[發(fā)明專利]一種評(píng)價(jià)網(wǎng)絡(luò)言論社會(huì)責(zé)任感的模型及其創(chuàng)建方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010933551.9
• 申請(qǐng)日: 2020-09-08
• 公開（公告）號(hào): CN112052677A
• 公開（公告）日: 2020-12-08
• 發(fā)明（設(shè)計(jì)）人: 梁春雨
• 申請(qǐng)（專利權(quán)）人: 唐山師范學(xué)院
• 主分類號(hào): G06F40/289
• 分類號(hào): G06F40/289;G06F16/33;G06N3/04;G06N3/08;G06Q50/26
• 代理公司: 唐山科軒專利代理事務(wù)所(特殊普通合伙) 13146
• 代理人: 孔娟

一種評(píng)價(jià)網(wǎng)絡(luò)言論社會(huì)責(zé)任感的模型，所述模型是利用雙重篩選方法獲得的大量正負(fù)向樣本參與LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練構(gòu)建的數(shù)學(xué)模型。這種社會(huì)責(zé)任感評(píng)級(jí)模型及其構(gòu)建方法，應(yīng)用方便，模型通過輸入言論，得到該言論的社會(huì)責(zé)任感指數(shù)，通過指數(shù)判斷社會(huì)責(zé)任感強(qiáng)度；本模型能夠快速完成對(duì)大量言論做出較為準(zhǔn)確的社會(huì)責(zé)任感評(píng)價(jià)，在監(jiān)控網(wǎng)絡(luò)輿情、網(wǎng)絡(luò)言論管理等應(yīng)用上具有較強(qiáng)實(shí)用性。

技術(shù)領(lǐng)域

本發(fā)明涉及大數(shù)據(jù)分析領(lǐng)域，具體涉及一種基于大數(shù)據(jù)分析的評(píng)價(jià)網(wǎng)絡(luò)言論社會(huì)責(zé)任感的模型及其創(chuàng)建方法。

背景技術(shù)

拉扎斯菲爾德等在其著作提出的二級(jí)傳播理論強(qiáng)調(diào)大眾媒體信息經(jīng)過意見領(lǐng)袖的再加工往往更具說服力、更能讓普通民眾接受和相信。某些社會(huì)事件經(jīng)過網(wǎng)絡(luò)用戶，尤其是網(wǎng)絡(luò)意見領(lǐng)袖的再加工，通常更具有影響力。所以，有效評(píng)價(jià)網(wǎng)絡(luò)言論的社會(huì)責(zé)任感，對(duì)構(gòu)建積極和諧網(wǎng)絡(luò)環(huán)境具有重要的指導(dǎo)意義和實(shí)踐價(jià)值。

目前在社會(huì)責(zé)任的研究方面，眾多學(xué)者的關(guān)注點(diǎn)主要集中于針對(duì)企業(yè)社會(huì)責(zé)任的研究。而對(duì)個(gè)體言論的社會(huì)責(zé)任感評(píng)價(jià)方面，學(xué)者們涉及較少，且大都主要集中于如何培養(yǎng)和提高學(xué)生社會(huì)責(zé)任感方面，且研究多為定性研究，沒有使用基于大數(shù)據(jù)的定量統(tǒng)計(jì)方法對(duì)個(gè)人社會(huì)責(zé)任進(jìn)行研究和評(píng)價(jià)。學(xué)者在研究社會(huì)責(zé)任感方面主要集中于對(duì)企業(yè)社會(huì)責(zé)任感的研究，對(duì)個(gè)體社會(huì)責(zé)任感的研究較少且為某細(xì)分群體的定性研究。在定量研究個(gè)體言論社會(huì)責(zé)任感方面，相關(guān)成果還是空白，有關(guān)個(gè)人社會(huì)責(zé)任感方面的研究較少，其評(píng)價(jià)標(biāo)準(zhǔn)模糊，主觀性較強(qiáng)，缺乏成熟的相關(guān)領(lǐng)域的語料庫(kù)和標(biāo)注集用于構(gòu)建社會(huì)責(zé)任評(píng)價(jià)模型。另外，也有個(gè)別采用人工判斷的方法，由于人工判斷某些言論社會(huì)責(zé)任感費(fèi)時(shí)費(fèi)力，且個(gè)體在認(rèn)知言論的社會(huì)責(zé)任感方面存在較大差異，沒有固定標(biāo)準(zhǔn)。

發(fā)明內(nèi)容

本發(fā)明的發(fā)明目的在于創(chuàng)造一套可行的技術(shù)方法來構(gòu)建社會(huì)責(zé)任感評(píng)價(jià)模型，通過模型能夠較為精準(zhǔn)且定量、快速的完成大量言論的社會(huì)責(zé)任感評(píng)價(jià)。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用的技術(shù)方案是：一種評(píng)價(jià)網(wǎng)絡(luò)言論社會(huì)責(zé)任感的模型，所述模型利用雙重篩選方法獲得的大量正負(fù)向樣本參與LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練構(gòu)建的數(shù)學(xué)模型。

所述的正負(fù)向樣本包括正向文本和負(fù)向文本；正向文本和負(fù)向文本為非人工標(biāo)記樣本，是通過公開網(wǎng)絡(luò)分別抓取具有強(qiáng)烈的社會(huì)責(zé)任感的言論和沒有明顯的社會(huì)責(zé)任感的言論，再進(jìn)行二次篩選后獲得的樣本。

正向文本和負(fù)向文本包括初始正、負(fù)向文本和最終正、負(fù)向文本；初始正向文本和初始負(fù)向文本經(jīng)全連接神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到初始評(píng)價(jià)模型，根據(jù)初始評(píng)價(jià)模型判斷后，選取初始正向文本的前50%和初始負(fù)向文本的后50%構(gòu)成最終正向文本和最終負(fù)向文本，再作為最終樣本進(jìn)行LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到最終社會(huì)責(zé)任感評(píng)價(jià)模型。

一種評(píng)價(jià)網(wǎng)絡(luò)言論社會(huì)責(zé)任感的模型創(chuàng)建方法，包括以下步驟：

S1、分別選取相同數(shù)量的正、負(fù)向文本數(shù)據(jù)作為初始正負(fù)向文本，使用全連接神經(jīng)網(wǎng)絡(luò)構(gòu)建初始評(píng)價(jià)模型；

S2、將得到的初始評(píng)價(jià)模型應(yīng)用于初始正負(fù)向文本進(jìn)行社會(huì)責(zé)任指數(shù)預(yù)測(cè)，預(yù)測(cè)指數(shù)越高則社會(huì)責(zé)任感越強(qiáng)；

S3、根據(jù)預(yù)測(cè)結(jié)果，分別選取初始正向文本前50%的言論和初始負(fù)向文本后50%的言論作為最終正、負(fù)向文本；

S4、將得到的最終正、負(fù)向文本使用 LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；構(gòu)建最終模型。

步驟S1中：選定初始正負(fù)向文本后，將初始正、負(fù)向文本數(shù)據(jù)使用結(jié)巴分詞系統(tǒng)在精確模式下進(jìn)行分詞處理，將分詞后的結(jié)果與預(yù)訓(xùn)練的密集詞向量集合進(jìn)行匹配，得到樣本數(shù)據(jù)詞向量矩陣；

在初始評(píng)價(jià)模型訓(xùn)練前將所述樣本數(shù)據(jù)詞向量矩陣作為輸入層導(dǎo)入兩層全連接神經(jīng)網(wǎng)絡(luò)，采用ReLU激活函數(shù)，神經(jīng)元個(gè)數(shù)分別為256，32；在每一層后加入值為0.3的Dropout層。