清博舆情为什么能判断信息的正负面情感？

清博舆情系统对信息智能处理用了：中文分词技术、自然语言处理技术、中文信息处理技术、自动对信息进行智能清洗、关键词提取聚类统计、语义分析情感研判、相似性判断等，会对抓取的文章通过自然语言处理等技术进行文本分析，将文章的情感属性分为正面、中立、负面三个维度；技术后台有一个庞大的舆情情感词库，根据文章中敏感词语出现的频次、位置等维度进行综合的评估，依据正负面情感词库、大量的文档语料库及特殊的句法分析，先判断文章中每句话的情感倾向性是积极的正面、消极的负面或是纯叙述的中性，并赋予分值。最后以所有句子的情感值综合计算结果作为该文章的最终情感值，情感分值按区间分为正面、负面、中性。

1、如何理解人工智能

人工智能是一门技术科学，目的是研究与人脑具有相同功能的理论或方法，甚至在模拟人脑功能的基础上延申、扩展。

 

2、大数据和人工智能的关系。

大数据和人工智能都是对数据做处理的一种方式，人工智能是大数据的进阶，大数据是手动对数据采集、沉淀、分析，人工智能是通过一套算法从海量数据中自动寻找规律。

 

3、一般人工智能和强人工智能的区别是什么？

人工智能是基于海量数据处理，发现规律，强人工智能是在人工智能基础上，具有意识，其实更像一个真正的人。

 

4、人工智能在哪些方面得到了应用？

人工智能已经应用在医疗(医疗图像)、交通(交通监控预警、高级驾驶辅助系统（ADAS）、物流、传统生产制造行业(缺陷检测（目标检测)、股票预测、推荐系统、机器翻译、聊天机器人（智能客服）、OCR识别（文本识别）、人脸识别、行为识别、AIOT

 

5、 人工智能为什么说是拟人？

人工智能的目的就是为了让机器像人一样具有学习能力。

 

6、 人工智能的流程是什么？

输入历史数据-带入模型-求参并优化模型-预测未来

 

7、 人工智能的本质是去计算什么？

将数据带入到模型里面计算模型里面的参数

 

8、 深度学习和机器学习的本质区别，好处是什么？

深度学习与传统机器学习最大的不同是更关注于样本训练的深度，更细力度地抽取特征用于描述样本，而非简单地形成向量数据，从而更好地进行分类预测。更细致地抽取意味着计算量的增大，但是随着大数据技术和GPU等硬件技术的发展，这些巨大的计算量也变得可能。

 

9、 回归、分类、聚类、降维的本质是什么？在AI领域的应用场景分别是什么？

（1）回归任务是有监督机器学习，本质是拟合历史已有的数据，根据拟合出来的函数走势预测未来。目标是预测-inf到+inf之间具体的值，连续值，应用在股票预测、房价预测。

（2）分类任务是有监督机器学习，本质是分界，根据分解对新来的数据进行分类。应用在图像识别、情感分析、银行风控。

根据预测的值是离散的还是连续的，决定用回归任务还是分类任务。

（3）聚类任务是无监机器督学习，本质是根据样本和样本之间的相似度归堆，目标是将一批数据划分到多个组。应用在用户分组、异常检测、前景背景分离。

（4）降维任务是无监督机器学习，本质是去掉冗余信息量或噪声，目标是将数据的维度减少，应用在数据的预处理、可视化、提高模型计算速度。

茧型设计方法主要有以下几种：

1 基于没有进一步分割或分类的整个数据集的茧型设计方法。这种方法使用整个数据集计算出茧型分布，并使用其它方法对茧型进行分割、分类或解释。

2 基于初始定位点的茧型设计方法。这种方法基于用户指定的初始点，设计聚类结果。

3 基于密度的茧型设计方法。这种方法基于“高密度区域”来设计茧型，即一组密集的数据点被认为是单独的“高密度区域”。

4 基于点关系的茧型设计方法。这种方法基于点对之间的特定关系来设计茧型，如距离或相似度。

5 基于层次聚类的茧型设计方法。这种方法结合了层次聚类和茧型设计，通过递归地划分数据集来设计茧型。

大数据技术，就是从各种类型的数据中快速获得有价值信息的技术。

大数据领域已经涌现出了大量新的技术，它们成为大数据采集、存储、处理和呈现的有力武器。

大数据处理关键技术一般包括：大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现和应用(大数据检索、大数据可视化、大数据应用、大数据安全等)。

                

一、大数据采集技术

数据是指通过RFID射频数据、传感器数据、社交网络交互数据及移动互联网数据等方式获得的各种类型的结构化、半结构化(或称之为弱结构化)及非结构化的海量数据，是大数据知识服务模型的根本。

重点要突破分布式高速高可靠数据爬取或采集、高速数据全映像等大数据收集技术;突破高速数据解析、转换与装载等大数据整合技术;设计质量评估模型，开发数据质量技术。

       互联网是个神奇的大网，大数据开发和软件定制也是一种模式，这里提供最详细的报价，如果你真的想做，可以来这里，这个手机的开始数字是一八七中间的是三儿

零最后的是一四二五零，按照顺序组合起来就可以找到，我想说的是，除非你想做或者了解这方面的内容，如果只是凑热闹的话，就不要来了。

大数据采集一般分为大数据智能感知层：主要包括数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入系统，实现对结构化、半结构化、非结构化的海量数据的智能化识别、定位、跟踪、接入、传输、信号转换、监控、初步处理和管理等。

