一种基于社交网络的舆情事件预测方法、设备及存储介质

技术领域

本发明涉及舆情分析、数据挖掘和深度学习技术领域，具体涉及一种基于社交网络的舆情事件预测方法、设备及存储介质。

背景技术

随着计算机的普及运用以及信息技术的深入发展，微博、论坛、贴吧、博客等社交媒体和新闻网站已经成为信息传播的重要战场。网民们每天接收着来着虚拟世界和现实世界的各种信息，并在社交网络上畅所欲言地发表自己对社会事件的观点和意见。当虚拟世界中爆发某网络事件或现实世界中爆发某社会事件时，可能会引起网民们的广泛关注与讨论，届时它将演化成为舆情事件，对社会的公共安全造成重大的影响。同时，舆情信息工作需要采集的数据量十分庞大，信息的传播呈现出一种“蜂窝状”的发散性结构，致使舆情的分析和预测难度加大，而且舆情事件的爆发时间具有不稳定的状态，这些问题使得舆情的应对工作面临巨大的挑战。因此，研究一种新型有效的舆情事件的分析与预测方法不仅能帮助政府及时把握舆情发展规律、有效开展舆情的管控工作，还能更好的维护社会的稳定和长期发展。

传统的事件预测方法主要使用的是回归模型、贝叶斯网络、灰色预测模型等，这些方法预测的精度不高，并且具有一定的局限性，即只考虑了舆情事件在单个或两个维度上的特征，因为舆情事件在用户、内容(语义)、时间、空间(结构)等多个维度上都具有一定的规律性。为了利用舆情事件的更多特征，基于深度学习的事件预测方法逐渐兴起，比如早期的BP神经网络、多实例学习(Multi-Instance Learning，MIL)、循环神经网络(RecurrentNeural Network，RNN)等，这些深度学习方法相比传统方法具有更高的预测精度，但是结果依旧不太理想。

发明内容

针对上述问题，本发明提供了一种基于社交网络的舆情事件预测方法、设备及存储介质，其可以有效地提高舆情事件预测的精度。

其技术方案是这样的：一种基于社交网络的舆情事件预测方法，其特征在于，包括以下步骤：

步骤1：针对每个舆情事件，采集相关的社交网络数据，从舆情事件发生前若干天的社交网络数据中提取关键词，构建每天的关键词合集合，并从社交网络数据中提取出用户间的传播关系；

步骤2：将社交网络数据进行语料预处理后得到语料库，将所有的关键词表示为词向量；

步骤3：基于每天的关键词集合和用户间的传播关系，构建每天的关键词的语义关联信息图和传播关系图；

步骤4：基于图卷积网络构建动态双重图卷积网络模型，分别将前若干天中每天的关键词的语义关联信息图和传播关系图输入动态双重图卷积网络模型，同时分别对应将每天对应的在前数据输入动态双重图卷积网络模型中，直至计算得到前一天的关键词的特征向量；

步骤5：对于每个舆情事件，将输出的前一天的关键词的特征向量进行非线性变换，输出舆情事件的预测结果。

进一步的，在步骤1中，具体包括以下步骤：

步骤101：首先确定所关注的舆情事件的关键词，然后通过爬虫程序采集该舆情事件相关的社交网络数据；

步骤102：对采集的社交网络数据进行数据清洗；

步骤103：对于每个舆情事件，找出其发生前M天的社交网络数据，在每天的社交网络数据中使用关键词提取方法提取前N个关键词，M、N为正整数；

步骤104：对于每个舆情事件，从该舆情事件相关的社交网络数据中，提取出用户间的传播关系，传播关系包括用户之间的转发关系、评论关系、回复关系；

进一步的，在步骤2中，对清洗后的社交网络数据进行语料预处理得到语料库，使用Word2Vec模型训练词向量，然后将步骤1中提取出来的所有关键词转换成向量表示，得到所有关键词的初始的语义特征向量H

进一步的，在步骤2中，在对清洗后的社交网络数据进行语料预处理时，对于中文数据使用jieba工具进行分词，对于英文数据提取词干。

进一步的，在步骤3中，具体包括以下步骤：

步骤301：对于每个舆情事件，第t天的关键词的语义关联信息图记为G

将语义关联信息图记G

其中，PMI

其中，d

步骤302：将用户间的传播关系转换为关键词的传播关系，若两个用户之间具有传播关系，则认为提取的两个用户对应的社交网络数据中的关键词具有传播关系，对于每个舆情事件，第t天的关键词的传播关系图记为G

