[發明專利]一種網絡事件預警方法及系統

有效

• 申請號: 202010615515.8
• 申請日: 2020-06-30
• 公開（公告）號: CN111914152B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 郭巖;匡廣生;陳娟;郝長盈;余智華;劉悅;程學旗
• 申請（專利權）人: 中國科學院計算技術研究所
• 主分類號: G06F16/9532
• 分類號: G06F16/9532;G06F16/33;G06F16/35
• 代理公司: 北京律誠同業知識產權代理有限公司 11006
• 代理人: 祁建國

1.一種網絡事件預警方法，其特征在于，包括：

步驟1、獲取待輿情分析的事件集，該事件集合由描述同一事件的多個消息組成；

步驟2、通過時間窗口劃分該事件集，并利用分類模型得到各時間窗口內消息所處各事件類別的概率，用最大概率對應的事件類別作為當前時間窗口內消息的業務度，集合各時間窗口內消息的業務度作為該事件集的業務度向量；

步驟3、通過對各時間窗口內消息進行分詞處理，得到當前時間窗口內消息的突發詞集，根據該突發詞集中每個詞的突發度，得到當前時間窗口內消息的突發度，集合各時間窗口內消息的突發度作為該事件集的突發度向量；

步驟4、通過將各時間窗口內消息的用戶行為特征輸入至融合趨勢模型，得到關注度的零階與一階動力特性，作為當前時間窗口內消息的關注度，集合各時間窗口內消息的關注度作為該事件集的關注度向量；

步驟5、通過融合各時間窗口內消息的時變特征，分析時間窗口內消息的事件趨勢，得到當前時間窗口內消息的新鮮度，集合各時間窗口內消息的新鮮度作為該事件集的新鮮度向量；

步驟6、根據該新鮮度向量、該關注度向量、該突發度向量和該業務度向量，得到網絡場指標、信息場指標和社會場指標，將該網絡場指標、該信息場指標和該社會場指標垂直矢量相加，得到預警指標；

其中步驟6包括：步驟61、以該新鮮度向量和該突發度向量間的余弦相似度作為該網絡場指標，以該業務度向量中最近n個時間窗口的業務度的最大值、平均值或者z-score作為該信息場指標，以該關注度向量中最近n個時間窗口的關注度的最大值、平均值或者z-score作為該社會場指標，其中n為正整數；

該步驟4包括：

步驟41、通過下式得到當前時間窗口內消息的關注能量：

其中，a₁、a₂、a₃為權重，b為預設值,u_x為第x種用戶行為，u_x,t為當前時間窗口t內消息的用戶行為的統計量，u_x,max為當前時間窗口t內消息的歷史最大用戶行為統計量，u_x,inc為相對于上一個時間窗口的用戶行為統計量的增量；

步驟42、根據當前時間窗口內消息的該關注能量，得到當前時間窗口內該條消息的關注度：

focus_t＝d×focus_t-1+(1-d)×focus_local

這里，d為關注度傳播參數，focus_t-1為上一個時間窗口的關注度；

步驟43、取當前時間窗口內所有消息的關注度的最大或平均作為當前時間窗口內該事件集的基礎關注度focus_base；

步驟44、根據該條消息的關注度，得到預定時間段中各歷史時間窗口中各消息的關注度，進而得到各歷史時間窗口的關注度矢量，基于余弦相似度計算預設時段內所有相鄰兩個歷史時間窗口關注度矢量的矢量疊加結果，以最大矢量疊加結果，或平均矢量疊加結果，或z-score矢量疊加結果作為當前時間窗口內該事件集的關注度的修正項focus_correction；

步驟45、通過下式得到當前時間窗口內該事件集的關注度，其中α為預設權重：

focus＝focus_base+α×focus_correction；

該步驟3包括：

步驟31、對該突發詞集中每個詞，計算其消息頻率其中w為當前詞，t為當前時間窗口，通過下式得到每個詞的突發分數δ為在所有歷史時間窗口中的消息頻率的標準差：

步驟32、取消息中最大或者累加所有突發詞的突發度作為該條消息的突發度，取當前時間窗口內所有消息的突發度的最大或平均作為當前時間窗口內該事件集的基礎突發度burst_base；

步驟33、根據預定時間段中各歷史時間窗口中各消息的突發度，得到各時間窗口的突發度矢量，基于余弦相似度計算預設時段內所有相鄰兩個時間窗口突發度矢量的矢量疊加結果，以最大矢量疊加結果，或平均矢量疊加結果，或z-score矢量疊加結果作為當前時間窗口內該事件集的突發度的修正項burst_corection；

步驟34、通過下式得到當前時間窗口內該事件集的突發度，其中β為預設權重：

burst＝burst_base+β×burst_correction

該步驟5包括：

步驟51、預定觀察消息量的大小n，通過下式得到當前時間窗口內依次傳播n條消息的各子時間窗口的新鮮度，其中timeDiff為傳播n條消息需要的時間，minval為預設時間段內timeDiff的最小值：

fresh_subwindow＝1/(1+exp(timeDiff+(timeDiff-minval)))

步驟52、取當前時間窗口內最大fresh_subwindow作為當前時間窗口內事件集的相對突發度fresh_relative，并通過下式得到當前時間窗口內事件集的突發度，其中t_current為當前時刻，t_relative為該最大fresh_subwindow所在的子時間窗口，exp為歸一化處理：

fresh＝fresh_relative×exp(t_current-t_relative)。