本發明涉及輿情管理,具體而言,涉及一種輿情發展趨勢預測方法及系統。
背景技術:
1、在當今信息化、網絡化的時代,輿論的力量愈發強大,輿情分析已成為政府、企業、媒體等各方關注的焦點。然而,傳統的輿情產品中的分析模塊仍主要依賴于規則性的后端計算產生的規則性分析,缺少針對于個體事件的特定分析,例如針對輿情的走勢分析,導致不能及時指導相關人員對輿情快速做出最佳的應對措施。本發明旨在實現對輿情發展趨勢的準確預測。
技術實現思路
1、對此,本發明提供了一種輿情發展趨勢預測方法、系統、電子設備、計算機存儲介質及計算機程序產品,以解決上述技術問題。
2、本發明公開了一種輿情發展趨勢預測方法,所述方法包括如下步驟:獲取待分析的目標輿情的輿情大數據,使用事件聚類跟蹤模塊對所述輿情大數據進行事件抽取及聚類處理,獲得初始事件集;其中,所述初始事件集中包含若干事件簇;按照回溯周期獲取所述目標輿情的輿情大數據的增量數據,所述事件聚類跟蹤模塊對所述增量數據進行事件抽取及聚類處理,獲得若干新增事件簇;將各所述新增事件簇與所述初始事件集中的各事件簇進行匹配分析,若匹配成功,則將所述新增事件簇并入對應的所述事件簇,否則將所述新增事件簇補入所述初始事件集中,獲得動態事件集;其中,所述事件簇和所述新增事件簇中均包含事件強度值;將所述初始事件集或所述動態事件集輸入基于llm模型的輿情趨勢分析模型,所述輿情趨勢分析模型生成并輸出所述目標輿情的輿情發展趨勢報告;其中,所述輿情發展趨勢報告中包含在當前時刻之后的輿情發展趨勢段。
3、在一些實施例中,所述輿情趨勢分析模型通過如下方式進行訓練:收集模型訓練數據;其中,所述模型訓練數據包括輿情行業報告、輿情分析案例、輿情分析師總結數據;使用所述模型訓練數據對所述輿情趨勢分析模型進行訓練,并發布訓練好的所述輿情趨勢分析模型。
4、在一些實施例中,所述使用事件聚類跟蹤模塊對所述輿情大數據進行事件抽取及聚類處理,獲得初始事件集,包括:所述事件聚類跟蹤模塊調用ai引擎以實現:對所述輿情大數據進行事件要素信息抽取,所述事件要素信息包括地點、人物、事件類型,并對所述地點、所述人物、所述事件類型進行抽象概括,獲得事件要素概括信息;使用聚類算法對各所述事件要素概括信息進行聚類處理以實現事件分類,獲得若干事件簇;以及,對各所述事件簇對應的各所述事件要素信息進行統計分析,獲得所述事件強度值;將各所述事件簇與對應的所述事件強度值進行關聯后,整合得出所述初始事件集。
5、在一些實施例中,所述按照回溯周期獲取所述目標輿情的輿情大數據的增量數據,包括:使用所述輿情趨勢分析模型對所述初始事件集進行淺層分析,獲得所述目標輿情的輿情類型,根據所述輿情類型確定得出第一回溯周期;計算所述初始事件集或所述動態事件集中的事件簇數量,根據所述事件簇數量計算得出回溯調節系數,將所述回溯調節系數與所述第一回溯周期相乘,獲得第二回溯周期,該第二回溯周期即為所述回溯周期;按照所述回溯周期獲取所述目標輿情的輿情大數據的所述增量數據。
6、在一些實施例中,所述將所述初始事件集或所述動態事件集輸入基于llm模型的輿情趨勢分析模型,所述輿情趨勢分析模型生成并輸出所述目標輿情的輿情發展趨勢報告,包括:將所述初始事件集或所述動態事件集、人為指定的預測時長數據輸入基于llm模型的輿情趨勢分析模型,所述輿情趨勢分析模型生成并輸出所述目標輿情的輿情發展趨勢報告;其中,所述輿情發展趨勢報告中的在當前時刻之后的輿情發展趨勢段的時長與所述預測時長數據匹配。
7、在一些實施例中,所述方法還包括:基于所述動態事件集中各所述事件簇的所述事件強度值,分析得出與各所述事件簇對應的活躍度,清理所述活躍度低于活躍閾值的所述事件簇。
8、本發明還公開了一種輿情發展趨勢預測系統,所述系統包括第一事件抽取模塊、第二事件抽取模塊、事件集動態更新模塊、輿情趨勢預測模塊;?所述第一事件抽取模塊,用于獲取待分析的目標輿情的輿情大數據,使用事件聚類跟蹤模塊對所述輿情大數據進行事件抽取及聚類處理,獲得初始事件集;其中,所述初始事件集中包含若干事件簇;所述第二事件抽取模塊,用于按照回溯周期獲取所述目標輿情的輿情大數據的增量數據,所述事件聚類跟蹤模塊對所述增量數據進行事件抽取及聚類處理,獲得若干新增事件簇;所述事件集動態更新模塊,用于將各所述新增事件簇與所述初始事件集中的各事件簇進行匹配分析,若匹配成功,則將所述新增事件簇并入對應的所述事件簇,否則將所述新增事件簇補入所述初始事件集中,獲得動態事件集;其中,所述事件簇和所述新增事件簇中均包含事件強度值;所述輿情趨勢預測模塊,用于將所述初始事件集或所述動態事件集輸入基于llm模型的輿情趨勢分析模型,所述輿情趨勢分析模型生成并輸出所述目標輿情的輿情發展趨勢報告;其中,所述輿情發展趨勢報告中包含在當前時刻之后的輿情發展趨勢段。
9、本發明還公開了一種電子設備,包括:至少一個處理器、存儲器以及存儲在所述存儲器中并可在所述至少一個處理器上運行的計算機程序,所述處理器執行所述計算機程序以實現如前任一項所述的方法。
10、本發明還公開了一種計算機存儲介質,所述計算機可讀存儲介質存儲有計算機程序,所述計算機程序被處理器執行以實現如前任一所述的方法。
11、本發明還公開了一種計算機程序產品,當計算機程序產品在終端上運行時,使得終端執行時以實現如前任一所述的方法。
12、本發明的有益效果在于:本發明的方案以輿情中的各事件為基礎進行輿情發展趨勢的分析,并且構建了基于llm模型的輿情趨勢分析模型對梳理得到的事件集進行趨勢分析,從而得出最終的輿情發展趨勢報告,其中,該報告基于該目標輿情的歷史發展走勢預測出了接下來一段時間的輿情走勢,可以輔助相關人員對該目標輿情的發展做出評估,從而制定合理的應對措施。
1.一種輿情發展趨勢預測方法,其特征在于,所述方法包括如下步驟:獲取待分析的目標輿情的輿情大數據,使用事件聚類跟蹤模塊對所述輿情大數據進行事件抽取及聚類處理,獲得初始事件集;其中,所述初始事件集中包含若干事件簇;按照回溯周期獲取所述目標輿情的輿情大數據的增量數據,所述事件聚類跟蹤模塊對所述增量數據進行事件抽取及聚類處理,獲得若干新增事件簇;將各所述新增事件簇與所述初始事件集中的各事件簇進行匹配分析,若匹配成功,則將所述新增事件簇并入對應的所述事件簇,否則將所述新增事件簇補入所述初始事件集中,獲得動態事件集;其中,所述事件簇和所述新增事件簇中均包含事件強度值;將所述初始事件集或所述動態事件集輸入基于llm模型的輿情趨勢分析模型,所述輿情趨勢分析模型生成并輸出所述目標輿情的輿情發展趨勢報告;其中,所述輿情發展趨勢報告中包含在當前時刻之后的輿情發展趨勢段。
2.根據權利要求1所述的一種輿情發展趨勢預測方法,其特征在于:所述輿情趨勢分析模型通過如下方式進行訓練:收集模型訓練數據;其中,所述模型訓練數據包括輿情行業報告、輿情分析案例、輿情分析師總結數據;使用所述模型訓練數據對所述輿情趨勢分析模型進行訓練,并發布訓練好的所述輿情趨勢分析模型。
3.根據權利要求2所述的一種輿情發展趨勢預測方法,其特征在于:使用事件聚類跟蹤模塊對所述輿情大數據進行事件抽取及聚類處理,獲得初始事件集,包括:所述事件聚類跟蹤模塊調用ai引擎以實現:對所述輿情大數據進行事件要素信息抽取,所述事件要素信息包括地點、人物、事件類型,并對所述地點、所述人物、所述事件類型進行抽象概括,獲得事件要素概括信息;使用聚類算法對各所述事件要素概括信息進行聚類處理以實現事件分類,獲得若干事件簇;以及,對各所述事件簇對應的各所述事件要素信息進行統計分析,獲得所述事件強度值;將各所述事件簇與對應的所述事件強度值進行關聯后,整合得出所述初始事件集。
4.根據權利要求3所述的一種輿情發展趨勢預測方法,其特征在于:按照回溯周期獲取所述目標輿情的輿情大數據的增量數據,包括:使用所述輿情趨勢分析模型對所述初始事件集進行淺層分析,獲得所述目標輿情的輿情類型,根據所述輿情類型確定得出第一回溯周期;計算所述初始事件集或所述動態事件集中的事件簇數量,根據所述事件簇數量計算得出回溯調節系數,將所述回溯調節系數與所述第一回溯周期相乘,獲得第二回溯周期,該第二回溯周期即為所述回溯周期;按照所述回溯周期獲取所述目標輿情的輿情大數據的所述增量數據。
5.根據權利要求4所述的一種輿情發展趨勢預測方法,其特征在于:將所述初始事件集或所述動態事件集輸入基于llm模型的輿情趨勢分析模型,所述輿情趨勢分析模型生成并輸出所述目標輿情的輿情發展趨勢報告,包括:將所述初始事件集或所述動態事件集、人為指定的預測時長數據輸入基于llm模型的輿情趨勢分析模型,所述輿情趨勢分析模型生成并輸出所述目標輿情的輿情發展趨勢報告;其中,所述輿情發展趨勢報告中的在當前時刻之后的輿情發展趨勢段的時長與所述預測時長數據匹配。
6.根據權利要求1所述的一種輿情發展趨勢預測方法,其特征在于:所述方法還包括:基于所述動態事件集中各所述事件簇的所述事件強度值,分析得出與各所述事件簇對應的活躍度,清理所述活躍度低于活躍閾值的所述事件簇。
7.一種輿情發展趨勢預測系統,所述系統包括第一事件抽取模塊、第二事件抽取模塊、事件集動態更新模塊、輿情趨勢預測模塊;其特征在于:所述第一事件抽取模塊,用于獲取待分析的目標輿情的輿情大數據,使用事件聚類跟蹤模塊對所述輿情大數據進行事件抽取及聚類處理,獲得初始事件集;其中,所述初始事件集中包含若干事件簇;所述第二事件抽取模塊,用于按照回溯周期獲取所述目標輿情的輿情大數據的增量數據,所述事件聚類跟蹤模塊對所述增量數據進行事件抽取及聚類處理,獲得若干新增事件簇;所述事件集動態更新模塊,用于將各所述新增事件簇與所述初始事件集中的各事件簇進行匹配分析,若匹配成功,則將所述新增事件簇并入對應的所述事件簇,否則將所述新增事件簇補入所述初始事件集中,獲得動態事件集;其中,所述事件簇和所述新增事件簇中均包含事件強度值;所述輿情趨勢預測模塊,用于將所述初始事件集或所述動態事件集輸入基于llm模型的輿情趨勢分析模型,所述輿情趨勢分析模型生成并輸出所述目標輿情的輿情發展趨勢報告;其中,所述輿情發展趨勢報告中包含在當前時刻之后的輿情發展趨勢段。
8.一種電子設備,包括:至少一個處理器、存儲器以及存儲在所述存儲器中并可在所述至少一個處理器上運行的計算機程序,其特征在于:所述處理器執行所述計算機程序以實現如權利要求1-6任一所述的方法。
9.一種計算機存儲介質,所述計算機存儲介質存儲有計算機程序,其特征在于:所述計算機程序被處理器執行以實現如權利要求1-6任一所述的方法。
10.一種計算機程序產品,包括存儲于非暫時性計算機可讀介質上的計算機程序,其特征在于:所述計算機程序被處理器執行時實現如權利要求1-6任一項所述的方法。