CN114861027B - 一种基于大数据及自然语言处理的多维度舆情推荐方法 - Google Patents
一种基于大数据及自然语言处理的多维度舆情推荐方法 Download PDFInfo
- Publication number
- CN114861027B CN114861027B CN202210483561.6A CN202210483561A CN114861027B CN 114861027 B CN114861027 B CN 114861027B CN 202210483561 A CN202210483561 A CN 202210483561A CN 114861027 B CN114861027 B CN 114861027B
- Authority
- CN
- China
- Prior art keywords
- public opinion
- scoring
- data
- classification
- keywords
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003058 natural language processing Methods 0.000 title claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于大数据及自然语言处理的多维度舆情推荐方法，包括数据采集、数据接入、数据清洗、舆情评分、舆情推荐、舆情展示，本发明技术方案使用户快速获取符合要求的高质量舆情信息，提高舆情分析的效率。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种基于大数据及自然语言处理的多维度舆情推荐方法。
背景技术
在大数据时代，互联网上存在海量的数据，对于海量的数据如何进行舆情推荐是现在企业的重要研究议题。常见的舆情推荐处理技术有简单正则表达式规则采集过滤、文本的模式匹配、情感分析、文本相似度等，但是，现有基于规则匹配或者纯粹关键词匹配的推荐技术存在的准确率低。
因此，现有技术存在缺陷，需要改进。
发明内容
本发明的主要目的是提出一种基于大数据及自然语言处理的多维度舆情推荐方法，旨在使用户快速获取符合要求的高质量舆情信息，提高舆情分析的效率。
为实现上述目的，本发明提出的一种基于大数据及自然语言处理的多维度舆情推荐方法，包括如下步骤：
S1：利用互联网爬虫技术爬取互联网舆情数据，并将爬取的数据保存到数据库mysql中；
S2：采用大数据技术实时采集技术Flink cdc，实时从mysql中读取全量和增量数据，从网页内容提取网页的主题、内容、发布日期，保存到大数据集群Hive数据库中；
S3：从关键词表中读取用户设定的多种关键词匹配方法，按照模式匹配的方法，解析每种关键词匹配方法，与Hive数据中每条记录的内容做匹配；只要符合其中一种，即可认为该内容符合关键词匹配，将匹配到的数据保存到清洗的结果数据库中；
S4：进行舆情打分，包括舆情分类打分、舆情关键词打分、舆情媒体打分，并将舆情分类得分值、舆情关键词得分值、舆情媒体得分值通过算法公式进行计算，得到舆情总评分；算法公式为
其中，为舆情总评分，/>为舆情分类得分值，/>为舆情关键词得分值，/>为舆情媒体得分值，/>为舆情分类的权值系数，/>为舆情关键词的权值系数；将分数划分为阶梯区间，/>，/>为舆情重要程度阈值；
S5：将舆情总评分、舆情分类类别等维度进行筛选排序进行结果推荐；使用舆情分类类别将推荐数据进行筛选，使用总评分进行排序，推荐给前端展示。
优选地，步骤S1中，存储的数据结构包括日期、网页的URL、网页内容。
优选地，舆情分类打分具体包括：
通过深度学习技术，将文本内容进行多分类操作；
使用数据标注软件对分类数据进行标注，对每一条数据都进行数据标注得到分类训练数据；
选择分类模型设置不同参数对分类训练数据进行模型训练；
将分类模型进行部署，可以部署为一个推理接口，对舆论文本进行预测，接口会返回一个分类的类别与该类别的概率；
将预测后的舆情文本类别、类别概率中筛选概率高于一个设定阈值的文本及标签作为以后优化分类模型的训练数据；
使用计算舆情分类的得分值；
其中为舆情分类得分值，/>为某类别的得分值，/>为分类模型预测为该分类的概率值。
优选地，舆情关键词打分具体包括：
给出关键词表，对舆情文本进行关键词匹配；
获取舆情文本所有匹配的关键词后，计算所述关键词的得分。
优选地，计算所述关键词的得分具体包括：设置一个关键词逆密度，为文本长度 /关键词得分：
其中为关键词逆密度，/>为文本长度，/>为关键词的分数的总和；
经分析关键词逆密度设置两个阈值（）之间为正常舆情文本；
