一种结合文本主题分析、情感分析和GSVM的智慧环保宣教方法

一种结合文本主题分析、情感分析和gsvm的智慧环保宣教方法
技术领域
1.本发明涉及互联网技术领域，尤其涉及一种结合文本主题分析、 情感分析和gsvm的智慧环保宣教方法。


背景技术：

2.但在互联网时代，信息的传递上互联网有着不容忽视的优势，所 以环保宣传教育的方式必须要与合适的社交媒体相连接，而在我国， 使用范围最广的是微信平台，以微信公众号“上海绿色账号”2015 至2019年的环保推文为例，现有的宣传方法多是随机且不确定的， 宣教者通常采用“任务式”的推文宣传模式，没有考虑到包括文本主 题、标题情感等内部因素，难以引起公众的兴趣；除此之外，宣传者 在发布推文的时候并没有充分考虑到各种外部因素(如发布时间、发 布星期等)，以上两点导致很多重要的宣传推文并没有获得足够的关 注度，宣传效果较差。
3.

技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺点，而提出的一种 结合文本主题分析、情感分析和gsvm的智慧环保宣教方法。其优点 在于为宣传者提供更具有针对性的决策指导，以提供高效、准确、实 用的推文，避免资源浪费。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种结合文本主题分析、情感分析和gsvm的智慧环保宣教方法， 包括以下步骤：
7.s1：针对给定的宣传推文数据，对原始数据进行划分，以阅读量 的50％分位数为阈值，将高于界线的样本划分为正样本1，代表阅读 量高，将低于界线的样本划分为负样本0，代表阅读量低。经过样本 筛选后，我们得到二分类的标签样本。将该样本集合及对应的诸多特 征变量作为主要的数据输入及依据进入下一环节；
8.s2：基于前一步骤获得的样本集合，从中综合整理得出的变量可 分为两大因素，分别为内部因素，包括标题主题、标题情感、标题符 号和外部因素，包括发布星期、发布时间、是否为头条；
9.s3：采用gsvm对数据进行预测分类，当面对不能够完全线性可 分的样本，通过增加软间隔的ε-svm法来处理数据噪声和异常值， 利用ε-svm处理非线性问题时，将不可分样本维映射到更高维度特 征空间，实现线性可分，再将其转为拉格朗日对偶问题，最后引入核 函数来解决维数灾难，在参数优化上，利用自适应粒子群优化算法优 化，根据粒子适应度不断迭代对svm的参数如c等进行自动调优，迭 代完成后的得到最适合支持向量机的模型参数，从而达到更好的预测 效果，最终，我们在示例中取得了91％的预测准确率，证明该模型能 够高效预测出阅读量较高的推文。
10.本发明进一步设置为，所述标题主题采用lda文本主题分析算法 将示例数据中的
推文标题划分为10个主题，并得到每个样本的标题 中这些主题各自占据的比例。通过相关性分析和实证检验，发现标题 主题成分不同的推文对公众有不同的吸引力。
11.本发明进一步设置为，所述标题情感采用字典式的情感分析算法 对样本数据中的标题进行情感分析。通过相关性分析和实证检验，发 现标题情感取向不同的推文，对公众的吸引力有显著区别。
12.本发明进一步设置为，所述标题符号考虑到“标题党”常常在人 气爆炸性推文的标题中采用“？”“！”等语气强烈的标点符号，将 其作为变量特征进行提取分析，发现其与推文阅读量具有显著相关性。
13.本发明进一步设置为，所述发布星期对示例样本数据进行分析发 现，在星期2、3、4发布的推文具有较高的阅读量，而在星期5、6、 7、1发布的推文，相比之下具有更低的阅读量。这一发现与事实相 符——人们更喜欢在工作日闲暇的碎片时间查看微信推文信息，而在 周末则会利用大部分时间进行线下娱乐活动。
14.本发明进一步设置为，所述发布时间通过将发布时间划分为24 小时后进行数据挖掘，发现在12:00-13:00和20:00-24:00这两个时 间段是推文阅读的高峰期。此发现也与实际生活相符，午休和下班之 后的时间是人们休闲放松、接受碎片化推文信息的高峰期。
15.本发明进一步设置为，所述是否为头条观察得到示例中微信公众 号“上海绿色账号”每次发布推文5-7条，同一批次发送的推文只有 一篇能够占据头条。通过分析发现，是否为版面头条与阅读量具有显 著的强相关性。
16.本发明进一步设置为，所述ε-svm法通过计算公式实施，所述 计算公式为f(x)＝《w,x》 b,w∈rn；l
ε
(y-f(x))＝max{0,|y-f(x)|-ε}.； 17.本发明的有益效果为：
