热点事件状态评估方法与流程

1.本发明涉及信息处理领域的热点事件分析技术，具体涉及事件现状评估方法，尤其是融入专家知识的热点事件状态评估方法。


背景技术：

2.当今世界全球化使得人类所处的环境越来越复杂，社会的流动性和复杂性随之迅速增加，现代社会的高速发展导致各个领域和系统的耦合与关联越来越复杂，社会系统的脆弱性也越来越大。在这种背景下，越来越多的不确定因素导致了突发事件、热点事件的发生。热点事件是指在一定时间内出现的引发社会广泛关注或引起社会反响较大的事件和问题。一个事件成为热点，或经一定时期的传播和酝酿逐渐形成，或因某种被压抑的社会情绪宣泄而突然爆发。突发事件或热点事件的应对往往需要在风险巨大且时间有限的情况下进行，准确评估出事件的状态，及时地制定出相应的决策，具有较高的时效性和精准性要求。
3.互联网的发展改变了人们获取信息的方式，开源互连网络是获取事件数据最直接的来源。大数据舆情分析研判是舆情工作者通过收集分析互联网上关于社会热点或网民关注焦点事件的大量消息报道，发掘背后隐藏关系，进而预测事态发展趋势，为舆情事件处置提供决策参考。网络舆情事件由于主要通过网络传播，而网络也是一个公众性极为突出的平台，因此对于其发生的舆情事件的分析也能够非常容易的通过数据运算实现。网络舆情事件虽然传播于网络，但一般仍然是以现实社会为基础所产生的，因此其现实意义也非常重要，通过对网络上的舆情发生和走向分析，能够从一定程度上反映出社会中的实际舆情走向。微观角度分析网络舆情事件主要就是根据网络上的事件点击、转发、讨论人数等具体信息进行数据的统计、计算和分析，这种分析更加注重实际的网络数据，虽然其结果更加具体化，但由于网络信息量的庞大，其分析工作量也是同样巨大。对网络舆情信息的文档选择和摘要可以通过人工去实现，也可以通过开发的应用程序由机器系统辅助实现。如蚁坊软件的智能化网络舆情分析应用系统中含有自动文档摘要、数据收集分析功能。但是面对海量的网络信息，人们往往只能管中窥豹，不能从整体上把握网络的热点；另一方面，对于同一热点事件的描述，由于信息发布者的角度和立场的不同，网络信息报道方式往往各不相同，信息真实性和全面性也参差不齐。这对事件数据获取的全面性和评估模型的鲁棒性提出了考验。
4.在网络舆情事件的识别与检测中，识别是一项相对比较简单的工作，根据具体的网络事件热度进行简单分析就能够判定出是否热点事件，而舆情事件的热点检测是一项对具体数据要求较高的工作任务，因此需要有准确的数据统计、计算和对比分析才能实现。另外舆情事件最大的特点就是变化性强，根据不同时期事件的发展变化走向，需要进行同步信息和数据的掌握，才能够随时准确的反映事件的热点程度，从而全面的掌握网络舆情走向。同时根据事件的多面性也要针对不同的事件反映或讨论结果进行多元化信息分析，对比结果或讨论观点的热度走向等，进而做出相应的舆论干预策略。舆情风险评估是舆情管理的重要组成部分，也是防范负面舆论快速扩散的基础，如果能在舆情风险出现苗头时就
进行干预和有效沟通，就可能提前化解某些潜在风险和更大的隐患。舆情风险评估是开展舆情引导的重要环节。在新传播环境下，开展舆情处置需要关口前移，科学把握舆论的生成和演化规律，构建更加科学的舆情风险评估体系。风险评估模型是较为成熟的一种评估方法，由风险分析、风险评价和风险评估三部分组成。风险分析包括定性风险分析和定量风险分析。定性风险分析是指以完全定性的方法确定概率和后果。定量风险分析对概率及后果进行数学估算，需考虑相关的不确定性因素。风险评价是在风险分析的基础上，考虑社会、经济、环境等方面的因素，对风险的容忍度做出判断过程。将风险分析和风险评价连接起来的整体即为风险评估。可以看出风险评估模型系统关联性强，但复杂度高、可移植性差、时效性低。目前研究中的评估指标体系和评估模型复杂多样，操作性较差，适用范围有限。
5.目前采用多假设分析方法主要是通过几个步骤完成状态评估。第一步先提出针对关注热点事件的状态的几种假设；第二步列举出所有相关指标；第三步制作矩阵图，把第一步得到假设和第二步得到指标放入矩阵图，横行是各种假设，竖列是证据和论据；第四步对每种假设的可能性做出临时结论；第五步把某些比较接近的假设予以合并；第六步找出表明事态正朝着意想不到的方向发展的关键指标；第七步专家根据经验打分后统计得出得分最高的假设，作为热点事件的最可能状态。可以看出多假设分析方法简单，但是人工参与较多、对专家知识依赖强，智能化水平不高。
6.综上所述，本发明针对目前热点事件现状评估技术存在的短板弱项，提出了一种融入专家知识的热点事件状态评估方法，实现关注热点事件状态的智能化定量估计。


