一种舆情监控方法及存储介质技术

一种舆情监控方法及存储介质，其中方法包括如下步骤，S1、建设预处理的文本语料库；S2、搭建构建分类网络模型，包括以下结构：词嵌入层，将输入的半结构化语料进行词嵌入训练，将语料转化为结构化向量；第一转换层，所述第一转换层用于获取词向量的上下文信息并传入下一层；第二转换层，所述第二转换层用于获取所述第一转换层的输出，并对所述第一转换层的输出进行self

【技术实现步骤摘要】
一种舆情监控方法及存储介质


[0001]本专利技术涉及语义识别处理领域，尤其涉及一种人工智能自动进行舆情监控的方法及装置。

技术介绍

[0002]舆情是“舆论情况”的简称，是指在一定的社会空间内，围绕事件的发生、发展和变化，群众对其产生和持有的社会态度。网络舆情是社会舆情在互联网空间的映射，是社会舆情的直接反映。网络舆情主要以网络为载体，事件为核心，是广大网民情感、态度、意见、观点的表达。
[0003]随着互联网信息量的不断增大，搭建舆情数据中台对网民舆情的提取、归纳也成为了高效处理互联网信息的重要方案手段。网络传媒作为一种新的信息传播方式，深入人们的日常生活。网民的言论活跃已达到很高的程度，不论是国内还是国际重大事件，都能马上形成网上舆论，通过网络来表达观点、传播思想，进而形成舆论压力，对任何部门、机构都是无法忽视的。舆情数据中台系统针对互联网类新兴媒体，通过中台分析系统，相关部门可以及时了解网络舆情动态，关注网络舆情的状态，从而产生舆情预警，及时纠正或引导网络上的负面舆情影响，或是得到舆情的整体状况，从而根据舆情状况修改决策。

