一种智慧城市舆情事件预测算法
阅读：1011发布：2020-07-15
专利汇可以提供一种智慧城市舆情事件预测算法专利检索，专利查询，专利分析的服务。并且一种智慧城市舆情事件预测 算法 ，预测算法包括如下步骤：步骤一，采集城市舆情获得原始的舆情；步骤二，对原始的舆情信息数据进行处理并储存至 数据库 内；步骤三，所述数据库包括分词系统，分词系统包括语义分析算法，通过所述语义分析算法可将舆情信息分解成热词；步骤四，所述预测算法包括神经网络，所述神经网络包括 输入层 、 隐藏层 和 输出层 ；步骤五，输入舆情中的所述热词，多个所述热词位于所述输入层神经元，单个所述热词对应有多个词性，多个所述词性位于隐藏层神经元，所述输出层神经元对应所述隐藏层神经元的含义可进行事件预测，该设计有效解决了城市管理中对舆情发展趋势的预判。，下面是一种智慧城市舆情事件预测算法专利的具体信息内容。
1.一种智慧城市舆情事件预测算法，其特征在于：所述预测算法包括如下步骤：步骤一，采集城市舆情获得原始的舆情，所述舆情包括舆情信息，所述舆情信息包含舆情时间、舆情地点和舆情描述；步骤二，对原始的舆情信息数据进行处理并储存至数据库内；步骤三，所述数据库包括分词系统，所述分词系统包括可进行词汇分析的语义分析算法，所述语义分析算法包括历年城市舆情的数据，通过所述语义分析算法可将舆情信息分解成热词；
步骤四，所述预测算法包括神经网络，所述神经网络包括输入层、隐藏层和输出层，对输入层、隐藏层和输出层进行关系建模，所述输入层设置有输入层神经元，所述隐藏层设置有隐藏层神经元，所述输出层设置有输出层神经元；步骤五，所述预测算法包括卷积神经网络算法，多个所述热词位于所述输入层神经元，所述热词通过卷积神经网络算法计算对应有多个词性，多个所述词性位于隐藏层神经元，所述输出层神经元通过卷积神经网络算法计算所述词性的含义可进行事件预测。
2.根据权利要求1所述的一种智慧城市舆情事件预测算法，其特征在于，所述语义分析算法包括单词查找树和隐马尔科夫模型，所述单词查找树，所述单词查找树包括字符、字符串、节点和根节点，所述根节点不包含字符，除根节点外每一个节点都只包含一个字符，从根节点到某一节点，路径上经过的字符连接起来，为该节点对应的字符串，每个节点的所有子节点包含的字符都不相同，所述隐马尔科夫模型包括状态集合和概率矩阵，所述状态集合包括隐含状态S和可观测状态O，所述概率矩阵包括初始状态概率矩阵 π、隐含状态转移概率矩阵 A和观测状态转移概率矩阵 B，通过所述单词查找树和隐马尔科夫模型可将舆情信息分解成热词。
3.根据权利要求1所述的一种智慧城市舆情事件预测算法，其特征在于，所述隐藏层对应热词计算词性的算法表示为 ，其中xi由单位时间内所
述热词发生的频率以及地点决定，xi为单位时间内所述热词发生地点区域范围内的所述热词除以单位时间内所述热词发生地点区域范围内所有热词的百分比，Wi初始值为1，b简化成0，所述热词和词性形成输入层到隐藏层的神经网络，并且根据热词热度xi的计算生成不同的词性，多个所述热词经隐藏层计算生成多个词性组。
4.根据权利要求4所述的一种智慧城市舆情事件预测算法，其特征在于，所述词性组经隐藏层对应词性的算法 再次运算，Hw,b为最终流向的事
件预测的概率，求和公式中的每一项都是生成某一个可能发生事件的权值，其中，xi为单位时间内该热词词性的命中频率除以该词性的总命中频率，Wi初始值为1，b简化成0，i=1到n代表所有生成该预测事件的热词的概率和，通过对所有可能的预测的概率和的大小的排序，计算出所述舆情可能引起的事件预测的概率排序。
5.根据权利要求1所述的一种智慧城市舆情事件预测算法，其特征在于，所述预测算法还包括误差反向传播算法。
一种智慧城市舆情事件预测算法
技术领域
[0001] 本发明涉及一种预测算法，尤其涉及一种智慧城市舆情事件预测算法。
背景技术
