本發(fā)明涉及數(shù)據(jù)處理，尤其涉及一種基于社交媒體數(shù)據(jù)的目標特征提取方法、裝置及電子設備。

背景技術：

1、多平臺社交媒體數(shù)據(jù)是指從多個不同的社交媒體平臺上收集的數(shù)據(jù)。這些數(shù)據(jù)可以包括用戶生成的內(nèi)容、用戶行為數(shù)據(jù)、互動數(shù)據(jù)等，通常用于分析用戶行為、市場趨勢、品牌聲譽、內(nèi)容傳播效果等方面。多平臺社交媒體數(shù)據(jù)的收集和分析對于企業(yè)和研究人員來說是非常有價值的，因為它提供了更全面的視角來理解目標受眾和數(shù)據(jù)變化動態(tài)。

2、現(xiàn)有技術在社交媒體數(shù)據(jù)特征提取的實現(xiàn)過程中，存在如下問題：

3、1.數(shù)據(jù)來源單一：傳統(tǒng)的目標特征影響力評估主要依賴市場調(diào)研和消費者調(diào)查，缺乏對社交媒體數(shù)據(jù)的綜合分析，無法反映目標特征在社交媒體上的真實表現(xiàn)。

4、2.分析維度有限：現(xiàn)有方法通常只關注特定的指標（如目標特征提及量或正面評價），忽視了用戶互動、情感傾向和社交網(wǎng)絡傳播等多維度因素。

5、3.實時性差：大多數(shù)目標特征影響力評估方法周期較長，難以實時反映目標特征影響力的動態(tài)變化，無法為目標特征管理提供及時有效的決策支持。

6、4.缺乏自動化處理：現(xiàn)有的評估方法多依賴人工處理，缺乏自動化的數(shù)據(jù)采集、分析和報告生成機制，效率較低且易受主觀因素影響。

7、上述問題成為需要解決的技術問題。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明實施例提供了一種基于社交媒體數(shù)據(jù)的目標特征提取方法、裝置及電子設備，至少部分解決現(xiàn)有技術中存在的問題。

2、第一方面，本發(fā)明實施例提供了一種基于社交媒體數(shù)據(jù)的目標特征提取方法，包括：

3、從n個社交媒體平臺m={m1,m2,…mn}上實時采集用戶生成的社交媒體數(shù)據(jù)，對采集到的社交媒體數(shù)據(jù)進行清洗、格式化和情感分析，得到預處理數(shù)據(jù)d={d1,d2,…dn}；

4、通過特征計算函數(shù)gf對所述預處理數(shù)據(jù)d中的特征進行計算，得到特征數(shù)據(jù)集合kt={tn,eq,ud,tf},tn表示目標特征的出現(xiàn)次數(shù)，eq表示情感傾向，ud表示用戶互動量，tf表示傳播范圍；

5、通過權(quán)重計算函數(shù)gs對n個社交媒體平臺m={m1,m2,…mn}上的歷史數(shù)據(jù)進行計算，得到平臺權(quán)重向量km=[km1,km2,…kmn]；

6、通過漂移計算函數(shù)gp對目標特征在n個社交媒體平臺的歷史數(shù)據(jù)進行漂移特征計算，得到漂移權(quán)重向量kp=[kp1,kp2,…kpn]；

7、基于所述特征數(shù)據(jù)集合kt、平臺權(quán)重向量km以及漂移權(quán)重向量kp，計算所述目標特征的評估值。

8、根據(jù)本發(fā)明實施例的一種具體實現(xiàn)方式，所述從n個社交媒體平臺m={m1,m2,…mn}上實時采集用戶生成的社交媒體數(shù)據(jù)，對采集到的社交媒體數(shù)據(jù)進行清洗、格式化和情感分析，得到預處理數(shù)據(jù)d，包括：

9、獲取需要進行數(shù)據(jù)采集社交媒體平臺的api訪問權(quán)限；

10、定義數(shù)據(jù)采集所對應的關鍵詞、話題標簽以及賬戶名稱，以便從選定的社交媒體平臺上獲取社交媒體數(shù)據(jù)。

11、根據(jù)本發(fā)明實施例的一種具體實現(xiàn)方式，所述從n個社交媒體平臺m={m1,m2,…mn}上實時采集用戶生成的社交媒體數(shù)據(jù)，對采集到的社交媒體數(shù)據(jù)進行清洗、格式化和情感分析，得到預處理數(shù)據(jù)d，還包括：

