[发明专利]舆情传播任务展示的方法及装置有效
申请号: | 202010498283.2 | 申请日: | 2020-06-04 |
公开(公告)号: | CN111797333B | 公开(公告)日: | 2021-04-20 |
发明(设计)人: | 沈毅;杜向阳 | 申请(专利权)人: | 南京擎盾信息科技有限公司 |
主分类号: | G06F16/9538 | 分类号: | G06F16/9538;G06F16/35;G06F16/9536;G06N3/04 |
代理公司: | 北京知果之信知识产权代理有限公司 11541 | 代理人: | 卜荣丽 |
地址: | 210000 江苏省南京市雨花台*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 舆情 传播 任务 展示 方法 装置 | ||
1.一种舆情传播任务展示的方法,其特征在于,所述方法包括:
根据社交平台中用户的交互行为信息、交互内容信息、用户的个人信息确定舆情文章模型,舆情文章模型用于确定舆情文章的文章向量,用户的交互行为信息包括用户之间的交互行为信息以及用户与舆情文章之间的交互行为信息;
基于图注意力神经网络确定社交平台的社交网络结构图;
基于舆情文章的内容、用户与舆情文章的交互行为信息以及社交网络结构图确定用户表示模型;
根据社交平台的历史数据、舆情文章模型、用户表示模型确定舆情任务分类模型,所述舆情任务分类模型用于确定用户的偏好分类;
根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图,所述用户间关联程度为根据社交网络结构图中用户节点之间的权重系数和用户节点之间的交互次数得到的;
实时监控舆情文章的实时交互信息;
根据实时交互信息将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示。
2.根据权利要求1所述的舆情传播任务展示的方法,其特征在于,所述根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图包括:
将社交网络结构的每个用户作为可视化舆情传播图中的节点;
将有交互关系的用户通过连接线进行关联,根据用户间关联程度来确定连接线的属性值;
根据某用户与其他用户的交互次数确定该用户节点的图形大小;
根据用户的偏好分类确定可视化舆情传播图中的节点的图形的颜色属性值,同一偏好分类对应的颜色属性值相同。
3.根据权利要求2所述的舆情传播任务展示的方法,其特征在于,所述方法还包括:
获取新的舆情文章的源信息,所述源信息包括发布源、文章类别;
根据所述源信息以及可视化舆情传播图对舆情传播路径进行预测。
4.根据权利要求1所述的舆情传播任务展示的方法,其特征在于,所述基于图注意力神经网络确定社交平台的社交网络结构图包括:
获取社交平台上与舆情文章有交互关系的所有用户的身份标识以及用户之间的交互关系;
根据身份标识、交互关系、无权重图结构,基于预设的节点表示方法得到图神经网络结构图,以及图神经网络结构图中每个节点的特征向量;
基于注意力机制对图神经网络结构图中每个节点的特征向量进行更新得到社交网络结构图。
5.根据权利要求3所述的舆情传播任务展示的方法,其特征在于,所述根据所述源信息以及可视化舆情传播图对舆情传播路径进行预测包括:
根据发布源在可视化舆情传播图中查找对应的源节点;
根据所述源节点、与所述源节点有连接关系的其他节点及其偏好分类、所述源节点与其他节点连接线的属性值、文章的类别对舆情传播路径进行预测。
6.一种舆情传播任务展示的装置,其特征在于,所述装置包括:
第一确定单元,用于根据社交平台中用户的交互行为信息、交互内容信息、用户的个人信息确定舆情文章模型,舆情文章模型用于确定舆情文章的文章向量,用户的交互行为信息包括用户之间的交互行为信息以及用户与舆情文章之间的交互行为信息;
第二确定单元,用于基于图注意力神经网络确定社交平台的社交网络结构图;
第三确定单元,用于基于舆情文章的内容、用户与舆情文章的交互行为信息以及社交网络结构图确定用户表示模型;
第四确定单元,用于根据社交平台的历史数据、舆情文章模型、用户表示模型确定舆情任务分类模型,所述舆情任务分类模型用于确定用户的偏好分类;
输出单元,用于根据用户间关联程度、用户的偏好分类并结合社交网络结构图输出可视化舆情传播图,所述用户间关联程度为根据社交网络结构图中用户节点之间的权重系数和用户节点之间的交互次数得到的;
监控单元,用于实时监控舆情文章的实时交互信息;
展示单元,用于根据实时交互信息将舆情文章的实时传播路径在可视化舆情传播图中进行动态展示。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京擎盾信息科技有限公司,未经南京擎盾信息科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010498283.2/1.html,转载请声明来源钻瓜专利网。