[0002] 随着社会城市化的发展，我国的城市化水平越来越高，城市的规模越来越大，城市的运行越来越复杂，如何保证社会的稳定，保证整个社会的安定就成为了城市管理者的一个很重要的课题，在传统的处理方法中，城市管理者通过基层网格员的上报来发现问题、处理问题，这样就出现了问题发现不及时或者等到问题已经发展到一定严重程度才（例如发生群体性事件）上报，造成问题处理成本很高以及引起很坏的社会影响。本算法利用多种方式采集社会舆情，通过对社会舆情的大数据采集，利用神经网络算法预测问题发展的趋势，帮助城市主管部门能够针对性地处理问题，把问题解决在苗头阶段，维持社会的稳定。
发明内容
[0003] 本发明为解决上述技术的不足，提供了一种智慧城市舆情事件预测算法，有效解决了城市管理中对舆情发展趋势的预判，帮助城市主管部门能够针对性地处理问题，把问题解决在苗头阶段，维持社会的稳定。
[0004] 本发明的技术方案：一种智慧城市舆情事件预测算法，所述预测算法包括如下步骤：步骤一，采集城市舆情获得原始的舆情，所述舆情包括舆情信息，所述舆情信息包含舆情时间、舆情地点和舆情描述；步骤二，对原始的舆情信息数据进行处理并储存至数据库内；步骤三，所述数据库包括分词系统，所述分词系统包括可进行词汇分析的语义分析算法，所述语义分析算法包括历年城市舆情的数据，通过所述语义分析算法可将舆情信息分解成热词；步骤四，所述预测算法包括神经网络，所述神经网络包括输入层、隐藏层和输出层，对输入层、隐藏层和输出层进行关系建模，所述输入层设置有输入层神经元，所述隐藏层设置有隐藏层神经元，所述输出层设置有输出层神经元；步骤五，所述预测算法包括卷积神经网络算法，多个所述热词位于所述输入层神经元，所述热词通过卷积神经网络算法计算对应有多个词性，多个所述词性位于隐藏层神经元，所述输出层神经元通过卷积神经网络算法计算所述词性的含义可进行事件预测。
[0005] 采用上述技术方案，智慧城市舆情事件预测算法的核心思想是基于大数据获取的背景下，建立数据库系统，再对数据库系统中的数据进行语义分析，得出每个事件的热词，然后对热词进行机器学习，获得关键性权重指标，创建事件舆情神经网络，步骤一中数据获取方式主要包括业务系统数据录入、主要的网站数据监测，外部系统事件推送等多种数据获得手段，相关事件梳理主要是基于城市管理历史舆情的经验值，列出事件矩阵和关联指标，步骤二中建立数据库主要以数据中心为基础，将步骤一中获得的事件数据入库，原始事件的捕获主要有下面几种手段：业务系统数据录入、主要的网站数据监测，外部系统事件推送等通过大量的事件数据获得数据分析样本，在初始时用于算法训练、后期用于事件的输入，再将原始的事件通过分词系统分解成热词，分词系统使用语义分析算法，根据舆情标准创建神经网络神经元，创建神经网络的输入层、隐藏层和输出层。其中输入层的神经元就是分词系统得出的热词，非热词将被舍弃。隐藏层的神经元是词性，每一个热词都有多个词性，通过对事件中所有关键字词性的综合运算得出其最有可能表达的含义，输出层的神经元是预测要发生的事件，通过含义的组合运算得出最有可能发生的事件，通过分词系统得出的热词，如果其没有在输入神经元中则加入输入神经元，并自动建立和隐藏层的联系，初始化此热词的权重，根据事件的实际处理结果获得前置事件并调整权重值，权重值的相关参数有热词出现频率、事件地域，当有新的事件输入的时候，首先分词得出热词（1到n个）, 将热词输入神经元，预测将要发生的事件，本发明用人工智能的算法，通过自主研发的智慧城市舆情预测算法，实现对于所有城市舆情的大数据研判，预测舆情的发展趋势，帮助城市管理单位能够预先干预，提升城市管理部门管理城市的效率，减少恶性事件的发生。
[0006] 本发明的进一步设置：所述语义分析算法包括单词查找树和隐马尔科夫模型，所述单词查找树，所述单词查找树包括字符、字符串、节点和根节点，所述根节点不包含字符，除根节点外每一个节点都只包含一个字符，从根节点到某一节点，路径上经过的字符连接起来，为该节点对应的字符串，每个节点的所有子节点包含的字符都不相同，所述隐马尔科夫模型包括状态集合和概率矩阵，所述状态集合包括隐含状态S和可观测状态O，所述概率矩阵包括初始状态概率矩阵 π、隐含状态转移概率矩阵 A和观测状态转移概率矩阵 B，通过所述单词查找树和隐马尔科夫模型可将舆情信息分解成热词。
