一种投诉事件转捩点识别方法

摘要

本申请提供一种投诉事件转捩点识别方法，包括：收集历年投诉事件数据并进行分类；划分不同类型待处理投诉事件的阶段，提取待处理投诉事件各阶段拐点的特征；根据待处理投诉事件特征预测待处理投诉事件走向；收集新闻事件并与不具有自动修正能力的待处理投诉事件进行关联分析，通过关键字检索新闻事件，计算新闻事件与待处理投诉事件相关度；预测高关联度新闻事件对待处理投诉事件的影响类型，预测新闻事件对待处理投诉事件起到积极还是消极作用，预测新闻事件消极作用对待处理投诉事件影响力；根据影响类型和干预效果对新闻事件进行处理，根据干预后的待处理投诉事件走向判断是否继续干预。本发明能够对恶性投诉事件进行提前的预警，避免突破投诉事件转捩点。

说明书

【技术领域】

本发明涉及自然语言处理技术领域，尤其涉及一种投诉事件转捩点识别方法。

【背景技术】

传统的投诉事件分析工作主要依赖于人的经验，所收集的事件信息缺乏完整性和客观性，分析技术匮乏，这是远远不够的。经验要凭人积累，主观随意性较强，且无法高效传承。投诉事件大数据系统的建立，以信息客观、详实、完备为目标，以量的积累突破经验的局限性，最终为科学研究和精准预测提供了坚实的判断基础。投诉事件中，有些事件激进程度高，有些低，因此需要对不同的事件进行分类分析。因为他们的演化路径和演化速度不同。不同类型的事件具有自我修复能力不同，有些事件一突破转捩点，就会导致大规模爆发，有些则需要酝酿较久，并且可能有自我终止的能力。

【发明内容】

本发明提供了一种投诉事件转捩点识别方法，主要包括：

收集历年投诉事件数据并进行分类；对不同类型的投诉事件进行特征提取；根据投诉事件特征预测待处理投诉事件走向；收集新闻事件并与不具有自动修正能力的待处理投诉事件进行关联分析；预测高关联度新闻事件对待处理投诉事件的影响类型；根据影响类型和干预效果对新闻事件进行处理；

进一步可选地，所述收集历年投诉事件数据并进行分类包括：

从投诉数据库获取设定时间范围的投诉事件的文本数据，结合预先设立的投诉专业词库以及网络词库，将上述投诉事件的文本数据进行分词、分句、词性标注、命名实体识别的预处理，所述分词具体包括：采用基础分词方法对所述待分词文本进行分词，得到基础分词结果；根据预设投诉专业词库中的专有名词，在所述基础分词结果中确定非专有词元组合和专有词元组合；根据预设网络词库中的网络专有词，在所述专有词元组合中确定出非网络词元组合；将所述非专有词元组合中的词元以及所述专有词元组合中除所述非网络词元组合中的词元以外的词元，作为所述待分词文本的分词结果，将上述预处理后的文本数据作为训练集，循环迭代的输入到深度卷积神经网络对所述文本数据进行分类，直至循环迭代达到预设次数或预设收敛效果，得到投诉事件的类别，所述类别包括：公共政策类、行政执法类、投诉办理类。

进一步可选地，所述对不同类型的待处理投诉事件进行特征提取包括：

获取投诉数据库中不同类型投诉事件的典型案例数据，具体包括：案件详情、发展过程、相关联的新闻舆情、处理意见、结果反馈；包括：划分不同类型投诉事件的阶段；提取投诉事件各阶段转捩点的特征；

所述划分不同类型投诉事件的阶段，具体包括：

获取投诉数据库中同一类型投诉事件的典型案例数据，获取所述典型案例数据的起始时间，以所述起始时间为起点，根据所述数据库中的典型案例数据绘制所述投诉事件在单位时间内的信息量随时间变化的曲线，在所述曲线上进行等时间间隔采样，绘制出平滑后的演化包络线，求出所述演化包络线上的极大值点的个数，进而计算出变化阶段的个数，在所述演化包络线上，分别将每个变化阶段等间隔地划分为预设数量的时间段，并计算每个时间段中产生的信息量，进而计算出极大值点和极小值，在所述演化包络线上每个极大值点的前后，分别根据预设的信息量百分比选择分割点，从而划分出不同的变化阶段，根据所述阶段划分方法建立阶段划分模型，将待处理投诉事件数据输入所述阶段划分模型，得到待处理投诉事件的阶段划分结果。