12、將社交媒體數(shù)據(jù)中不同來源的數(shù)據(jù)調(diào)整為一致的格式，對于存在缺失值的字段進行默認值填充；

13、對社交媒體中的數(shù)據(jù)屬性進行歸一化處理，使得數(shù)值范圍保持一致；

14、設置情感分析算法，對社交媒體數(shù)據(jù)中的每條文本內(nèi)容進行情感分析，得到正面、負面或中立的情感評分，形成最終的預處理數(shù)據(jù)d。

15、根據(jù)本發(fā)明實施例的一種具體實現(xiàn)方式，所述通過特征計算函數(shù)gf對所述預處理數(shù)據(jù)d中的特征進行計算，得到特征數(shù)據(jù)集合kt={tn,eq,ud,tf}，包括：

16、計算目標特征在預處理數(shù)據(jù)d中出現(xiàn)的總次數(shù)tn：

17、

18、n是數(shù)據(jù)集中樣本的總數(shù)，di是第i個樣本，是指示函數(shù)，如果di個樣本中包含目標特征，則值為1，否則為0；

19、設置情感得分函數(shù)，它返回計算數(shù)值表示單個樣本di的情感得分eq：

20、

21、計算用戶互動量ud：

22、

23、表示第i個樣本的互動數(shù)量；

24、計算傳播范圍tf：

25、

26、表示第i個樣本覆蓋的用戶數(shù)量。

27、根據(jù)本發(fā)明實施例的一種具體實現(xiàn)方式，所述通過權(quán)重計算函數(shù)gs對n個社交媒體平臺m={m1,m2,…mn}上的歷史數(shù)據(jù)進行計算，得到平臺權(quán)重向量km=[km1,km2,…kmn]，包括：

28、對歷史數(shù)據(jù)設置多個評價指標x，評價指標x對應評價值，i表示第i個平臺，j表示評價指標x的第j個指標；

29、計算評價值對應的轉(zhuǎn)化值：

30、

31、和分別是所有平臺在第j個指標上的最小值和最大值；

32、為每個指標分配一個權(quán)重系數(shù)，對于每個平臺mi，計算其綜合得分si：

33、

34、將每個平臺的綜合得分si歸一化，得到平臺權(quán)重kmi：

35、。

36、根據(jù)本發(fā)明實施例的一種具體實現(xiàn)方式，所述通過漂移計算函數(shù)gp對目標特征在n個社交媒體平臺的歷史數(shù)據(jù)進行漂移特征計算，得到漂移權(quán)重向量kp=[kp1,kp2,…kpn]，包括：

37、獲取兩個時間點t1和t2上的數(shù)據(jù)，對于每個特征f和每個平臺mi，定義漂移值為：

38、

39、表示在時間t平臺上特征f的值；

40、對于每個平臺mi，計算其綜合漂移得分pi：

41、

42、wf為權(quán)重系數(shù)；

43、將每個平臺的綜合漂移得分pi進行量化，得到漂移權(quán)重kpi：

44、。

45、根據(jù)本發(fā)明實施例的一種具體實現(xiàn)方式，所述基于所述特征數(shù)據(jù)集合kt、平臺權(quán)重向量km以及漂移權(quán)重向量kp，計算所述目標特征的評估值，包括：

46、對于每個平臺mi，定義加權(quán)特征數(shù)據(jù)：

47、

48、其中是特征數(shù)據(jù)集合kt中的第j個特征在平臺mi上的值，是該特征數(shù)據(jù)的時間距離當前時間的天數(shù)，α是時間衰減因子，0<α<1；

49、設定特征交互系數(shù)矩陣i，特征交互系數(shù)矩陣i為4×4矩陣，表示特征p和特征q之間的交互系數(shù)，加權(quán)后的特征數(shù)據(jù)為：

50、。

51、根據(jù)本發(fā)明實施例的一種具體實現(xiàn)方式，所述基于所述特征數(shù)據(jù)集合kt、平臺權(quán)重向量km以及漂移權(quán)重向量kp，計算所述目標特征的評估值，還包括：

52、對于每個平臺mi，計算其綜合特征得分si：

53、

54、將所有平臺的綜合特征得分相加，得到目標特征的評估值e：

55、。

56、第二方面，本發(fā)明實施例提供了一種基于社交媒體數(shù)據(jù)的目標特征提取裝置，包括：

57、采集模塊，從n個社交媒體平臺m={m1,m2,…mn}上實時采集用戶生成的社交媒體數(shù)據(jù)，對采集到的社交媒體數(shù)據(jù)進行清洗、格式化和情感分析，得到預處理數(shù)據(jù)d={d1,d2,…dn}；

58、特征模塊，通過特征計算函數(shù)gf對所述預處理數(shù)據(jù)d中的特征進行計算，得到特征數(shù)據(jù)集合kt={tn,eq,ud,tf},tn表示目標特征的出現(xiàn)次數(shù)，eq表示情感傾向，ud表示用戶互動量，tf表示傳播范圍；