[0007] 采用上述技术方案，语义分析算法基于trie树又称单词查找树，根节点不包含字符，除根节点外每一个节点都只包含一个字符； 从根节点到某一节点，路径上经过的字符连接起来，为该节点对应的字符串； 每个节点的所有子节点包含的字符都不相同，以及隐马尔科夫模型的语义分析算法，隐马尔可夫模型（HMM）可以用五个元素来描述，包括2个状态集合和3个概率矩阵：1. 隐含状态 S，这些状态之间满足马尔可夫性质，是马尔可夫模型中实际所隐含的状态。这些状态通常无法通过直接观测而得到，例如S1、S2、S3等等，2. 可观测状态 O，在模型中与隐含状态相关联，可通过直接观测而得到，例如O1、O2、O3等等，可观测状态的数目不一定要和隐含状态的数目一致，3. 初始状态概率矩阵 π，表示隐含状态在初始时刻t=1的概率矩阵，例如t=1时，P(S1)=p1、P(S2)=P2、P(S3)=p3，则初始状态概率矩阵 π=[ p1 p2 p3 ]，4. 隐含状态转移概率矩阵 A，描述了HMM模型中各个状态之间的转移概率，其中Aij = P( Sj | Si ),1≤i,,j≤N.表示在 t 时刻、状态为 Si 的条件下，在 t+1 时刻状态是 Sj 的概率，5. 观测状态转移概率矩阵 B ，令N代表隐含状态数目，M代表可观测状态数目，则：Bij = P( Oi | Sj ), 1≤i≤M,1≤j≤N.表示在 t 时刻、隐含状态是 Sj 条件下，观察状态为 Oi 的概率，此算法用于将采集的舆情分解成热词。分为这几步：1、在语义分析算法中，首先利用历年城市舆情的数据为基础，通过训练提取热词，生成符合城市管理热词要求的trie树，与普通的tried树不同的是在生成tried树的时候，对人名、地名、公司名做了处理，通过人名表、地名表、公司名表三张原始表加入生成tried树的运算，从而在分词的时候能够分离出准确人名、地名、公司名，在有新的舆情输入的时候，首先基于trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图。然后使用动态规划查找最大概率路径, 找出基于词频的最大切分组合，动态规划的步骤是, 先查找待分词句子中已经切分好的词语, 对该词语查找该词语出现的频率(次数/总数), 如果没有该词就把词典中出现频率最小的那个词语的频率作为该词的频率, 也就是说P(某词语)=FREQ.get(‘某词语’,min_freq), 然后根据动态规划查找最大概率路径的方法, 对句子从右往左反向计算最大概率, P(NodeN)=1.0, P(NodeN-1)=P(NodeN)*Max(P(倒数第一个词))…依次类推, 最后得到最大概率路径, 得到最大概率的切分组合，对于trie树中找不到的词，则采用隐马尔科夫算法，中文词汇按照开始位置（B），结束位置（E），中间位置（M），单独成词的位置（S）形成成词的四种状态，对于每个汉字都形成位置转换概率，即B（开头）,M（中间),E(结尾),S(独立成词）四种状态的转移概率，对于每个单字，利用条件概率P(E|B)，P(M|B)，P(M|M)，P(E|M)，P(S)获得最大成词概率，得出舆情的分词词组，将所有的分词转换成拼音，以消除舆情录入的时候输入谐音字，得出正确的分词词组，近义词转换，根据近义词表将近义词转换成标准词，对于发现的不准确的分词词组，则通过输入期望的分词结果的方法，利用最小二乘法纠正最大概率偏差，使得分词组合能够流向正确的路径，对于不在近义词表中的词语，则通过加入近义词表的方式增加近义词。
[0008] 本发明的进一步设置：所述隐藏层对应热词计算词性的算法表示为，其中xi由单位时间内所述热词发生的频率以及地点决
定，xi为单位时间内所述热词发生地点区域范围内的所述热词除以单位时间内所述热词发生地点区域范围内所有热词的百分比，Wi初始值为1，b简化成0，所述热词和词性形成输入层到隐藏层的神经网络，并且根据热词热度xi的计算生成不同的词性，多个所述热词经隐藏层计算生成多个词性组。
