進(jìn)入互聯(lián)網(wǎng)2.0的時(shí)代以來(lái),進(jìn)入到互聯(lián)網(wǎng)信息井噴的時(shí)代,互聯(lián)網(wǎng)媒體的迅速發(fā)展使其成為社會(huì)信息流通傳遞、參與社會(huì)公共事務(wù)的重要渠道,網(wǎng)絡(luò)輿論監(jiān)督、大數(shù)據(jù)分析與應(yīng)用業(yè)已成為政府社會(huì)治理的重要途徑。目前傳統(tǒng)的輿情分析是建立在統(tǒng)計(jì)與規(guī)則之下的系統(tǒng)架構(gòu),通過(guò)長(zhǎng)期的詞表篩選和人工審核來(lái)建立更加完善的規(guī)則機(jī)制。但互聯(lián)網(wǎng)信息量呈指數(shù)級(jí)發(fā)展,繼續(xù)加大人力投入,基本成為不可能的事情。因此,探索與尋找一條智能化信息處理方式,能夠快速處理當(dāng)前呈爆炸式增長(zhǎng)的數(shù)據(jù),成為當(dāng)前迫在眉睫的主要任務(wù)。本文著重對(duì)高危預(yù)警模塊進(jìn)行研究,建立具有高召回率的模塊,分析如何將相關(guān)突發(fā)事件快速準(zhǔn)確的推送給相關(guān)部門(mén)機(jī)構(gòu)是需要重點(diǎn)突破的研究方向。本文通過(guò)重新設(shè)計(jì)重要度模塊,重寫(xiě)重要度預(yù)警規(guī)則,通過(guò)深度學(xué)習(xí)與機(jī)器學(xué)習(xí)算法結(jié)合的方式來(lái)提高召回率與準(zhǔn)確率。具體完成的工作有以下幾點(diǎn):（1）本文進(jìn)行了語(yǔ)料的預(yù)處理以及粗標(biāo)注,構(gòu)建“信息介入”模型的語(yǔ)料。構(gòu)建多模式字符串匹配算法AC自動(dòng)機(jī)進(jìn)行語(yǔ)料的篩選。（2）構(gòu)建深度學(xué)習(xí)模型BiLSTM神經(jīng)網(wǎng)絡(luò)對(duì)“信息介入”模型進(jìn)行文本分類(lèi)算法的訓(xùn)練,將語(yǔ)料文本分為三大類(lèi)（介入、非介入、不相關(guān)）。數(shù)據(jù)集采用2017... 

【文章來(lái)源】：內(nèi)蒙古大學(xué)內(nèi)蒙古自治區(qū) 211工程院校

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Sgmoid曲線

將 one-hot 形式的詞向量輸入到單層神經(jīng)網(wǎng)絡(luò)模型當(dāng)中，其中輸入層該和 one-hot 表示方式的詞向量維數(shù)相對(duì)應(yīng)。比如，輸入詞是“皇宮”，向量[0,1,0,0]，那么，應(yīng)該設(shè)置輸入層的神經(jīng)元的數(shù)量就應(yīng)該是 4。通過(guò)神經(jīng)網(wǎng)絡(luò)中的映射層中的激活函數(shù)，計(jì)算目標(biāo)單詞與其他詞匯的關(guān)，使用了負(fù)采樣的方式來(lái)提高其訓(xùn)練速度和正確率。通過(guò)使用隨機(jī)梯度下降算法來(lái)計(jì)算損失值。通過(guò)反向傳播算法更新每個(gè)神經(jīng)元節(jié)點(diǎn)的權(quán)重值和偏向值。ord2Vec 的本質(zhì)其實(shí)是一種降維操作，將 one-hot 形式的詞向量轉(zhuǎn)化為 ec 有兩種訓(xùn)練詞向量的方式。通過(guò)兩種不同的訓(xùn)練方式訓(xùn)練得到結(jié)果網(wǎng)絡(luò)進(jìn)行詞關(guān)聯(lián)的訓(xùn)練是這兩種方法的相同的地方。BOW 模型（Continuous Bag-of-Words Model）

基于自然語(yǔ)言處理的互聯(lián)網(wǎng)輿情高危信息處理模塊的研究型的特點(diǎn)是輸入已知上下文，輸出對(duì)當(dāng)前單詞的預(yù)測(cè)。似然函數(shù)進(jìn)行參數(shù)的估計(jì)：=wc logp(w|Context(w))示訓(xùn)練 Context 中任意一個(gè)詞。首先輸入的是 one-hot 向量，有激活函數(shù)，輸出層是一個(gè) softmax 層，輸出一個(gè)概率分布，。m 模型（Continuous Skip-gram Model）只是逆轉(zhuǎn)了 CBOW 的因果關(guān)系而已，即已知當(dāng)前詞語(yǔ)，預(yù)測(cè)

