[發明專利]面向綜合集成研討環境的主題實時影響力評演方法及系統

有效

• 申請號: 202010195669.6
• 申請日: 2020-03-19
• 公開（公告）號: CN111427999B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 鄭楠;王丹力;戴汝為
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/34;G06F40/284;G06F40/289;G06Q10/0639
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

1.一種面向綜合集成研討環境的主題實時影響力評演方法，其特征在于，所述評演方法包括：

根據研討廳中專家的當前發言內容，生成當前研討的主題；

根據專家發言之間的回復關系，構建發言消息網絡；

基于發言消息網絡，計算發言消息的影響力；

根據發言消息的影響力及消息的發布時間，計算所述主題的時效影響力；

根據主題影響力的時效性，確定主題的實時演化情況；

所述根據研討廳中專家的當前發言內容，生成當前研討的主題，具體包括：

對所述當前發言內容進行預處理，得到預處理文本；

將預處理文本按照發言時間分為N段，得到N個子文本；

采用主題生成模型，對各子文本進行處理，生成對應子文本的主題，具體包括：通過詞條將所述子文本中的發言消息映射到相應主題；采用三層貝葉斯概率模型，計算各主題的詞頻；根據各主題的詞頻，確定所述子文本的主題；

所述詞頻包括：詞條w_i對主題z_j的詞條概率P(z_j|w_i)及主題z_j對發言消息d_m的消息概率P(z_j|d_m)；

根據以下公式，計算各主題的詞頻：

其中，|z_j|是發言集合中屬于主題z_j的發言數目，d_m為發言消息；P(z_i＝j)為第j個主題屬于當前發言的概率，P(w_i|z_i＝j)為詞條w_i屬于主題j的概率；

令φ(j)＝P(w_i|z_i＝j)表示主題j在詞條w_i上的多項式分布，θ(i)＝P(z)表示發言d在主題上的多項式分布；參數φ和θ表示詞條與主題，主題與發言的關聯關系；T表示主題數目，C^WT和C^DT分別表示W×T和D×T維的計數矩陣，表示不包括當前詞條w_i的分配給主題j的詞條計數，表示不包括當前詞條w_i且主題j分配給發言d中相應詞條的計數，表示不包括當前詞條w的分配給主題j的詞條計數，表示不包括當前詞條w_i且主題t分配給發言d中相應詞條的計數，表示不包括當前詞條i的分配給主題j的詞條計數，表示不包括當前詞條k的分配給主題j的詞條計數，W為詞條的數目，D為發言的數目；

所述根據各主題的詞頻，確定所述子文本的主題，具體包括：

分別比較詞條概率P(z_j|w_i)與設定閾值TH_j、消息概率P(z_j|d_m)與設定閾值TH_j；

選擇大于所述設定閾值TH_j的詞條概率P(z_j|w_i)對應的詞條及大于所述設定閾值TH_j的消息概率P(z_j|d_m)對應的發言消息；

根據選擇出的詞條及發言消息，確定子文本的主題；

所述基于發言消息網絡，計算發言消息的影響力，具體包括：

通過社交網絡的入度特征分析方法，計算發言的數量要素量：

其中，發言消息網絡G_n為有向帶權圖，G_n＝(V_n,E_n,W_n)，節點集合V_n表示消息集合；邊集合En表示專家之間的回復關系；權重集合W_n表示在時間t_n內回復的頻率，d_u、d_v表示發言信息，W_n(d_v，d_u)表示在時間t_n內發言信息d_v與發言信息d_u的回復頻率；

通過社交網絡的出度特征分析方法，計算發言的范圍要素量：

其中，I(d_v,d_u)為指示函數，表示發言信息d_v與發言信息d_u是否存在關聯；

根據所述發言的數量要素量及范圍要素量，確定當前發言信息d_u的影響力S_n(d_u)：

其中，N_w和N_I為歸一化常量，平滑因子α₁決定數量要素量及范圍要素量在當前發明消息影響力S_n(d_u)中所占權重；

所述根據發言消息的影響力及消息的發布時間，計算所述主題的時效影響力，具體包括：

根據選擇出的發言消息，確定時間段t_n內屬于主題z_j的消息列表表示選擇出的發言消息，n表示時間劃段的段號，n＝1,2,…,N；

根據選擇出的發言消息，計算所述主題z_j的時效影響力S_n(z_j)：

其中，a_n表示時效權重，與發布的時間段t_n相關，λ為預先設定的參考量，取值為0≤λ≤1，表示發言信息的影響力；

所述根據主題影響力的時效性，確定主題的實時演化方向，具體包括：

計算任意相鄰時間段的兩個時序主題的相似度sim(z_j，z_j+1)：

其中，z_j,z_j+1為相鄰時間段的兩個時序主題，且對應的起始時間s(z_j)＜s(z_j+1)；P(w_i|z_j)為詞條w_i屬于主題z_j的概率；

比較所述相似度sim(z_j，z_j+1)與預先設定的相似度閾值ε大小：

當sim(z_j,z_j+1)＞ε時，則確定z_j與z_j+1之間發生了時序主題轉換，且z_j+1從z_j演化而來，表示為

當sim(z_j,z_j+1)≤ε時，則確定z_j與z_j+1為相同的時序主題；

將所檢測到的時序主題轉換情況沿時間方向組合，得到主題演化網絡。