该分析方式可以画出散点图，纵坐标为关键词逆密度，横坐标为排序后的序号；去除掉离群数值后的截取一段正常文本，得到两个边界作为阈值：
其中为判断是否为正常文本因子，/>分别为正常文本的边界阈值；
设置阶梯阈值对关键词得分进行系数惩罚，进过分析关键词逆密度分布，设置，阈值；
该分析方法为画出直方图，横坐标为关键词逆密度, 纵坐标为关键词逆密度进行分桶操作的数值；
根据逆密度对分数进行惩罚性系数相乘，密度越高的文本，越推荐；
其中为逆密度惩罚因子，/>分别为正常文本的边界阈值，/>，/>为阶梯惩罚阈值；
关键词评分总得分计算公式：
其中为舆情关键词得分值，/>为关键词的得分的总和，/>为判断是否为正常文本因子，/>为逆密度惩罚因子。
优选地，舆情媒体打分具体包括：
其中为舆情媒体得分值，/>为媒体置信度值。
与现有技术相比，本发明的有益效果是：利用大数据及自然语言处理技术，在基于关键词的评分算法基础上，综合文本分类等多个维度舆情信息进行综合评价和推荐。能够使用户快速获取符合要求的高质量舆情信息，而且推荐准确率要比已有的技术更高，从而提高舆情分析的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明整体方法流程示意图；
图2为本发明舆情分类评分流程示意图；
图3为本发明舆情关键词评分流程示意图；
图4为本发明舆情总评分流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
本实施例提出的一种基于大数据及自然语言处理的多维度舆情推荐方法，包括如下步骤：
S1：利用互联网爬虫技术爬取互联网舆情数据，并将爬取的数据保存到数据库mysql中；存储的数据结构为日期、网页的URL、网页内容等。
S2：采用大数据技术实时采集技术Flink cdc，实时从mysql中读取全量和增量数据，从网页内容提取网页的主题(从html的<h>、<title>中提取）、内容（从html的<body>、<text>、<textarea>等）、发布日期，保存到大数据集群Hive数据库中；
S3：从关键词表中读取用户设定的多种关键词匹配方法，按照模式匹配的方法（内容同时包含一个或多个文字，或者只包含其中一个文字。例如a+b-c，同时匹配a和b，但不包含c），解析每种关键词匹配方法，与Hive数据中每条记录的内容做匹配（匹配方法按照模式匹配的要求，查询内容是否包含一个或多个关键词）；只要符合其中一种，即可认为该内容符合关键词匹配，将匹配到的数据保存到清洗的结果数据库中；
S4：进行舆情打分，包括舆情分类打分、舆情关键词打分、舆情媒体打分，并将舆情分类得分值、舆情关键词得分值、舆情媒体得分值通过算法公式进行计算，得到舆情总评分；算法公式为
其中，为舆情总评分，/>为舆情分类得分值，/>为舆情关键词得分值，/>为舆情媒体得分值，/>为舆情分类的权值系数，/>为舆情关键词的权值系数；将分数划分为阶梯区间，/>，/>为舆情重要程度阈值；
S5：将舆情总评分、舆情分类类别等维度进行筛选排序进行结果推荐；使用舆情分类类别将推荐数据进行筛选，使用总评分进行排序，推荐给前端展示。
具体地，舆情分类打分的目的是将文本内容进行分类处理，分类为不同主题的类别。不同类别会给予不同的分值，将此两个字段存入数据库。将类别与被识别为该类别的概率作为评分依据。
通过深度学习技术，将文本内容进行多分类操作，如图2所示，深度学习文本多分类操作是有监督学习，需要事先准备大量已标注好的数据，已标注的数据是对于每一条数据都对应有一条标签，对于文本多分类任务，标注数据的数据为文本内容，标签为分类任务的类别之一。
使用数据标注软件对分类数据进行标注，对每一条数据都进行数据标注得到分类训练数据。
分类模型可以选择很多，TextCNN、TextRNN、TextRCNN、FastText、BERT、ALBERT等分类模型都可以作为分类器，使用上述文本分类器、设置不同参数对分类训练数据进行模型训练，根据评价指标F1、模型大小以及推理时间对模型及参数进行模型选优，最终选择TextCNN模型对文本进行多分类。构建深度学习模型的方式使用深度学习框架pytorch，将文本进行编码，embedding层使用pytorch的torch.nn.Embedding层对文本进行词嵌入，CNN层使用pytorch的torch.nn.Conv1d层对词嵌入进行卷积操作，拼接操作使用pytorch的torch.cat操作，线性层使用pytorch的torch.nn.Linear层进行全连接操作，使用pytorch的torch.nn.Dropout对tensor进行随机丢弃。可使用GPU对模型进行梯度下降训练。
将TextCNN模型进行部署，可以部署为一个推理接口，对舆论文本进行预测，接口会返回一个分类的类别与该类别的概率。