18.1、该结合文本主题分析、情感分析和gsvm的智慧环保宣教方法， gsvm能够对数据进行预测分类，自适应的参数优化突破现有研究的 预测准确率，预测准确率接近90％，为宣传者提供更具有针对性的决 策指导，以提供高效、准确、实用的推文，避免资源浪费。
19.2、该结合文本主题分析、情感分析和gsvm的智慧环保宣教方法， 本发明利用多维度变量选取，对不同的特征变量进行分析，可以在内 部和外部层面对推文宣传进行人为优化，综合考虑标题主题、发布时 间等特征，合理解决当前阶段社交媒体宣传中的随机性、不精准等问 题，从而实现更好的宣传效果。
20.3、该结合文本主题分析、情感分析和gsvm的智慧环保宣教方法， 信息的互联网传递化对诸多领域提出更高的宣教要求，本发明提出的 宣教效果预测方法能够在广泛领域得到应用，如政府宣教、商业宣传、 公益科普等，高效的推文能够稳定读者阅读兴趣，同时节约宣教过程 中不必要的人力物力浪费，缓和现阶段推文阅读率低下的问题，兼顾 经济效益与社会效益。
附图说明
21.图1为本发明提出的一种结合文本主题分析、情感分析和gsvm 的智慧环保宣教方法的工作流程结构示意图；
22.图2为本发明提出的一种结合文本主题分析、情感分析和gsvm 的智慧环保宣教方
法的ε-svm概念结构示意图。
具体实施方式
23.下面结合具体实施方式对本专利的技术方案作进一步详细地说 明。
24.参照图1-2，一种结合文本主题分析、情感分析和gsvm的智慧 环保宣教方法，包括以下步骤：
25.s1：针对给定的宣传推文数据，对原始数据进行划分，以阅读量 的50％分位数为阈值，将高于界线的样本划分为正样本1，代表阅读 量高，将低于界线的样本划分为负样本0，代表阅读量低。经过样本 筛选后，我们得到二分类的标签样本。将该样本集合及对应的诸多特 征变量作为主要的数据输入及依据进入下一环节；
26.s2：基于前一步骤获得的样本集合，从中综合整理得出的变量可 分为两大因素，分别为内部因素，包括标题主题、标题情感、标题符 号和外部因素，包括发布星期、发布时间、是否为头条；
27.s3：采用gsvm对数据进行预测分类，当面对不能够完全线性可 分的样本，通过增加软间隔的ε-svm法来处理数据噪声和异常值， 利用ε-svm处理非线性问题时，将不可分样本维映射到更高维度特 征空间，实现线性可分，再将其转为拉格朗日对偶问题，最后引入核 函数来解决维数灾难，在参数优化上，利用自适应粒子群优化算法优 化，根据粒子适应度不断迭代对svm的参数如c等进行自动调优，迭 代完成后的得到最适合支持向量机的模型参数，从而达到更好的预测 效果，最终，我们在示例中取得了91％的预测准确率，证明该模型能 够高效预测出阅读量较高的推文。
28.在本实施例中，标题主题采用lda文本主题分析算法将示例数据 中的推文标题划分为10个主题，并得到每个样本的标题中这些主题 各自占据的比例。通过相关性分析和实证检验，发现标题主题成分不 同的推文对公众有不同的吸引力。
29.在本实施例中，标题情感采用字典式的情感分析算法对样本数据 中的标题进行情感分析。通过相关性分析和实证检验，发现标题情感 取向不同的推文，对公众的吸引力有显著区别。
30.在本实施例中，标题符号考虑到“标题党”常常在人气爆炸性推 文的标题中采用“？”“！”等语气强烈的标点符号，将其作为变量 特征进行提取分析，发现其与推文阅读量具有显著相关性。
31.在本实施例中，发布星期对示例样本数据进行分析发现，在星期 2、3、4发布的推文具有较高的阅读量，而在星期5、6、7、1发布 的推文，相比之下具有更低的阅读量。这一发现与事实相符——人 们更喜欢在工作日闲暇的碎片时间查看微信推文信息，而在周末则会 利用大部分时间进行线下娱乐活动。
32.在本实施例中，发布时间通过将发布时间划分为24小时后进行 数据挖掘，发现在12:00-13:00和20:00-24:00这两个时间段是推文 阅读的高峰期。此发现也与实际生活相符，午休和下班之后的时间是 人们休闲放松、接受碎片化推文信息的高峰期。
33.在本实施例中，是否为头条观察得到示例中微信公众号“上海绿 色账号”每次发布推文5-7条，同一批次发送的推文只有一篇能够占 据头条。通过分析发现，是否为版面头条与阅读量具有显著的强相关 性。
34.在本实施例中，ε-svm法通过计算公式实施，计算公式为 f(x)＝〈w,x》 b,w∈rn；l
ε
(y-f(x))＝max{0,|y-f(x)|-ε}.； 35.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范 围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变， 都应涵盖在本发明的保护范围之内。