必须着重攻克针对大数据源的智能识别、感知、适配、传输、接入等技术。

基础支撑层：提供大数据服务平台所需的虚拟服务器，结构化、半结构化及非结构化数据的数据库及物联网络资源等基础支撑环境。

重点攻克分布式虚拟存储技术，大数据获取、存储、组织、分析和决策操作的可视化接口技术，大数据的网络传输与压缩技术，大数据隐私保护技术等。

                  　　二、大数据预处理技术

主要完成对已接收数据的辨析、抽取、清洗等操作。

1)抽取：因获取的数据可能具有多种结构和类型，数据抽取过程可以帮助我们将这些复杂的数据转化为单一的或者便于处理的构型，以达到快速分析处理的目的。

2)清洗：对于大数据，并不全是有价值的，有些数据并不是我们所关心的内容，而另一些数据则是完全错误的干扰项，因此要对数据通过过滤“去噪”从而提取出有效数据。

                  　　三、大数据存储及管理技术

大数据存储与管理要用存储器把采集到的数据存储起来，建立相应的数据库，并进行管理和调用。

重点解决复杂结构化、半结构化和非结构化大数据管理与处理技术。

主要解决大数据的可存储、可表示、可处理、可靠性及有效传输等几个关键问题。

开发可靠的分布式文件系统(DFS)、能效优化的存储、计算融入存储、大数据的去冗余及高效低成本的大数据存储技术;突破分布式非关系型大数据管理与处理技术，异构数据的数据融合技术，数据组织技术，研究大数据建模技术;突破大数据索引技术;突破大数据移动、备份、复制等技术;开发大数据可视化技术。

开发新型数据库技术，数据库分为关系型数据库、非关系型数据库以及数据库缓存系统。

其中，非关系型数据库主要指的是NoSQL数据库，分为：键值数据库、列存数据库、图存数据库以及文档数据库等类型。

关系型数据库包含了传统关系数据库系统以及NewSQL数据库。

开发大数据安全技术。

改进数据销毁、透明加解密、分布式访问控制、数据审计等技术;突破隐私保护和推理控制、数据真伪识别和取证、数据持有完整性验证等技术。

                 　四、大数据分析及挖掘技术

大数据分析技术。

改进已有数据挖掘和机器学习技术;开发数据网络挖掘、特异群组挖掘、图挖掘等新型数据挖掘技术;突破基于对象的数据连接、相似性连接等大数据融合技术;突破用户兴趣分析、网络行为分析、情感语义分析等面向领域的大数据挖掘技术。

数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。

数据挖掘涉及的技术方法很多，有多种分类法。

根据挖掘任务可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等;根据挖掘对象可分为关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及环球网Web;根据挖掘方法分，可粗分为:机器学习方法、统计方法、神经网络方法和数据库方法。

机器学习中，可细分为:归纳学习方法(决策树、规则归纳等)、基于范例学习、遗传算法等。

统计方法中，可细分为:回归分析(多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)等。

神经网络方法中，可细分为:前向神经网络(BP算法等)、自组织神经网络(自组织特征映射、竞争学习等)等。

数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法。

                

从挖掘任务和挖掘方法的角度，着重突破：

       1可视化分析。

数据可视化无论对于普通用户或是数据分析专家，都是最基本的功能。

数据图像化可以让数据自己说话，让用户直观的感受到结果。

       2数据挖掘算法。

图像化是将机器语言翻译给人看，而数据挖掘就是机器的母语。

分割、集群、孤立点分析还有各种各样五花八门的算法让我们精炼数据，挖掘价值。

这些算法一定要能够应付大数据的量，同时还具有很高的处理速度。

      3预测性分析。

预测性分析可以让分析师根据图像化分析和数据挖掘的结果做出一些前瞻性判断。

      4语义引擎。

语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。

语言处理技术包括机器翻译、情感分析、舆情分析、智能输入、问答系统等。

      5数据质量和数据管理。

数据质量与管理是管理的最佳实践，透过标准化流程和机器对数据进行处理可以确保获得一个预设质量的分析结果。

                           

六、大数据展现与应用技术

大数据技术能够将隐藏于海量数据中的信息和知识挖掘出来，为人类的社会经济活动提供依据，从而提高各个领域的运行效率，大大提高整个社会经济的集约化程度。

在我国，大数据将重点应用于以下三大领域：商业智能、 决策、公共服务。

例如：商业智能技术， 决策技术，电信数据信息处理与挖掘技术，电网数据信息处理与挖掘技术，气象信息分析技术，环境监测技术，警务云应用系统(道路监控、视频监控、网络监控、智能交通、反电信诈骗、指挥调度等公安信息系统)，大规模基因序列分析比对技术，Web信息挖掘技术，多媒体数据并行化处理技术，影视制作渲染技术，其他各种行业的云计算和海量数据处理应用技术等。