本文作者：王桂泽
本文介绍了云音乐舆情平台建设过程中遇到的一些问题和解决方案。
背景介绍
通用舆情剖析概念和局限
通用的舆情剖析是指通过收集、整顿和剖析公众对某一特定话题或事件的舆论、观点和情感，从而理解公众对该话题或事件的态度和情绪的办法。舆情剖析能够通过监测社交媒体、新闻媒体、论坛、博客等渠道上的信息来获取公众的声音和反馈。
通用舆情剖析的局限
通用的舆情剖析因为数据起源宽泛，内容格局宽泛，仅能基于特定主题进行情感剖析或趋势剖析，无奈深刻开掘信息，这意味着企业可能无奈取得对于产品的具体反馈和倡议，无奈理解消费者对产品的具体需要和改良方向。因而，为了满足企业外部对产品晋升的需要，可能须要采纳更业余、更定制化的舆情剖析工具和办法，以便更全面、深刻地理解消费者对产品的态度和冀望。
云音乐舆情平台建设
1. 数据特色：数据起源丰盛
云音乐舆情剖析的数据起源不仅包含内部公众渠道上的信息（比方社交媒体、新闻、博客等），还有许多外部的数据起源，例如通过 APP 提交的反馈数据，在歌曲下方的评论数据，或者是通过七鱼客服人工反馈的数据等等。这些数据为精细化的舆情剖析提供了根底。
这些数据具备如下特点：
- 相关性更高：反馈内容都与产品密切相关。
- 馈更加及时：反馈音讯实时推送，具备高时效性。
- 更加结构化：除了反馈内容，还包含用户信息、设施信息、零碎信息等。
2. 剖析诉求：精细化剖析诉求
云音乐的舆情剖析平台与通用的舆情剖析不同，它须要反对更多维度和更粗疏的剖析能力，以满足不同业务和场景的监控需要。
聚类分析
云音乐领有多个产品，每个产品都有各自的功能模块，而每个功能模块还能够进一步细分为子性能。能够将这种构造了解为每个产品都有一个性能树（聚类树）。聚类分析是指将舆情数据归类到聚类树上的某个具体的聚类节点，以便更好地理解用户对不同功能模块的态度和需要，从而针对性地进行改良和优化产品。
反馈类型剖析
在确定舆情所属的功能模块之后，还须要进一步剖析用户的反馈类型，不同的反馈类型须要不同的角色关注。包含：
- 问题反馈：反馈产品或性能问题，开发人员须要关注
- 产品倡议：反馈产品或性能改良倡议，产品经理须要关注
- 应用征询：用户征询产品的应用办法或者相干问题，客服须要关注
- 投诉举报：反馈产品或性能的不良问题或违规行为，合规人员须要关注
摘要提取
摘要提取是指提取舆情音讯中的要点和要害信息。通过对原始音讯进行提炼，摘要辨认能够帮忙用户疾速理解舆情音讯。另外，能够对大量舆情音讯进行摘要剖析，以便发现整体问题和趋势，并发现新的热点问题。
情感剖析
情感剖析相似于传统的舆情剖析，次要是辨认用户情感，包含正向、负向和中性。能够帮忙咱们理解用户对特定性能的态度和情绪，从而领导产品的改良和优化方向。
3. 智能监控：监控和报警
舆情监控和通用的监控零碎存在一些区别：
- 有些渠道的舆情音讯是定时爬取的，实时性要求不高
- 舆情音讯量个别都比拟大，个别是对整体趋势、热点问题的监控
- 舆情变化趋势是随机的，和外部产品和外部环境都有关系，没有特定的法则
这就要求平台制订更加智能的监控策略，当舆情音讯超出预期时，能够通过短信、邮件等形式向指定人员发送报警告诉，以便相干人员及时处理。
舆情流转链路
云音乐舆情平台更加专一于舆情数据的剖析、洞察和监控，通过定义标准化的数据结构疾速接入不同起源的数据，上面是外围的舆情流转链路：
舆情数据来自第三方平台，包含：反馈平台，七鱼私信平台、大数据平台；上报反对包含 MQ 协定和 http 协定；输入原始舆情。
适配器 ：原始舆情先通过适配器解决，标准化各数据源模型构造，补充设施、产品等元数据信息。输入规范舆情。
分析器 ：对规范舆情进行内容分析，依据舆情所属空间，获取该空间的聚类树，并进行聚类分析、情感剖析、用意剖析、摘要剖析、关键词剖析。输入规范舆情 + 剖析标。
存储器 ：将规范舆情和剖析标存储到 Elasticsearch，供后续在线查问和剖析。