所述提取待处理投诉事件各阶段转捩点的特征，具体包括：

获取上述阶段划分结果中的分割点作为事件的转捩点，对所述转捩点设定时间范围内的待处理投诉事件数据采用主成分分析法进行特征提取，所述特征包括：情绪倾向、诉求倾向。

进一步可选地，所述根据待处理投诉事件特征预测待处理投诉事件走向包括：

根据所述阶段划分方法对所有不同类型的典型案例数据进行特征提取，构建初始的结果预测模型的目标函数，所述目标函数的评估目标包括待处理投诉事件预期结果好坏以及转捩点处的舆情倾向正负，从所述典型案例数据中提取训练样本输入所述目标函数，所述训练样本具体包括：相关联的新闻舆情、结果反馈以及提取到的案例特征，并利用GBDT算法和交替优化算法对所述目标函数进行训练，得到最终的结果预测模型，将待预测的待处理投诉事件进行特征提取并输入到所述结果预测模型中，得到预测的预期结果以及各个转捩点处的舆情倾向，并根据预测结果判断该待处理投诉事件是否具有自动修正能力，所述自动修正能力是指该待处理投诉事件在不受人为干扰的情况下能得到好的预测结果，根据预测的转捩点处的舆情倾向判断该转捩点受外界新闻影响的大小，将影响大小分为：较易受影响、基本不受影响。

进一步可选地，所述收集新闻事件并与不具有自动修正能力的待处理投诉事件进行关联分析包括：

所述通过关键字检索新闻事件，具体包括：

获取所述典型案例中相关联的新闻舆情文本数据，将所述文本数据划分为若干个子文本数据，分别对每个所述子文本数据进行句法结构分析，读取给定的待分析词，在所述若干个子文本数据中，识别所述待分析词所属的至少一个目标子文本数据，从所述目标子文本数据中，提取至少一个所述待分析词的邻近词，根据所述目标子文本数据的句法结构分析结论，得到对应的所述邻近词与所述待分析词的语义相关强度和共现紧密度，根据所述语义相关强度和所述共现紧密度，获得联想结果，将所述联想结果作为关键词在预设网站中检索新闻事件获取文本数据。

所述计算新闻事件与待处理投诉事件相关度，具体包括：

获取不具有自动修正能力的待处理投诉事件及检索到的新闻事件，计算新闻事件与待处理投诉事件相关度，当相关度大于设定值时，将新闻确定为针对待处理投诉事件的新闻并建立一待处理投诉事件新闻组，具体包括：采用词汇共现算法查找来自新闻事件和待处理投诉事件的文本内容中的第一共现词汇，引入词典语义分析所述两个事件文本内容中所述第一共现词汇之间的相关关系，提取新闻发布时间与待处理投诉事件的起始时间进行比较，确定新闻发布时间的相关关系，根据所述第一共现词汇之间的相关关系及所述新闻发送时间的相关关系计算所述新闻事件与待处理投诉事件之间的相关度，当相关度大于设定值时，将新闻事件确定为针对待处理投诉事件的新闻并建立一待处理投诉事件新闻组，将所有检索到的新闻事件做上述处理得到最终的待处理投诉事件新闻组。

进一步可选地，所述预测高关联度新闻事件对待处理投诉事件的影响类型包括：

所述预测新闻事件对待处理投诉事件起到积极还是消极作用，具体包括：

采集已获知情绪类别的预设数量的新闻，从所述预设数量的新闻中，得到含有积极情绪类别的新闻，将含有相同情绪类别的所有新闻作为一个基分类器的训练集合，对所述训练集合采用机器学习分类方法进行分类，得到基分类器，其中所述基分类器对应的情绪类别是所述训练集合对应的情绪类别，同样采集已获知情绪类别的预设数量的新闻，从所述预设数量的新闻中，得到含有消极情绪类别的新闻，将含有相同情绪类别的所有新闻作为一个基分类器的训练集合，对所述训练集合采用机器学习分类方法进行分类，得到基分类器，其中所述基分类器对应的情绪类别是所述训练集合对应的情绪类别，获得消极情绪类别新闻的一个基分类器，将两种情绪类别的基分类器结合得到新闻事件的情绪类别分类器，将所述待处理投诉事件新闻组中的新闻输入到所述情绪类别分类器得到新闻事件的情绪类型，从而得出其对待处理投诉事件起积极作用或消极作用。