将预测后的舆情文本类别、类别概率中筛选概率高于一个阈值（可设置为80%）的文本及标签作为以后优化分类模型的训练数据。这个数据可通过人工审核提高准确率。这个正反馈过程可以提高分类模型的准确率。
最后使用计算舆情分类的得分。
其中为舆情分类得分值，/>为某类别的得分值，/>为分类模型预测为该分类的概率值。
舆情关键词打分首先给出关键词表，关键词表中含有字段`关键词`、`分数`。在文本中查找出所有的关键词，根据查找出来的所有关键词与关键词分数作为评分依据，关键词打分流程如图3所示。
关键词匹配算法使用ac自动机，ac自动机使用Trie树与KMP算法结合，Trie树也是字典树，是一种特殊的前缀树结构，核心是使用空间换取时间，利用字符串的公共前缀来降低查询时间的开销以达到高效率的目的。将所有的关键词放入Trie树，对文本进行匹配时，从目标串从头逐个开始，在ac自动机中进行匹配，匹配上则计数，若未匹配上则转跳失陪位置进行尝试匹配，直到全部匹配完成。
获取到舆情文本所有匹配到的关键词后，需要计算这些关键词的得分，长文本可能会匹配到更多的关键词，关键词的评分如果使用线性的或者单调递增的函数会存在偏好长文本的问题，所以需要设计一种算法来平衡文本长度与关键词得分的关系。
设计一个关键词逆密度概念, 文本长度 / 关键词得分。
其中为关键词逆密度，/>为文本长度，/>为关键词的分数的总和。
关键词逆密度能反映该文本是否为正常文本, 经分析关键词逆密度设置两个阈值（）之间为正常舆情文本。
该分析方式可以画出散点图，纵坐标为关键词逆密度, 横坐标为排序后的序号；去除掉离群数值后的截取一段正常文本，得到两个边界作为阈值。
其中为判断是否为正常文本因子，/>分别为正常文本的边界阈值。
设置阶梯阈值对关键词得分进行系数惩罚，进过分析关键词逆密度分布，设置，阈值。
该分析方法为画出直方图，横坐标为关键词逆密度, 纵坐标为关键词逆密度进行分桶操作的数值。
根据逆密度对分数进行惩罚性系数相乘, 效果是密度越高的文本, 越推荐.
其中为逆密度惩罚因子，/>分别为正常文本的边界阈值。/>，/>为阶梯惩罚阈值。
关键词评分总得分计算公式:
其中为舆情关键词得分值，/>为关键词的得分的总和，/>为判断是否为正常文本因子，/>为逆密度惩罚因子。
对于舆情文本, 若关键词逆密度在正常范围中, 匹配到关键词越多, 分值越大。
舆情媒体打分是将数据采集时获得的媒体信息作为评分的依据。不同的媒体置信度不一样，有些严肃媒体的消息来源可信度会较高，非严肃媒体的消息来源可信度会较低。基于这个维度，我们设计媒体数据库，字段可加入媒体来源、媒体置信度值等。
其中为舆情媒体得分值，/>为媒体置信度值。
舆情整体打分中，整体的打分是将舆情分类打分、舆情关键词打分、舆情媒体打分等多个维度通过算法公式综合评分为一个最终分数。
整体总评分流程如图4所示，首先分析各维度的取值范围，例如舆情分类维度的期望值为所有分类类别的分值的平均值，舆情关键词维度的期望值为文本长度中位数的关键词得分期望值。将各维度的期望值使用权值系数进行均值平衡。
整体舆情得分算法：
其中为舆情总评分，/>为舆情分类得分值，/>为舆情关键词得分值，/>为舆情媒体得分值，/>为舆情分类的权值系数，/>为舆情关键词的权值系数。
将分数划分为阶梯区间，,/>为舆情重要程度阈值。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (3)
1.一种基于大数据及自然语言处理的多维度舆情推荐方法，其特征在于，包括如下步骤：
S1：利用互联网爬虫技术爬取互联网舆情数据，并将爬取的数据保存到数据库 mysql中；
S2：采用大数据技术实时采集技术Flink cdc，实时从mysql中读取全量和增量数据，从网页内容提取网页的主题、内容、发布日期，保存到大数据集群Hive数据库中；
S3：从关键词表中读取用户设定的多种关键词匹配方法，按照模式匹配的方法，解析每种关键词匹配方法，与Hive数据中每条记录的内容做匹配；只要符合其中一种，即可认为该内容符合关键词匹配，将匹配到的数据保存到清洗的结果数据库中；
S4：进行舆情打分，包括舆情分类打分、舆情关键词打分、舆情媒体打分，并将舆情分类得分值、舆情关键词得分值、舆情媒体得分值通过算法公式进行计算，得到舆情总评分；算法公式为，
其中，为舆情总评分，/>为舆情分类得分值，/>为舆情关键词得分值，/>为舆情媒体得分值，/>为舆情分类的权值系数，/>为舆情关键词的权值系数；将分数划分为阶梯区间，， />为舆情重要程度阈值；
S5：将舆情总评分、舆情分类类别进行筛选排序进行结果推荐；使用舆情分类类别将推荐数据进行筛选，使用总评分进行排序，推荐给前端展示；