报警计算器 ：依据平台内的报警规定（零碎报警 + 用户报警），判断以后舆情是否满足报警规定并触发报警。
在线查问 & 剖析 ：查问、趋势剖析、聚合剖析等。
舆情大盘 ：发现热点事件、各剖析维度的排行榜等。
舆情音讯模型
平台数据起源渠道宽泛，而且每个数据源都有独立的属性，既要反对针对每种渠道的精细化剖析，也要反对在全局视角对多种渠道数据进行整体剖析。
为了解决这个问题，平台设计了通用的舆情音讯模型，在数据接入层和产品展现层，都是面向这个数据模型进行设计，这样设计的益处有：
- 在数据接入层，能够疾速接入新的数据源
- 在产品层，能够复用舆情查问、剖析、报警等性能
一条标准化的舆情音讯有上面一些属性：
数据源
数据源是指舆情的数据起源，比方来自 App 的用户反馈，来自七鱼私信的客服对话等。
平台会依据不同的数据源，在产品层做动静的性能展现。比方在舆情查问页，会依据数据源展现相应的属性，在报警配置页，会依据数据源展现相应的筛选条件。
根底属性
每种数据源都有一些根底属性。这些属性是在舆情上报时可能辨认并携带上来的，例如用户信息、设施信息、App 信息、操作系统信息等。
平台反对依照所有根底属性做筛选、聚合剖析，在报警的时候也能够依照所有根底属性做筛选，提供了灵便的查问和监控能力。
分析属性
除了根底属性，分析器（包含平台内置的分析器和用户自定义的分析器）还会为舆情增加额定的分析属性。
不同的分析器会生成不同的分析属性，例如情感分析器会生成情感属性，聚类分析器会生成聚类属性等。
和根底属性相似，所有分析属性都反对筛选、聚合剖析。
扩大属性
反对业务方自定义一些扩大属性，以满足不同业务方差异化的查问和剖析需要。
技术架构
数据接入 ：原始舆情数据，有来自反馈平台、七鱼平台、数据平台等；协定反对 MQ 和 http 协定。
解决层 ：
- 适配器 ：将各种起源的数据源整合成规范文档构造，并补充元数据：如产品、设施信息、用户信息等。
- 分析器 ：对舆情内容进行多维度剖析，包含：聚类、情感、用意、关键词、摘要提取，剖析之后会打上剖析标
数据管理 ：数据管理次要是配置解决层的解决规定以及报警规定
剖析 & 可视化层 ：提供对剖析之后的舆情数据的查问和剖析能力；
监控 & 报警 ：对接通用监控和对立报警实现舆情监控；同时提供定时剖析和舆情洞察能力，提供舆情大盘和日报性能。
剖析引擎
剖析引擎负责对采集上来的数据做剖析，生成对应的分析属性。平台会内置一些分析器，比方情感剖析、聚类分析、反馈类型剖析等。
分析器的抉择是灵便的，能够依据舆情的数据特色（数据源和根底属性）和剖析需要，抉择相应的一个或多个分析器进行剖析解决。
同时，平台也能够不便地增加自定义的分析器，以满足不同场景的剖析需要。能够通过 GPT 提醒词开发、SDK 插件、服务接入等多个形式接入自定义的分析器。
内置分析器
平台内置的分析器都是基于 GPT 开发的，相比传统的机器学习、NLP 等分析方法，应用 GPT 剖析具备以下劣势。
- 首先，GPT 模型可能更好地了解和解决自然语言，在语义了解和文本生成方面表现出色，更好地了解语言的上下文和含意，从而析过程中可能更精确地捕捉到轻微的语义差别。
- 其次，GPT 不须要人工标注训练数据，依据需要调整提醒词后即可立刻失效。传统的机器学习和 NLP 办法通常须要大量标注数据来训练模型，须要消耗大量人力、机器和工夫老本，无奈满足疾速变动的业务需要。
- 另外，GPT 模型还能具备总结演绎、发现新问题的能力，而传统的机器学习和 NLP 办法则则无奈实现这一工作。
GPT 老本优化
与传统的机器学习、NLP 等分析方法相比，GPT 剖析会产生费用，并且随着剖析文本数量的减少，老本也会增长。在某些状况下，老本可能会很高，例如在进行聚类分析时，须要将聚类树和文本一起输出给 GPT。然而，聚类树自身（包含节点和节点的形容）可能十分宏大，这将耗费大量的 Token。平台也针对性的做了一些老本优化措施：
优化 1 缓存
