[发明专利]一种自适应的网络舆情识别方法

权利要求书

1.一种网络舆情识别方法，包括以下步骤：

(1)、从互联网中采集网页文档并对其预处理，得到的信息文档存放到网页 数据库；

(2)、导出网页数据库中的信息文档进行文档向量化，对所有的信息文档进 行分类，结果分别写入舆情信息类别库、非舆情信息类别库和候选舆情信息类 别库，该步骤从内容方面识别已知舆情信息类别的信息文档；

(3)、分类失败的信息文档聚类，判断聚类结果所属类别，将其写入相应的 信息类别库；

(4)、对候选舆情信息类别库的信息文档进行行为识别，基于同一类别相关 文档之间的关系建立社会网络并对其进行社会网络分析，关系行为符合舆情行 为特征的识别为舆情，把新的舆情类别信息写入舆情信息类别库；

步骤(2)所述的文档向量化，其步骤为：

首先对文章标题和文章内容进行分词，统计每个词在文档中出现的次数， 其中参与统计包括名词、动词、形容词，然后计算词语权重并对计算结果排序， 取前S个作为文档的特征词，接着把每个特征词作为特征向量的一维，如果文 档中含有该特征词，则该维值为特征词权重，否则取0，由此得到每篇文档的特 征向量；

步骤(4)中，所述的行为识别是通过社会网络分析的方式实现的，做法是 定期对候选舆情类别库中的信息文档进行检测，当某个事件小类的相关信息文 档数量达到一定规模，抽取这个事件的信息文档集合建立社会网络并分析社会 网络参数，网络行为符合舆情行为特征的则识别为舆情，识别结果写入舆情信 息类别库以完善其分类模型。

2.根据权利要求1所述的一种网络舆情识别方法，其特征在于，步骤(1) 的具体实现方法为：

通过网络爬虫从互联网中采集网页；通过信息提取单元对网页进行解析预 处理，获取到的标题、正文等信息组装成网页信息文档并保存到网页数据库。

3.根据权利要求1所述的一种网络舆情识别方法，其特征在于，所述的词 语权重计算方法为：

结合搜狗词库计算每个词的权重，文章标题中的特征词权重计算公式：

TitlePara*FileF(float)(1+Math.log(1+SogouF))*F_MAX*σ]]>

文章正文中的特征词权重计算公式：

TextPara*FileF(float)(1+Math.log(1+SogouF))*F_MAX*σ]]>

其中TitlePara和TextPara为人为设置参数，TitlePara值一般为TextPara值的两 倍，FileF为该特征词在文档中出现的次数，SogouF为该特征词在搜狗词库里面 记录的词频，F_MAX为文档中出现次数最多的特征词的出现次数，σ为衰减因 子；

搜狗词库里面没有记录的个别特征词的权重计算公式：

Pre_TMax_T*Value_Max]]>

其中Pre_T为该特征词在文档中出现的次数，Value_Max文档中权重最大的特 征词的权重，Max_T为文档中权重最大的特征词的出现次数；