System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及大数据分析的,尤其涉及一种网络舆情情感态势量化方法及系统。
技术介绍
1、目前,网络舆情分析主要集中在以下几个方面:
2、文本分析:传统的舆情分析方法主要依赖于对文本数据的处理,通过自然语言处理技术(如情感词典、情感分类器等)分析社交媒体、新闻网站、论坛等平台上的文本内容,提取公众的情感倾向。然而,单一的文本分析难以全面反映舆情的全貌。
3、图像和视频分析:随着多媒体内容在网络上的广泛传播,图像和视频成为了舆情分析的重要数据来源。现有技术通常采用图像识别、视频分析技术来提取视觉特征,但这些方法往往独立于文本分析,缺乏多模态数据的融合,导致舆情分析的精度和全面性不足。
4、情感传播路径分析:基于图网络的情感传播模型是近年来的研究热点,通过构建用户交互关系图,分析情感在网络中的传播路径和影响范围。然而,现有技术在构建情感传播模型时,往往忽略了多模态数据的综合影响,无法准确捕捉情感传播的动态特征。
5、时间序列预测:网络舆情具有动态性和时效性,传统的情感分析方法缺乏对舆情动态变化的预测能力,无法有效地进行舆情预警和态势量化。
6、现有的网络舆情分析技术在以下几个方面存在不足:
7、数据单一:大多数舆情分析方法仅依赖于文本数据,忽视了图像和视频等多模态数据的融合,导致分析结果片面。
8、缺乏多模态融合:现有技术对图像和视频的分析往往独立于文本分析,未能有效融合多模态数据,影响了舆情分析的精度和全面性。
9、动态传播分析不足:情感
10、预测能力有限:现有的情感分析方法缺乏对舆情动态变化的预测能力,无法提供有效的舆情预警和态势量化。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊,而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有一种网络舆情情感态势量化方法及系统存在的问题,提出了本专利技术。
3、为解决上述技术问题,本专利技术提供如下技术方案:该方法包括:
4、制定多模态数据融合策略,收集来自网络的多模态数据,包括文本、图像和视频,对不同模态的数据进行预处理和特征提取,并融合成统一的数据表示;
5、构建构建反映情感信息传播路径和影响范围的图网络模型,分析情感传播模型的输出结果,提取时间序列特征;
6、基于情感传播的时间序列特征,预测未来的情感趋势,量化情感态势并进行可视化展示,基于情感态势量化结果,制定舆情管理和应对策略。
7、作为本专利技术所述一种网络舆情情感态势量化方法的一种优选方案,其中:
8、收集和预处理来自文本、图像和视频的多模态数据,分别获得文本特征表示矩阵图像特征表示矩阵视频特征表示矩阵
9、其中,表示第i个文本向量表示,表示第j个图像向量表示,第k个视频向量表示,t1、t2表示文本数据的时间范围,g1、g2表示图像数据的时间范围,v1、v2表示视频数据的时间范围,nt,ng,nv分别表示文本、图像和视频数据的数量,则整体特征表示矩阵为:f=ft+fg+fv。
10、作为本专利技术所述一种网络舆情情感态势量化方法的一种优选方案,其中:对预处理后的文本、图像和视频特征表示矩阵进行加权融合,生成综合特征表示矩阵:
11、m=wt·ft+wg·fg+wv·fv;
12、其中,wt,wg,wv分别表示文本、图像和视频的权重矩阵。
13、作为本专利技术所述一种网络舆情情感态势量化方法的一种优选方案,其中:对融合后的多模态特征表示进行情感分析,生成情感标签,则有:
14、
15、其中e表示最终的情感量化值,n表示样本数量,λ表示衰减因子,用于模拟情感信息随时间的变化,σ表示激活函数,we表示用于情感分析的权重矩阵,mi第i个数据样本的多模态特征表示,e的值域表示情感量化值的范围。
16、作为本专利技术所述一种网络舆情情感态势量化方法的一种优选方案,其中:
17、根据用户的交互关系构建社交网络图,其中节点表示用户,边表示用户之间的互动,将文本、图像、视频等多模态数据的特征,以及情感标签嵌入到图网络的节点中,形成带有情感信息的图网络,则有节点特征表示为:
18、
19、其中,vi表示第i个节点的基本特征向量,fik第i个节点的第k种模态特征,ei表示第i个节点的情感标签向量;
20、使用图神经网络gnn进行训练,捕捉情感信息在社交网络中的传播模式,gnn通过对图网络中的节点及其邻居节点的信息进行聚合和更新,从而学习到节点的高阶特征表示,gnn传播公式为:
21、
22、其中,表示第i个节点在第l层的特征表示,n(i)表示第i个节点的邻居节点集合,cij表示正则化系数,w(l)表示第l层的权重矩阵,b(l)表示第l层的偏置向量,σ表示激活函数,通过该公式对节点特征进行更新和聚合,gnn学些到节点的节点特征捕捉了情感信息在网络中的传播模式。
23、作为本专利技术所述一种网络舆情情感态势量化方法的一种优选方案,其中:
24、分析gnn输出的节点特征,计算节点的传播影响力pi和时间序列特征si;
25、
26、其中,pi表示第i个节点的传播影响力,λ表示衰减因子,t表示传播时间范围,表示表示节点i的情感值随时间t的变化率;
27、
28、其中,si表示第i个节点的时间序列特征,第i个节点在时间t的情感波动,α,β均表示权重参数。
29、作为本专利技术所述一种网络舆情情感态势量化方法的一种优选方案,其中:
30、基于时间序列特征,使用lstm模型进行情感趋势预测,则有lstm预测公式为:
31、
32、其中,表示第i个节点在未来第k个时间点的情感值,根据lstm模型进行情感趋势预测结果,量化情感态势,分别包括:情感变化趋势、情感拨动幅度以及情感传播范围;
33、其中情感变化趋势表示为:
34、
35、情感拨动幅度表示为:
36、
37、其中,u表示预测情感值的均值;
38、情感传播范围表示为:
39、
40、其中,θ表示传播范围的阈值。
41、一种网络舆情情感态势量化系统,基于上述的一种网络舆情情感态势量化方法,该系统包括以下模块:
42、多模态数据融合模块,将收集和预处理来自文本、图像和视频的多模态数据,分别获得文本特征表示矩阵、图像特征表示矩阵以及视频特征表示矩阵,进行加权融合,生成融合特征表示矩阵,对本文档来自技高网...
【技术保护点】
1.一种网络舆情情感态势量化方法,其特征在于,该方法包括:
2.根据权利要求1所述的一种网络舆情情感态势量化方法,其特征在于:收集和预处理来自文本、图像和视频的多模态数据,分别获得文本特征表示矩阵图像特征表示矩阵视频特征表示矩阵
3.根据权利要求2所述的一种网络舆情情感态势量化方法,其特征在于:对预处理后的文本、图像和视频特征表示矩阵进行加权融合,生成综合特征表示矩阵:
4.根据权利要求3所述的一种网络舆情情感态势量化方法,其特征在于:对融合后的多模态特征表示进行情感分析,生成情感标签,则有:
5.根据权利要求4所述的一种网络舆情情感态势量化方法,其特征在于:根据用户的交互关系构建社交网络图,其中节点表示用户,边表示用户之间的互动,将文本、图像、视频等多模态数据的特征,以及情感标签嵌入到图网络的节点中,形成带有情感信息的图网络,则有节点特征表示为:
6.根据权利要求5所述的一种网络舆情情感态势量化方法,其特征在于:分析GNN输出的节点特征,计算节点的传播影响力pi和时间序列特征Si;
7.根据权利要求6所述的
8.一种网络舆情情感态势量化系统,基于权利要求1-8任一项所述的一种网络舆情情感态势量化方法,其特征在于:该系统包括以下模块:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~7任一所述的一种网络舆情情感态势量化方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1~7任一所述的一种网络舆情情感态势量化方法的步骤。
...【技术特征摘要】
1.一种网络舆情情感态势量化方法,其特征在于,该方法包括:
2.根据权利要求1所述的一种网络舆情情感态势量化方法,其特征在于:收集和预处理来自文本、图像和视频的多模态数据,分别获得文本特征表示矩阵图像特征表示矩阵视频特征表示矩阵
3.根据权利要求2所述的一种网络舆情情感态势量化方法,其特征在于:对预处理后的文本、图像和视频特征表示矩阵进行加权融合,生成综合特征表示矩阵:
4.根据权利要求3所述的一种网络舆情情感态势量化方法,其特征在于:对融合后的多模态特征表示进行情感分析,生成情感标签,则有:
5.根据权利要求4所述的一种网络舆情情感态势量化方法,其特征在于:根据用户的交互关系构建社交网络图,其中节点表示用户,边表示用户之间的互动,将文本、图像、视频等多模态数据的特征,以及情感标签嵌入到图网络的节点中,形成带有情感信息的图网络,则有节点特征表示为:<...
【专利技术属性】
技术研发人员:于永添,叶韦明,
申请(专利权)人:北京大学深圳研究生院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。