所述预测新闻事件消极作用对待处理投诉事件影响力，具体包括：

获取起消极作用的新闻事件数据，所述新闻事件数据包括新闻媒体和转载关系，根据每条所述目标新闻报道的转载关系，将所述目标新闻报道确定为原发新闻或转载新闻，根据各条所述目标新闻报道的转载关系，确定每条所述转载新闻到对应的原发新闻的最短转发路径长度，根据各条所述原发新闻对应的媒体权重、以及各条所述转载新闻对应的媒体权重和最短转发路径长度，评估所述目标新闻的影响力大小，跟据影响力大小按设定的阈值将新闻事件的影响划分为重大影响、中等影响以及轻微影响。

进一步可选地，所述根据影响类型和干预效果对新闻事件进行处理包括：

将待处理投诉事件通过结果预测模型处理后得到该待处理投诉事件转捩点处受外界舆情影响大小，对于起积极作用的新闻事件不做干涉，对于起消极作用的新闻事件按其影响力做相应处理；包括：对于突破转捩点恶化待处理投诉事件的新闻事件进行干预；根据干预后的待处理投诉事件走向判断是否继续干预；

所述对于突破转捩点恶化待处理投诉事件的新闻事件进行干预，具体包括：

在待处理投诉事件阶段的每个转捩点，对影响力为重大影响和中等影响的新闻事件进行传播限制和舆论引导，所述传播限制包括：新闻的发布平台限制所述新闻事件的推送以及限制所述新闻事件的转发，具体指对转发所述新闻事件的账号进行验证是否为批量账号，若是则封停账号并删除转发内容，所述批量账号的识别方法包括：获取待识别账号的行为记录信息，行为记录信息表征所述账号注册和使用的行为，获取其他账号的行为记录信息，基于所述待识别账号的行为记录信息和所述其他账号的行为记录信息，计算所述待识别账号的注册和使用行为与所述其他账号的相似程度，如果所述相似程度达到预设程度，将所述待识别账号识别为批量账号，所述舆论引导包括：在该类新闻事件的相关推荐中显示同一待处理投诉事件新闻组中起积极作用的新闻事件，根据新闻事件涉及的待处理投诉事件在评论区进行相关事件的一般处理过程的科普以及事件后续进展相关新闻链接。

所述根据干预后的待处理投诉事件走向判断是否继续干预，具体包括：

将每次干预后的待处理投诉事件数据通过结果预测模型预测待处理投诉事件结果的好坏，从而得到该待处理投诉事件是否具有自动修正能力，若有自动修正能力则停止干预，否则继续进行干预并重复上述步骤直至预测的待处理投诉事件结果为好。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明通过分析历史投诉事件数据建立预测模型，对待处理的投诉事件进行结果好坏的预测，分析待处理投诉事件的信息量将待处理投诉事件划分为几个阶段，分析投诉转捩点事件以及外部新闻舆情对事件的影响，目的是更好的对待处理投诉事件转捩点进行预测，判断其是否有产生恶劣影响的可能，对于具有自动修正能力的事件尽量减少不必要的人为干预，并对无法自动修正的重点的信息事件提高警惕并适时采取合理的干预措施以防其对待处理投诉事件结果产生恶劣影响。

【附图说明】

图1为本发明的一种投诉事件转捩点识别方法方法的流程图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

图1为本发明的一种投诉事件转捩点识别方法流程图。如图1所示，本实施例一种投诉事件转捩点识别方法的流程图，具体可以包括：

步骤101，收集历年投诉事件数据并进行分类。

从投诉数据库获取设定时间范围的投诉事件的文本数据，结合预先设立的投诉专业词库以及网络词库，将上述投诉事件的文本数据进行分词、分句、词性标注、命名实体识别的预处理，所述分词具体包括：采用基础分词方法对所述待分词文本进行分词，得到基础分词结果；根据预设投诉专业词库中的专有名词，在所述基础分词结果中确定非专有词元组合和专有词元组合；根据预设网络词库中的网络专有词，在所述专有词元组合中确定出非网络词元组合；将所述非专有词元组合中的词元以及所述专有词元组合中除所述非网络词元组合中的词元以外的词元，作为所述待分词文本的分词结果，将上述预处理后的文本数据作为训练集，循环迭代的输入到深度卷积神经网络对所述文本数据进行分类，直至循环迭代达到预设次数或预设收敛效果，得到投诉事件的类别，所述类别包括：公共政策类、行政执法类、投诉办理类，例如：某个投诉事件的分词结果中出现“不公平”、“政策”，那么该投诉事件分类结果为公共政策类事件。

