[發(fā)明專利]熱點(diǎn)事件分類方法、裝置及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201810252849.6
• 申請(qǐng)日: 2018-03-26
• 公開（公告）號(hào): CN108595519A
• 公開（公告）日: 2018-09-28
• 發(fā)明（設(shè)計(jì)）人: 王健宗;吳天博;黃章成;肖京
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30;G06F17/27;G06K9/62
• 代理公司: 深圳市沃德知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44347
• 代理人: 高杰;于志光

本發(fā)明提供了一種熱點(diǎn)事件分類方法、裝置及存儲(chǔ)介質(zhì)，該方法實(shí)時(shí)從預(yù)先確定的社交服務(wù)器中獲取第一預(yù)設(shè)數(shù)量用戶發(fā)布的信息文本，利用預(yù)先確定的分詞規(guī)則對(duì)上述信息文本進(jìn)行分詞，以獲得各個(gè)信息文本對(duì)應(yīng)的分詞。之后，該方法提取出分詞中預(yù)設(shè)的特征詞，利用預(yù)先確定的概率算法確定該特征詞對(duì)應(yīng)的事件主題，再根據(jù)預(yù)設(shè)的計(jì)算公式計(jì)算出該特征詞對(duì)應(yīng)的熱點(diǎn)事件指標(biāo)值，判斷該熱點(diǎn)事件指標(biāo)值是否大于預(yù)設(shè)閾值。若熱點(diǎn)事件指標(biāo)值大于預(yù)設(shè)閾值，則利用預(yù)設(shè)的向量化方式獲取該特征詞對(duì)應(yīng)的信息文本的信息向量，將所述信息向量輸入預(yù)先訓(xùn)練的事件分類模型中，確定出該信息文本對(duì)應(yīng)的事件類型。利用本發(fā)明，能夠快速、準(zhǔn)確的分析熱點(diǎn)事件的事件類型。

技術(shù)領(lǐng)域

本發(fā)明涉及信息技術(shù)領(lǐng)域，尤其涉及一種熱點(diǎn)事件分類方法、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，社交媒體的運(yùn)用也越來越廣泛，社交媒體中的各種事件數(shù)量也與日俱增。面對(duì)數(shù)量暴增的事件，如何快速分辨社交媒體的事件類型，了解社交媒體用戶關(guān)心的領(lǐng)域及熱門話題，并作出相應(yīng)決策已成為管理者面臨的難題。

目前，現(xiàn)有的社交媒體熱點(diǎn)事件分類方法不完善，亟待一種分類方法能夠在熱點(diǎn)事件發(fā)展的早期，準(zhǔn)確、快速的分析出熱點(diǎn)事件的事件類型。

發(fā)明內(nèi)容

鑒于以上內(nèi)容，本發(fā)明提供一種熱點(diǎn)事件分類方法、裝置及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其主要目的在于提高社交媒體上熱點(diǎn)事件分類的速度及準(zhǔn)確性。

為實(shí)現(xiàn)上述目的，本發(fā)明提供一種熱點(diǎn)事件分類方法，該方法包括：

獲取步驟：實(shí)時(shí)從預(yù)先確定的服務(wù)器中獲取第一預(yù)設(shè)數(shù)量用戶發(fā)布的信息文本；

分詞步驟：利用預(yù)先確定的分詞規(guī)則對(duì)上述信息文本進(jìn)行分詞，獲得各個(gè)信息文本對(duì)應(yīng)的分詞；

確定步驟：提取出分詞中預(yù)設(shè)的特征詞，利用預(yù)先確定的概率算法確定該特征詞對(duì)應(yīng)的事件主題；

計(jì)算步驟：根據(jù)預(yù)設(shè)的計(jì)算公式，計(jì)算出該特征詞對(duì)應(yīng)的熱點(diǎn)事件指標(biāo)值；

分類步驟：判斷熱點(diǎn)事件指標(biāo)值是否大于預(yù)設(shè)閾值，若熱點(diǎn)事件指標(biāo)值大于預(yù)設(shè)閾值，則利用預(yù)設(shè)的向量化方式獲取該特征詞對(duì)應(yīng)的信息文本的信息向量，將所述信息向量輸入預(yù)先訓(xùn)練的事件分類模型中，確定出該信息文本對(duì)應(yīng)的事件類型。

優(yōu)選地，所述預(yù)設(shè)的計(jì)算公式如下：

其中，v代表事件發(fā)展的速度，a代表熱點(diǎn)事件指標(biāo)值，t代表時(shí)間點(diǎn)，T代表時(shí)間間隔，i為整數(shù)，t_i代表第i個(gè)特征詞出現(xiàn)的時(shí)間點(diǎn)，X_i代表第i個(gè)特征詞出現(xiàn)的次數(shù)。

優(yōu)選地，所述預(yù)先確定的分詞規(guī)則包括：

根據(jù)預(yù)設(shè)類型標(biāo)點(diǎn)符號(hào)，將獲取的各個(gè)信息文本拆分成短句；

根據(jù)詞庫中存儲(chǔ)的詞語，利用長(zhǎng)詞優(yōu)先原則對(duì)每個(gè)短句進(jìn)行分詞。

優(yōu)選地，所述預(yù)先確定的概率算法包括：

在特征詞與事件主題文本之間添加第二預(yù)設(shè)數(shù)量的隱含事件主題；

根據(jù)預(yù)先確定的隱含事件主題與特征詞的映射關(guān)系，確定每個(gè)隱含事件主題含有的特征詞的第一數(shù)量X₁及每個(gè)特征詞所屬的隱含事件主題的第二數(shù)量X₂，根據(jù)第一數(shù)量X₁和第二數(shù)量X₂確定每個(gè)特征詞對(duì)各個(gè)隱含事件主題的第一選擇概率P₁＝1/(X₁*X₂)；