[发明专利]一种不同分面观点演化趋势引导的文本生成方法

说明书

本发明公开了一种不同分面观点演化趋势引导的文本生成方法，(1)构造分面分类器和观点分类器：收集社交网络中特定热点事件的全部博文作为源语料集，根据专家知识或舆情事件管理需要，确定舆情事件的重要分面并给出分面描述；根据语料子句与分面描述的语义距离实现源语料集中不同分面的子句提取，以此训练分面分类器；利用基于观点的文本聚类方法将每个分面中不同观点语料聚类，利用聚类后的语料训练观点分类器。(2)生成对抗观点文本：文本生成模型包括一个生成器和三个对抗训练的判别器，生成器生成和语料句子分面相同、观点对抗的文本，三个判别器区分生成器生成的句子和源语料句子，如此反复对抗训练，直到三个判别器均无法区分生成器生成的句子和源语料句子。

技术领域

本发明属于多分面舆情事件中观点演化趋势的对抗引导文本生成领域，特别涉及一种不同分面观点演化趋势引导的文本生成方法。

背景技术

如今各种各样的自媒体平台快速发展，网络成为人们获取信息、参与公共事务、发表个人观点的主要场所。但是由于网络具有匿名性、传播快的特点，各种不实、负面的信息和言论充斥网络，尤其对于关乎法律民生，公众道德的社会事件，恶意煽动网民情绪、传播不实消息会严重危害社会稳定。网络舆情已经成为影响社会稳定的重要因素，在建立正确舆论导向的基础上加强网络舆情监测、进行舆论的引导，对于有效疏导和控制负面舆情，为主流意识形态网络话语的传播营造清朗的网络舆论环境有重要意义。

网络上的信息繁杂多样且传播迅速，给网络舆情引导带来很大挑战。面对网络热点事件中的恶意、不实评论，需要有针对性地进行反驳、澄清和引导，以减轻其对网民的影响，因此本发明提出了一种面向多分面舆情事件的观点对抗型引导文本生成方法。该方法用于对网络热点事件中负面、过激甚至恶意评论的引导，能够自动地生成针对性的对抗观点且符合该热点事件的语境和语言规律，具有高效、准确的优点。针对文本生成方法，有以下现有技术：

现有技术1提出的文本生成方法包括：获得文本生成模型和调用文本生成模型两个阶段。第一阶段包括数据预处理；深度学习算法模型构建；训练深度学习模型；获得文本生成模型。第二阶段包括：接受用户输入的文本；提取用户输入文本的特征信息；调用文本生成模型；生成与用户输入文本的特征信息相匹配的文本。第一阶段采用深度学习算法模型，使得训练过程更加自动化，免去了过多的人工干预，训练过程采用一系列训练策略，使得文本生成模型生成的文本可读性更强。第二阶段，对用户输入信息进行分类，识别用户意图，跟据用户的意图生成出用户想要的文本。

现有技术2提出了一种文本生成方法，该方法包括：使用基于LSTM学习的NLG技术，通过学习获得的每个字符之间的概率关系来对句子结构的视觉语义、字符的种类以及每一个字符进行编码。对想要表达的评论信息进行了语义和句法方面的融合，并后期通过特定词替换等方法，生成与社交网络几乎一致的生动、通顺、富于变化的高质量评论文本。

现有技术3提出一种基于循环卷积注意力模型的文本生成方法及装置，该方法包含：采集互联网文本数据作为样本数据库；将样本数据库作为循环卷积注意力模型的输入和输出，训练循环卷积注意力模型，其中，循环卷积注意力模型包含长短期记忆网络模块、注意力机制模块和循环卷积网络模块，长短期记忆网络模块包含若干个LSTM长短期记忆网络节点；将待处理文本主题输入到已训练好的循环卷积注意力模型中进行测试，将循环卷积注意力模型输出即为该待处理文本主题的生成文本。

现有技术1只实现了通用的文本生成方法，现有技术2立足社交网络，生成具有社交网络特点的文本，但是不能生成观点对抗的文本，现有技术3可以生成特定主题的文本，但也不是针对舆情事件中不同观点的引导，没有实现舆情事件分面提取、观点识别及生成对抗观点文本。

发明内容

本发明的目的在于提供一种不同分面观点演化趋势引导的文本生成方法，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种不同分面观点演化趋势引导的文本生成方法，包括以下步骤：