[发明专利]一种事件挖掘方法和装置

权利要求书

1.一种事件挖掘方法，其特征在于，包括：

从文本数据集中提取多个参考文本，其中，所述文本数据集包括原始文本、以及所述原始文本的搜索时间；

对所述多个参考文本进行事件分类，得到事件文本集，所述事件文本集包括与目标事件相关联的参考文本；

对所述事件文本集中的参考文本进行聚类处理，得到子事件对应的聚类后文本集，其中，所述子事件从属于所述目标事件；

分析所述文本数据集中目标文本的文本数量、与所述目标文本的搜索时间之间的映射关系，得到分析结果，其中，所述目标文本为所述文本数据集中属于所述子事件的文本；

基于所述分析结果对所述子事件进行周期性判别，并输出周期性判别结果。

2.根据权利要求1所述的方法，其特征在于，所述对所述多个参考文本进行事件分类，得到事件文本集，包括：

获取各个参考文本对应的词向量；

对各个参考文本对应的词向量进行卷积操作和池化操作，得到各个参考文本对应的特征信息；

基于各个参考文本对应的特征信息，预测各个参考文本属于目标事件的概率；

根据所述概率，从所述多个参考文本中确定事件文本集。

3.根据权利要求1所述的方法，其特征在于，所述对所述多个参考文本进行事件分类，得到事件文本集，包括：

通过分类模型对所述多个参考文本进行事件分类，得到事件文本集。

4.根据权利要求3所述的方法，其特征在于，所述通过分类模型对所述多个参考文本进行事件分类，得到事件文本集之前，还包括：

获取训练文本，所述训练文本包括正样本和负样本，所述正样本属于目标事件的期望概率大于第一预设概率，所述负样本属于目标事件的期望概率小于第二预设概率；

通过预设分类模型，对所述训练文本对应的词向量进行卷积操作以及池化操作，得到所述训练文本对应的特征信息；

基于所述训练文本对应的特征信息，预测所述训练文本属于目标事件的实际概率；

基于所述训练文本中的正样本对应的实际概率和期望概率，以及所述训练文本中的负样本对应的实际概率和期望概率，调整预设分类模型的参数，得到分类模型。

5.根据权利要求1所述的方法，其特征在于，所述对所述事件文本集中的参考文本进行聚类处理，得到子事件对应的聚类后文本集，包括：

对所述事件文本集中的参考文本构建词向量；

确定需要聚类出的子事件的个数K，其中，K为不小于1的正整数；

从所述词向量中选取K个词向量分别作为K个参考聚类中心；

基于K个参考聚类中心，对所述词向量进行聚类处理，得到K个子事件对应的聚类后文本集。

6.根据权利要求5所述的方法，其特征在于，所述基于K个参考聚类中心，对所述词向量进行聚类处理，得到K个子事件对应的聚类后文本集，包括：

对不属于参考聚类中心的每一个词向量，分别计算所述词向量与K个参考聚类中心的向量距离；

基于所述向量距离，将不属于参考聚类中心的每一个词向量分别归类到K个参考聚类中心所表征的子事件的其中一个，得到K个参考文本集；

针对每个参考文本集，从所述参考文本集中选取词向量作为新聚类中心；

基于K个新聚类中心，分别对K个参考文本集进行更新，得到K个子事件对应的聚类后文本集。

7.根据权利要求6所述的方法，其特征在于，所述基于K个新聚类中心，分别对K个参考文本集进行更新，得到K个子事件对应的聚类后文本集，包括：

对于每个参考文本集，将新聚类中心作为新的参考聚类中心，返回执行所述对不属于参考聚类中心的每一个词向量，分别计算所述词向量与K个参考聚类中心的向量距离的步骤，直到每个参考文本集的新聚类中心与参考聚类中心相同，获得K个子事件对应的聚类后文本集。