[發明專利]互聯網數據分析方法、裝置、電子裝置及介質

在審

• 申請號: 202010776716.6
• 申請日: 2020-08-05
• 公開（公告）號: CN112000866A
• 公開（公告）日: 2020-11-27
• 發明（設計）人: 黃巍峰;范淵
• 申請（專利權）人: 杭州安恒信息技術股份有限公司
• 主分類號: G06F16/951
• 分類號: G06F16/951;G06F16/958;G06N20/00
• 代理公司: 杭州華進聯浙知識產權代理有限公司 33250
• 代理人: 聶磊

本申請涉及一種互聯網數據分析方法、電子裝置和存儲介質。該互聯網數據分析方法包括：從多個預設引擎中爬取與目標文本關聯的多個待分析的文本；按照預設解析規則對多個待分析的文本進行解析處理，得到多個待分析的文本的多個維度的關鍵要素；將多個維度的關鍵要素按預設方式進行排列，得到關鍵要素集群；在關鍵要素集群中挖掘所述目標文本的溯源信息。通過本申請，解決了相關技術中無法對熱點內容的源頭回溯和發現熱點內容的傳播途徑與擴散方式的問題，實現了基于關鍵要素分析獲知熱點內容源頭與其擴散途徑、有效協助網絡監管機構對網絡環境進行監管的有益效果。

技術領域

本申請涉及計算機技術領域，特別是涉及互聯網數據分析方法、裝置、電子裝置及存儲介質。

背景技術

近年來，互聯網在我國快速發展、迅速普及，日益成為人民群眾關注社會熱點事件和表達意見的重要渠道。隨著我國信息化建設加快推進，互聯網在為信息交流帶來方便的同時，也為互聯網敏感信息的傳播提供的便利。互聯網敏感信息一經出現就會引起網民的格外關注，進而產生巨大的輿論壓力。借助現代信息技術，網絡敏感信息的傳播方式、傳播速度、影響范圍里幾何級數增長，危害巨大，加強此類信息的有效監管，對確保我國構建和諧社會、創造良好的網絡文化環境具有重要意義。

現有互聯網數據分析技術立足于當下，常見于網絡監控機構防治即時情況下的熱點內容。但互聯網上存在海量數據，網絡監管機構或企業往往會在監管到一些熱點內容被迅猛傳播，但無法對該熱點內容的源頭回溯和發現該熱點內容的傳播途徑與擴散方式，無法對互聯網敏感信息進行有效防護。

目前針對相關技術中無法對熱點內容的源頭回溯和發現熱點內容的傳播途徑與擴散方式的問題，尚未提出有效的解決方案。

發明內容

本申請實施例提供了一種互聯網數據分析方法、裝置、電子裝置及存儲介質，以至少解決相關技術中無法對熱點內容的源頭回溯和發現熱點內容的傳播途徑與擴散方式的問題。

第一方面，本申請實施例提供了一種互聯網數據分析方法，包括：從多個預設引擎中爬取與目標文本關聯的多個待分析的文本；按照預設解析規則對所述多個待分析的文本進行解析處理，得到所述多個待分析的文本的多個維度的關鍵要素；將所述多個維度的關鍵要素按預設方式進行排列，得到關鍵要素集群；在所述關鍵要素集群中挖掘所述目標文本的溯源信息，其中，所述溯源信息至少包括所述目標文本的起源信息、傳播途徑信息。

在其中一些實施例中，從多個預設引擎中爬取與目標文本關聯的多個待分析的文本包括：獲取所述目標文本，并提取所述目標文本的數據信息，其中，所述數據信息至少包括標題、文本內容、關鍵詞；根據所述數據信息從所述多個預設引擎中爬取多個所述文本，其中，所述文本的數據信息包括所述目標文本的數據信息。

在其中一些實施例中，按照預設解析規則對所述多個待分析的文本進行解析處理，得到所述多個待分析的文本的多個維度的關鍵要素包括：利用多個維度的正則表達式對所述多個待分析的文本進行解析，得到所述多個待分析的文本的多個維度的關鍵要素，其中，所述多個維度包括時間維度、空間維度、用戶名維度、賬號維度。

在其中一些實施例中，所述多個維度的正則表達式包括：通過機器學習算法對預設目標文本庫進行訓練得到多種格式的正則表達式，其中，所述多種格式包括時間格式、空間格式、用戶名格式、賬號格式。

在其中一些實施例中，將所述多個維度的關鍵要素按預設方式進行排列，得到關鍵要素集群包括：

按第一要素對應的時間的先后順序對所述多個維度的關鍵要素進行排序，得到關鍵要素序列，其中，所述第一要素包括所述多個維度的關鍵要素中的時間要素；

在所述關鍵要素序列中檢測預設時間內的第二要素，聚合所述第二要素得到多個維度的關鍵要素集，其中，所述第二要素包括所述多個維度的關鍵要素其中一個所述關鍵要素；

組合所述多個維度的關鍵要素集，得到所述關鍵要素集群。