定，xi为单位时间内所述热词发生地点区域范围内的所述热词除以单位时间内所述热词发生地点区域范围内所有热词的百分比，Wi初始值为1，b简化成0，所述热词和词性形成输入层到隐藏层的神经网络，并且根据热词热度xi的计算生成不同的词性，多个所述热词经隐藏层计算生成多个词性组。
[0009] 采用上述技术方案，卷积神经网络算法中实现输入层、隐藏层、输出层神经元建模，输入层比较简单，就是输入通过分词算法语义分析算法得出的拼音组，隐藏层主要用处是将词对应成词性，就是每个词代表的真实情绪，其使用的是卷积神经网络算法，每个词都会对应多个词性，假设每个词性都有n个词性，则隐藏层每个单元如下：其对应的数学公式为： ，在本发明中，xi由单位时间内热词发生的频率以及地点决定，即单位时间内热词发生的区域范围内的热词发生频率/单位时间内总热词发生频率，Wi为固定的常量，即根据历史经验获得的含有该热词的舆情最终发展成的后续事件的条件概率,此为初始值，为b简化成0，这样热词和词性就形成了输入层到隐藏层的的神经网络，并且热词会根据Wi流向不同的词性。所有热词经过神经网络隐藏层会得出一个词性组。通过使用的是卷积神经网络算法，每个热词都会对应多个词性，得出词性组，卷积可以识别边缘，识别纹理，然后通过不断的卷积，提取出抽象的特征，采用卷积神经网络算法有效实现图像识别。
[0010] 本发 明的 进一 步设 置 ：所述 词性组 经隐 藏层 对应 词性的 算 法再次运算，Hw,b为最终流向的事件预测的概率，求和公式中的每一项都是生成某一个可能发生事件的权值，其中，xi为单位时间内该热词词性的命中频率除以该词性的总命中频率，Wi初始值为1，b简化成0，i=1到n代表所有生成该预测事件的热词的概率和，通过对所有可能的预测的概率和的大小的排序，计算出所述舆情可能引起的事件预测的概率排序。
[0011] 采用上述技术方案，得出词性组后，需要从词性组预测事件，按城市管理事件等级以及处理方式标准定义，其算法和输入层到隐藏层的算法一样，都是用卷积神经网络算法，只是xi为单位时间内词性的命中频率/总命中频率，这样就能得出此舆情可能引起的事件的预测。
[0012] 本发明的进一步设置：所述预测算法还包括误差反向传播算法。
[0013] 采用上述技术方案，如果最终事件的流向错误不存在，则先将不存在的事件作为一个输出节点加入，然后用最小二乘法调整该事件热词的Wi，使得不改变原来的事件的输出流向的前提下当前舆情流向正确的方向，以此获得最佳函数匹配，防止误差的扩散。附图说明
具体实施方式
[0015] 如图1所述的一种智慧城市舆情事件预测算法，所述预测算法包括如下步骤：步骤一，采集城市舆情获得原始的舆情，所述舆情包括舆情信息，所述舆情信息包含舆情时间、舆情地点和舆情描述；步骤二，对原始的舆情信息数据进行处理并储存至数据库内；步骤三，所述数据库包括分词系统，所述分词系统包括可进行词汇分析的语义分析算法，所述语义分析算法包括历年城市舆情的数据，通过所述语义分析算法可将舆情信息分解成热词；步骤四，所述预测算法包括神经网络，所述神经网络包括输入层、隐藏层和输出层，对输入层、隐藏层和输出层进行关系建模，所述输入层设置有输入层神经元，所述隐藏层设置有隐藏层神经元，所述输出层设置有输出层神经元；步骤五，所述预测算法包括卷积神经网络算法，多个所述热词位于所述输入层神经元，所述热词通过卷积神经网络算法计算对应有多个词性，多个所述词性位于隐藏层神经元，所述输出层神经元通过卷积神经网络算法计算所述词性的含义可进行事件预测。