舆情分类打分具体包括：
通过深度学习技术，将文本内容进行多分类操作；
使用数据标注软件对分类数据进行标注，对每一条数据都进行数据标注得到分类训练数据；
选择分类模型设置不同参数对分类训练数据进行模型训练；
将分类模型进行部署，可以部署为一个推理接口，对舆论文本进行预测，接口会返回一个分类的类别与该类别的概率；
将预测后的舆情文本类别、类别概率中筛选概率高于一个设定阈值的文本及标签作为以后优化分类模型的训练数据；
使用 计算舆情分类的得分值；
其中为舆情分类得分值，/>为某类别的得分值，/>为分类模型预测为该分类的概率值；
舆情关键词打分具体包括：
给出关键词表，对舆情文本进行关键词匹配；
获取舆情文本所有匹配的关键词后，计算所述关键词的得分；
舆情媒体打分具体包括：，
其中为舆情媒体得分值，/>为媒体置信度值。
2.如权利要求1所述的基于大数据及自然语言处理的多维度舆情推荐方法，其特征在于，步骤S1中，存储的数据结构包括日期、网页的URL、网页内容。
3.如权利要求1所述的基于大数据及自然语言处理的多维度舆情推荐方法，其特征在于，计算所述关键词的得分具体包括：设置一个关键词逆密度，为文本长度 / 关键词得分：
，
其中 为关键词逆密度，/>为文本长度，/>为关键词的分数的总和；
经分析关键词逆密度设置两个阈值（）之间为正常舆情文本；
该分析方式可以画出散点图，纵坐标为关键词逆密度，横坐标为排序后的序号；去除掉离群数值后的截取一段正常文本，得到两个边界作为阈值：
，
其中为判断是否为正常文本因子，/> 分别为正常文本的边界阈值；
设置阶梯阈值对关键词得分进行系数惩罚，进过分析关键词逆密度分布，设置，/>阈值；
该分析方法为画出直方图，横坐标为关键词逆密度, 纵坐标为关键词逆密度进行分桶操作的数值；
根据逆密度对分数进行惩罚性系数相乘，密度越高的文本，越推荐；
，
其中为逆密度惩罚因子， /> 分别为正常文本的边界阈值，/>，/>为阶梯惩罚阈值；
关键词评分总得分计算公式：
，
其中为舆情关键词得分值，/>为关键词的得分的总和，/>为判断是否为正常文本因子，/>为逆密度惩罚因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210483561.6A CN114861027B (zh) | 2022-04-29 | 2022-04-29 | 一种基于大数据及自然语言处理的多维度舆情推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210483561.6A CN114861027B (zh) | 2022-04-29 | 2022-04-29 | 一种基于大数据及自然语言处理的多维度舆情推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114861027A CN114861027A (zh) | 2022-08-05 |
| CN114861027B true CN114861027B (zh) | 2024-06-18 |
Family
ID=82635162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210483561.6A Active CN114861027B (zh) | 2022-04-29 | 2022-04-29 | 一种基于大数据及自然语言处理的多维度舆情推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114861027B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190318407A1 (en) * | 2015-07-17 | 2019-10-17 | Devanathan GIRIDHARI | Method for product search using the user-weighted, attribute-based, sort-ordering and system thereof |
| CN108959383A (zh) * | 2018-05-31 | 2018-12-07 | 平安科技（深圳）有限公司 | 网络舆情的分析方法、装置及计算机可读存储介质 |
| CN109145215B (zh) * | 2018-08-29 | 2023-11-07 | 中国平安保险(集团)股份有限公司 | 网络舆情分析方法、装置及存储介质 |
| CN109933656B (zh) * | 2019-03-15 | 2023-08-15 | 深圳市赛为智能股份有限公司 | 舆情极性预测方法、装置、计算机设备及存储介质 |
