基于协同特征演算的AI搜索结果分析方法及系统与流程

本发明涉及数据处理，尤其涉及一种基于协同特征演算的ai搜索结果分析方法及系统。

背景技术：

1、随着数字媒体传播与ai问答平台的深度融合，企业和品牌方越来越重视通过智能化手段对媒体内容在平台上的表现进行实时监测评估，其中，如何实现媒体内容的智能传播效果识别成为关键的技术问题。现有技术通常通过获取发布的媒体数据，采用人工审核或简单规则匹配方式监测平台反馈，并基于固定模板评估内容风险，以支持品牌传播管理。现有解决方案因缺乏对历史媒体数据和对应ai问答结果的深度模型构建以及当前ai问答结果的智能关联分析，难以实现内容在平台表现的动态风险评估，常用人工或静态监测策略无法有效捕捉ai平台对媒体内容的实时反馈特征，导致内容风险识别的及时性和准确性不足，限制了媒体内容智能监测的效能与风险防控效果。可见，现有技术存在缺陷，亟待解决。

技术实现思路

1、本发明所要解决的技术问题在于，提供一种基于协同特征演算的ai搜索结果分析方法及系统，能够实现对媒体内容在ai平台搜索问答表现的智能监测评估，提升内容风险识别的及时性和准确性，为ai平台品牌传播效果提供更准确的数据基础。

2、为了解决上述技术问题，本发明第一方面公开了一种基于协同特征演算的ai搜索结果分析方法，所述方法包括：

3、获取在历史时间段发布的历史媒体数据和对应的历史ai问答结果；

4、基于模型构建算法，根据所述历史媒体数据和对应的历史ai问答结果，构建ai媒体分析模型；

5、响应于媒体发布指令，向目标ai平台发送当前媒体发布内容对应的搜索问题，并获取对应的当前ai问答结果；

6、根据所述ai媒体分析模型对所述当前ai问答结果进行分析，以得到所述当前媒体发布内容在所述目标ai平台对应的内容监测结果。

7、作为一个可选的实施方式，在本发明第一方面中，所述基于模型构建算法，根据所述历史媒体数据和对应的历史ai问答结果，构建ai媒体分析模型，包括：

8、对于每一所述历史媒体数据，基于分类模型，筛选出该历史媒体数据中的媒体发布数据、品牌事实数据和产品知识数据；

9、根据所述媒体发布数据、品牌事实数据和产品知识数据，建立对应的媒体信息矩阵；

10、将该历史媒体数据在多个平台对应的历史ai问答结果输入至训练好的答案质量分析模型，以得到每一所述历史ai问答结果对应的答案质量信息；所述答案质量分析模型通过包括有多个训练ai问答结果和对应的答案质量分析标注的训练数据集训练得到；所述答案质量信息包括品牌提及文本占比、产品信息呈现文本占比、媒体来源引用准确程度、答案事实偏差程度及竞品提及准确程度中的至少一种；

11、以所述媒体信息矩阵为训练数据，以对应的所述答案质量信息为对应的数据标注，对预设的基础llm模型进行训练，以得到训练好的ai媒体分析模型。

12、作为一个可选的实施方式，在本发明第一方面中，所述基于分类模型，筛选出该历史媒体数据中的媒体发布数据、品牌事实数据和产品知识数据，包括：

13、将该历史媒体数据输入至训练好的数据分类模型中，以得到输出的多个媒体新闻数据和多个品牌宣传数据；

14、基于产品相关的关键词，在所述媒体新闻数据和所述品牌宣传数据中匹配出多个产品信息数据；

15、对于每一目标数据，计算该目标数据和所有其他的所述目标数据之间的文本相似度的平均值，得到该目标数据的可信度；

16、在所述可信度大于预设的可信度阈值时，将该目标数据确定为对应的筛选数据；所述目标数据分别为所述媒体新闻数据、所述品牌宣传数据或所述产品信息数据时，所述筛选数据分别对应地为媒体发布数据、品牌事实数据或产品知识数据。

17、作为一个可选的实施方式，在本发明第一方面中，所述根据所述媒体发布数据、品牌事实数据和产品知识数据，建立对应的媒体信息矩阵，包括：

18、对于每一所述产品知识数据，建立该产品知识数据对应的图节点；

19、计算每一所述媒体发布数据与该产品知识数据之间的第一关联度；

20、计算每一所述品牌实时数据与该产品知识数据之间的第二关联度；

21、将所述第一关联度或所述第二关联度大于预设阈值的所述媒体发布数据或所述品牌实时数据，确定为该产品知识数据对应的关联数据；

22、将所有所述关联数据，确定为所述图节点对应的节点特征数据；

23、计算任意两个所述图节点的所述节点特征数据之间的数据相似度，得到该两个所述图节点之间的节点关联特征；

24、将所有所述图节点以及对应的所述节点特征数据和所述节点关联特征所组成的图矩阵数据，确定为对应的媒体信息矩阵。

25、作为一个可选的实施方式，在本发明第一方面中，所述搜索问题通过以下步骤确定得到：

26、获取所述目标ai平台在所述历史ai问答结果中对应的历史问题集合；

27、根据所述历史问题集合，确定出提示词规则；

28、基于所述提示词规则，根据所述当前媒体发布内容，组建出所述搜索问题。

29、作为一个可选的实施方式，在本发明第一方面中，所述根据所述历史问题集合，确定出提示词规则的具体步骤，包括：

30、确定所述历史问题集合中每一历史问题对应的答案质量信息；

31、根据每一所述历史问题对应的答案质量信息，基于预设的评分规则，确定每一所述历史问题对应的答案质量评分；

32、筛选出所述答案质量评分大于预设的分数阈值的历史问题，得到多个优选历史问题；

33、将所有所述优选历史问题，输入至llm模型中进行问题特征分析，以得到问题特征；

34、构建包含有所述问题特征的提示词规则。

35、作为一个可选的实施方式，在本发明第一方面中，所述根据所述ai媒体分析模型对所述当前ai问答结果进行分析，以得到所述当前媒体发布内容在所述目标ai平台对应的内容监测结果，包括：

36、将所述当前ai问答结果输入至所述ai媒体分析模型中，以得到输出的所述当前ai问答结果对应的多个质量维度信息；所述质量维度信息为品牌提及文本占比、产品信息呈现文本占比、媒体来源引用准确程度、答案事实偏差程度或竞品提及准确程度；

37、筛选出低于对应的信息类型对应的维度阈值的所述质量维度信息，得到至少一个内容瑕疵维度；

38、将所述内容瑕疵维度输入至llm模型以得到对应的具体分析结果；

39、根据所述内容瑕疵维度以及对应的具体分析结果，生成对所述当前媒体发布内容在所述目标ai平台对应的内容检测报告。

40、作为一个可选的实施方式，在本发明第一方面中，所述方法还包括：

41、将所述内容缺陷维度和所述搜索问题，输入至训练好的问题改进模型中，以得到输出的改进问题；所述问题改进模型通过包括有多个训练问题数据和对应的缺陷维度标注和改进问题标注的训练数据集训练得到；

42、将所述改进问题发送至所述目标ai平台以得到新的ai问答结果；

43、基于所述ai媒体分析模型对所述新的ai问答结果进行分析，以得到所述当前媒体发布内容在所述目标ai平台对应的内容监测更新结果；

44、计算所述内容监测更新结果与所述内容监测结果之间的结果差异度；

45、在所述结果差异度大于预设的差异度阈值时，将所述内容监测更新结果确定为最终的监测结果，以及将所述搜索问题和所述改进问题和所述内容缺陷维度，作为新的正样本数据，输入至所述问题改进模型进行优化。

46、本发明实施例第二方面公开了一种基于协同特征演算的ai搜索结果分析系统，所述系统包括：

47、第一获取模块，用于获取在历史时间段发布的历史媒体数据和对应的历史ai问答结果；

48、模型构建模块，用于基于模型构建算法，根据所述历史媒体数据和对应的历史ai问答结果，构建ai媒体分析模型；

49、第二获取模块，用于响应于媒体发布指令，向目标ai平台发送当前媒体发布内容对应的搜索问题，并获取对应的当前ai问答结果；

50、内容分析模块，用于根据所述ai媒体分析模型对所述当前ai问答结果进行分析，以得到所述当前媒体发布内容在所述目标ai平台对应的内容监测结果。

51、作为一个可选的实施方式，在本发明第二方面中，所述模型构建模块基于模型构建算法，根据所述历史媒体数据和对应的历史ai问答结果，构建ai媒体分析模型的具体方式，包括：

52、对于每一所述历史媒体数据，基于分类模型，筛选出该历史媒体数据中的媒体发布数据、品牌事实数据和产品知识数据；

53、根据所述媒体发布数据、品牌事实数据和产品知识数据，建立对应的媒体信息矩阵；

54、将该历史媒体数据在多个平台对应的历史ai问答结果输入至训练好的答案质量分析模型，以得到每一所述历史ai问答结果对应的答案质量信息；所述答案质量分析模型通过包括有多个训练ai问答结果和对应的答案质量分析标注的训练数据集训练得到；所述答案质量信息包括品牌提及文本占比、产品信息呈现文本占比、媒体来源引用准确程度、答案事实偏差程度及竞品提及准确程度中的至少一种；

55、以所述媒体信息矩阵为训练数据，以对应的所述答案质量信息为对应的数据标注，对预设的基础llm模型进行训练，以得到训练好的ai媒体分析模型。

56、作为一个可选的实施方式，在本发明第二方面中，所述模型构建模块基于分类模型，筛选出该历史媒体数据中的媒体发布数据、品牌事实数据和产品知识数据的具体方式，包括：

57、将该历史媒体数据输入至训练好的数据分类模型中，以得到输出的多个媒体新闻数据和多个品牌宣传数据；

58、基于产品相关的关键词，在所述媒体新闻数据和所述品牌宣传数据中匹配出多个产品信息数据；

59、对于每一目标数据，计算该目标数据和所有其他的所述目标数据之间的文本相似度的平均值，得到该目标数据的可信度；

60、在所述可信度大于预设的可信度阈值时，将该目标数据确定为对应的筛选数据；所述目标数据分别为所述媒体新闻数据、所述品牌宣传数据或所述产品信息数据时，所述筛选数据分别对应地为媒体发布数据、品牌事实数据或产品知识数据。

61、作为一个可选的实施方式，在本发明第二方面中，所述模型构建模块根据所述媒体发布数据、品牌事实数据和产品知识数据，建立对应的媒体信息矩阵的具体方式，包括：

62、对于每一所述产品知识数据，建立该产品知识数据对应的图节点；

63、计算每一所述媒体发布数据与该产品知识数据之间的第一关联度；

64、计算每一所述品牌实时数据与该产品知识数据之间的第二关联度；

65、将所述第一关联度或所述第二关联度大于预设阈值的所述媒体发布数据或所述品牌实时数据，确定为该产品知识数据对应的关联数据；

66、将所有所述关联数据，确定为所述图节点对应的节点特征数据；

67、计算任意两个所述图节点的所述节点特征数据之间的数据相似度，得到该两个所述图节点之间的节点关联特征；

68、将所有所述图节点以及对应的所述节点特征数据和所述节点关联特征所组成的图矩阵数据，确定为对应的媒体信息矩阵。

69、作为一个可选的实施方式，在本发明第二方面中，所述搜索问题通过以下步骤确定得到：

70、获取所述目标ai平台在所述历史ai问答结果中对应的历史问题集合；

71、根据所述历史问题集合，确定出提示词规则；

72、基于所述提示词规则，根据所述当前媒体发布内容，组建出所述搜索问题。

73、作为一个可选的实施方式，在本发明第二方面中，所述根据所述历史问题集合，确定出提示词规则的具体步骤，包括：

74、确定所述历史问题集合中每一历史问题对应的答案质量信息；

75、根据每一所述历史问题对应的答案质量信息，基于预设的评分规则，确定每一所述历史问题对应的答案质量评分；

76、筛选出所述答案质量评分大于预设的分数阈值的历史问题，得到多个优选历史问题；

77、将所有所述优选历史问题，输入至llm模型中进行问题特征分析，以得到问题特征；

78、构建包含有所述问题特征的提示词规则。

79、作为一个可选的实施方式，在本发明第二方面中，所述内容分析模块根据所述ai媒体分析模型对所述当前ai问答结果进行分析，以得到所述当前媒体发布内容在所述目标ai平台对应的内容监测结果的具体方式，包括：

80、将所述当前ai问答结果输入至所述ai媒体分析模型中，以得到输出的所述当前ai问答结果对应的多个质量维度信息；所述质量维度信息为品牌提及文本占比、产品信息呈现文本占比、媒体来源引用准确程度、答案事实偏差程度或竞品提及准确程度；

81、筛选出低于对应的信息类型对应的维度阈值的所述质量维度信息，得到至少一个内容瑕疵维度；

82、将所述内容瑕疵维度输入至llm模型以得到对应的具体分析结果；

83、根据所述内容瑕疵维度以及对应的具体分析结果，生成对所述当前媒体发布内容在所述目标ai平台对应的内容检测报告。

84、作为一个可选的实施方式，在本发明第二方面中，所述系统还用于执行以下步骤：

85、将所述内容缺陷维度和所述搜索问题，输入至训练好的问题改进模型中，以得到输出的改进问题；所述问题改进模型通过包括有多个训练问题数据和对应的缺陷维度标注和改进问题标注的训练数据集训练得到；

86、将所述改进问题发送至所述目标ai平台以得到新的ai问答结果；

87、基于所述ai媒体分析模型对所述新的ai问答结果进行分析，以得到所述当前媒体发布内容在所述目标ai平台对应的内容监测更新结果；

88、计算所述内容监测更新结果与所述内容监测结果之间的结果差异度；

89、在所述结果差异度大于预设的差异度阈值时，将所述内容监测更新结果确定为最终的监测结果，以及将所述搜索问题和所述改进问题和所述内容缺陷维度，作为新的正样本数据，输入至所述问题改进模型进行优化。

90、本发明第三方面公开了另一种基于协同特征演算的ai搜索结果分析系统，所述系统包括：

91、存储有可执行程序代码的存储器；

92、与所述存储器耦合的处理器；

93、所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于协同特征演算的ai搜索结果分析方法中的部分或全部步骤。

94、本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于协同特征演算的ai搜索结果分析方法中的部分或全部步骤。

95、与现有技术相比，本发明实施例具有以下有益效果：

96、本发明通过获取历史时间段发布的历史媒体数据和对应的历史ai问答结果，基于模型构建算法构建ai媒体分析模型，响应媒体发布指令向目标ai平台发送搜索问题并获取当前ai问答结果，根据该模型分析当前ai问答结果得到内容监测结果，从而能够实现对媒体内容在ai平台搜索问答表现的智能监测评估，提升内容风险识别的及时性和准确性，为ai平台品牌传播效果提供更准确的数据基础。