关键影响消息识别方法、装置、设备及存储介质与流程

本技术涉及社交媒体信息处理，尤其涉及关键影响消息识别方法、装置、设备及存储介质。

背景技术：

1、随着互联网社交平台的普及，微博、推特等社交媒体已成为公众表达观点、参与公共议题讨论的核心场域，评论作为信息传播的基本单元，其影响力并非均等分布，一条处于传播瓶颈处的评论或意见领袖的回复都可能对舆论走向产生决定性影响。在评论影响力分析中，精准识别具有不可替代因果作用的关键评论是提升舆论态势研判准确性的重要基础，然而，现有方法无法有效区分评论的真实影响力与虚假曝光，导致关键评论识别出现偏差，进而影响舆论态势研判的准确性和舆情干预决策的可信度。

2、目前，通常采用基于统计指标（例如转发数、点赞数、粉丝数）、基于网络结构或基于内容特征（例如语义分析、情感分析）的方法来评估评论影响力。但是，这些方法本质上属于描述性统计或相关性分析，仅能识别“谁处于网络中心位置”，无法回答“如果这条评论从未出现，舆论走向会如何变化”的反事实因果问题，难以区分统计相关性与真实因果效应，因而无法精准定位具有不可替代因果作用的关键影响消息。

3、因此，如何精准识别具有不可替代因果作用的关键影响消息，是目前亟需解决的一个技术问题。

4、上述内容仅用于辅助理解本技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本技术的主要目的在于提供一种关键影响消息识别方法、装置、设备及存储介质，旨在解决如何精准识别具有不可替代因果作用的关键影响消息的技术问题。

2、为实现上述目的，本技术提出一种关键影响消息识别方法，所述的方法包括：

3、获取目标事件中的交互消息及消息间的响应关系，基于所述交互消息及响应关系构建消息传播图；

4、基于所述消息传播图中的消息节点计算得到群体立场分布；

5、从所述消息传播图中确定目标消息节点，对所述目标消息节点执行反事实剪枝操作，得到反事实剪枝图，并基于所述反事实剪枝图计算得到反事实群体立场分布；

6、根据所述群体立场分布和所述反事实群体立场分布，得到所述目标消息节点的因果归因得分，并根据所述因果归因得分识别关键影响消息。

7、在一实施例中，所述对所述目标消息节点执行反事实剪枝操作，得到反事实剪枝图，并基于所述反事实剪枝图计算得到反事实群体立场分布的步骤包括：

8、从所述消息传播图中剔除所述目标消息节点以及与所述目标消息节点存在响应关系的下游节点集合，构建得到反事实剪枝图；

9、获取所述反事实剪枝图中剩余消息节点的立场标签，对所述剩余消息节点的立场标签执行独热编码转换，并统计各立场类别对应的剩余累积数量；

10、基于所述剩余消息节点的总数对各立场类别对应的剩余累积数量进行归一化处理，得到反事实群体立场分布。

11、在一实施例中，所述从所述消息传播图中剔除所述目标消息节点以及与所述目标消息节点存在响应关系的下游节点集合的步骤包括：

12、以所述目标消息节点为起始点，沿所述消息传播图中的响应关系执行图遍历搜索，定位所有与所述目标消息节点直接或间接存在响应关系的下游节点集合；

13、在所述消息传播图中剔除所述目标消息节点以及定位到的所述下游节点集合中的所有节点。

14、在一实施例中，所述基于所述消息传播图中的消息节点计算得到群体立场分布的步骤包括：

15、获取所述消息传播图中各消息节点预设的立场标签，其中，所述立场标签包括反对、中立或支持三种立场；

16、对所述各消息节点的立场标签执行独热编码转换，并统计各立场类别对应的累积数量；

17、基于所述各消息节点的总数对各立场类别对应的累积数量进行归一化处理，得到群体立场分布。

18、在一实施例中，所述根据所述群体立场分布和所述反事实群体立场分布，得到所述目标消息节点的因果归因得分的步骤包括：

19、计算所述群体立场分布与所述反事实群体立场分布之间的分布差异量；

20、对所述分布差异量执行数值压缩变换，并对变换后的数值进行归一化处理，得到所述目标消息节点的因果归因得分。

21、在一实施例中，所述根据所述因果归因得分识别关键影响消息的步骤包括：

22、将所述因果归因得分与预设阈值进行比较，根据比较结果判定对应的消息节点是否为关键影响消息，其中，所述预设阈值根据所有消息节点的因果归因得分的排序结果确定，或通过交叉验证选取。

23、在一实施例中，所述基于所述交互消息及响应关系构建消息传播图的步骤包括：

24、将所述交互消息中的各条消息分别映射为消息节点；

25、基于所述响应关系确定消息节点之间的指向关系，并构建连接所述消息节点的有向传播边；

26、根据所述消息节点和所述有向传播边，构成所述消息传播图。

27、此外，为实现上述目的，本技术还提出一种关键影响消息识别装置，所述关键影响消息识别装置包括：

28、构图模块，用于获取目标事件中的交互消息及消息间的响应关系，基于所述交互消息及响应关系构建消息传播图；

29、分布模块，用于基于所述消息传播图中的消息节点计算得到群体立场分布；

30、剪枝模块，用于从所述消息传播图中确定目标消息节点，对所述目标消息节点执行反事实剪枝操作，得到反事实剪枝图，并基于所述反事实剪枝图计算得到反事实群体立场分布；

31、归因模块，用于根据所述群体立场分布和所述反事实群体立场分布，得到所述目标消息节点的因果归因得分，并根据所述因果归因得分识别关键影响消息。

32、此外，为实现上述目的，本技术还提出一种关键影响消息识别设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的关键影响消息识别方法的步骤。

33、此外，为实现上述目的，本技术还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的关键影响消息识别方法的步骤。

34、此外，为实现上述目的，本技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的关键影响消息识别方法的步骤。

35、本技术提供了一种关键影响消息识别方法。本技术首先通过获取目标事件中的交互消息及消息间的响应关系，构建消息传播图，并基于消息传播图中的消息节点计算得到群体立场分布，以通过该群体立场分布反映当前舆论的整体态势；然后从消息传播图中确定目标消息节点，对该目标消息节点执行反事实剪枝操作，移除该目标消息节点及其所有下游节点，得到反事实剪枝图，并基于反事实剪枝图计算得到反事实群体立场分布，以通过反事实群体立场分布反映该目标消息节点从未出现时的舆论态势；进而根据群体立场分布和反事实群体立场分布之间的差异，得到目标消息节点的因果归因得分，并根据该因果归因得分识别关键影响消息，以通过因果归因得分量化该目标消息节点对舆论走向的真实因果效应强度。

36、综上可知，本技术通过结合对于消息传播图的结构化构建、反事实剪枝操作以及群体立场分布差异度量，以可量化、可复现的方式实现了从“识别网络中心节点”到“精准识别具有不可替代因果作用的关键影响消息”的跨越，克服了现有技术因缺乏因果推断视角而仅能识别网络中心节点、无法回答评论影响力的反事实因果问题的技术缺陷，提高了关键影响消息识别的准确性与可信度。