涉警舆情知识图谱的构建及应用研究

发布时间：2021-01-23 13:12

　　在舆情分析领域,传统的舆情分析研判模型通常基于专家意见和制定推理规则构建,其缺点是模型构建依赖于行业专家的知识积累且耗时长久。在当今自媒体时代下,各行各业越来越重视舆情特别是负面舆情,利用知识图谱快速构建舆情分析研判模型具有实际应用价值。知识图谱分为通用知识图谱、领域知识图谱和跨语言知识图谱,目前知识图谱多为通用知识图谱,涉警舆情领域的知识图谱研究还不多见,构建涉警舆情知识图谱并用于涉警舆情分析研判模型中,对维护社会安全稳定,促进社会和谐发展具有重要意义。本文借鉴已有知识图谱构建方法,提出涉警舆情知识图谱的构建方法,主要研究内容包括:（1）借鉴已有知识图谱中实体识别方法,提出了基于BI-LSTM-CRF的涉警舆情信息实体识别方法,并针对传统的方法无法有效提取涉警舆情领域语义特征的问题,构建了基于有监督实体的词向量特征。实验表明该方法能有效提取涉警舆情领域语义特征,提高了涉警舆情信息实体识别的召回率和准确率。（2）针对涉警舆情的数据来源广、关系类型复杂等问题,提出了基于规则和远程监督的涉警舆情信息实体关系抽取方法,通过分析涉警舆情语句的句子结构,抽取出涉警舆情信息规则模板并用于涉警舆情信... 

【文章来源】：西华大学四川省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

BI-LSTM模型结构

图 2.2 Skip-gram 结构图Fig. 2.2 Skip-gram structure diagram词向量的两种常用模型，Skip-gram[38]和 CBOW[3主要思想是预测上下文的词语之间的关系。给定

用当前词语来预测它的上下文词，其网络结构如图个对数似然函数： ∈ ∈Ι=w DwCwii iPww()00log (|)是依据当前词语的上下文词来预测当前的词,其网络结= iwiiI logP (w|C(w))

【参考文献】：
期刊论文
[1]基于BiLSTM-CRF的商情实体识别模型[J]. 张应成,杨洋,蒋瑞,全兵,张利君,任晓雷.  计算机工程. 2019(05)
[2]基于短语级注意力机制的关系抽取方法[J]. 尹鹏,周林,郭强,刘镇江.  计算机技术与发展. 2019(09)
[3]基于注意力机制与文本信息的用户关系抽取[J]. 赵赟,吴璠,王中卿,李寿山,周国栋.  中文信息学报. 2019(03)
[4]基于知识图谱的网络舆情突发话题内容监测研究[J]. 马哲坤,涂艳.  情报科学. 2019(02)
[5]宠物知识图谱的半自动化构建方法[J]. 袁琦,刘渊,谢振平,陆菁.  计算机应用研究. 2020(01)
[6]大规模知识图谱及其应用研究[J]. 孙雨生,常凯月,朱礼军.  情报理论与实践. 2018(11)
[7]公安领域中知识图谱的构建与应用研究[J]. 武鸿浩.  网络安全技术与应用. 2018(08)
[8]基于知识图谱的警用安保机器人大数据分析技术研究[J]. 郝久月,樊志英,汪宁,王欣.  警察技术. 2018(03)
[9]我国苹果产业知识图谱构建研究[J]. 陈亚东,鲜国建,寇远涛,郭淑敏,刘现武.  中国农业资源与区划. 2017(11)
[10]基于Bootstrapping的新闻事件型实体关系抽取方法[J]. 宋卿,戚成琳,杨越.  中国传媒大学学报(自然科学版). 2017(04)

硕士论文
[1]电信领域命名实体识别方法的研究[D]. 张歌.南京邮电大学 2018
[2]基于句模与模糊匹配的初等数学题意理解研究及实现[D]. 彭明.电子科技大学 2018
[3]网络涉警舆论引导研究[D]. 王梓渝.中国人民公安大学 2017
[4]公安机关处置涉警网络舆情的研究[D]. 黄佳群.上海交通大学 2015



本文编号：2995276