[0016] 智慧城市舆情事件预测算法的核心思想是基于大数据获取的背景下，建立数据库系统，再对数据库系统中的数据进行语义分析，得出每个事件的热词，然后对热词进行机器学习，获得关键性权重指标，创建事件舆情神经网络，步骤一中数据获取方式主要包括业务系统数据录入、主要的网站数据监测，外部系统事件推送等多种数据获得手段，相关事件梳理主要是基于城市管理历史舆情的经验值，列出事件矩阵和关联指标，步骤二中建立数据库主要以数据中心为基础，将步骤一中获得的事件数据入库，原始事件的捕获主要有下面几种手段：业务系统数据录入、主要的网站数据监测，外部系统事件推送等通过大量的事件数据获得数据分析样本，在初始时用于算法训练、后期用于事件的输入，再将原始的事件通过分词系统分解成热词，分词系统使用语义分析算法，根据舆情标准创建神经网络神经元，创建神经网络的输入层、隐藏层和输出层。其中输入层的神经元就是分词系统得出的热词，非热词将被舍弃。隐藏层的神经元是词性，每一个热词都有多个词性，通过对事件中所有关键字词性的综合运算得出其最有可能表达的含义，输出层的神经元是预测要发生的事件，通过含义的组合运算得出最有可能发生的事件，通过分词系统得出的热词，如果其没有在输入神经元中则加入输入神经元，并自动建立和隐藏层的联系，初始化此热词的权重，根据事件的实际处理结果获得前置事件并调整权重值，权重值的相关参数有热词出现频率、事件地域，当有新的事件输入的时候，首先分词得出热词（1到n个）, 将热词输入神经元，预测将要发生的事件，本发明用人工智能的算法，通过自主研发的智慧城市舆情预测算法，实现对于所有城市舆情的大数据研判，预测舆情的发展趋势，帮助城市管理单位能够预先干预，提升城市管理部门管理城市的效率，减少恶性事件的发生。
[0017] 所述语义分析算法包括单词查找树和隐马尔科夫模型，所述单词查找树，所述单词查找树包括字符、字符串、节点和根节点，所述根节点不包含字符，除根节点外每一个节点都只包含一个字符，从根节点到某一节点，路径上经过的字符连接起来，为该节点对应的字符串，每个节点的所有子节点包含的字符都不相同，所述隐马尔科夫模型包括状态集合和概率矩阵，所述状态集合包括隐含状态S和可观测状态O，所述概率矩阵包括初始状态概率矩阵 π、隐含状态转移概率矩阵 A和观测状态转移概率矩阵 B，通过所述单词查找树和隐马尔科夫模型可将舆情信息分解成热词。
[0018] 语义分析算法基于trie树又称单词查找树，根节点不包含字符，除根节点外每一个节点都只包含一个字符； 从根节点到某一节点，路径上经过的字符连接起来，为该节点对应的字符串； 每个节点的所有子节点包含的字符都不相同，以及隐马尔科夫模型的语义分析算法，隐马尔可夫模型（HMM）可以用五个元素来描述，包括2个状态集合和3个概率矩阵：1. 隐含状态 S，这些状态之间满足马尔可夫性质，是马尔可夫模型中实际所隐含的状态。这些状态通常无法通过直接观测而得到，例如S1、S2、S3等等，2. 可观测状态 O，在模型中与隐含状态相关联，可通过直接观测而得到，例如O1、O2、O3等等，可观测状态的数目不一定要和隐含状态的数目一致，3. 初始状态概率矩阵 π，表示隐含状态在初始时刻t=1的概率矩阵，例如t=1时，P(S1)=p1、P(S2)=P2、P(S3)=p3，则初始状态概率矩阵 π=[ p1 p2 p3 ]，4. 隐含状态转移概率矩阵 A，描述了HMM模型中各个状态之间的转移概率，其中Aij = P( Sj | Si ),1≤i,,j≤N.表示在 t 时刻、状态为 Si 的条件下，在 t+1 时刻状态是 Sj 的概率，5. 观测状态转移概率矩阵 B ，令N代表隐含状态数目，M代表可观测状态数目，则：
Bij = P( Oi | Sj ), 1≤i≤M,1≤j≤N.表示在 t 时刻、隐含状态是 Sj 条件下，观察状态为 Oi 的概率，此算法用于将采集的舆情分解成热词。分为这几步：1、在语义分析算法中，首先利用历年城市舆情的数据为基础，通过训练提取热词，生成符合城市管理热词要求的trie树，与普通的tried树不同的是在生成tried树的时候，对人名、地名、公司名做了处理，通过人名表、地名表、公司名表三张原始表加入生成tried树的运算，从而在分词的时候能够分离出准确人名、地名、公司名，在有新的舆情输入的时候，首先基于trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图。