(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 20221095123 5.3 (22)申请日 2022.08.09 (71)申请人 四川封面传媒科技有限责任公司 地址 610020 四川省成 都市锦江区红星路 二段70号1幢传媒大厦8楼 (72)发明人 陈涵宇　高登科　徐桢虎　陈功彬　 张笑然　 (74)专利代理 机构 成都虹桥专利事务所(普通 合伙) 51124 专利代理师 吴中伟 (51)Int.Cl. G06F 16/35(2019.01) G06F 16/36(2019.01) G06F 16/215(2019.01) G06F 16/951(2019.01)G06F 16/9535(2019.01) G06F 40/242(2020.01) G06F 40/30(2020.01) G06N 3/04(2006.01) (54)发明名称 基于线索簇的流式新闻线索发现方法 (57)摘要 本发明基于线索簇的流式新闻线索发现方 法， 涉及新闻发现， 通过从UGC平台获取新闻， 并 基于设定的触发词提取每个新闻的事件类别和 论元， 并利用线索簇中的线索将从UGC平台获取 的新闻进行分类 保存， 在利用新闻价值预测模型 对线索簇中的线索进行价值预测， 并与UGC平台 信任度分数进行加权， 得到新闻价值预测分数， 生成实时线索列表， 解决了 现有技术对新闻事件 的数据抓取困难， 时效性低的问题， 本发明适用 于新闻的发现。 权利要求书2页 说明书4页 附图1页 CN 115309900 A 2022.11.08 CN 115309900 A 1.基于线索簇的流式新闻线索发现方法， 其特 征在于， 包括以下步骤： S01、 获取UGC平台的新闻； S02、 基于设定的触发词提取新闻的事 件类别和论元； S03、 如果抽取出事件类别， 则判定抽取出的事件类别和论元与线索簇 中已存在的线索 是否匹配， 所述线索包括事件类别和论元， 如果匹配， 则将所述新闻放入匹配到的线索内， 如果不匹配， 则将抽取 出的事件类别和论元作为 新的线索放入线索簇； S04、 如果没有抽取出事件类别， 则抽取所述新闻的要素， 所述新 闻的要素包括时间、 地 点和人物， 利用多模态的深度匹配技术得到所述新闻和线索簇中已有的新闻的匹配度， 如 果人物要 素和地点要 素相同， 时间要 素差距在预设值之内， 且匹配度大于阈值， 则将所述新 闻放入匹配到的 已有的新闻所在的事件类型内所在的事件内， 否则， 将新闻的要素作为新 的线索放入线索簇， 并将所述 新闻放入所述 新的线索内； S05、 利用新闻价值预测模型对线索簇中的线索进行价值预测， 获得新闻价值分数， 并 和UGC平台信任度分数进行加权， 得到新闻价 值预测分数， 并排序， 生成实时线索列表。 2.根据权利要求1所述的基于线索簇的流式新闻线索发现方法， 其特征在于， 获取UGC 平台的新闻包括以下步骤： S101、 梳理各 大UGC平台， 并对每 个UGC平台进行 可信度打 分； S102、 根据可信度动态分配抓取资源， 构建实时新闻爬取算法， 获得每个UGC平台的新 闻； S103、 构建基于词典、 拼音、 异形字和深度学习的敏感检测算法对新闻进行过滤， 构建 基于规则、 知识图谱以及深度学习方法的虚假信息检测算法对新闻再次过 滤； S104、 对新闻进行字段清洗、 标准 化和去重处 理。 3.根据权利要求2所述的基于线索簇的流式新闻线索发现方法， 其特征在于， 所述敏感 检测算法用于过 滤掉涉黄、 涉爆和广告， 所述虚假信息检测算法用于过 滤掉虚假信息 。 4.根据权利要求1 ‑3任意一项所述的基于线索簇的流式新闻线索发现方法， 其特征在 于， 步骤S02中， 基于设定的触发词抽取 所述新闻的事 件类别和论元包括以下步骤： S201、 根据预 先设定的事 件触发词对新闻 中的句子进行事 件类型分类； S202、 利用联合模型DM CNN进行句子级别的开 放域事件抽取， 获得句子级别事 件论元； S203、 结合句子中论元实体词重要度进行加权得分计算， 选取最高分的句子论元作为 新闻事件论元。 5.根据权利要求1 ‑3任意一项所述的基于线索簇的流式新闻线索发现方法， 其特征在 于， 步骤S03中， 判定抽取出的事件类别和论元与线索簇中已存在的线索是否匹配通过 Single‑Pass实现。 6.根据权利要求1 ‑3任意一项所述的基于线索簇的流式新闻线索发现方法， 其特征在 于， 步骤S04中， 抽取 所述新闻的要素包括以下步骤： S401、 基于bert将新闻标题和正文句子embedding为语义向量， 以标题内容作为中心向 量， 利用TextRan k对正文句子进行建模打 分， 得到每 个句子重要程度分数； S402、 针对每个句子， 采用词典和基于双向LSTM+CRF的深度学习相 结合的方式进行实 体抽取， 获得每 个句子的不同新闻要素的实体得分； S403、 利用标题内容抽取实体的置信度以及句子重要程度， 对每个句子中的同一新闻权　利　要　求　书 1/2 页 2 CN 115309900 A 2要素的实体进行加权得分计算， 选取 得分最高的实体作为所述同一 新闻要素的实体。 7.根据权利要求1 ‑3任意一项所述的基于线索簇的流式新闻线索发现方法， 其特征在 于， 步骤S 04中， 利用多模态的深度匹配技术得到所述新闻和线索簇中已有的新闻的匹配度 包括以下步骤： S4001、 获取新闻的人物实体， 如果所述新闻的人物实体与线索簇中的新闻人物不一 致， 则匹配度为0； S4002、 如果所述新闻的人物实体与线索簇中的新闻人物一致， 则将新 闻的标题、 正文、 摘要、 图片和视频中的多种embedding为语义向量， 构建基于全连接的多模态深度匹配模 型， 得到新闻和线索簇中已有的新闻的匹配度。 8.根据权利要求1 ‑3任意一项所述的基于线索簇的流式新闻线索发现方法， 其特征在 于， 所述新闻价值预测模型通过将标题、 正文、 摘要、 图片、 视频embedding为语义向量， 并结 合新闻要素和转赞评论数量利用深度预测模型进行 预测， 获得新闻价 值分数。权　利　要　求　书 2/2 页 3 CN 115309900 A 3