[发明专利]一种事件认知分析方法、系统及存储介质

权利要求书

1.一种事件认知分析方法，其特征在于，所述分析方法包括：

实时获取互联网数据，对所述互联网数据进行处理得到特征向量；其中，所述互联网数据为文本数据；

建立多维分类标签库，基于所述多维分类标签库和机器学习算法训练得到数据标签模型；

将所述特征向量输入数据标签模型得到分类标签；基于所述分类标签进行事件认知分析；

其中，所述建立多维分类标签库，基于所述多维分类标签库和机器学习算法训练得到数据标签模型，具体包括：

建立多维分类标签库；

获取预存储的模型数据，并基于所述多维分类标签库分别对每个模型数据添加分类标签；

分别对每个所述模型数据进行处理得到模型向量；

基于机器学习算法将所述模型数据的模型向量作为输入，将所述模型数据的分类标签作为输出，训练得到所述数据标签模型；

其中，所述基于机器学习算法将所述模型数据的模型向量作为输入，将所述模型数据的分类标签作为输出，训练得到所述数据标签模型，具体包括：

将所述模型数据的模型向量输入卷积神经网络中，利用卷积神经网络的正向传播按预设权重进行迭代，得到预测标签；

利用卷积神经网络的反向传播计算所述预测标签与所述模型数据的分类标签的误差值；

将所述误差值与预设阈值进行比较，判断所述误差值是否小于预设阈值；

当所述误差值大于或等于预设阀值时，对所述预设权重进行调整，重新进行迭代得到预测标签，直至预测标签与分类标签的误差值小于预设阈值；

或者，当误差值小于预设阀值时，得到所述数据标签模型。

2.根据权利要求1所述的事件认知分析方法，其特征在于，所述对所述互联网数据进行处理得到特征向量，具体包括：

对所述互联网数据进行结构化处理，并去噪，得到结构化数据；

通过自然语言处理技术对所述结构化数据进行处理得到标准数据；

对所述标准数据进行特征选择得到特征数据，并将所述特征数据向量化得到所述特征向量。

3.根据权利要求2所述的事件认知分析方法，其特征在于，对所述标准数据进行特征选择得到特征数据，并将所述特征数据向量化得到所述特征向量；

获取所述标准数据中各个预备数据的出现次数；

获取预存储的特征对比数据中相应的预备数据的出现次数；

将所述标准数据中预备数据的出现次数减去所述特征比对数据中相应的预设数据的出现次数，得到所述预备数据的特征次数；

将特征次数大于预设阈值的所述预备数据作为所述特征数据；

将所有所述特征数据进行向量化处理，得到所述特征向量。

4.根据权利要求1所述的事件认知分析方法，其特征在于，所述多维分类标签库包括：至少两层分类标签层；

每层分类标签层包括至少一个分类标签。

5.根据权利要求1所述的事件认知分析方法，其特征在于，所述机器学习算法包括：向量机、朴素贝叶斯算法或卷积神经网络。

6.根据权利要求1-5中任一所述的事件认知分析方法，其特征在于，所述实时获取互联网数据，具体包括：

若互联网数据为文本数据；

通过语言识别将不同语言类型的互联网数据转换为预设语言类型的互联网数据；

对所述互联网数据进行处理，得到去停留词、分词的互联网数据。

7.一种事件认知分析系统，其特征在于，所述事件认知分析系统包括处理器、存储器；所述处理器用于执行所述存储器中存储的事件认知分析程序，以实现权利要求1～6中任一所述的事件认知分析方法。

8.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1～6中任一项所述的事件认知分析方法。