将传播关系图G

其中，w

进一步的，在步骤4中，具体包括以下步骤：

步骤401：基于图卷积网络构建动态双重图卷积网络模型，动态双重图卷积网络模型包括图卷积层和时间编码层，图卷积层包括两个图卷积网络，采用带标签值的训练集，对于动态双重图卷积网络模型进行训练，直至模型收敛，得到训练好的动态双重图卷积网络模型；

步骤402：将每天的关键词的语义关联信息图和传播关系图对应的语义关联信息矩阵和传播关系矩阵进行对称归一化处理；

步骤403：以M天中的最早一天为第1天，分别将第1天的经归一化处理的语义关联信息矩阵和传播关系矩阵以及关键词的初始的语义特征向量，输入动态双重图卷积网络模型的图卷积层的单个图卷积网络中进行训练，获得关键词的语义关联信息图和传播关系图的空间特征对应的特征向量；

步骤404：将语义关联信息图和传播关系图的空间特征对应的特征向量进行聚合，得到聚合后的特征向量；

步骤405：将聚合后的特征向量输入动态双重图卷积网络模型的时间编码层进行时间编码嵌入，以捕获关键词之间的时序特征，获得时间编码嵌入后的特征向量；

步骤406：将得到的第t-1天对应的时间编码嵌入后的特征向量，与第t天的经归一化处理的语义关联信息矩阵和传播关系矩阵，一起输入动态双重图卷积网络模型的图卷积层的单个图卷积网络中进行训练，获得关键词的语义关联信息图和传播关系图的空间特征对应的特征向量，其中1

步骤407：将第t天的语义关联信息图和传播关系图的空间特征对应的特征向量进行聚合，得到聚合后的特征向量；

步骤408：将第t天的聚合后的特征向量输入动态双重图卷积网络模型的时间编码层进行时间编码嵌入，以捕获关键词之间的时序特征，获得第t天的时间编码嵌入后的特征向量；

步骤409：以上一步的t为新的t-1，基于时序重复执行步骤406-408，直至t等于M-1，获得第M-1天对应的时间编码嵌入后的特征向量；

步骤410：当取t＝M时，将得到的第M-1天对应的时间编码嵌入后的特征向量，与第M天的经归一化处理的语义关联信息矩阵和传播关系矩阵，一起输入动态双重图卷积网络模型的图卷积层的单个图卷积网络中进行训练，获得第M天的关键词的语义关联信息图和传播关系图的空间特征对应的特征向量，将第M天的语义关联信息图和传播关系图的空间特征对应的特征向量进行聚合，得到聚合后的特征向量。

进一步的，在步骤402中，将事件发生前第t天的关键词的语义关联信息矩阵P

其中，

其中，X表示输入的矩阵，具体是语义关联信息矩阵P

步骤403：以M天中的最早一天为第1天，分别将第1天的经归一化处理的语义关联信息矩阵

其中，H

步骤404：对第t个动态双重图卷积网络模型的图卷积层得到的特征向量H

H

其中，λ(t)为随着训练时间变化的超参数，t＝1；

步骤405：对聚合后的特征向量H

其中，

步骤406：分别将第t-1天的时间编码嵌入后的特征向量与前第t天的经归一化处理的语义关联信息矩阵

其中，H

步骤407：对得到的第t天的特征向量H

H

其中，λ(t)为随着训练时间变化的超参数，其中1

步骤408：对聚合后的特征向量H

其中，

步骤409：以上一步的t为新的t-1，基于时序重复执行步骤406-408，直至t等于M-1，获得第M-1天对应的时间编码嵌入后的特征向量，

步骤410：当t＝M时，将得到的第M-1天对应的时间编码嵌入后的特征向量，与第M天的经归一化处理的语义关联信息矩阵和传播关系矩阵，一起输入动态双重图卷积网络模型的图卷积层的单个图卷积网络中进行训练，获得第M天的关键词的语义关联信息图和传播关系图的空间特征对应的特征向量，将第M天的语义关联信息图和传播关系图的空间特征对应的特征向量进行聚合，得到聚合后的特征向量，表示为：

H

其中，λ(M)为随着训练时间变化的超参数。

进一步的，在步骤5中，将得到的第M天的聚合后的特征向量的特征维度设置为1，获得所有关键词的标量特征表示H

其中，

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述基于社交网络的舆情事件预测方法的步骤。

一种计算机可读存储介质，其上存储有程序，程序被处理器执行时实现如上述的一种基于社交网络的舆情事件预测方法。

本发明具有的有益效果是：

1.本发明从社交网络数据中提取出了若干天的事件关键词，通过图卷积网络技术学习关键词之间潜在的语义相关性，与早期的BP神经网络、多实例学习(Multi-InstanceLearning，MIL)、循环神经网络(Recurrent Neural Network，RNN)相比，能够揭示出舆情事件发展的潜在脉络结构，能够表示出图中节点间的空间依赖关系，即舆情事件中关键词的隐含语义关联关系，从而取得更好的预测结果，能够为舆情事件的预测结果提供更好地解释。

