舆情预测方法、装置、服务器及存储介质与流程

本技术涉及数据处理，尤其涉及一种舆情预测方法、装置、服务器及存储介质。

背景技术：

1、随着社交网络和媒体的发展，舆情分析和预测成为了舆情监测管理的重要内容。也就是说，互联网完全开放，它拓展了所有人的公共空间，给了所有人发表意见的便利，每个人都有机会成为网络信息的发布者，每个人都有选择网络信息的自由，通过新闻点评和部分网站，网民可以立即发表意见，下情直接上达，民意表达更加畅通。由于互联网的匿名特点，多数网民会自然地表达自己的真实观点，或者反映出自己的真实情绪。因此，网络舆情比较客观地反映了现实社会的矛盾，比较真实地体现了不同群体的价值。但是部分网民在网络上随意恶意发表言论，这些言论缺乏理性，比较感性化和情绪化，甚至有些人把互联网作为发泄情绪的场所，通过相互感染，这些情绪化言论很可能在众人的响应下，发展成为有害的舆论。因此预测舆情事件的发展趋势，对于净化网络空间，加强网络空间治理具有重要意义。

2、现有的舆情预测方法通常利用过往若干时间点的舆情特征信息(例如：评价等级、点赞数、转发数、评论数等)来预测未来某个时间点的舆情。

3、现有的大多数舆情预测方法均采用了传统的时间序列处理方法或者传统机器学习方案，预测效果差，因此在准确性上稍有不足。

技术实现思路

1、本技术提供了一种舆情预测方法、装置、服务器及存储介质，用以解决现有技术存在的舆情预测准确性差的技术问题。

2、根据本技术的第一方面，提供了一种舆情预测方法，包括：

3、获取历史时间节点对应的舆情事件的多维特征数据；其中，所述多维特征数据包括多个维度的特征数据；

4、利用嵌入层对每个维度的特征数据分别进行嵌入向量表示，得到对应的特征向量；

5、将所有所述特征向量输入至以自注意力为主要部件的特定模型transformer模型的编码器encoder网络，进行深层次特征的提取和融合，得到深层融合特征向量；

6、将所述深层融合特征向量输入至输出层，以使所述输出层输出所述舆情事件的预测结果。

7、可选地，所述多维特征数据包括以下至少之一：时间序列特征数据、计数型特征数据、连续型特征数据和离散型特征数据；所述时间序列特征数据用于表示所述历史时间节点在所述时间序列中的位置，所述离散型特征数据用于表示所述历史时间节点对应的时间戳；所述利用嵌入层对每个维度的特征数据分别进行嵌入向量表示，得到对应的特征向量，包括：

8、确定所述特征数据的维度；

9、根据所述特征数据的维度，对所述时间序列特征数据、所述计数型特征数据或所述连续型特征数据进行正弦/余弦编码，得到与所述时间序列特征数据、所述计数型特征数据或所述连续型特征数据对应的特征向量；

10、利用嵌入层对所述离散型特征数据进行one-hot编码，并将编码结果和所述多维特征数据的维度对应的嵌入矩阵进行相乘的结果确定为与所述离散型特征数据对应的特征向量。

11、可选地，所述正弦/余弦编码所采用的公式为：

12、

13、其中，d2i为所述特征向量的偶数位置，在偶数位置采用正弦编码，d2i+1为所述特征向量的奇数位置，在奇数位置采用余弦编码，p为第p个数据在所述时间序列特征数据、所述计数型特征数据或所述连续型特征数据中的位置，d为所述特征数据的维度。

14、可选地，所述输出层输出所述舆情事件的预测结果，包括：

15、获取待预测时间节点对应的时间特征数据；其中，所述待预测时间节点位于所述历史时间节点之后；

16、根据所述待预测时间节点对应的时间特征数据，所述输出层输出所述待预测时间节点对应的所述舆情事件的预测结果。

17、可选地，在所述输出层输出所述舆情事件的预测结果之后，所述方法还包括：

18、获取舆情事件的状态信息，根据所述舆情事件的状态信息和所述舆情事件的预测结果，在预设数据库中查找对应的决策信息；

19、显示所述决策信息。

20、可选地，所述获取舆情事件的状态信息，包括：

21、利用预设的情感分析模型对历史时间节点对应的舆情事件的多维特征数据进行情感分析，得到舆情事件的状态信息。

22、可选地，所述transformer模型的encoder网络包括多层结构组成，每层网络均包括自注意层和前馈神经网络；所述将所有所述特征向量输入至transformer模型的encoder网络，进行深层次特征的提取和融合，得到深层融合特征向量，包括：

23、将所有所述特征向量输入至所述自注意层，以使所述自注意层采用注意力机制进行计算；

24、将所述自注意层输出的处理数据输入至所述前馈神经网络，以使所述前馈神经网络输出深层融合特征向量；其中，深层融合特征向量用于反映文字描述的深层语义信息。

25、根据本技术的第二方面，提供了一种舆情预测装置，包括：

26、获取模块，用于获取历史时间节点对应的舆情事件的多维特征数据；其中，所述多维特征数据包括多个维度的特征数据；

27、嵌入向量表示模块，用于利用嵌入层对每个维度的特征数据分别进行嵌入向量表示，得到对应的特征向量；

28、提取和融合模块，用于将所有所述特征向量输入至transformer模型的encoder网络，进行深层次特征的提取和融合，得到深层融合特征向量；

29、输入模块，用于将所述深层融合特征向量输入至输出层，以使所述输出层输出所述舆情事件的预测结果。

30、根据本技术的第三方面，提供了一种服务器，包括：至少一个处理器和存储器；

31、所述存储器存储计算机执行指令；

32、所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面所述的舆情预测方法。

33、根据本技术的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上第一方面所述的舆情预测方法。

34、本技术提供的一种舆情预测方法，包括：先获取历史时间节点对应的舆情事件的多维特征数据；其中，多维特征数据包括多个维度的特征数据；然后利用嵌入层对每个维度的特征数据分别进行嵌入向量表示，得到对应的特征向量；再将所有特征向量输入至transformer模型的encoder网络，进行深层次特征的提取和融合，得到深层融合特征向量；最后将深层融合特征向量输入至输出层，以使输出层输出舆情事件的预测结果。

35、与传统机器学习方案相比，本技术中的transformer模型的encoder网络具有语义丰富的优势，由于传统的时间序列处理方法无法适应encoder网络的高精度，因此本技术通过利用嵌入层对每个维度的特征数据分别进行嵌入向量表示的方式获取对应的特征向量，以使transformer模型的encoder网络提高舆情预测的准确性。

36、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。