技术实现要素：

7.本发明的发明目的是针对目前事件状态估计方法存在的人工参与度高、智能化水平低、主观偏差大、计算效率慢等问题，提供一种能够改善评估模型精确性，提高计算效率，智能化融入专家知识的事件状态评估方法。
8.本发明的上述目的可以通过以下技术方案予以实现：一种热点事件状态评估方法，其特征在于包括如下步骤：量化评估模型生成：根据关注的重/热点事件，以专家知识为驱动完成多层次多粒度指标体系构建和评估结论构建，全方位覆盖当前关注热点事件的各个维度；基于评估指标体系和评估结论，结合专家知识库，完成评估指标对评估结论支撑度的矩阵图填充、矩阵图更新和矩阵图量化，生成量化评估模型；语义匹配评估：以量化评估模型为基础，根据热点事件发现结果，提取开源热点事件新闻数据中的事件句、言论句作为指标数据，从指标数据库提取待量化指标数据进行指标类型判别，根据量化矩阵图，通过指标数据与评估指标的语义相似度匹配计算，得到指标数据的量化权重，智能融入专家知识库专家知识自动完成新矩阵图构建，然后进行结论置信度计算，通过每个结论对应的量化权重统计与归一化计算，得到当前热点事件状态的初步定量估计；深度分类评估：在半自动化评估矩阵图达到一定数量的阈值后，根据新矩阵图输出的指标数据+量化标签进行深度分类模型训练，从指标数据库提取待量化指标数据，利用分类模型进行指标数据分类权重量化，并更新矩阵图元素，自动计算指标数据对事件状态的支撑度，完成事件状态的深度自动化定量估计。
9.本发明相比于现有技术具有如下有益效果：本发明根据关注的重/热点事件，以专家知识为驱动完成多层次多粒度指标体系构建和评估结论构建，全方位覆盖当前关注热点事件的各个维度；基于评估指标体系和评估结论，结合专家知识库，完成评估指标对评估结论支撑度的矩阵图填充、矩阵图更新和矩阵图量化，生成量化评估模型，通过多粒度评估指标体系构建，全方位覆盖当前关注热点事件的各个维度，提升了评估指标体系的全面性。本发明以量化评估模型为基础，根据热点事件发现结果，提取开源热点事件新闻数据中的事件句、言论句作为指标数据，从指标数据库提取待量化指标数据进行指标类型判别，根据量化矩阵图，通过指标数据与评估指标的语义相似度匹配计算，得到指标数据的量化权重，智能融入专家知识库专家知识自动完成新矩阵图构建，然后进行结论置信度计算，通过每个结论对应的量化权重统计与归一化计算，得到当前热点事件状态的初步定量估计，这种以专家知识驱动事件状态评估结论的建立，明确了评估的方向性；通过评估指标体系和评估结论构建热点事件评估模型，有效改善了评估模型的精确性。
10.本发明结合专家知识库输出的经验知识，进行结论置信度计算，在半自动化评估矩阵达到一定数量的阈值后，采用深度神经网络分类模型深度分类评估，自动完成事件数据对事件状态的支撑度计算，完成深度自动化定量估计事件状态。这种以量化评估模型为基础，采用语义相似度匹配计算和深度神经网络分类完成当前热点事件状态的定量评估，通过智能化方式融入专家知识完成热点事件状态估计，智能化水平高。
11.本发明提出的评估技术不局限于某一领域的热点事件评估，其可适用于金融、政外、军事、安全等类型热点事件，具有很好的普适性和实用性，是各行各业的分析决策人员的得力帮手。
附图说明
图1是本发明融入专家知识的热点事件状态评估方法流程框图；图2是量化评估模型构建示意图；图3是图1语义匹配评估的流程图；图4是图1深度分类评估的流程图；
具体实施方式
