(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111634848.6 (22)申请日 2021.12.27 (71)申请人 四川新网银行股份有限公司 地址 610094 四川省成 都市成都高新区吉 泰三路8号1栋1单 元26楼1-8号 (72)发明人 毛正冉　刘嵩　 (74)专利代理 机构 成都智言知识产权代理有限 公司 51282 专利代理师 李勇 (51)Int.Cl. G06F 40/295(2020.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) (54)发明名称 一种应用深度学习提升舆情预警准确率的 系统和方法 (57)摘要 本发明涉及一种应用深度学习提升舆情预 警准确率的系统和方法， 属于计算机技术领域。 本发明包括命名实体识别终端： 用于从数据输入 端口获取新闻文本并输出命名实体矩 阵及其置 信概率矩阵P1； 新闻事件分类终端： 用于从数据 输入端口获取新闻文本并输出风险事件类别E2 及其对应的置信概率P2； 新闻舆情预警终端： 用 于配制预警规则， 接收命名实体矩阵及其置信概 率矩阵P1、 风险事件类别E2及其对应的置信概率 P2， 并执行预 警规则， 输出预警信号。 本发明可自 动从新闻文本中抽取命名实体， 并且 可同时预测 数十种新闻事件的分类概率， 输出分类概率矩阵 与最高置信度的事件类别， 大幅提高了新闻风险 事件识别的准确率与详细程度。 权利要求书2页 说明书6页 附图2页 CN 114492439 A 2022.05.13 CN 114492439 A 1.一种应用深度学习提升 舆情预警准确率的系统， 其特 征在于， 包括 命名实体识别终端： 用于从数据输入端口获取新闻文本并输出命名实体矩阵及其置信 概率矩阵P1； 新闻事件分类终端： 用于从数据输入端口获取新闻文本并输出风险事件类别E2及其对 应的置信概 率P2； 新闻舆情预警终端： 用于配制预警规则， 接收命名实体矩阵及其置信概率矩阵P1、 风险 事件类别E2及其对应的置信概 率P2， 并执 行预警规则， 输出 预警信号。 2.根据权利要求1所述的一种应用深度 学习提升舆情预警准确率的系统， 其特征在于： 所述命名实体识别终端包括用于对新闻文本中的实体要素进 行标注的实体要 素标注模块、 用于训练命名实体识别模型的命名实体识别模型训练模块和用于提取命名实体矩阵及其 置信概率矩阵P1的命名实体要素提取模块。 3.根据权利要求1所述的一种应用深度 学习提升舆情预警准确率的系统， 其特征在于： 所述新闻事件分类终端包括用于对新闻事件进行标注的新闻事件标注模块、 用于训练 Transformer模型的Transformer训练模块和用于输出风险事件类别E2及其对应的置信概 率P2的新闻事 件分类模块。 4.根据权利要求1所述的一种应用深度 学习提升舆情预警准确率的系统， 其特征在于： 所述新闻舆情预警 终端包括： 预警规则配置模块： 用于配置预警规则； 预警信号生成模块： 用于根据命名实体矩阵及其置信概率矩阵P1、 风险事件类别E2及 其对应的置信概 率P2输出 预警信号。 5.一种应用深度学习提升 舆情预警准确率的方法， 其特 征在于， 包括以下步骤： 步骤1： 获取新闻文本， 所述命名实体识别终端和新闻事件分类终端分别对新闻文本 中 的实体要素和风险事 件进行标注， 得到实体要素 数据集D1和风险事 件数据集D2； 步骤2： 分别采用实体要素数据集D1和风险事件数据集D2对命名实体识别模型和 Transformer模型进行训练， 得到训练好的命名实体识别模型M1和训练好的新闻舆情风险 事件分类模型M2； 步骤3： 将实时获取的新闻文本分别输入到训练好的命名实体识别模型M1和新闻舆情 风险事件分类模型M2中， 所述命名实体识别模型M1输出命名实体矩阵及其置信概率矩阵 P1， 所述新闻舆情风险事 件分类模型M2输出风险事 件类别E2及其对应的置信概 率P2； 步骤4： 所述新闻舆情预警终端接收步骤3 中的命名实体矩阵及其置信概率矩阵P1和风 险事件类别E2及其对应的置信概 率P2， 并执 行预警规则， 输出 预警信号。 