒐集分析方法,其中該每一事件主題係由該主題產生模組分析該資料庫內的每一網路資訊內容後找出至少一關鍵詞句及至少一正負情緒詞句,並以分類或聚類處理將具有相似關鍵詞句的網路資訊歸為一事件群組,然後根據該事件群組內的每一網路資訊的關鍵詞句定義該事件群組的群組關鍵詞句,並根據該事件群組中的網路資訊數量累計至一預設值以產生一事件主題。
- 【第3項】如請求項1所述之網路事件自動蒐集分析方法,其中該主題產生模組依據該群組關鍵詞句將新進入該資料庫內的網路資訊歸入所屬事件群組。
- 【第4項】如請求項2所述之網路事件自動蒐集分析方法,更包括經由一事件決策支援模組的一事件支援次模組統計該熱門主題的正負情緒詞句然後按照一預設格式輸出報告。
- 【第5項】如請求項1所述之網路事件自動蒐集分析方法,其中該等參數包括:媒體關注指數、網民關注指數、網民回應指數、媒體情緒指數、網民情緒指數。
- 【第6項】如請求項1所述之網路事件自動蒐集分析方法,其中該關注度參數包括該報導媒體的廣度、媒體報導的聲量、媒體報導的深度、網民關注報導媒體的廣度、當日點閱總數量、累計點閱總數量及網民回應數量;該關注時間參數包括該媒體報導的持久度及該點閱數量增減數值。
- 【第7項】如請求項1或6所述之網路事件自動蒐集分析方法,其中該關注時間參數預設有一第一比較值,該關注度參數預設有一第二比較值,且比較該關注時間參數大於或等於或小於該第一比較值及比較該關注度參數大於或等於或小於該第二比較值以對該重要性分級。
- 【第8項】一種網路事件自動蒐集分析系統,包括:
一事件取樣模組,用以取得網路資訊的內容及發佈時間訊息;
一資料庫,連接該事件取樣模組,儲存取得的網路資訊的內容及發佈時間訊息;
一主題產生模組,連接該資料庫產生複數個事件主題;
一主題篩選模組,針對每一事件主題依據數個參數得到一綜合指數,並在該綜合指數超過一預設警示值時將該事件主題判定為熱門主題,且依據該等綜合指數的高低依序排列該等熱門主題;
一事件決策支援模組,包括一事件決策次模組根據每一熱門主題的一關注度參數及一關注時間參數決定該熱門主題的重要性等級。 - 【第9項】如請求項8所述之網路事件自動蒐集分析系統,其中該主題產生模組包括:
一詞句分析次模組,係對資料庫內的每一網路資訊內容分析後找出至少一關鍵詞句及至少一正負情緒詞句;
一分類/聚類次模組,將具有相似的關鍵詞句的網路資訊歸為一事件群組;
一群組關鍵詞句次模組,根據該事件群組內的每一網路資訊的關鍵詞句定義至少一群組關鍵詞句;
一事件主題產生次模組,根據該事件群組中的網路資訊數量累計至一預設值產生一事件主題。 - 【第10項】如請求項9所述之網路事件自動蒐集分析系統,其中該主題產生模組依據該群組關鍵詞句將新進入該資料庫內的網路資訊匹配歸入所屬事件群組。
- 【第11項】如請求項9所述之網路事件自動蒐集分析系統,其中該事件決策支援模組包括一事件支援次模組係統計該熱門主題的正負情緒詞句然後按照一預設格式輸出報告。
- 【第12項】如請求項8所述之網路事件自動蒐集分析系統,其中該等參數包括:媒體關注指數、網民關注指數、網民回應指數、媒體情緒指數、網民情緒指數。
- 【第13項】如請求項8所述之網路事件自動蒐集分析系統,其中該關注度參數包括該報導媒體的廣度、媒體報導的聲量、媒體報導的深度、網民關注報導媒體的廣度、當日點閱總數量、累計點閱總數量及網民回應數量;該關注時間參數包括該媒體報導的持久度及該點閱數量增減數值。
- 【第14項】如請求項8或13所述之網路事件自動蒐集分析系統,其中該關注時間參數預設有一第一比較值,該關注度參數預設有一第二比較值,根據該關注時間參數大於或等於或小於該第一比較值及該關注度參數大於或等於或小於該第二比較值以區分重要性等級。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW104114534A TWI650655B (zh) | 2015-05-07 | 2015-05-07 | 網路事件自動蒐集分析方法及系統 |
CN201610086699.7A CN105677906A (zh) | 2015-05-07 | 2016-02-16 | 网络事件自动搜集分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW104114534A TWI650655B (zh) | 2015-05-07 | 2015-05-07 | 網路事件自動蒐集分析方法及系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201640383A true TW201640383A (zh) | 2016-11-16 |
TWI650655B TWI650655B (zh) | 2019-02-11 |
Family
ID=56304473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW104114534A TWI650655B (zh) | 2015-05-07 | 2015-05-07 | 網路事件自動蒐集分析方法及系統 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105677906A (zh) |
TW (1) | TWI650655B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI659321B (zh) * | 2018-01-19 | 2019-05-11 | Yuan Ze University | 產業關聯性分析系統與方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295681A (zh) * | 2016-08-02 | 2017-01-04 | 西南石油大学 | 一种基于复杂网络标签传播算法的事件分类方法和系统 |
TWI602430B (zh) * | 2016-08-08 | 2017-10-11 | Chunghwa Telecom Co Ltd | Multimedia content classification system and method |
CN111368070B (zh) * | 2018-12-06 | 2024-06-21 | 北京国双科技有限公司 | 热点事件的确定方法及装置 |
CN113641246A (zh) * | 2021-08-25 | 2021-11-12 | 兰州乐智教育科技有限责任公司 | 用户专注度的确定方法、装置、vr设备及存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001344252A (ja) * | 2000-05-31 | 2001-12-14 | Ebide:Kk | 書評データ検索システム |
JP5879260B2 (ja) * | 2009-06-09 | 2016-03-08 | イービーエイチ エンタープライズィーズ インコーポレイテッド | マイクロブログメッセージの内容を分析する方法及び装置 |
TW201118718A (en) * | 2009-11-25 | 2011-06-01 | Inventec Corp | Message system |
CN101763401B (zh) * | 2009-12-30 | 2012-05-30 | 暨南大学 | 一种网络舆情的热点预测和分析方法 |