然后使用动态规划查找最大概率路径, 找出基于词频的最大切分组合，动态规划的步骤是, 先查找待分词句子中已经切分好的词语, 对该词语查找该词语出现的频率(次数/总数), 如果没有该词就把词典中出现频率最小的那个词语的频率作为该词的频率, 也就是说P(某词语)=FREQ.get(‘某词语’,min_freq), 然后根据动态规划查找最大概率路径的方法, 对句子从右往左反向计算最大概率, P(NodeN)=1.0, P(NodeN-1)=P(NodeN)*Max(P(倒数第一个词))…依次类推, 最后得到最大概率路径, 得到最大概率的切分组合，对于trie树中找不到的词，则采用隐马尔科夫算法，中文词汇按照开始位置（B），结束位置（E），中间位置（M），单独成词的位置（S）形成成词的四种状态，对于每个汉字都形成位置转换概率，即B（开头）,M（中间),E(结尾),S(独立成词）四种状态的转移概率，对于每个单字，利用条件概率P(E|B)，P(M|B)，P(M|M)，P(E|M)，P(S)获得最大成词概率，得出舆情的分词词组，将所有的分词转换成拼音，以消除舆情录入的时候输入谐音字，得出正确的分词词组，近义词转换，根据近义词表将近义词转换成标准词，对于发现的不准确的分词词组，则通过输入期望的分词结果的方法，利用最小二乘法纠正最大概率偏差，使得分词组合能够流向正确的路径，对于不在近义词表中的词语，则通过加入近义词表的方式增加近义词。
Bij = P( Oi | Sj ), 1≤i≤M,1≤j≤N.表示在 t 时刻、隐含状态是 Sj 条件下，观察状态为 Oi 的概率，此算法用于将采集的舆情分解成热词。分为这几步：1、在语义分析算法中，首先利用历年城市舆情的数据为基础，通过训练提取热词，生成符合城市管理热词要求的trie树，与普通的tried树不同的是在生成tried树的时候，对人名、地名、公司名做了处理，通过人名表、地名表、公司名表三张原始表加入生成tried树的运算，从而在分词的时候能够分离出准确人名、地名、公司名，在有新的舆情输入的时候，首先基于trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图。然后使用动态规划查找最大概率路径, 找出基于词频的最大切分组合，动态规划的步骤是, 先查找待分词句子中已经切分好的词语, 对该词语查找该词语出现的频率(次数/总数), 如果没有该词就把词典中出现频率最小的那个词语的频率作为该词的频率, 也就是说P(某词语)=FREQ.get(‘某词语’,min_freq), 然后根据动态规划查找最大概率路径的方法, 对句子从右往左反向计算最大概率, P(NodeN)=1.0, P(NodeN-1)=P(NodeN)*Max(P(倒数第一个词))…依次类推, 最后得到最大概率路径, 得到最大概率的切分组合，对于trie树中找不到的词，则采用隐马尔科夫算法，中文词汇按照开始位置（B），结束位置（E），中间位置（M），单独成词的位置（S）形成成词的四种状态，对于每个汉字都形成位置转换概率，即B（开头）,M（中间),E(结尾),S(独立成词）四种状态的转移概率，对于每个单字，利用条件概率P(E|B)，P(M|B)，P(M|M)，P(E|M)，P(S)获得最大成词概率，得出舆情的分词词组，将所有的分词转换成拼音，以消除舆情录入的时候输入谐音字，得出正确的分词词组，近义词转换，根据近义词表将近义词转换成标准词，对于发现的不准确的分词词组，则通过输入期望的分词结果的方法，利用最小二乘法纠正最大概率偏差，使得分词组合能够流向正确的路径，对于不在近义词表中的词语，则通过加入近义词表的方式增加近义词。
[0019] 所述隐藏层对应热词计算词性的算法表示为 ，其中xi由单位时间内所述热词发生的频率以及地点决定，xi为单位时间内所述热词发生地点区域范围内的所述热词除以单位时间内所述热词发生地点区域范围内所有热词的百分比，Wi初始值为1，b简化成0，所述热词和词性形成输入层到隐藏层的神经网络，并且根据热词热度xi的计算生成不同的词性，多个所述热词经隐藏层计算生成多个词性组。