2.本发明从社交网络数据中提取出的若干天的事件关键词，包含了事件发生前若干天的语境、语意，从中提取关键词，可以涵盖社交网络数据中的摘要以及大意，能够为舆情事件的预测结果提供很好的数据支持。

3.本发明结合社交网络中的事件上下文和用户传播关系，基于每个时间窗口的关键词构建语义关联信息图和传播关系图，充分利用了舆情事件在用户、内容(语义)、时间、空间这四个维度上的特征，使得双重图卷积网络模型提取的特征的鲁棒性更强，因此能够提高舆情事件的预测精度，语义关联信息图和传播关系图是基于关键词构建的，由此得到的同构的语义关联信息图和传播关系图，相对于异构的语义关联信息图和传播关系图，能够更好的表示出图中节点间的空间依赖关系，即舆情事件中关键词的隐含语义关联关系，从而取得更好的预测结果。

4.本发明的双重图卷积网络模型，分别将前若干天中每天的关键词的语义关联信息图和传播关系图输入动态双重图卷积网络模型，同时分别对应将每天对应的在前数据输入动态双重图卷积网络模型中，直至计算得到前一天的关键词的特征向量，并通过非线性变换获得舆情时间的预测结果，从而更好的获得舆情事件随着时间变化产生的发展，精确刻画了事件随着时间的变化趋势，充分利用了舆情事件在时间维度上的特征，使得提取的特征的鲁棒性更强，因此能够提高舆情事件的预测精度；双重图卷积网络模型的图卷积层包含两个图卷积网络，对语义关联信息图和传播关系图进行同时提取特征，这就增强了特征的鲁棒性，进一步提高舆情事件的预测精度。

5.本发明通过挖掘用户间的传播关系，将用户间的传播关系转换为关键词的传播关系，可以表达促使舆情事件发生的用户的特征，利用了舆情事件在用户这个维度上的特征，提高舆情事件的特征质量，随着所选取的特征数量的增多，能够帮助使用者更为准确地识别发展中的舆情事件，以便能够及时采用相关的应对策略，有效干预和控制舆情事件的发展状况及走势。

6.本发明全面的采集了各种各样的社交网络数据，全面的关注了舆情事件发展过程中可能涉及到的各个社交网络场景，使得对舆情事件的预测准确性进一步提高。

7.本发明可以用于社交网络舆情分析、数据挖掘等领域的预测功能，能够帮助政府等相关部门及时把握舆情发展规律，有效开展舆情的管控工作，从而维护社会的和谐与稳定。

附图说明

图1为本发明的基于社交网络的舆情事件预测方法的步骤示意图；

图2为本发明的基于社交网络的舆情事件预测方法中步骤4的主要流程图；

图3为一个实施例中计算机设备的内部结构图。

具体实施方式

目前，在社交网络数据上，现有的图卷积网络方法都没有考虑结合舆情事件在用户、内容、时间和空间这四个维度上的特征进行舆情事件的预测，为此，本发明旨在提供一种基于社交网络的事件的语境和用户传播关系的舆情事件预测方法以解决目前存在的问题。

本发明的一种基于社交网络的舆情事件预测方法，至少包括以下步骤：

见图1，步骤1：针对每个舆情事件，采集相关的社交网络数据，从舆情事件发生前若干天的社交网络数据中提取关键词，构建每天的关键词合集合，并从社交网络数据中提取出用户间的传播关系；

步骤2：将社交网络数据进行语料预处理后得到语料库，将所有的关键词表示为词向量；

步骤3：基于每天的关键词集合和用户间的传播关系，构建每天的关键词的语义关联信息图和传播关系图；

步骤4：基于图卷积网络构建动态双重图卷积网络模型，分别将前若干天中每天的关键词的语义关联信息图和传播关系图输入动态双重图卷积网络模型，同时分别对应将每天对应的在前数据输入动态双重图卷积网络模型中，直至计算得到前一天的关键词的特征向量；

步骤5：对于每个舆情事件，将输出的前一天的关键词的特征向量进行非线性变换，输出舆情事件的预测结果。

具体在本实施例中，在步骤1中，具体包括以下步骤：

步骤101：首先确定所关注的舆情事件的关键词，然后通过爬虫程序采集该舆情事件相关的社交网络数据，在本实施例中，可以是包括微博数据、推特数据、邮件数据、新闻数据的互联网公开数据；

