[發明專利]輿情情感熱度計算方法及裝置

在審

• 申請號: 202110360861.0
• 申請日: 2021-04-02
• 公開（公告）號: CN112860902A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 廖智
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/289;G06F40/30;G06K9/62
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 任默聞;王濤

本發明提供了一種輿情情感熱度計算方法及裝置，涉及數據分析領域，可應用于金融領域和其他領域，所述方法具體包含：獲取預定網頁上與待分析的信用卡相關的數據資源和動態信息；對所述數據資源進行文本清洗和特征抽取并轉換為詞向量矩陣；根據所述詞向量矩陣和預設的情感分析模型分析獲得各文本的情感類別信息；將所述情感類別信息和所述動態信息帶入預設的量化函數中獲得輿情情感熱度值。

技術領域

本發明涉及數據分析領域，可應用于金融領域和其他領域，尤指一種輿情情感熱度計算方法及裝置。

背景技術

新聞、論壇、自媒體等是客戶日常生活中最常接觸的資訊來源，也揭示著產品的大眾口碑，尤其是信用卡領域，網絡上存在各種關于信用卡使用方面的評價。搜集、處理、洞察口碑和情緒已經成為各個銀行了解信用卡客戶的重要步驟，負面信息更是成為輿論監測的核心價值點，預警負面信息顯得必要且迫切。網絡上實現輿情預警的通用方法為：通過網絡爬蟲技術對相關網站上符合主題的原始數據進行爬取，然后通過預處理模塊對獲取到的數據進行去重、消噪及特征提取，最后利用數據挖掘的方法實現文本分類，從而實現網絡輿情的分析和預警。伴隨著深度神經網絡的發展，文本分類從機器學習的方法擴展到卷積神經網絡、循環神經網絡、生成對抗網絡等，取得了一定的成果。但是目前輿情分析的重點多在于輿情信息的好壞分類，沒有結合到該輿情的情感熱度和擴散速度，更難以將輿情熱度量化成指標供預警分析中使用。

發明內容

本發明目的在于針對網絡文本分類環節中沒有考慮輿情熱度的弱點，提供一種輿情情感熱度計算方法及裝置，予以根據動態信息的重要性程度給出文本信息的熱度，結合情緒分類和信息熱度給出一種快速計算綜合得分的方法。

為達上述目的，本發明所提供的輿情情感熱度計算方法，具有包含：獲取預定網頁上與待分析的信用卡相關的數據資源和動態信息；對所述數據資源進行文本清洗和特征抽取并轉換為詞向量矩陣；根據所述詞向量矩陣和預設的情感分析模型分析獲得各文本的情感類別信息；將所述情感類別信息和所述動態信息帶入預設的量化函數中獲得輿情情感熱度值。

在上述輿情情感熱度計算方法中，優選的，所述方法還包含：獲取所述數據資源中各條文本信息中的表情信息；根據所述表情信息和文本內容對所述文本信息進行情感類別標注；以所述文本信息及對應的情感類別作為輸出數據，以所述詞向量矩陣作為輸入數據訓練LSTM模型獲得情感分析模型。

在上述輿情情感熱度計算方法中，優選的，根據所述表情信息和文本內容對所述文本信息進行情感類別標注包含：根據所述表情信息對應文本信息中的出現頻率，根據所述出現頻率和預存的各表情信息對應的情感類別獲得表情情感信息；通過文本分析算法分析所述文本內容的傾向情感信息；根據所述表情情感信息和所述傾向情感信息對所述文本信息進行情感類別標注。

在上述輿情情感熱度計算方法中，優選的，獲取預定網頁上與待分析的信用卡相關的數據資源包含：通過爬蟲技術獲取預定網頁上與待分析的信用卡相關的數據資源及所述數據資源的鏈接地址；通過所述鏈接地址按預設周期采集最新動態的數據資源。

在上述輿情情感熱度計算方法中，優選的，所述文本清洗包含：去噪處理、中文分詞處理和停用詞處理；所述去噪處理包含參考正則表達式去除所述數據資源中各文本信息內的噪聲信息；所述中文分詞處理包含根據結巴分詞工具對各文本信息逐個分詞；所述停用詞處理包含通過預設的停用詞表過濾掉各文本信息中的停用詞。

在上述輿情情感熱度計算方法中，優選的，所述特征提取包含：通過Word2Vec模型將文本清洗過后的詞文本轉化為詞向量，根據所述數據資源中各文本信息對應的詞向量生成詞向量矩陣。

在上述輿情情感熱度計算方法中，優選的，將所述情感類別信息和所述動態信息帶入預設的量化函數中獲得輿情情感熱度值包含：根據所述動態信息獲得預存的權值系數；通過所述權值系數調整所述量化函數，利用調整后的所述量化函數、所述情感類別信息和所述動態信息計算獲得所述動態信息對應的文本信息的輿情情感熱度值。