本发明涉及网络观点技术领域，具体涉及一种网络观点传播与预测方法。
背景技术：
目前，手机等智能终端的兴起，使得社会化网络工具已经成为人们每天获取信息、相互交流必不可少的方式，这种信息传播与交流方式的变革，已经影响着人们的生活习惯。而随着网络传播速度的加快，对网络观点的预测就尤为重要。
公开号为cn103218477a的中国专利文献公开了一种网络观点传播与预测方法，该方法包括：对网络拓扑信息进行数字化建模，针对个体的各个观点状态进行数字量化；根据得到的量化信息，建立基于离散个体交互行为的预测模型；本方法可以用来预测网络用户的整体观点走向，在已给定网络用户状态与网络拓扑结构的环境，该文献的方法可以更为有效的预测网络中某观点的走势，进而对网络舆论的预测、突发事件的应对策略以及网络用户和观点走势之间的相互影响规律做出总结。但是该文献仅能对网络舆论和观点进行模拟演示，无法根据实际情况作出改变。
“面向论坛网络的观点传播与舆情形成模型，计算机科学，2015年，徐会杰等”指出传统的观点传播与舆情形成模型主要采用sznajd模型和french-degroot模型，并指出sznajd模型仅存在支持和反对两种观点，而french-degroot模型不能随时间发生变化，并且在该两种模型基础上，进行实时更新自身的观点，进行节点观点的迭代。但是该文献忽略了观点的变化是以价值观为基础的，而价值观的变化却是很缓慢的，而且经常受事件的影响，从而对观点改变过于频繁，影响了模型的稳定性。
技术实现要素：
本发明的目的在于提供一种网络观点传播与预测方法，本发明提供的网络观点传播与预测方法能够将后发生的事件采用已经发生时间的网络观点进行修正，从而较为客观地预测网络观点的传播。
为实现上述目的，本发明提供一种网络观点传播与预测方法，该方法包括：
a、收集事件a1在发生后至时间t内随时间变化的网络观点o1；
b、对该网络观点o1进行提取、分类和统计，得到统计数据d1；
c、对时间a2、a3……an进行步骤a和步骤b，分别得到统计数据d2、d3……dn，其中，n为大于1的自然数；
d、对事件a1、a2、a3……an进行分类，得到类别c1-ck，其中，k为1-n之间的自然数；
e、收集发生时间未超过t的事件b的信息，并采用步骤d的分类方式对事件b归类于至少两个类别ci1-cim，其中，m为1-k之间的自然数，类别ci1-cim属于类别c1-ck；
f、将类别ci1-cim的观点进行叠加，得到事件b随时间变化的网络观点ob和统计数据db。
可选的，步骤a中所述收集事件a1在发生后至时间t内随时间变化的网络观点o1的步骤包括：
获取事件a1在发生后至时间t内的初始网络观点；
对所述初始网络观点进行筛分去重；
获取去重后的初始网络观点下的评论网络观点，并将去重后的初始网络观点和评论网络观点作为所述网络观点o1和统计数据db。
可选的，采用lda主题模型进行步骤b中所述提取、分类和统计。
可选的，所述lda主题模型的特征词为根据事件a1中的构成要素所区分的正面观点和反应观点。
可选的，步骤d中的分类方式为根据所述事件a1在搜索引擎中的搜索关键字排名进行分类。
可选的，步骤f中叠加的方式包括：
提取分类ci1-cim中所有事件的网络观点，并将与时间b中所有构成要素中的其中一个构成要素相同的网络观点进行计算。
可选的，所述计算的方式为：统计网络观点的数目并与事件数目进行平均。
本发明具有如下优点：
本发明将已经发生事件随时间变化的网络观点进行收集、提取、分类和统计，得到统计数据，并将该统计数据根据时间进行分类，尔后将后发生的事件根据其分类将统计数据进行叠加，得到后发生事件的网络观点和统计数据，该方法根据网络观点随着已经发生事件而发生变化的规律，能够避免过度变化网络观点的模型，从而提高网络观点预测的科学和合理性。
附图说明
图1是本发明提供的方法一示例性实施例的流程示意图。
具体实施方式
以下实施例用于说明本发明，但不用来限制本发明的范围。
人的观点一般基于价值观而提出，实际上，邻居以及周围等其他人对个人影响并不如sznajd模型所指出的那般大，而随着事件的发生，事件本身以及对该时间的网络观点对个人影响更大，因此，根据先前发生的事件的网络观点，来预测后发生时间的网络观点，具有非常重要的意义，图1是本发明提供的方法一示例性实施例的流程示意图。如图1所示，该方法包括如下步骤。
步骤a：收集事件a1在发生后至时间t内随时间变化的网络观点o1。该网络观点可以来自微博、微信、qq和网页等，具体步骤可以包括：获取事件a1在发生后至时间t内的初始网络观点，该时间t可以是1小时，1天或1个月等，可以根据预测的时间段进行自由选择；对所述初始网络观点进行筛分去重，该筛分去重是为了防止某些网络观点的过度统计，例如复制粘贴的网络观点或者恶意跟帖灯；获取去重后的初始网络观点下的评论网络观点，并将去重后的初始网络观点和评论网络观点作为所述网络观点o1。
步骤b：对该网络观点o1进行提取、分类和统计，得到统计数据d1，例如可以采用lda主题模型进行步骤b中所述提取、分类和统计，所述lda主题模型的特征词可以为根据事件a1中的构成要素所区分的正面观点和反应观点。以高考状元大多来自大城市的时间为例，可以将主题分为高考、状元、大城市、农村、学生等相关的元素，然后对这些元素中的观点进行分别统计或者组合统计，可以以上述元素的观点进行统计。
步骤c：对时间a2、a3……an进行步骤a和步骤b，分别得到统计数据d2、d3……dn，其中，n为大于1的自然数。
步骤d：对事件a1、a2、a3……an进行分类，得到类别c1-ck，其中，k为1-n之间的自然数。步骤d中的分类方式为根据所述事件a1在搜索引擎中的搜索关键字排名进行分类，以高考状元大多来自大城市的时间为例，可以有高考、状元、大城市、农村、学生等相关的关键字，以每个关键字为标签的类别可以同时包括该事件以及统计数据。
步骤e：收集发生时间未超过t的事件b的信息，并采用步骤d的分类方式对事件b归类于至少两个类别ci1-cim，其中，m为1-k之间的自然数，类别ci1-cim属于类别c1-ck；
步骤f：将类别ci1-cim的观点进行叠加，得到事件b随时间变化的网络观点ob和统计数据db，具体地，可以为提取分类ci1-cim中所有事件的网络观点，并将与时间b中所有构成要素中的其中一个构成要素相同的网络观点进行计算，统计网络观点的数目并与事件数目进行平均。例如当出现农村高考学生相关的事件时，可以将该事件中分属于农村、高考、学生三类中，然后将该三类中所有具有相关要素的观点进行叠加，例如，农村分类中将存在高考和学生的观点进行叠加，最后进行平均，从而防止观点的重复统计。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。