[發明專利]一種基于深度學習的輿情預警方法及系統

有效

• 申請號: 201910032867.8
• 申請日: 2019-01-14
• 公開（公告）號: CN110008336B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 鮑晟霖;王維強;許遼薩;趙聞飆;袁錦程;易燦
• 申請（專利權）人: 創新先進技術有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/335;G06F18/214;G06Q10/0635;G06Q20/38
• 代理公司: 北京眾達德權知識產權代理有限公司 11570
• 代理人: 劉杰

1.一種基于深度學習的輿情預警方法，所述方法包括：

獲得整體抽樣文本；

利用訓練文本對RNN深度學習模型進行訓練，得到輿情分析模型；

利用所述輿情分析模型對所述整體抽樣文本進行輿情分析并得到對應的輿情分數；

基于所述整體抽樣文本對應的輿情分數和預設抽樣策略，從所述整體抽樣文本中獲取目標抽樣文本；

將所述目標抽樣文本轉換為報文并進行預警。

2.如權利要求1所述的方法，所述利用訓練文本對RNN深度學習模型進行訓練，得到所述輿情分析模型，具體包括：

利用不可信、可信、中立三種標簽建立分類器，對所述訓練文本進行分類標注；其中，對包含有正面情緒的訓練文本標注可信標簽；對包含有負面情緒的訓練文本標注不可信標簽；對包含有中立情緒的訓練文本標注中立標簽；

用分類標注后的訓練文本對所述RNN深度學習模型進行訓練，得到所述輿情分析模型。

3.如權利要求2所述的方法，所述對所述訓練文本進行分類標注，具體包括：

對所述訓練文本中包含有負面情緒的部分訓練文本標注為不可信標簽；利用包含有不可信標簽的部分訓練文本來訓練半監督學習算法中的PU?Learning模型，并基于訓練的PULearning模型從剩余訓練文本中預測不可信的訓練文本，并標注為不可信標簽。

4.如權利要求1所述的方法，在利用輿情分析模型對所述整體抽樣文本進行輿情分析并得到對應的輿情分數之前，所述方法還包括：

對所述整體抽樣文本進行預訓練。

5.如權利要求4所述的方法，所述對所述整體抽樣文本進行預訓練，具體包括：

保持神經網絡模型中的特定層數的網絡結構不變，利用所述神經網絡模型對所述整體抽樣文本進行預訓練；或者

將所述整體抽樣文本按照場景進行分類，并保持神經網絡模型中的特定層數的網絡結構不變，利用所述神經網絡模型分別對各個場景中的抽樣文本進行預訓練。

6.如權利要求1-5任一權項所述的方法，所述輿情分析模型包括文本情感分析模型；

所述利用輿情分析模型對所述整體抽樣文本進行輿情分析并得到對應的輿情分數,具體包括:

利用文本情感分析模型對所述整體抽樣文本進行情感分析并得到對應的情感分數。

7.如權利要求6所述的方法，所述利用文本情感分析模型對所述整體抽樣文本進行情感分析并得到對應的情感分數，具體包括：

對所述整體抽樣文本進行分詞處理，每個抽樣文本劃分出一個或者多個詞向量；

將所述每個抽樣文本對應的一個或者多個詞向量輸入神經網絡模型，得到每個詞向量的情感分數；

基于每個詞向量的情感分數，得到每個抽樣文本對應的情感分數。

8.如權利要求1-5任一權項所述的方法，所述基于所述整體抽樣文本對應的輿情分數和預設抽樣策略，從所述整體抽樣文本中獲取目標抽樣文本，具體包括：

在用戶和商戶交易時，從所述整體抽樣文本中獲取所述商戶的歷史交易文本數據；

基于所述整體抽樣文本對應的輿情分數和所述預設抽樣策略，從所述歷史交易文本數據中獲取所述目標抽樣文本。

9.如權利要求8所述的方法，所述基于所述整體抽樣文本對應的輿情分數和預設抽樣策略，從所述歷史交易文本數據中獲取所述目標抽樣文本之后，所述方法還包括：

將所述目標抽樣文本發送給所述用戶。

10.如權利要求1-5任一權項所述的方法，所述利用輿情分析模型對所述整體抽樣文本進行輿情分析并得到對應的輿情分數之后，所述方法還包括：

將所述整體抽樣文本對應的輿情分數輸入到其他抽樣類模型中確定出抽樣閾值,或將所述整體抽樣文本對應的輿情分數聯合其他預設策略確定出所述抽樣閾值；

基于所述抽樣閾值從所述整體抽樣文本中選擇出目標價值情緒文本,并將所述目標價值情緒文本輸入到審理報文系統中進行反饋。