- 基于常见文本的剖析后果缓存
- 基于文本 + 聚类树版本的剖析后果缓存
优化 2 精简聚类树
聚类分析场景中，聚类树自身耗费了大量的 Token，能够在剖析之前通过文本类似度算法先筛选出 ” 可能归属 ”
的聚类，在剖析的时候只须要剖析这些聚类即可，这能够大大减少聚类树的大小，无效地升高剖析老本。
在线查问 & 聚合剖析
舆情音讯通过剖析引擎剖析后会保留在 ElasticSearch 数据库中，以便反对实时地在线查问和剖析。
舆情查问页设计如下：
舆情查问
舆情查问的次要场景：在限定上下文中，查问和某个关键词相干的舆情。限定上下文反对全属性（包含根底属性和分析属性）；关键词也须要反对逻辑运算，通配符匹配等能力。
例如：查问用户反馈数据源、iphone 端、负面情感的和『黑椒播放器』相干的舆情音讯。
趋势剖析
平台反对灵便的趋势剖析能力。在给定查问条件后，您能够查看数据的变化趋势，并指定不同的聚合粒度。此外，平台还提供一些趋势指标，如平均值、最小值、最大值、P80 和 P95 等数据，以满足不同的剖析场景。
例如：在新建监控和报警时，心愿依据历史的舆情数据趋势和指标，制订正当的报警阈值。
聚合剖析
平台反对全属性的聚合剖析能力。在给定查问条件后，平台会计算所有『可聚合维度』的散布状况，给出每个维度的不同取值的音讯总数和占比。『可聚合维度』是依据以后搜寻的数据源动静辨认的，不同的数据源能够配置不同的聚合剖析维度。
例如：查问某个工夫范畴内的 Top 聚类问题，或者剖析和某个主题相干的所有舆情音讯的情感散布、App 版本散布等。
监控和报警
平台反对灵便的监控和报警策略。一条监控或报警规定包含 3 个局部：
1. 数据筛选
数据筛选指定了心愿监控的舆情音讯范畴，反对全属性（根底属性和分析属性）的筛选，每个属性反对指定多个值。
例如：指定监控范畴为：用户反馈数据源中，iphone 端、改版相干、负面舆情。
2. 报警条件
平台反对常见的报警条件，例如检测周期、每次检测的工夫范畴，以及依照阈值、环比增长触发等。同时，平台对阈值的设定通过优化，能够依据历史数据的趋势指标来指定动静阈值。当趋势发生变化时，报警阈值也会相应地动静扭转，以确保阈值始终与以后趋势匹配，从而更精确地反映问题。
3. 报警接管
当满足报警条件后，会告诉相干的接管方。反对指定接管人、IM 群组，发送形式也反对 IM、短信、电话、邮件等。
智能报警
舆情报警具备肯定的特殊性，首先舆情音讯自身数据量较大，数据有肯定的滞后性，通常会关注整体的变化趋势，而且趋势会随着产品性能迭代和外部环境产生较大的变动。
在这种场景下，报警的监控策略和阈值设置就难以确定，如果设置固定的报警阈值，很容易呈现误报或者漏报的状况。如果都是靠人工定期维护报警，老本又会很高，而且及时性和有效性也难以保障。
针对这个问题，平台提供了一种智能报警的解决方案。平台会依据不同的监控场景主动创立报警规定，报警阈值是依据历史数据动静计算并定时刷新的。
例如，在聚类问题反馈类监控中，心愿监控每个聚类的问题反馈状况，平台会为每个聚类创立一个智能报警规定，监控与该聚类相干且反馈类型是问题反馈的舆情数据。
同时依据在该数据筛选条件下的历史的舆情趋势，动静计算阈值和环比增长值，以确保阈值和环比值与以后舆情趋势相匹配。为了保障阈值的时效性，平台还会定时刷新这个阈值。
这样能够无效保障报警的有效性和时效性，同时不须要人工参加，大大降低了人工成本。
总结
云音乐舆情平台具备以下特点：多数据源、多维度的数据特色；丰盛、可扩大的分析器；灵便的在线查问和聚合剖析能力；以及智能的监控和报警能力。可能满足简单场景的舆情剖析、查问、监控和报警需要。
后续的倒退方向是联合 GPT，进一步开掘数据背地的价值，例如提供智能日报或周报性能，对周期内的舆情数据进行提炼、总结，并给出剖析报告，以缩小人工剖析的老本。
最初
更多岗位，可进入网易招聘官网查看 https://hr.163.com/