技术实现思路

[0004]为此，需要提供一种能够进行舆情监控的方法，从而更好地进行大数据过程中语义识别的技术效果。
[0005]为实现上述目的，专利技术人提供了一种舆情监控方法，包括如下步骤，
[0006]S1、建设预处理的文本语料库；
[0007]S2、搭建构建分类网络模型，包括以下结构：
[0008]词嵌入层，将输入的半结构化语料进行词嵌入训练，将语料转化为结构化向量；
[0009]第一转换层，所述第一转换层用于获取词向量的上下文信息并传入下一层；
[0010]第二转换层，所述第二转换层用于获取所述第一转换层的输出，并对所述第一转换层的输出进行self
‑
attention计算后传入下一层；
[0011]双向LSTM层，用于获得词向量的上下文信息并输出；
[0012]向量跳远连接层，用于将所述第一转换层和所述第二转换层的输出与双向LSTM网络的输出进行拼接，使用可训练的权重进行加权融合；
[0013]单向LSTM层，接收加权融合后的向量；
[0014]最大池化层，使用最大池化方式对矩阵向量降维；
[0015]Softmax层，输出分类结果；
[0016]S3、将所述构建好的文本语料库送入所述分类网络模型，对所述分类网络模型进行训练和优化；
[0017]S4、基于训练完成的所述分类网络模型，对所述舆情数据进行计算分析，输出其文
本情感、态度、分类标签。
[0018]在一些具体的实施例中，所述词嵌入层的输入为(64,100,1)的训练数据，将每个分词表征为128维的词向量，该层输出为(64,128,128)的向量。
[0019]在一些具体的实施例中，所述第一转换层的输入为(64,128,128)的向量，参数设置为：encoder：数量为6，head：数量设为8，特征数量为128，该层输出为(64,128,128)的向量。
[0020]在一些具体的实施例中，所述第二转换层的输入为(64,128,128)的向量，参数设置为：encoder：数量为6，head：数量设为8，特征数量为128，该层输出为(64,128,128)的向量。
[0021]在一些具体的实施例中，所述向量跳远连接层用于将所述双向LSTM输出与所述第一转换层的输出和所述第二转换层的输出进行拼接，输出为(64,128,512)的向量。
[0022]一种舆情监控存储介质，存储有计算机程序，所述计算机程序在被运行时将执行包括如下步骤，
[0023]S1、建设预处理的文本语料库；
[0024]S2、搭建构建分类网络模型，包括以下结构：
[0025]词嵌入层，将输入的半结构化语料进行词嵌入训练，将语料转化为结构化向量；
[0026]第一转换层，所述第一转换层用于获取词向量的上下文信息并传入下一层；
[0027]第二转换层，所述第二转换层用于获取所述第一转换层的输出，并对所述第一转换层的输出进行self
‑
attention计算后传入下一层；
[0028]双向LSTM层，用于获得词向量的上下文信息并输出；
[0029]向量跳远连接层，用于将所述第一转换层和所述第二转换层的输出与双向LSTM网络的输出进行拼接，使用可训练的权重进行加权融合；
[0030]单向LSTM层，接收加权融合后的向量；
[0031]最大池化层，使用最大池化方式对矩阵向量降维；
[0032]Softmax层，输出分类结果；
[0033]S3、将所述构建好的文本语料库送入所述分类网络模型，对所述分类网络模型进行训练和优化；
[0034]S4、基于训练完成的所述分类网络模型，对所述舆情数据进行计算分析，输出其文本情感、态度、分类标签。
[0035]在一些具体的实施例中，所述词嵌入层的输入为(64,100,1)的训练数据，将每个分词表征为128维的词向量，该层输出为(64,128,128)的向量。
[0036]在一些具体的实施例中，所述第一转换层的输入为(64,128,128)的向量，参数设置为：encoder：数量为6，head：数量设为8，特征数量为128，该层输出为(64,128,128)的向量。
[0037]在一些具体的实施例中，所述第二转换层的输入为(64,128,128)的向量，参数设置为：encoder：数量为6，head：数量设为8，特征数量为128，该层输出为(64,128,128)的向量。
[0038]在一些具体的实施例中，所述向量跳远连接层用于将所述双向LSTM输出与所述第一转换层的输出和所述第二转换层的输出进行拼接，输出为(64,128,512)的向量。
[0039]通过上述方案，利用设计的双向LSTM输出、第一转换层和第二转换层配合使用，进行自注意力算法能够让模型学习跨层的信息，能够让文本获取到更丰富的特征，最终达到针对舆情内容进行更好地处理的分析系统。
附图说明
[0040]图1为本专利技术一实施方式所述的舆情分析方法流程图；
[0041]图2为本专利技术一实施方式所述的舆情分析方法图；
[0042]图3为本专利技术一实施方式所述的舆情分析存储介质；
[0043]图4为本专利技术一实施方式所述的舆情分析中台系统；
[0044]图5为本专利技术一实施方式所述的改进算法结果对比图。
具体实施方式
[0045]为详细说明本申请可能的应用场景，技术原理，可实施的具体方案，能实现目的与效果等，以下结合所列举的具体实施例并配合附图详予说明。本文所记载的实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。
[0046]在本文中提及“实施例”意味着，结合实施例描述的特定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种舆情监控方法，其特征在于，包括如下步骤，S1、建设预处理的文本语料库；S2、搭建构建分类网络模型，包括以下结构：词嵌入层，将输入的半结构化语料进行词嵌入训练，将语料转化为结构化向量；第一转换层，所述第一转换层用于获取词向量的上下文信息并传入下一层；第二转换层，所述第二转换层用于获取所述第一转换层的输出，并对所述第一转换层的输出进行self
‑
attention计算后传入下一层；双向LSTM层，用于获得词向量的上下文信息并输出；向量跳远连接层，用于将所述第一转换层和所述第二转换层的输出与双向LSTM网络的输出进行拼接，使用可训练的权重进行加权融合；单向LSTM层，接收加权融合后的向量；最大池化层，使用最大池化方式对矩阵向量降维；Softmax层，输出分类结果；S3、将所述构建好的文本语料库送入所述分类网络模型，对所述分类网络模型进行训练和优化；S4、基于训练完成的所述分类网络模型，对所述舆情数据进行计算分析，输出其文本情感、态度、分类标签。2.根据权利要求1所述的舆情监控方法，其特征在于，所述词嵌入层的输入为(64,100,1)的训练数据，将每个分词表征为128维的词向量，该层输出为(64,128,128)的向量。3.根据权利要求1所述的舆情监控方法，其特征在于，所述第一转换层的输入为(64,128,128)的向量，参数设置为：encoder：数量为6，head：数量设为8，特征数量为128，该层输出为(64,128,128)的向量。4.根据权利要求1所述的舆情监控方法，其特征在于，所述第二转换层的输入为(64,128,128)的向量，参数设置为：encoder：数量为6，head：数量设为8，特征数量为128，该层输出为(64,128,128)的向量。5.根据权利要求1所述的舆情监控方法，其特征在于，所述向量跳远连接层用于将所述双向LSTM输出与所述第一转换层的输出和所述第二转换侧给的输出进行拼接，输出为(64,128,512)的向量。6.一种舆情监控存储介质，其特征在于，存储有计算...

【专利技术属性】
技术研发人员：林榕韬，赖大进，何健，黄灵萱，黄羽薇，
申请(专利权)人：福建省邮电规划设计院有限公司，
类型：发明
国别省市：