【參考文獻(xiàn)】：
期刊論文
[1]基于AC自動(dòng)機(jī)和貝葉斯方法的垃圾內(nèi)容識(shí)別[J]. 丁川蕓,蘭全祥.  黑龍江工業(yè)學(xué)院學(xué)報(bào)(綜合版). 2019(02)
[2]基于馬爾可夫鏈的涉警輿情預(yù)警方法研究[J]. 王敘然,張鵬.  武警學(xué)院學(xué)報(bào). 2018(12)
[3]基于GBDT等數(shù)據(jù)挖掘算法的場(chǎng)景用戶(hù)識(shí)別方法[J]. 陳曉芳,張?zhí)祉?張儒申,皇甫俊偉,王征,趙琦琦.  電信科學(xué). 2018(S2)
[4]基于深度學(xué)習(xí)的文本分類(lèi)系統(tǒng)關(guān)鍵技術(shù)研究與模型驗(yàn)證[J]. 汪少敏,楊迪,任華.  電信科學(xué). 2018(12)
[5]國(guó)內(nèi)外網(wǎng)絡(luò)輿情演化、預(yù)警和應(yīng)對(duì)理論研究綜述[J]. 王蘭成,陳立富.  圖書(shū)館雜志. 2018(12)
[6]網(wǎng)絡(luò)輿情傳播事件預(yù)警機(jī)制與瀆職偵辦規(guī)制研究[J]. 苗玲玲,王飛,孫培炎.  新聞愛(ài)好者. 2018(11)
[7]基于LSTM的金融新聞傾向性[J]. 鄭國(guó)偉,呂學(xué)強(qiáng),夏紅科,周建設(shè).  計(jì)算機(jī)工程與設(shè)計(jì). 2018(11)
[8]梯度提升樹(shù)在月售電量預(yù)測(cè)中的應(yīng)用[J]. 李歡歡,王紫鵬,倪平波,張強(qiáng).  電子世界. 2018(21)
[9]因子分解機(jī)應(yīng)用[J]. 張華南.  電子技術(shù)與軟件工程. 2018(19)
[10]基于XGBoost算法的用戶(hù)行為預(yù)測(cè)與風(fēng)險(xiǎn)分析[J]. 邱耀,楊國(guó)為.  工業(yè)控制計(jì)算機(jī). 2018(09)

博士論文
[1]面向公共危機(jī)預(yù)警的網(wǎng)絡(luò)輿情分析研究[D]. 董堅(jiān)峰.武漢大學(xué) 2013

碩士論文
[1]基于用戶(hù)畫(huà)像和因子分解機(jī)的推薦算法研究[D]. 楊捷.中北大學(xué) 2018
[2]基于LSTM模型分析的酒店智能推薦系統(tǒng)研究[D]. 劉燁.上海師范大學(xué) 2018
[3]基于機(jī)器學(xué)習(xí)的情感分析方法研究[D]. 張磊.電子科技大學(xué) 2018
[4]基于概率模型檢驗(yàn)的車(chē)載無(wú)線自組織網(wǎng)絡(luò)路由協(xié)議研究[D]. 王峰.南京郵電大學(xué) 2017
[5]面向政務(wù)需求的網(wǎng)絡(luò)輿情分析方法研究[D]. 張祥.電子科技大學(xué) 2017
[6]基于EMD-XGBoost-AR模型的網(wǎng)絡(luò)輿情預(yù)測(cè)研究[D]. 黃艷瑩.廣東工業(yè)大學(xué) 2017
[7]基于自然語(yǔ)言處理的社交網(wǎng)絡(luò)數(shù)據(jù)挖掘研究[D]. 張培華.華北電力大學(xué) 2017
[8]基于貝葉斯算法的屏蔽策略?xún)?yōu)化研究及手機(jī)助手系統(tǒng)實(shí)現(xiàn)[D]. 于杰.北京交通大學(xué) 2016
[9]基于比特并行的字典搜索的研究與實(shí)現(xiàn)[D]. 葉成東.吉林大學(xué) 2016
[10]微博文本情感分類(lèi)研究[D]. 陳思.吉林大學(xué) 2016



本文編號(hào)：2988872