[发明专利]基于立场检测的推选预测分析方法

说明书

基于立场检测的推选预测分析方法属于舆情分析领域，为基于社交媒体的推选预测提供了研究基础和方法。其实施方法包括下述步骤：步骤一，人工标注的定义推选相关关键词。步骤二，再使用爬虫技术，爬取训练时间段产生的所有相关文本。步骤三，之后将这些文本抽样标记，并使用标记数据完成立场检测分类器的训练。步骤四，使用爬虫技术，爬取预测时间段产生的所有相关文本。步骤五，再使用通过训练数据训练的立场检测分类器，完成文本的立场检测。步骤六，统计结果，得到表达投票倾向的指标，从而完成推选预测。

技术领域

本发明公开了一种基于立场检测的推选预测分析方法，属于舆情分析领域。

背景技术

使用社交媒体数据完成对于时事的预测与分析一直是重要的课题。例如，舆情分析、预测股市走向等。然而随着社交媒体的用户不断的增加，有更多的用户使用社交媒体分享与讨论他们的投票倾向。同样，每个候选人也开始利用社交媒体为它们争取在推选中的支持。因此，我们可以通过社交媒体，挖掘投票人的投票偏好。

立场检测任务的目的是通过给定文本，针对特定目标主题，分析其中表达出的情感属于支持(肯定)，不支持(否定)或无立场(中立)，其核心是检测和挖掘意见极性。其相对于情感分析方法挖掘整个文本的情感，侧重于提取文本中作者针对某个主题的立场。

但是，在目前基于社交媒体的推选分析与预测中，大多使用情感分析来完成文本的倾向性分析，而不是立场检测。因此，本发明结合立场检测方法，针对某市代表的推选完成推选的预测，提出了基于立场检测的推选预测模型。

发明内容

为了预测推选结果，本发明建立了基于立场检测的推选分析模型。其中包括定义关键词、模型训练、立场检测、推选预测4个阶段。

为了给标记数据、训练模型等预留时间，本模型从时间上分为两段：一段是训练时间段，另一段是预测时间段。训练时间段规定了模型的训练阶段使用的数据产生的时间。预测时间段规定了立场检测与推选预测阶段使用的数据产生的时间。

本发明使用推选开始日前20-30天作为训练时间段，推选开始日前1-20天与前1-30天作为预测时间段。

本模型首先通过人工标注的定义推选相关关键词。再使用爬虫技术，爬取训练时间段产生的所有相关文本。之后将这些文本抽样标记，并使用标记数据完成立场检测分类器的训练。然后，使用爬虫技术，爬取预测时间段产生的所有相关文本。再使用通过训练数据训练的立场检测分类器，完成文本的立场检测。最后统计结果，得到表达投票倾向的指标，从而完成推选预测。

定义关键词：本阶段的目的是设计推选相关的关键词，从而通过这些词语在社交媒体平台搜索相关的数据。关键词一般为候选人名、候选团体等，本发明使用的关键词为候选人名。

模型的训练：在定义关键词后，本阶段就会结合关键词，通过爬虫技术检索所有在训练时间段内的包含检索词的所有twitter文本，再使用简体繁体翻译工具完成文本的转换。将推文作为立场检测的文本内容，将文本中包含的候选人姓名作为目标主题。

不同选区人口与对于Twitter的使用比例不尽相同，导致涉及到的候选人中，有可能存在部分候选人相关推文为0或是很少的情况，这导致了后续的抽样标记过程中，存在数据不足的情况。因此，为了让立场检测算法可以达到更好的效果。

之后，抽样上述数据中的2000条，由两位标记者，按照Nlpcc2016年的立场检测标记要求，标记文本内容对于目标主题属于支持、不支持或无态度。再将不同标签的数据按照相等比例抽取，生成三个标签数量相等的训练数据集。

然后，本发明搭建了基于双通道CNN-GRU融合网络的微博文本立场检测模型。然后，对训练数据进行停用词的删除、分词与词向量表示，最后用于训练本立场检测模型，生成立场检测分类器。