步骤102：对采集的社交网络数据进行，在本实施例中，进行的数据清洗包括去重复、去除异常值、去停用词；

步骤103：对于每个舆情事件，找出其发生前M天的社交网络数据，在每天的社交网络数据中使用关键词提取方法提取前N个关键词，M、N为正整数，在本实施例中，关键词提取方法采用TF-IDF方法进行，M可以取值3～7天；

步骤104：对于每个舆情事件，从该舆情事件相关的社交网络数据中，提取出用户间的传播关系，在本实施例中，选择的传播关系包括用户之间的转发关系、评论关系、回复关系。

在本实施中，在步骤2中，对清洗后的社交网络数据进行语料预处理得到语料库，使用Word2Vec模型训练词向量，然后将步骤1中提取出来的所有关键词转换成向量表示，得到所有关键词的初始的语义特征向量H

具体在一个实施例中，在步骤2中，在对清洗后的社交网络数据进行语料预处理时，对于中文数据使用jieba工具进行分词，对于英文数据提取词干。

进一步的，在步骤3中，具体包括以下步骤：

步骤301：对于每个舆情事件，第t天的关键词的语义关联信息图记为G

将语义关联信息图记G

其中，PMI

其中，d

步骤302：将用户间的传播关系转换为关键词的传播关系，若两个用户之间具有传播关系，则认为提取的两个用户对应的社交网络数据中的关键词具有传播关系，单个用户的多个关键词之间没有传播关系的，对于每个舆情事件，第t天的关键词的传播关系图记为G

将传播关系图G

其中，w

见图2，在步骤4中，具体包括以下步骤：

步骤401：基于图卷积网络构建动态双重图卷积网络模型，动态双重图卷积网络模型包括图卷积层和时间编码层，图卷积层包括两个图卷积网络，采用带标签值的训练集，对于动态双重图卷积网络模型进行训练，直至模型收敛，得到训练好的动态双重图卷积网络模型；

步骤402：将每天的关键词的语义关联信息图和传播关系图对应的语义关联信息矩阵和传播关系矩阵进行对称归一化处理；

步骤403：以前M天中的最早一天为第1天，此处以M取5进行进一步说明，此时取前5天的社交网络数据，设定今天为10月13日，前5天从最早的一天开始分别是10月的8、9、10、11、12日，分别将8、9、10、11、12日记为第1、2、3、4、5天；

分别将第1天的经归一化处理的语义关联信息矩阵和传播关系矩阵以及关键词的初始的语义特征向量，输入动态双重图卷积网络模型的图卷积层的单个图卷积网络中进行训练，获得关键词的语义关联信息图和传播关系图的空间特征对应的特征向量，其中动态双重图卷积网络模型基于图卷积网络(GCN)构建，包括图卷积层和时间编码层，图卷积层中有两个图卷积网络；

步骤404：将语义关联信息图和传播关系图的空间特征对应的特征向量进行聚合，得到聚合后的特征向量；

步骤405：将聚合后的特征向量输入动态双重图卷积网络模型的时间编码层进行时间编码嵌入，以捕获关键词之间的时序特征，获得时间编码嵌入后的特征向量；

步骤406：将得到的第t-1天对应的时间编码嵌入后的特征向量，与第t天的经归一化处理的语义关联信息矩阵和传播关系矩阵，一起输入动态双重图卷积网络模型的图卷积层的单个图卷积网络中进行训练，获得关键词的语义关联信息图和传播关系图的空间特征对应的特征向量，其中t≤M-1，t>1，M、t为正整数；

步骤407：将第t天的语义关联信息图和传播关系图的空间特征对应的特征向量进行聚合，得到聚合后的特征向量；

步骤408：将第t天的聚合后的特征向量输入动态双重图卷积网络模型的时间编码层进行时间编码嵌入，以捕获关键词之间的时序特征，获得第t天的时间编码嵌入后的特征向量；

步骤409：以上一步的t为新的t-1，基于时序重复执行步骤406-408，直至t等于M-1，获得第M-1天对应的时间编码嵌入后的特征向量。

步骤410：当取t＝M时，将得到的第M-1天对应的时间编码嵌入后的特征向量，与第M天的经归一化处理的语义关联信息矩阵和传播关系矩阵，一起输入动态双重图卷积网络模型的图卷积层的单个图卷积网络中进行训练，获得第M天的关键词的语义关联信息图和传播关系图的空间特征对应的特征向量，将第M天的语义关联信息图和传播关系图的空间特征对应的特征向量进行聚合，得到聚合后的特征向量。

