(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210314718.2 (22)申请日 2022.03.29 (71)申请人 中国电子科技 集团公司第三十 研究 所 地址 610000 四川省成 都市高新区创业路6 号 (72)发明人 饶志宏　王海兮　吴喆熹　王效武　 马军　常明芳　肖宁　周利均　 杨慧　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 专利代理师 孙元伟 (51)Int.Cl. G06F 16/35(2019.01) G06F 40/205(2020.01)G06F 40/30(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于量化计算的舆论场趋势预测分析 方法 (57)摘要 本发明公开了一种基于量化计算的舆论场 趋势预测分析方法， 属于舆情分析技术领域， 包 括步骤： S1， 获取基础数据； S2， 基于获取的基础 数据， 进行立场检测及基于发言时机因素的立场 趋势分析， 构建舆论趋势走向判断规则生成样本 集； S3， 构建基于发言账号和发言内容的舆论趋 势走向预测神经网络模型TFNN； S4， 利用步骤S2 的构建趋势走向判断规则生成样本集得到的样 本数据， 训练步骤S3的TFNN模型， 得出舆论趋势 走向预测结果。 本发明能够对新时期网络社会的 科学治理和媒体平台舆论走向判断提供科学， 有 效的决策建议。 权利要求书2页 说明书7页 附图5页 CN 114461807 A 2022.05.10 CN 114461807 A 1.一种基于量 化计算的舆论场趋势预测分析 方法， 其特 征在于， 包括 步骤： S1， 获取基础数据； S2， 基于获取的基础数据进行立场检测及考虑时机因素的立场趋势分析， 构建舆论趋 势走向判断规则生成样本集； S3， 构建舆论趋势走向预测神经网络模型TFNN， 所述舆论趋势走向预测神经网络模型 TFNN包括输入层、 表示层和输出层， 在表示层设有一层第一全连接层和第一激活层， 在输出 层设有一层第二全连接层和第二激活层； S4， 利用步骤S2的构建舆论趋势走向判断规则生成样本集得到的样本数据， 训练步骤 S3中的所述舆论趋势走向预测 神经网络模型TFN N， 实现舆论趋势走向预测。 2.根据权利要求1所述的基于量化计算的舆论场趋势预测分析方法， 其特征在于， 在步 骤S1中， 根据指定的主题从社交网络平台采集主贴以及评论内容数据， 作为基础数据。 3.根据权利要求2所述的基于量化计算的舆论场趋势预测分析方法， 其特征在于， 在步 骤S2中， 所述进行立场检测及考虑时机因素的立场趋势分析， 包括子步骤： S21， 评论文本立场检测： 根据评论内容对主贴 内容、 主题所持立场分析出评论文本内容对目标主题的立场倾向是 “支持”、“反对”还 是“中立”， 实现评论内容 立场检测； S22， 立场趋势分析： 在步骤S2 1中取得评论文本内容的立场之后， 进行相应主题下所有 评论的立场趋势分析， 生成 “支持”、“反对”、“中立”三个立场集 合； S23， 使用LSTM模型对步骤S22中立场的变化趋势进行预测， 选择立场变化中的最佳拐 点作为舆论影响时机作为判断趋势走向因素之一。 4.根据权利要求1所述的基于量化计算的舆论场趋势预测分析方法， 其特征在于， 在步 骤S2中， 所述构建舆论趋势走向判断规则生成样本集， 包括子步骤： SS21， 趋势平滑： 建立各立场人数占比随总发帖量的趋势变化的趋势图曲线并进行平 滑处理， 然后使用最小二乘法将数据的一个小窗口回归到多项式上， 然后使用多项式来估 计窗口中心的点， 最后窗口向前移动一个数据点， 使用最小二乘法将数据窗口回归到多项 式， 使用多 项式来估计窗口中心点， 直到每 个点相对于邻居都进行了最佳调整； SS22， 趋势图曲线拐点检测： 采用滑动窗口算法并将其扩展以找到多个变化点， 将两个 相邻的窗口沿着信号滑动， 计算第一窗口和第二窗口之间的差异； 当这两个窗口包含不相 似的片段时， 如果计算得到的差异 值大于设定值， 则检测得到一个拐点； 并通过在离线设置 中， 计算得到完整的差异曲线并执行峰值搜索过程以找到拐点索引， 最后对平滑后的趋势 曲线进行拐点检测标注； SS23， 趋势段选取： 基于步骤SS22中在趋势曲线标注的拐点， 计算趋势曲线中上升幅度 最大的一段作为样本提取出来， 将与趋势曲线同立场的评论标注为正样本， 其他立场的评 论标注为负 样本， 遵循此规则给 各评论打标签， 所述标签作为趋势影响力得分的考 量； SS24， 样本趋势走向判断规则制定： 样本的趋势走向判断机制由评论社交账户基本信 息得分与本次评论社交账户对立场趋势影响力得分的和构成； Score_User  = w_property  * Score(property)  + w_behavior * Score(behavior) （1） 式 （1） 中， Score_User代表人物画像总得分， Score(propert y)代表人物账户属性得分，权　利　要　求　书 1/2 页 2 CN 114461807 A 2w_property代表基本属性权重比例， Score(behavior)代表行为属性得分， w_behavior代表 行为属性权 重比例； Score_Fi nal = Score_User  * W_User + Score_label*  W_label （2） 式 （2） 中， Score_label为评论社交账户对立场 趋势的影响力得分， 且得分规则如下： 评 论成功影响了一位其他立场人员的评论， 则该评论得第一设定数值分数； 评论成功增加了 本立场人数， 该评论得第二设定数值分数； 评论未能增加本立场人数， 该评论得第三设定数 值分数； 评论使本立场人数降低， 该评论得第四设定数值分数； W_lab el代表趋势影响力得 分权重比例； W_User代表人物账户属性权重比例； Score_Final代表样本趋势走向最终得 分； SS25， 构建样本特征， 所述样本特征包括人物账户属性特征、 评论 内容语义特征和主题 立场语义特征； 然后通过所述样本特征计算得出Score_Final， 利用该Score_Final的结果 作为预测有效影响舆论走势的结论。 5.根据权利要求4所述的基于量化计算的舆论场趋势预测分析方法， 其特征在于， 在步 骤S3中， 包括子步骤： 将人物账户属性特征、 评论内容语义特征和主题立场语义特征作为神 经网络模型TFN N模型的输入特 征。 6.根据权利要求1所述的基于量化计算的舆论场趋势预测分析方法， 其特征在于， 在步 骤S4中， 影响舆论趋势走向预测的因素包括发言时机、 发言内容、 发言账号。 7.根据权利要求4所述的基于量化计算的舆论场趋势预测分析方法， 其特征在于， 在步 骤SS21中， 所述平 滑处理采用Savitzky ‑Golay filter平滑处理。 8.根据权利要求4所述的基于量化计算的舆论场趋势预测分析方法， 其特征在于， 在步 骤SS25中， 所述评论内容语义特 征根据sentence_ber t模型输出 得到。 9.根据权利要求4所述的基于量化计算的舆论场趋势预测分析方法， 其特征在于， 在步 骤SS25中， 通过将评论内容、 主题内容、 选定的评论文本内容对目标主题的立场倾向输入 sentence_bert模 型， 输出语义向量， 能够表征评论内容的语义、 主题以及立场， 得到所述主 题立场语义特 征。权　利　要　求　书 2/2 页 3 CN 114461807 A 3