【技术实现步骤摘要】
本专利技术属于深度学习，具体涉及一种基于舆情事理图谱的情感倾向识别与预测方法。
技术介绍
1、随着移动互联网的飞速发展，社交媒体成为公众分享观点与表达情感的主要平台。然而，由于互联网传播的开放性与快速性，网络舆情往往会出现异化。网民的观点与情感会将貌似无关的事件联系起来，产生出乎意料的演化路径和不确定性，甚至引发舆情危机。在重大事件热点问题中，网络舆情的传播对社会稳定带来不可忽视的风险与挑战。监测与引导网络舆情的演化已成为一项艰巨的任务，尤其是精准识别舆情传导路径及公众情感倾向的变化，对政府和企业应对舆情发展趋势具有重要意义。
2、现有的网络舆情研究往往采用静态的分析方法，如关键词识别、文本聚类、主题建模等，虽然能够识别热点话题，但难以捕捉舆情事件间的动态关联及情感演化过程。多数研究侧重于从单一维度探索网络舆情，缺乏对公众情绪形成机制的深入理解，无法全面反映其复杂性和动态性。复杂网络、支持向量机及其他人工智能方法虽然能较好地预测网络舆情演化规律，但难以直观呈现舆情系统的全貌，也常忽略事件间的逻辑关联和时序先后。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供了一种基于舆情事理图谱的情感倾向识别与预测方法，首先运用基于深度学习模型的事件提取技术和关系检测模型；其次借助neo4j和gephi图数据库，实现抽象层和实例层事理图谱的可视化；通过事理图谱深化对网络舆情演化机制的理解，揭示网络舆情事件的内在逻辑和演化规律；通过textcnn模型和graph2seq-att
2、本专利技术解决其技术问题所采用的技术方案如下：
3、步骤1：数据采集与预处理；
4、步骤1-1：使用网络爬虫从媒体平台采集特定热搜话题的新闻报道、文本数据及公众评论；
5、步骤1-2：对步骤1-1采集的数据执行初步清洗，并利用正则表达式完成句子的分割；
6、步骤2：事件提取与关系检测；
7、步骤2-1：基于ace-2005事件抽取框架，构建适用于舆情数据的论元类型和关系类型，进行文本中事件触发词及其论元、关系的标注；
8、步骤2-2：从标注的数据中抽取“事件-论元”三元组和“事件-关系”三元组，为训练模型提供所需语料；
9、步骤2-3：使用hmm、crf、bi-lstm和bi-lstm+crf集成模型进行事件抽取；
10、步骤2-4：使用cnn和bi-lstm模型对事件间关系进行提取；
11、步骤2-5：对提取出的事件和关系进行分类和强度评估，捕捉事件间的相互作用；
12、步骤3：图谱构建；
13、步骤3-1：对“事件-论元”三元组和“事件-关系”三元组进行整合，生成舆情事件摘要集合；摘要包括主谓宾、主谓、动宾结构，以触发词为中心，通过论元辐射构建起事件框架；
14、步骤3-2：将数据导入neo4j图数据库，通过节点间关系连接完成实例层事理图谱可视化；
15、步骤3-3：使用doc2vec算法和k-means++聚类算法对事件摘要集合进行聚类处理；
16、步骤3-4：聚类结果通过t-sne降维进行可视化；
17、步骤4：个体情感倾向识别；
18、步骤4-1：从“a地疫情”和“b地疫情”两个特定主题的评论数据中各抽取样本进行积极、消极和中性的三分类情感标注；
19、步骤4-2：使用eda技术对训练集数据进行增强；
20、步骤4-3：实验得出优化后的模型权重；
21、步骤4-4：使用最优权重配比的textcnn模型完成剩余评论的个体情感倾向识别；
22、步骤5：情感分布预测；
23、步骤5-1：选择有向带权图结构的图嵌入算法node2vec和word2vec；
24、步骤5-2：使用graph2seq-attention模型框架，通过循环神经网络处理可变长的输入输出序列，适用于预测舆情事件情感分布；
25、步骤5-3：通过实验确定舆情事件链条的最优长度和情感分布预测的最优长度；
26、步骤5-4：分析不同图嵌入算法、注意力机制:和教师强制机制特征在情感分布预测中的性能；
27、步骤5-5：使用最优参数结构的graph2seq-attention模型进行舆情事件情感分布预测；
28、步骤6：舆情情感转化路径发现；
29、步骤6-1：利用决策树分别识别出导致积极、消极情感倾向的关键事件序列规则；
30、步骤6-2：从数据集中筛选出符合决策树规则的消极情感路径，对筛选出的关键事件序列进行调整，将其中的消极情绪触发因素替换为通过决策树发现的能够引导积极情感的事件序列元素；
31、步骤6-3：将调整后的新事件序列输入到graph2seq-attention模型中，重新进行情感倾向预测；
32、步骤6-4：将转变前后的事件序列及情感倾向进行对比，识别实现舆情导向积极转化的关方案。
33、优选地，所述初步清洗包括去重、去空和分句。
34、优选地，所述事件间的相互作用包括因果、顺承和条件关系。
35、本专利技术的有益效果如下：
36、本专利技术首先运用基于深度学习模型的事件提取技术和关系检测模型，准确捕捉舆情事件及其相互关系；其次，借助neo4j和gephi图数据库，实现抽象层和实例层事理图谱的可视化，有助于直观理解不同事件之间的联系；通过事理图谱深化对网络舆情演化机制的理解，揭示网络舆情事件的内在逻辑和演化规律，为理论模型和分析方法的创新提供了全新视角；通过textcnn模型和graph2seq-attentions深度学习框架的融合，构建网络热点事件传导图谱，关联公众情感倾向演化，为情感状态的动态预测提供强大算法支持，对未来的舆情变化提供预警；此外，本专利技术还利用决策树揭示了影响情感倾向的关键事件序列，为转变舆情情感提供可行策略；多智能体强化学习的舆情演化路径优化算法模拟多元主体在复杂环境中的行为和互动，将被动的舆情监控转变为主动的认知干预方案。整个系统实现了从数据收集到情感倾向预测的全流程自动化，大幅提高情感分析效率和准确性，为舆情管理和决策提供强有力的工具。
本文档来自技高网...【技术保护点】
1.一种基于舆情事理图谱的情感倾向识别与预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于舆情事理图谱的情感倾向识别与预测方法，其特征在于，所述初步清洗包括去重、去空和分句。
3.根据权利要求1所述的一种基于舆情事理图谱的情感倾向识别与预测方法，其特征在于，所述事件间的相互作用包括因果、顺承和条件关系。
【技术特征摘要】
1.一种基于舆情事理图谱的情感倾向识别与预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于舆情事理图谱的情感倾向识别与预测方法，其特征在于，所...
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。