[發明專利]基于知識圖譜的自動化事件標記與分類方法

有效

• 申請號: 202011417045.0
• 申請日: 2020-12-07
• 公開（公告）號: CN112487306B
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 王曉玲;趙鑫;袁佳豪;王韻弘
• 申請（專利權）人: 華東師范大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9537;G06F16/951;G06F16/36;G06F16/35;G06F40/289
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于知識圖譜的自動化事件標記與分類方法，其特征在于，包括以下步驟：

S1：根據實際需要設置N個領域類別，分別收集每個領域類別的文本數據并構建知識圖譜G_n，n＝1,2…,N；

S2：預設時間窗口T，爬取該時間窗口內社交媒體中發布的各個文本數據，對每個文件數據進行關鍵短語提取，將所提取到的關鍵短語構成關鍵短語集合A；分別計算關鍵短語集合A中的每個關鍵短語s的突發程度W_s，計算公式如下：

W_s＝p_s×log(u_s)×log(r_s)×log(log(f_s))

其中，p_s表示時間窗口T內關鍵短語s的突發概率，u_s表示時間窗口T內使用過關鍵短語s的用戶數量，r_s表示時間窗口T內包含關鍵短語s的文本被轉發的次數，f_s表示時間窗口T內使用關鍵短語s的用戶的關注數目總和；

將所有關鍵短語按照突發程度從高到低進行排序，選擇前K個關鍵短語作為突發短語加入突發短語集合B；

S3：將時間窗口T平均劃分為M個連續不相交的子時間窗口，記第m個子時間窗口為T_m，對于每個突發短語e，e∈B，統計每個子時間窗口T_m內包含該突發短語e的文本集合text(e,m)和文本數量f₁(e,m)，以及整個時間窗口T內包含該突發短語e的文本數量f₂(e)，計算每個突發短語e在子時間窗口T_m所占比例d(e,m)＝f₁(e,m)/f₂(e)；

記兩個突發短語分別為e_a、e_b，首先分別計算文本集合text(e_a,m)和文本集合text(e_b,m)之間的相似度sim(text(e_a,m),text(e_b,m))，然后采用以下公式計算兩個突發短語的相似度S(e_a,e_b)：

根據突發短語間的相似度對突發短語進行聚類，得到K個突發短語簇C_k，k＝1,2,…,K，每個突發短語簇C_k即為時間窗口T內的一個突發事件；

S4：對于突發短語簇C_k所對應的突發事件，根據步驟S1所構建的各個領域類別知識圖譜G_n所涵蓋的文本數據，計算突發短語簇C_k中每個突發短語v在各個領域類別知識圖譜G_n上的TF-IDF得分score(v,n)，再進行求和得到突發短語簇C_k所對應突發事件在各個領域類別知識圖譜G_n上的TF-IDF得分score(k,n)：

S5：預先設定TF-IDF得分閾值對于突發短語簇C_k所對應的突發事件，如果其在領域類別知識圖譜G_n上的TF-IDF得分score(k,n)大于閾值則將該突發事件標記為該領域類別，從而確定事件的標記和分類。

2.根據權利要求1所述的自動化事件標記與分類方法，其特征在于，所述步驟S3中文本集合相似度采用TF-IDF相似度，計算方法包括以下步驟：

1)分別對兩個文本集合進行分詞，對得到的兩個單詞集合進行合并得到單詞集合φ；

2)對于單詞集合φ中的每個單詞，分別計算該單詞在兩個文本集合中的TF-IDF值p_i,1、p_i,2，i＝1,2,…,|φ|，|φ|表示單詞集合φ中單詞數量；

3)根據每個單詞的TF-IDF值構建得到每個文本集合對應的TF-IDF向量P₁＝(p_1,1,p_2,1,…p_|φ|,1)、P₂＝(p_1,2,p_2,2,…p_|φ|,2)；

4)計算兩個文本集合對應的TF-IDF向量之間的余弦相似度，即作為文本集合之間的相似度。

3.根據權利要求1所述的自動化事件標記與分類方法，其特征在于，所述步驟S3中突發短語的聚類采用Jarvis－Patrick聚類算法。