13.参阅图1。根据本发明，采用如下步骤：量化评估模型生成构建：根据关注的重/热点事件，以专家知识为驱动完成层次指标体系构建和评估结论构建，全方位覆盖当前关注热点事件的各个维度；基于评估指标体系和评估结论，结合专家知识库专家所给出估计结论和指标及其两者关系修正，完成评估指标对评估结论支撑度的矩阵图填充、矩阵图更新和矩阵图量化，生成量化评估模型，构建多粒度评估指标体系；语义匹配评估：以量化评估模型为基础，根据热点事件发现结果，提取开源热点事件新闻数据中的事件句、言论句作为指标数据，从指标数据库提取待量化指标数据进行指标类型判别，根据来自矩阵图量化、字典量化和指标类别进行指标量化值确定，通过评估指标的语义相似度匹配计算，得到指标数据的量化权重，智能融入专家知识库专家知识并自
动完成新矩阵图构建，然后进行结论置信度计算，通过每个结论对应的量化权重统计与归一化计算，得到当前热点事件状态的初步定量估计；深度分类评估：在半自动化评估矩阵图达到一定数量的阈值后，根据新矩阵图输出的指标数据+量化标签进行深度分类模型训练，从指标数据库提取待量化指标数据，利用分类模型进行指标数据分类权重量化，结合专家知识库专家知识和量化权重，对新矩阵图元素更新，自动计算指标数据对事件状态的支撑度，采用语义相似度匹配计算和深度神经网络分类完成当前热点事件状态的定量评估和结论置信度计算，完成事件状态的深度自动化定量估计。
14.在可选的实施例中，热点事件状态评估方法采用包括量化评估模型构建、语义匹配评估和深度分类评估三部分；量化评估模型构建部分基于热点事件发现的事件数据建立多粒度评估指标体系和事件状态预估结论，结合融入专家经验知识，完成量化评估模型构建；语义匹配评估部分以量化评估模型为基础，通过语义相似度匹配计算的方法完成热点事件状态初步估计；深度分类评估部分在半自动化评估矩阵达到一定数量的阈值后，通过深度神经网络分类模型实现事件数据对事件状态的支撑度计算，完成深度自动化定量估计事件状态。
15.参见图2。量化评估模型构建分为评估指标构建、评估结论预置和量化评估模型生成三部分，其中，评估指标构建根据专家经验知识，从事件数据中提炼出满足指标覆盖的典型性指标，以满足指标覆盖的全面性；评估结论预置部分则依据用户需求对当前热点事件估计的状态进行文字化呈现；在量化评估模型生成中，基于评估指标和评估结论，结合专家知识完成评估指标对评估结论支撑度的打分，最终生成量化评估模型。
16.参见图3。在语义匹配评估阶段，量化评估模型将指标数据与评估指标进行语义相似度匹配，通过bert预训练模型完成指标数据和评估指标的语义特征提取，以余弦距离作为相似度衡量标准，将每一条指标数据匹配到相应的评估指标，获得匹配结果。语义匹配模型将相应评估指标对评估结论的支撑度赋值给对应的指标数据，生成语义匹配评估矩阵。匹配评估矩阵通过计算每条评估结论下指标数据对其支撑度的统计和归一化后，得到当前热点事件状态的定量估计。
17.参见图4。在深度分类评估中，深度神经网络根据标签定义将语义匹配评估矩阵中的数据进行整合，形成带有标签训练数据的深度神经网络分类模型，同时将训练数据输入深度神经网络分类模型训练完成后，生成深度分类评估矩阵。深度分类评估模型在当新的指标数据输入时，自动以分类方式完成指标数据对评估结论支撑度的计算，实施持续性的热点数据分类和统计归一化计算，得到当前事件状态的深度定量估计。
18.以上所述为本发明较佳实施例，应该注意的是上述实施例对本发明进行说明，然而本发明并不局限于此，并且本领域技术人员在脱离所附权利要求的范围情况下可设计出替换实施例。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。