在本发明的一个实施例中，还结合公式对步骤4进行进一步详细的说明：

在步骤402中，将事件发生前第t天的关键词的语义关联信息矩阵P

其中，

其中，X表示输入的矩阵，具体是语义关联信息矩阵P

步骤403：以M天中的最早一天为第1天，分别将第1天的经归一化处理的语义关联信息矩阵

其中，H

步骤404：对第t个动态双重图卷积网络模型的图卷积层得到的特征向量H

H

其中，λ(t)为随着训练时间变化的超参数，本步骤中t＝1；

步骤405：对聚合后的特征向量H

其中，

步骤406：分别将第t-1天的时间编码嵌入后的特征向量与前第t天的经归一化处理的语义关联信息矩阵

其中，H

步骤407：对得到的第t天的特征向量H

H

其中，λ(t)为随着训练时间变化的超参数，其中1

步骤408：对聚合后的特征向量H

其中，

步骤409：以上一步的t为新的t-1，基于时序重复执行步骤406-408，直至t等于M-1，获得第M-1天对应的时间编码嵌入后的特征向量，

步骤410：当t＝M时，将得到的第M-1天对应的时间编码嵌入后的特征向量，与第M天的经归一化处理的语义关联信息矩阵和传播关系矩阵，一起输入动态双重图卷积网络模型的图卷积层的单个图卷积网络中进行训练，获得第M天的关键词的语义关联信息图和传播关系图的空间特征对应的特征向量，将第M天的语义关联信息图和传播关系图的空间特征对应的特征向量进行聚合，得到聚合后的特征向量，表示为：

H

其中，λ(M)为随着训练时间变化的超参数。

在本发明的一个实施例中，在步骤5中，将得到的第M天的聚合后的特征向量的特征维度设置为1，获得所有关键词的标量特征表示H

其中，

本发明从舆情事件的社交网络数据中提取出了若干天的事件关键词，通过图卷积网络技术学习关键词之间潜在的语义相关性，能够揭示出舆情事件发展的潜在脉络结构，能够表示出图中节点间的空间依赖关系，即舆情事件中关键词的隐含语义关联关系，从而取得更好的预测结果，能够为舆情事件的预测结果提供更好地解释；

同时结合社交网络中的事件上下文和用户传播关系，基于每个时间窗口的关键词构建语义关联信息图和传播关系图，充分利用了舆情事件在用户、内容(语义)、时间、空间这四个维度上的特征，使得提取的特征的鲁棒性更强，因此能够提高舆情事件的预测精度。

与此同时，本发明的双重图卷积网络模型，分别将前若干天中每天的关键词的语义关联信息图和传播关系图输入动态双重图卷积网络模型，同时分别对应将每天对应的在前数据输入动态双重图卷积网络模型中，直至计算得到前一天的关键词的特征向量，并通过非线性变换获得舆情时间的预测结果，从而更好的获得舆情事件随着时间变化产生的发展，充分利用了舆情事件在时间维度上的特征，使得双重图卷积网络模型提取的特征的鲁棒性更强，因此能够提高舆情事件的预测精度。

另外，本发明通过挖掘用户间的传播关系，将用户间的传播关系转换为关键词的传播关系，可以表达促使舆情事件发生的用户的特征，利用了舆情事件在用户这个维度上的特征，提高舆情事件的特征质量。

此外，本发明全面的采集了各种各样的社交网络数据，全面的关注了舆情事件发展过程中可能涉及到的各个社交网络场景，使得对舆情事件的预测准确性进一步提高。

本发明可以用于社交网络舆情分析、数据挖掘等领域的预测功能，能够帮助政府等相关部门及时把握舆情发展规律，有效开展舆情的管控工作，从而维护社会的和谐与稳定。

在本发明的实施例中，还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。

该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于社交网络的舆情事件预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

存储器可以是，但不限于，随机存取存储器(Random Access Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(Programmable Read-OnlyMemory，简称：PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，简称：EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，简称：EEPROM)等。其中，存储器用于存储程序，处理器在接收到执行指令后，执行程序。

处理器可以是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(NetworkProcessor，简称：NP)等。该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在本发明的实施例中，还提供了一种计算机可读存储介质，其上存储有程序，程序被处理器执行时实现如上述的一种基于社交网络的舆情事件预测方法。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、计算机设备、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、计算机设备、或计算机程序产品的流程图和/或框图来描述的。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图和/或中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图中指定的功能。

以上对本发明所提供的在基于社交网络的舆情事件预测方法、计算机设备、计算机可读存储介质的应用进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。