59、權(quán)重模塊，通過權(quán)重計算函數(shù)gs對n個社交媒體平臺m={m1,m2,…mn}上的歷史數(shù)據(jù)進行計算，得到平臺權(quán)重向量km=[km1,km2,…kmn]；

60、漂移模塊，通過漂移計算函數(shù)gp對目標特征在n個社交媒體平臺的歷史數(shù)據(jù)進行漂移特征計算，得到漂移權(quán)重向量kp=[kp1,kp2,…kpn]；

61、計算模塊，基于所述特征數(shù)據(jù)集合kt、平臺權(quán)重向量km以及漂移權(quán)重向量kp，計算所述目標特征的評估值。

62、第三方面，本發(fā)明實施例還提供了一種電子設備，該電子設備包括：

63、至少一個處理器；以及，

64、與該至少一個處理器通信連接的存儲器；其中，

65、該存儲器存儲有可被該至少一個處理器執(zhí)行的指令，該指令被該至少一個處理器執(zhí)行，以使該至少一個處理器能夠執(zhí)行前述任第一方面或第一方面的任一實現(xiàn)方式中的基于社交媒體數(shù)據(jù)的目標特征提取方法。

66、第四方面，本發(fā)明實施例還提供了一種非暫態(tài)計算機可讀存儲介質(zhì)，該非暫態(tài)計算機可讀存儲介質(zhì)存儲計算機指令，該計算機指令用于使該計算機執(zhí)行前述第一方面或第一方面的任一實現(xiàn)方式中的基于社交媒體數(shù)據(jù)的目標特征提取方法。

67、第五方面，本發(fā)明實施例還提供了一種計算機程序產(chǎn)品，該計算機程序產(chǎn)品包括存儲在非暫態(tài)計算機可讀存儲介質(zhì)上的計算程序，該計算機程序包括程序指令，當該程序指令被計算機執(zhí)行時，使該計算機執(zhí)行前述第一方面或第一方面的任一實現(xiàn)方式中的基于社交媒體數(shù)據(jù)的目標特征提取方法。

68、本發(fā)明實施例中的基于社交媒體數(shù)據(jù)的目標特征提取方案，包括：從n個社交媒體平臺m={m1,m2,…mn}上實時采集用戶生成的社交媒體數(shù)據(jù)，對采集到的社交媒體數(shù)據(jù)進行清洗、格式化和情感分析，得到預處理數(shù)據(jù)d={d1,d2,…dn}；通過特征計算函數(shù)gf對所述預處理數(shù)據(jù)d中的特征進行計算，得到特征數(shù)據(jù)集合kt={tn,eq,ud,tf},tn表示目標特征的出現(xiàn)次數(shù)，eq表示情感傾向，ud表示用戶互動量，tf表示傳播范圍；通過權(quán)重計算函數(shù)gs對n個社交媒體平臺m={m1,m2,…mn}上的歷史數(shù)據(jù)進行計算，得到平臺權(quán)重向量km=[km1,km2,…kmn]；通過漂移計算函數(shù)gp對目標特征在n個社交媒體平臺的歷史數(shù)據(jù)進行漂移特征計算，得到漂移權(quán)重向量kp=[kp1,kp2,…kpn]；基于所述特征數(shù)據(jù)集合kt、平臺權(quán)重向量km以及漂移權(quán)重向量kp，計算所述目標特征的評估值。本發(fā)明具有如下有益效果：

69、a多維度分析：本算法綜合了目標特征（例如，品牌特征）提及量、情感傾向、用戶互動量和傳播范圍等多維度指標，提供了全面的目標特征影響力評估，能夠更精準地反映目標特征在社交媒體上的實際表現(xiàn)。

70、b實時性強：通過實時數(shù)據(jù)采集和處理，算法能夠動態(tài)反映目標特征影響力的變化，為用戶提供及時的決策支持，幫助目標特征在競爭中保持敏捷性。

71、c高準確性：通過優(yōu)化的權(quán)重分配和機器學習算法，算法能夠根據(jù)目標特征的行業(yè)特點和市場表現(xiàn)進行精細化調(diào)整，確保目標特征影響力預估的準確性和可靠性。

72、d自動化處理：本算法實現(xiàn)了從數(shù)據(jù)采集、處理、分析到報告生成的全流程自動化，極大提高了工作效率，減少了人工干預的誤差，適應大規(guī)模數(shù)據(jù)的處理需求。

73、e可視化展示：通過直觀的可視化工具，幫助用戶快速理解分析結(jié)果，提升目標特征管理的科學性和精細度，同時支持定制化報告輸出，滿足不同層級用戶的需求。