[发明专利]一种微博舆情风险研判的方法

说明书

本发明提供一种微博舆情风险研判的方法，涉及数据挖掘技术领域，本发明的方法先通过爬虫采集大量微博数据，再先后通过敏感话题的识别、情感模型、影响力模型、传播模型的分析，根据这几个模型的输出情况，决定是否预警或者是进入下一个模型进行分析。本发明解决了现有的微博舆情风险研判的方法不具有及时性，且容易将风险较低的信息漏掉，跟进不及时的缺点，导致无法对微博舆情风险进行准确研判的缺点。

技术领域

本发明涉及数据挖掘技术领域，尤其涉及一种微博舆情风险研判的方法。

背景技术

在日常生活中，突然事件频繁发生，用户越来越习惯于利用社交网络(例如微博、论坛、twitter、Facebook等)来发明自己的观点或情感。在某个事件发生后，广大群众会通过各种途径了解到真相，随之而来的是大量的评论，这些评论中包括支持与反对，理性与感性，热情或冷漠，当评论中某一种评论或者某几种评论占据较大的比例后，这一种或几种评论会成对大众的观点具有导向作用，甚至可以让整个事件的走向起到重要作用。负面舆论在网上发酵连带引发的危机和事故就是舆情风险，互联网高度发达的今天，微博已经成为一种至关重要的社交平台，大多数人对网上的信息缺乏客观的判断能力，常以先入为主的心态看待事物，因此，对于舆情的分析非常重要，舆情风险一旦出现，在短期内，将会把舆情的中心人物或者企业推向风口浪尖，会对中心人物或企业产生非常不利的影响，因此，对于微博舆情风险的研判是对避免舆情风险发生具有决定性的作用。现有的微博舆情风险研判的方法不具有及时性，且容易将风险较低的信息漏掉，跟进不及时的缺点，导致无法对微博舆情风险进行准确研判。

发明内容

本发明的目的在于：为解决现有方法无法准确对微博舆情风险进行研判的问题，本发明提供一种微博舆情风险研判的方法。

本发明的具体内容如下：

一种微博舆情风险研判的方法，所述方法先通过爬虫采集大量微博数据，再先后通过敏感话题的识别、情感模型、影响力模型、传播模型的分析，根据这几个模型的输出情况，决定是否预警或者是进入下一个模型进行分析。

具体地，包括如下步骤：

S1：提取源信息话题关键字，若涉及敏感话题则发出预警，若不涉及敏感话题，则进入情感模型进行分析。

S2：通过情感模型对信息进行情感分析，若为非负面情绪，则结束流程；若负面程度高则发出预警；若负面程度不高，则进入影响力模型进行分析。

S3：影响力模型首先会判断该信息的作者是否在维护的名单中，如果在则立即预警，否则将会进行影响力分析；进入影响力分析后，如果输出的影响力值大于或等于预先设定的阈值，则立即预警，否则将会进入传播模型进行分析。

S4：传播模型首先会判断该信息已有的转发参与者中是否有大V用户，如果有则立即预警，否则会进行传播加权分析；进行传播加权分析后得到传播风险值，如果输出的传播风险值大于预先设定的阈值，则立即预警，否则将会把信息输入到动态监控池中，动态监控池会对信息进行时效判断，把当前时间与信息爬取入库的时间差作为条件进行判断，在一定时间的短周期内，将该信息重新输入到传播模型进行分析；在短周期内，评论与转发的和的绝对增量超过一定数量则预警: 如果超过一定时间没有触发预警，则停止对其监控，结束流程。

进一步地，S1中，对于敏感话题的判断是将源信息的话题关键字与提前建立且人工维护的一套词库进行判断。

优选地，所述情绪分析模型为基于循环神经网络的情感模型，具体包括：训练数据的准备、语音模型的构造和情感的识别。

具体地，所述训练数据的准备的具体过程为：从互联网应用爬取各类用户的评价数据，如应用商店软件的评价，电商网站购物的评价，电影的评价等，并把训练数据分为两类，负面情感数据和非负面情感数据。

具体地，语言模型的构造以大量文本作为语料，采用无监督方式训练基于循环神经网络的语言模型。