步骤102，对不同类型的待处理投诉事件进行特征提取。

获取投诉数据库中不同类型待处理投诉事件的典型案例数据，具体包括：案件详情、发展过程、相关联的新闻舆情、处理意见、结果反馈。

划分不同类型待处理投诉事件的阶段。

获取投诉数据库中同一类型待处理投诉事件的典型案例数据，获取所述典型案例数据的起始时间，以所述起始时间为起点，根据所述数据库中的典型案例数据绘制所述待处理投诉事件在单位时间内的信息量随时间变化的曲线，在所述曲线上进行等时间间隔采样，绘制出平滑后的演化包络线，求出所述演化包络线上的极大值点的个数，进而计算出变化阶段的个数，在所述演化包络线上，分别将每个变化阶段等间隔地划分为预设数量的时间段，并计算每个时间段中产生的信息量，进而计算出极大值点和极小值，在所述演化包络线上每个极大值点的前后，分别根据预设的信息量百分比选择分割点，从而划分出不同的变化阶段，根据上述方法建立阶段划分模型，将待划分的待处理投诉事件数据输入所述阶段划分模型，得到待处理投诉事件的阶段划分结果，例如，将某一待处理投诉事件输入到阶段划分模型后，计算得出3个极大值点，则该待处理投诉事件分为三个阶段。

提取待处理投诉事件各阶段转捩点的特征。

获取上述阶段划分结果中的分割点作为事件的转捩点，对所述转捩点设定时间范围内的待处理投诉事件数据采用主成分分析法进行特征提取，所述特征包括：情绪倾向、诉求倾向。

步骤103，根据待处理投诉事件特征预测待处理投诉事件走向。

根据上述方法对所有不同类型的典型案例数据进行特征提取，构建初始的结果预测模型的目标函数，所述目标函数的评估目标包括待处理投诉事件预期结果好坏以及转捩点处的舆情倾向正负，从所述典型案例数据中提取训练样本输入所述目标函数，所述训练样本具体包括：相关联的新闻舆情、结果反馈以及提取到的案例特征，并利用GBDT算法和交替优化算法对所述目标函数进行训练，得到最终的结果预测模型，将待预测的待处理投诉事件进行特征提取并输入到所述结果预测模型中，得到预测的预期结果以及各个转捩点处的舆情倾向，并根据预测结果判断该待处理投诉事件是否具有自动修正能力，所述自动修正能力是指该待处理投诉事件在不受人为干扰的情况下能得到好的预测结果，根据预测的转捩点处的舆情倾向判断该转捩点受外界新闻影响的大小，将影响大小分为：较易受影响、基本不受影响，例如，当预测的待处理投诉事件结果为好，则认为该待处理投诉事件具有自动修正能力，否则认为该待处理投诉事件不具有自动修正能力，当转捩点处的舆情倾向为负时就认为该转捩点较易受外界新闻影响，否则认为该转捩点基本不受外界新闻影响。

步骤104，收集新闻事件并与不具有自动修正能力的待处理投诉事件进行关联分析。

通过关键字检索新闻事件。

获取所述典型案例中相关联的新闻舆情文本数据，将所述文本数据划分为若干个子文本数据，分别对每个所述子文本数据进行句法结构分析，读取给定的待分析词，在所述若干个子文本数据中，识别所述待分析词所属的至少一个目标子文本数据，从所述目标子文本数据中，提取至少一个所述待分析词的邻近词，根据所述目标子文本数据的句法结构分析结论，得到对应的所述邻近词与所述待分析词的语义相关强度和共现紧密度，根据所述语义相关强度和所述共现紧密度，获得联想结果，将所述联想结果作为关键词在预设网站中检索新闻事件获取文本数据。

计算新闻事件与待处理投诉事件相关度。

获取不具有自动修正能力的待处理投诉事件及检索到的新闻事件，计算新闻事件与待处理投诉事件相关度，当相关度大于设定值时，将新闻确定为针对待处理投诉事件的新闻并建立一待处理投诉事件新闻组，具体包括：采用词汇共现算法查找来自新闻事件和待处理投诉事件的文本内容中的第一共现词汇，引入词典语义分析所述两个事件文本内容中所述第一共现词汇之间的相关关系，提取新闻发布时间与待处理投诉事件的起始时间进行比较，确定新闻发布时间的相关关系，根据所述第一共现词汇之间的相关关系及所述新闻发送时间的相关关系计算所述新闻事件与待处理投诉事件之间的相关度，当相关度大于设定值时，将新闻事件确定为针对待处理投诉事件的新闻事件并建立一待处理投诉事件新闻组，将所有检索到的新闻事件做上述处理得到最终的待处理投诉事件新闻组，例如，当某一新闻事件与相应待处理投诉事件的相关度计算为80％，设定的相关度阈值为60％，那么就认为该新闻事件是针对待处理投诉事件的一个新闻事件。