| CN112650848A (zh) * | 2020-12-30 | 2021-04-13 | 交控科技股份有限公司 | 基于文本语义相关乘客评价的城铁舆情信息分析方法 |
| CN113569118B (zh) * | 2021-06-30 | 2023-12-22 | 深圳市东信时代信息技术有限公司 | 自媒体推送方法、装置、计算机设备及存储介质 |
-
2022
- 2022-04-29 CN CN202210483561.6A patent/CN114861027B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| Shailendra Kumar Singh.etc.SentiVerb system: classification of social media text using sentiment analysis.《Multimedia Tools and Applications》.2019,全文. * |
| 基于多维度的公安舆情分析模型构建;王浩;;情报探索;20200315(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114861027A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492157B (zh) | 基于rnn、注意力机制的新闻推荐方法及主题表征方法 | |
| CN106649260B (zh) | 基于评论文本挖掘的产品特征结构树构建方法 | |
| CN107229668B (zh) | 一种基于关键词匹配的正文抽取方法 | |
| CN103544255B (zh) | 基于文本语义相关的网络舆情信息分析方法 | |
| CN112256939B (zh) | 一种针对化工领域的文本实体关系抽取方法 | |
| CN107315738B (zh) | 一种文本信息的创新度评估方法 | |
| CN102831184B (zh) | 根据对社会事件的文字描述来预测社会情感的方法及*** | |
| CN103903164B (zh) | 基于领域信息的半监督方面自动提取方法及其*** | |
| CN110825877A (zh) | 一种基于文本聚类的语义相似度分析方法 | |
| CN112861990B (zh) | 一种基于关键词和实体的主题聚类方法、设备及计算机可读存储介质 | |
| CN107885793A (zh) | 一种微博热点话题分析预测方法及*** | |
| CN112035658B (zh) | 基于深度学习的企业舆情监测方法 | |
| CN110543564B (zh) | 基于主题模型的领域标签获取方法 | |
| CN107844533A (zh) | 一种智能问答***及分析方法 | |
| CN114048305B (zh) | 一种基于图卷积神经网络的行政处罚文书的类案推荐方法 | |
| Rashid et al. | Feature level opinion mining of educational student feedback data using sequential pattern mining and association rule mining | |
| CN106776672A (zh) | 技术发展脉络图确定方法 | |
| Hidayat et al. | Automatic text summarization using latent Drichlet allocation (LDA) for document clustering | |
| CN115017303A (zh) | 基于新闻文本进行企业风险评估的方法、计算设备和介质 | |
| CN114265935A (zh) | 一种基于文本挖掘的科技项目立项管理辅助决策方法及*** | |
| CN115952292B (zh) | 多标签分类方法、装置及计算机可读介质 | |
| CN115017903A (zh) | 文档层次结构联合全局局部信息抽取关键短语方法及*** | |
| CN115329085A (zh) | 一种社交机器人分类方法及*** | |
| CN112395862A (zh) | 一种基于数据挖掘的环境风险感知评价方法 | |
| CN112434163A (zh) | 风险识别方法及模型构建方法、装置、电子设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |