一种基于事件冲击的自动驾驶出租车舆情风险预警方法
本发明涉及电数据处理,具体涉及一种基于事件冲击的自动驾驶出租车舆情风险预警方法。
背景技术:
1、在舆情分析中,主题模型和情感分析方法被广泛应用于社交媒体文本的挖掘与研究。传统主题模型能够从大规模文本语料中识别潜在的讨论主题,但难以解释外部因素对主题分布的影响。结构化主题模型通过在主题建模框架中引入文档级协变量,使主题占比能够与文本属性建立回归关系,从而增强了模型对外部信息的解释能力。情感分析方法则主要用于判断文本的态度倾向,但通常难以进一步说明情绪表达所对应的具体主题,也无法有效刻画不同主题下情感话语的差异。针对上述问题,已有研究者提出了结构化主题-情感话语模型,该模型在结构化主题模型的基础上进一步扩展,将主题占比和主题情感话语均纳入受文档级协变量影响的统一建模框架,能够在识别潜在主题的同时估计同一主题下的情感话语表达,并分析外部因素对主题比例和情感话语变化的影响。然而,该模型在应用于事件型舆情分析时仍存在局限,其对具体事件冲击的变量构建方式较为单一,通常仅引入事件前后的二值变量来区分不同阶段,难以细致刻画事件发生后公众讨论主题和情感话语表达在时间维度上的动态演化过程,特别是无法有效捕捉事件发生后情感话语表达趋势是否发生了结构性转折,以及这种转折在不同主题之间的差异性表现。
技术实现思路
1、为了刻画事件发生后公众讨论主题和情感话语表达在时间维度上的动态演化,并捕捉事件后情感话语表达趋势是否发生结构性转折及其在不同主题间的差异性表现,本发明提出了一种基于事件冲击的自动驾驶出租车舆情风险预警方法,包括步骤:
2、s1:获取社交媒体平台上与自动驾驶出租车相关的文本,每条文本至少包含文本内容、发布时间及互动热度信息;
3、s2:以目标自动驾驶出租车事件的发生日期为时间锚点,为每条文本构建事件阶段变量、相对事件时间变量以及事件阶段变量与相对事件时间变量的交互项,并将构建的变量与交互项作为文档级协变量;
4、s3:将文本及文档级协变量输入结构化主题情感话语模型,输出各文本中的各主题占比、各主题下的情感话语表达,以及文档级协变量在主题占比和情感话语表达中的回归系数;
5、s4:根据结构化主题情感话语模型的输出,识别出与预设风险关键词匹配的风险主题及相应的负向情感话语强度,并计算各风险主题在事件前后的主题变化强度、情感话语偏移度以及由交互项回归系数表征的事件后趋势变化指标,结合各文本的互动热度信息生成各风险主题的主题风险指数;
6、s5:基于风险主题占比和负向情感话语强度确定各风险主题的主题权重,通过主题权重对主题风险指数进行加权求和,生成总体舆情风险指数;
7、s6:根据总体舆情风险指数与预设阈值的比较结果,输出舆情风险等级、重点风险主题及预警结果。
8、本发明通过构建含交互项的文档级协变量引入结构化主题-情感话语模型以识别事件后主题占比与情感话语表达的结构性转折,并基于模型输出构建多维风险指数,实现由动态分析到量化预警的转换。
9、进一步地,所述s2步骤中,所述事件阶段变量用于表示文本发布于事件发生前或事件发生后,所述相对事件时间变量用于表示文本发布时间距离事件发生日期的时间差,所述交互项用于表示事件发生后主题占比和情感话语表达的变化趋势是否发生改变。
10、进一步地,所述s3步骤中,结构化主题-情感话语模型通过文档级协变量同时解释主题占比和主题情感话语表达的变化,公式表达为:
11、
12、式中,为包含主题占比潜变量和主题情感话语表达潜变量的总潜变量,为文档级协变量,为协变量回归系数矩阵,为矩阵转置,为协方差矩阵。
13、进一步地,所述s4步骤中,所述主题变化强度表示为事件前后平均主题占比之差的绝对值,所述情感话语偏移度表示为事件前后平均情感话语表达之差的绝对值,所述事件后趋势变化指标为交互项在主题占比上的回归系数与在情感话语表达上的回归系数的绝对值之和。
14、进一步地,所述s4步骤中,所述互动热度信息根据文本的点赞数、评论数和转发数计算,具体表示为互动热度信息总量加1后的对数值;对于任一风险主题,根据各文本中该风险主题的占比对各文本的互动热度进行加权平均,得到该风险主题的加权互动热度。
15、进一步地,所述s4步骤中,所述主题风险指数由标准化后的主题变化强度、情感话语偏移度、事件后趋势变化指标和加权互动热度加权求和得到。
16、进一步地,所述s5步骤中,所述风险主题占比为事件后该风险主题的平均主题占比,所述负向情感话语强度根据事件后该风险主题的平均情感话语表达值确定,当平均情感话语表达值越低表示负向表达越强时,负向情感话语强度取平均情感话语表达值的相反数与0中的较大值;所述主题权重为:任一风险主题的风险主题占比与相应负向情感话语强度的乘积,除以所有风险主题的风险主题占比与相应负向情感话语强度的乘积之和。
17、进一步地,所述s5步骤中,所述总体舆情风险指数为各风险主题的主题权重与对应主题风险指数乘积之和。
18、进一步地,所述s6步骤中,所述预设阈值包括第一预设阈值和第二预设阈值,且第一预设阈值小于第二预设阈值;当总体舆情风险指数小于等于第一预设阈值时输出低风险等级,介于第一与第二预设阈值之间时输出中风险等级,大于等于第二预设阈值时输出高风险等级。
19、进一步地,所述预设风险关键词包括安全、事故、责任、监管、失控、故障、信任中的至少一种;所述重点风险主题根据主题风险指数、主题权重、主题风险指数与主题权重的乘积排序确定,并输出该主题下的代表文本作为预警解释依据。
20、与现有技术相比,本发明至少含有以下有益效果:
21、(1)本发明提出的一种基于事件冲击的自动驾驶出租车舆情风险预警方法,通过以自动驾驶出租车安全事件的发生日期为时间锚点,构建事件阶段变量、相对事件时间变量及二者的交互项作为文档级协变量并引入结构化主题情感话语模型,使模型能够在估计主题占比和主题情感话语表达的同时,定量分析事件发生对公众讨论内容和态度表达的因果性影响,并利用交互项识别事件发生后主题占比和情感话语表达趋势是否发生结构性转折以及该转折在不同主题间的差异性表现;
22、(2)通过从模型输出中识别风险主题,综合主题变化强度、情感话语偏移度、事件后趋势变化指标和加权互动热度生成各风险主题的主题风险指数,再基于风险主题占比和负向情感话语强度确定主题权重并加权生成总体舆情风险指数,进而根据预设阈值输出风险等级、重点风险主题和预警结果,从而将主题情感话语分析结果转化为可量化的预警信息,为自动驾驶出租车安全事件后的舆情监测和应急响应提供直接的量化依据。
1.一种基于事件冲击的自动驾驶出租车舆情风险预警方法,其特征在于,包括步骤:
2.如权利要求1所述的一种基于事件冲击的自动驾驶出租车舆情风险预警方法,其特征在于,所述s2步骤中,所述事件阶段变量用于表示文本发布于事件发生前或事件发生后,所述相对事件时间变量用于表示文本发布时间距离事件发生日期的时间差,所述交互项用于表示事件发生后主题占比和情感话语表达的变化趋势是否发生改变。
3.如权利要求1所述的一种基于事件冲击的自动驾驶出租车舆情风险预警方法,其特征在于,所述s3步骤中,结构化主题-情感话语模型通过文档级协变量同时解释主题占比和主题情感话语表达的变化,公式表达为:
4.如权利要求1所述的一种基于事件冲击的自动驾驶出租车舆情风险预警方法,其特征在于,所述s4步骤中,所述主题变化强度表示为事件前后平均主题占比之差的绝对值,所述情感话语偏移度表示为事件前后平均情感话语表达之差的绝对值,所述事件后趋势变化指标为交互项在主题占比上的回归系数与在情感话语表达上的回归系数的绝对值之和。
5.如权利要求1所述的一种基于事件冲击的自动驾驶出租车舆情风险预警方法,其特征在于,所述s4步骤中,所述互动热度信息根据文本的点赞数、评论数和转发数计算,具体表示为互动热度信息总量加1后的对数值;对于任一风险主题,根据各文本中该风险主题的占比对各文本的互动热度进行加权平均,得到该风险主题的加权互动热度。
6.如权利要求5所述的一种基于事件冲击的自动驾驶出租车舆情风险预警方法,其特征在于,所述s4步骤中,所述主题风险指数由标准化后的主题变化强度、情感话语偏移度、事件后趋势变化指标和加权互动热度加权求和得到。
7.如权利要求1所述的一种基于事件冲击的自动驾驶出租车舆情风险预警方法,其特征在于,所述s5步骤中,所述风险主题占比为事件后该风险主题的平均主题占比,所述负向情感话语强度根据事件后该风险主题的平均情感话语表达值确定,当平均情感话语表达值越低表示负向表达越强时,负向情感话语强度取平均情感话语表达值的相反数与0中的较大值;所述主题权重为:任一风险主题的风险主题占比与相应负向情感话语强度的乘积,除以所有风险主题的风险主题占比与相应负向情感话语强度的乘积之和。
8.如权利要求1所述的一种基于事件冲击的自动驾驶出租车舆情风险预警方法,其特征在于,所述s5步骤中,所述总体舆情风险指数为各风险主题的主题权重与对应主题风险指数乘积之和。
9.如权利要求1所述的一种基于事件冲击的自动驾驶出租车舆情风险预警方法,其特征在于,所述s6步骤中,所述预设阈值包括第一预设阈值和第二预设阈值,且第一预设阈值小于第二预设阈值;当总体舆情风险指数小于等于第一预设阈值时输出低风险等级,介于第一与第二预设阈值之间时输出中风险等级,大于等于第二预设阈值时输出高风险等级。
10.如权利要求1所述的一种基于事件冲击的自动驾驶出租车舆情风险预警方法,其特征在于,所述预设风险关键词包括安全、事故、责任、监管、失控、故障、信任中的至少一种;所述重点风险主题根据主题风险指数、主题权重、主题风险指数与主题权重的乘积排序确定,并输出该主题下的代表文本作为预警解释依据。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com