[发明专利]基于联邦学习和边缘计算的跨平台多模态舆情分析方法

说明书

本发明公开了一种基于联邦学习和边缘计算的跨平台多模态舆情分析方法，包括：S1.基于边缘计算的多模态舆情数据处理方法，来处理各公司内部的多模态舆情数据，形成多模态舆情数据样本；S2.采用基于联邦学习的跨平台情感分析模型训练方法，进行跨平台的情感分析训练，获得舆情分析的模型。本发明通过联邦学习的方法，将多个不同公司中的多模态舆情数据同时进行学习，得到统一的情感分析神经网络模型，实现了多模态舆情数据的跨平台分析。本发明在进行跨平台多模态舆情数据分析的同时，由于各公司神经网络的数据不需要互相分享，仅分享神经网络的模型参数，很好的保护了各自公司用户的数据隐私。

技术领域

本发明属于移动边缘计算技术领域，涉及一种基于联邦学习和边缘计算的跨平台多模态舆情分析方法。

背景技术

随着当前网络技术的飞速发展，在日常生活中所发生的一切都逐渐离不开网络，与此同时，网络信息的飞速传播导致网络舆情都或多或少会影响当前正在发生或即将发生的事件的发展走向，而收集网络舆情并加以分析就能在舆论负面效果爆发之前及时加以制止。例如通过分析学校内学生的舆情，就能及时了解到学校管理层或者各项工作制度的不足之处并加以修改完善，就能在负面效应发生之前及时避免。

在进行舆情分析时将需要大量的舆情数据作为支撑，然而，基于数据保护的考虑，目前互联网的数据是独立分布在一些互联网公司中，例如百度与阿里和腾讯的数据就无法互相访问，因此，设计跨平台的舆情分析方法是一个巨大的技术挑战。同时多模态舆情分析指同时分析综合了多种表达方式的舆情信息例如文字，图像，语音，视频等等，传统的舆情分析方法需要将采集的多模态数据传输到云端服务器进行分析，多模态数据的传输需要占用大量的网络带宽，造成了网络的拥塞，提高了网络成本。

随着互联网技术的快速发展，边缘计算技术已经非常成熟，该技术利用无线接入网络就近提供边缘计算和缓存功能，创造了一个具有低延迟，高性能的服务环境。

发明内容

本发明的目的在于提供一种基于联邦学习和边缘计算的跨平台多模态舆情分析方法，能够在保护公司数据隐私的同时，实现跨平台的多模态舆情分析。

为了达到上述目的，本发明提供以下技术方案：

本发明提供一种基于联邦学习和边缘计算的跨平台多模态舆情分析方法，包括：

S1.基于边缘计算的多模态舆情数据处理方法，来处理各公司内部的多模态舆情数据，形成多模态舆情数据样本；

S2.采用基于联邦学习的跨平台情感分析模型训练方法，进行跨平台的情感分析训练，获得舆情分析的模型。

所述步骤S1中，基于边缘计算的多模态舆情数据处理方法，包括以下步骤：

1.1)、确定所需要优化的约束条件和目标函数；

1.2)、各公司实时采集属于自己用户的舆情数据，以便进行多模态舆情数据处理；

1.3)、将实时采集的舆情数据向量化，将其转换为计算复杂度向量U_t；

1.4)、建立一个深度强化学习模型，其中强化学习模型的智能体为深度神经网络DNN，并随机初始化网络参数θ₀；

1.5)、将第t时刻采集到的计算复杂度向量U_t实时输入DNN网络，通过DNN网络计算得到卸载决策向量A_t和资源分配向量F_t；

1.6)、根据卸载决策向量A_t和资源分配向量F_t，在本地和边缘服务器上分配相应的计算资源对多模态舆情数据进行处理；