[发明专利]一种应用深度学习提升舆情预警准确率的系统和方法

说明书

本发明涉及一种应用深度学习提升舆情预警准确率的系统和方法，属于计算机技术领域。本发明包括命名实体识别终端：用于从数据输入端口获取新闻文本并输出命名实体矩阵及其置信概率矩阵P1；新闻事件分类终端：用于从数据输入端口获取新闻文本并输出风险事件类别E2及其对应的置信概率P2；新闻舆情预警终端：用于配制预警规则，接收命名实体矩阵及其置信概率矩阵P1、风险事件类别E2及其对应的置信概率P2，并执行预警规则，输出预警信号。本发明可自动从新闻文本中抽取命名实体，并且可同时预测数十种新闻事件的分类概率，输出分类概率矩阵与最高置信度的事件类别，大幅提高了新闻风险事件识别的准确率与详细程度。

技术领域

本发明涉及计算机技术领域，尤其涉及一种应用深度学习提升舆情预警准确率的方法及系统。

背景技术

随着移动互联网、物联网等新技术的迅速发展，人类进入数据时代，数据带来的信息风暴正改变着我们的生活、工作和思维方式，同时对网络舆情管理也带来深刻影响。随着新舆情时代的到来，组织机构在密切关注舆情风险的同时，需要深入挖掘舆情大数据的价值，倾听社会、市场和用户的广泛声音。

现有新闻舆情预警的技术方案有三类，一类是传统的关键词提取与规则匹配模式；第二类是应用Word2Vec(Word Embedding)等技术将新闻文本结构化为词向量，然后结合人工标注的风险事件标签，使用机器学习模型训练舆情风险事件分类模型，最终根据模型预测结果输出舆情预警信号；第三类是应用深度学习模型的模式，两阶段的方案使用深度学习模型抽取新闻文本的结构化特征并基于此训练机器学习分类模型，端到端的方案直接使用深度学习模型训练舆情预警的二分类模型。

现有的舆情预警方法存在两点不足：第一点是无法自动抽取企业，时间，地点等命名实体(实际上大多使用关键词检索和模板/正则匹配的方法实现)；第二点是虽然应用了深度学习模型，但对于新闻舆情事件的具体类别识别不充分(现有方案均为二分类)，现有的技术有通过情感分类模型(二分类，正面-负面情感)，舆情风险模型(二分类，是否属于舆情事件)来进行分类的，实际输出的分类结果含义较为模糊，对于现实业务场景的应用来说是远远不够的。

发明内容

为了解决上述现有技术中存在的技术问题，本发明公开了一种应用深度学习提升舆情预警准确率的方法及系统，其目的在于：提高新闻风险事件识别的准确率与详细程度。

本发明采用的技术方案如下：

一种应用深度学习提升舆情预警准确率的系统，包括：

命名实体识别终端：用于从数据输入端口获取新闻文本并输出命名实体矩阵及其置信概率矩阵P1；

新闻事件分类终端：用于从数据输入端口获取新闻文本并输出风险事件类别E2及其对应的置信概率P2；

新闻舆情预警终端：用于配制预警规则，接收命名实体矩阵及其置信概率矩阵P1、风险事件类别E2及其对应的置信概率P2，并执行预警规则，输出预警信号。

采用该技术方案后，本发明可以自动从新闻文本中抽取企业，时间，地点等命名实体，完善了新闻实体要素的结构化提取，并且实现了新闻舆情风险事件的多分类模型训练与预测，可以同时预测数十种新闻事件的分类概率，输出分类概率矩阵与最高置信度的事件类别，大幅提高了新闻风险事件识别的准确率与详细程度。

优选的，所述命名实体识别终端包括用于对新闻文本中的实体要素进行标注的实体要素标注模块、用于训练命名实体识别模型的命名实体识别模型训练模块和用于提取命名实体矩阵及其置信概率矩阵P1的命名实体要素提取模块。

优选的，所述新闻事件分类终端包括用于对新闻事件进行标注的新闻事件标注模块、用于训练Transformer模型的Transformer训练模块和用于输出风险事件类别E2及其对应的置信概率P2的新闻事件分类模块。

优选的，所述新闻舆情预警终端包括：