6.根据权利要求5所述的一种应用深度 学习提升舆情预警准确率的方法， 其特征在于， 所述步骤1具体包括： 步骤1.1： 获取新 闻文本， 将新 闻文本按照句子级别进行分割， 使用shuffle函数将句子 级别的新闻文本随机排序， 并抽取其中设定比例的新闻文本对实体要素进行人工标注， 剩 余部分的新闻文本用于初版模型预测伪标签， 其中置信概率高的新闻文本标记为真实标 签， 置信概 率低的新闻样本进行 人工校正标注， 得到实体要素 数据集D1； 步骤1.2： 获取新 闻文本， 将新 闻文本按照句子级别进行分割， 使用shuffle函数将句子 级别的新闻文本随机排序， 并抽取其中设定比例的新闻文本对风险事件进行人工标注， 剩权　利　要　求　书 1/2 页 2 CN 114492439 A 2余部分的新闻文本用于初版模型预测伪标签， 其中置信概率高的新闻文本标记为真实标 签， 置信概 率低的新闻样本进行 人工校正标注， 得到风险事 件数据集D2。 7.根据权利要求5所述的一种应用深度 学习提升舆情预警准确率的方法， 其特征在于， 所述步骤2具体包括以下步骤： 步骤2.1： 将实体要素数据集D1导入命名实体识别模型， 命名实体识别模型采用BERT+ IDCNN+CRF架构， 对文本进行拆分操作， 将实体要素数据集D1划分为训练集和验证集， 然后 加载预训练模型， 在实体要素数据集D上进行微调， 设置合适的初始化学习率和批处理大 小， 经过迭代得到训练好的命名实体识别模型M1； 步骤2.2： 将风险事件数据集D2导入Transformer模型， Transformer模型采用BERT架 构， 对文本进 行拆分操作， 将风险事件数据集D2划分为训练集和验证集， 然后加载BERT 预训 练模型， 初始化学习率和批处理大小， 在风险事件 数据集D2上进 行微调操作， 经过迭代得到 训练好的新闻舆情风险事 件分类模型M2。 8.根据权利要求5所述的一种应用深度 学习提升舆情预警准确率的方法， 其特征在于： 所述步骤3具体包括以下步骤： 步骤3.1： 从数据输入端口实时获取新 闻文本， 并输入到训练好的命名实体识别 模型M1 中， 命名实体识别模型M1输出命名实体矩阵及其置信概率矩阵P1； 所述命名实体矩阵包括 企业实体、 事 件、 时间和地 点； 步骤3.2： 从数据输入端口实时获取新闻文本， 并输入到训练好的新闻舆情风险事件分 类模型M2中， 新闻舆情风险事件分类模型M2输出新闻舆情事件的分类概率矩阵， 并据此计 算出最高置信度的风险事 件类别E2及其对应的置信概 率P2。 9.根据权利要求5所述的一种应用深度 学习提升舆情预警准确率的方法， 其特征在于， 所述步骤4具体包括以下步骤： 步骤4.1： 在新闻舆情预警 终端的规则配置页面配置预警规则R 1； 步骤4.2： 所述新闻舆情预警终端接收步骤3中的命名实体矩阵及其置信概率矩阵P1和 风险事件类别E2及其对应的置信概 率P2； 步骤4.3： 执行已配置好的预警规则R1， 若触发预警规则R1中的阈值则输出预警信号， 否则不输出。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行时实现权利要求5 ‑9任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114492439 A 3