[0020] 卷积神经网络算法中实现输入层、隐藏层、输出层神经元建模，输入层比较简单，就是输入通过分词算法语义分析算法得出的拼音组，隐藏层主要用处是将词对应成词性，就是每个词代表的真实情绪，其使用的是卷积神经网络算法，每个词都会对应多个词性，假设每个词性都有n个词性，则隐藏层每个单元如下：其对应的数学公式为：，在本发明中，xi由单位时间内热词发生的频率以及地点
决定，即单位时间内热词发生的区域范围内的热词发生频率/单位时间内总热词发生频率，Wi为固定的常量，即根据历史经验获得的含有该热词的舆情最终发展成的后续事件的条件概率,此为初始值，为b简化成0，这样热词和词性就形成了输入层到隐藏层的的神经网络，并且热词会根据Wi流向不同的词性。所有热词经过神经网络隐藏层会得出一个词性组。通过使用的是卷积神经网络算法，每个热词都会对应多个词性，得出词性组，卷积可以识别边缘，识别纹理，然后通过不断的卷积，提取出抽象的特征，采用卷积神经网络算法有效实现图像识别。
决定，即单位时间内热词发生的区域范围内的热词发生频率/单位时间内总热词发生频率，Wi为固定的常量，即根据历史经验获得的含有该热词的舆情最终发展成的后续事件的条件概率,此为初始值，为b简化成0，这样热词和词性就形成了输入层到隐藏层的的神经网络，并且热词会根据Wi流向不同的词性。所有热词经过神经网络隐藏层会得出一个词性组。通过使用的是卷积神经网络算法，每个热词都会对应多个词性，得出词性组，卷积可以识别边缘，识别纹理，然后通过不断的卷积，提取出抽象的特征，采用卷积神经网络算法有效实现图像识别。
[0021] 所述词性组经隐藏层对应词性的算法 再次运算，Hw,b为最终流向的事件预测的概率，求和公式中的每一项都是生成某一个可能发生事件的权值，其中，xi为单位时间内该热词词性的命中频率除以该词性的总命中频率，Wi初始值为1，b简化成0，i=1到n代表所有生成该预测事件的热词的概率和，通过对所有可能的预测的概率和的大小的排序，计算出所述舆情可能引起的事件预测的概率排序。
[0022] 得出词性组后，需要从词性组预测事件，按城市管理事件等级以及处理方式标准定义，其算法和输入层到隐藏层的算法一样，都是用卷积神经网络算法，只是xi为单位时间内词性的命中频率/总命中频率，这样就能得出此舆情可能引起的事件的预测。
[0023] 所述预测算法还包括误差反向传播算法。
[0024] 如果最终事件的流向错误不存在，则先将不存在的事件作为一个输出节点加入，然后用最小二乘法调整该事件热词的Wi，使得不改变原来的事件的输出流向的前提下当前舆情流向正确的方向，以此获得最佳函数匹配，防止误差的扩散。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于双神经网络的睡眠呼吸声检测方法及系统 | 2020-05-12 | 9 |
| 基于深度神经网络的超像素级SAR图像变化检测方法 | 2020-05-13 | 326 |
| 一种基于机器学习的物理层可见光通信方法 | 2020-05-08 | 1004 |
| 基于深度学习的激光扫描三维点云树木自动分类方法 | 2020-05-12 | 176 |
| 基于长短时记忆网络的水泥成品比表面积预测方法及系统 | 2020-05-08 | 599 |
| 一种基于数据融合和BP神经网络的跌倒检测系统及方法 | 2020-05-16 | 611 |
| 一种基于土壤重金属污染途径分析的风险评估方法 | 2020-05-14 | 239 |
| 基于脑机接口的智能家居控制方法及系统 | 2020-05-16 | 281 |
| 一种基于批次图像化的卷积自编码故障监测方法 | 2020-05-17 | 34 |
| 基于注意力机制的CliqueNet航班延误预测方法 | 2020-05-16 | 463 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