步骤105，预测高关联度新闻事件对待处理投诉事件的影响类型。

预测新闻事件对待处理投诉事件起到积极还是消极作用。

采集已获知情绪类别的预设数量的新闻，从所述预设数量的新闻中，得到含有积极情绪类别的新闻，将含有相同情绪类别的所有新闻作为一个基分类器的训练集合，对所述训练集合采用机器学习分类方法进行分类，得到基分类器，其中所述基分类器对应的情绪类别是所述训练集合对应的情绪类别，同样根据所述分类器建立方法获得消极情绪类别新闻的一个基分类器，将两种情绪类别的基分类器结合得到新闻事件的情绪类别分类器，将所述待处理投诉事件新闻组中的新闻输入到所述情绪类别分类器得到新闻事件的情绪类型，从而得出其对待处理投诉事件起积极作用或消极作用，例如，待处理投诉事件新闻组中某些新闻通过情绪类别分类器后得到的是消极情绪，那么说明这些新闻对待处理投诉事件起到消极作用。

预测新闻事件消极作用对待处理投诉事件影响力。

获取起消极作用的新闻事件数据，所述新闻事件数据包括新闻媒体和转载关系，根据每条所述目标新闻报道的转载关系，将所述目标新闻报道确定为原发新闻或转载新闻，根据各条所述目标新闻报道的转载关系，确定每条所述转载新闻到对应的原发新闻的最短转发路径长度，根据各条所述原发新闻对应的媒体权重、以及各条所述转载新闻对应的媒体权重和最短转发路径长度，评估所述目标新闻的影响力大小，跟据影响力大小按设定的阈值将新闻事件的影响划分为重大影响、中等影响以及轻微影响，例如，将影响力大小记为1到10，设定划分影响力的阈值分别为3和6，也就是说当新闻事件的影响力大小在1到3之间时认为该新闻事件对待处理投诉事件有轻微影响，当新闻事件的影响力大小在6到10之间时认为该新闻事件对待处理投诉事件有重大影响。

步骤106，根据影响类型和干预效果对新闻事件进行处理。

将待处理投诉事件通过结果预测模型处理后得到该待处理投诉事件转捩点处受外界舆情影响大小，对于起积极作用的新闻事件不做干涉，对于起消极作用的新闻事件按其影响力做相应处理。

对于突破转捩点恶化待处理投诉事件的新闻事件进行干预。

因为投诉事件也可能被别有用心的人所利用，会发动网络水军或者其他手段，去引导舆论。这些网络水军可能利用新闻媒体或者社交媒体发布大量的煽动性言论，因此是需要对这类信息进行引导的。在待处理投诉事件阶段的每个转捩点，对影响力为重大影响和中等影响的新闻事件进行传播预警处理和舆论引导，所述传播预警处理包括：对批量账号的转发内容进行严格审核，对于通过审核但存疑的内容在发布时进行标记提醒，所述批量账号的识别方法包括：获取待识别账号的行为记录信息，行为记录信息表征所述账号注册和使用的行为，获取其他账号的行为记录信息，基于所述待识别账号的行为记录信息和所述其他账号的行为记录信息，计算所述待识别账号的注册和使用行为与所述其他账号的相似程度，如果所述相似程度达到预设程度，将所述待识别账号识别为批量账号，所述舆论引导包括：在该类新闻事件的相关推荐中显示同一待处理投诉事件新闻组中起积极作用的新闻事件，根据新闻事件涉及的待处理投诉事件在评论区进行相关事件的一般处理过程的科普以及事件后续进展相关新闻链接，例如，当某一新闻事件被判定为具有重大影响，那么所述新闻的发布平台需要对该新闻事件进行推送限制，延长该新闻事件转发的审核时间，同时推送相似的但对待处理投诉事件起积极作用的新闻事件。

根据干预后的待处理投诉事件走向判断是否继续干预。

将每次干预后的待处理投诉事件数据通过结果预测模型预测待处理投诉事件结果的好坏，从而得到该待处理投诉事件是否具有自动修正能力，若有自动修正能力则停止干预，否则继续进行干预并重复上述步骤直至预测的待处理投诉事件结果为好。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

用于实现本发明进行信息控制的程序，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、python、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。

程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。

而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。