US20120109945A1 (en) * | 2010-10-29 | 2012-05-03 | Emilia Maria Lapko | Method and system of improving navigation within a set of electronic documents |
CN103106217B (zh) * | 2011-11-15 | 2016-09-14 | 腾讯科技(深圳)有限公司 | 一种留言信息的处理方法和设备 |
TW201333867A (zh) * | 2012-02-13 | 2013-08-16 | Aotter Inc | 一種訊息互動式系統 |
TW201344599A (zh) * | 2012-04-26 | 2013-11-01 | Ming-Da Xu | 建物評鑑管理系統 |
CN103077190A (zh) * | 2012-12-20 | 2013-05-01 | 人民搜索网络股份公司 | 基于排序学习技术的热门事件排名方法 |
CN103150353A (zh) * | 2013-02-18 | 2013-06-12 | 人民搜索网络股份公司 | 微博信息的获取方法及装置 |
CN103150362B (zh) * | 2013-02-28 | 2016-08-03 | 北京奇虎科技有限公司 | 一种视频搜索方法及系统 |
-
2015
- 2015-05-07 TW TW104114534A patent/TWI650655B/zh active
-
2016
- 2016-02-16 CN CN201610086699.7A patent/CN105677906A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI659321B (zh) * | 2018-01-19 | 2019-05-11 | Yuan Ze University | 產業關聯性分析系統與方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105677906A (zh) | 2016-06-15 |
TWI650655B (zh) | 2019-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Varshney et al. | A review on rumour prediction and veracity assessment in online social network | |
Keneshloo et al. | Predicting the popularity of news articles | |
Vadivukarassi et al. | Sentimental analysis of tweets using Naive Bayes algorithm | |
KR102075788B1 (ko) | 빅 데이터를 활용한 건강정보 콘텐츠 추천 서비스 시스템 | |
KR101695011B1 (ko) | 토픽별 오피니언과 소셜 영향력자를 기반으로 토픽을 탐지하고 추적하는 시스템 및 방법 | |
Sharma et al. | Nlp and machine learning techniques for detecting insulting comments on social networking platforms | |
CN112765442A (zh) | 基于新闻大数据的网络情绪波动指数监测分析方法及系统 | |
CN108417274A (zh) | 流行病预测方法、系统及设备 | |
Sharma et al. | Detecting hate speech and insults on social commentary using nlp and machine learning | |
KR20120108095A (ko) | 소셜 데이터 분석 시스템 | |
Dandannavar et al. | Social media text-a source for personality prediction | |
TW201640383A (zh) | 網路事件自動蒐集分析方法及系統 | |
Whitney et al. | Don’t want to get caught? don’t say it: The use of emojis in online human sex trafficking ads | |
Alharthi et al. | Recognizing human needs during critical events using machine learning powered psychology-based framework | |
Chatterjee et al. | Classifying facts and opinions in Twitter messages: a deep learning-based approach | |
Bhoir | An efficient fake news detector | |
KR102126911B1 (ko) | KeyplayerRank를 이용한 소셜 미디어상의 주제별 키플레이어 탐지 방법 | |
CN105159879A (zh) | 一种网络个体或群体价值观自动判别方法 | |
Mehmood et al. | A study of sentiment and trend analysis techniques for social media content | |
Khan et al. | Fake news detection of South African COVID-19 related tweets using machine learning | |
Joshi et al. | Modeling and detecting change in user behavior through his social media posting using cluster analysis | |
Subramani et al. | Text mining and real-time analytics of twitter data: A case study of australian hay fever prediction | |
Hisham et al. | An innovative approach for fake news detection using machine learning | |
Weaver et al. | A social Beaufort scale to detect high winds using language in social media posts | |
Janchevski et al. | Andrejjan at semeval-2019 task 7: A fusion approach for exploring the key factors pertaining to rumour analysis |