基于LDA-CNN-BiLSTM与四象限法则的突发公共事件舆情主题演化研究

[目的/意义]挖掘突发公共的舆情主题演化规律,探究大众情绪的时序趋势,提供政府相关部门决策与监测的参考模型。[方法/过程]以新冠疫情期间(2020年1月1日—2020年3月24日)的公共卫生事件为例,基于舆情分析的理论框架,综合运用LDA主题模型、TFIDF、CNN-BiLSTM、四象限法则等理论和技术,结合舆情发展的生命周期理论,动态挖掘不同阶段下的突发公共舆情主题关注度演化,分析社会公众情感演化趋势,最后基于四象限法则讨论不同阶段下的主题分布态势。[结果/结论]该模型能够追踪突发公共舆情不同阶段下社会大众的关注热点与情绪波动,并提供政府相关部门处理类似舆情时的决策参考与监测框架,具有一定的现实意义与理论价值。

基于ARIMA与SVR滚动残差模型组合的股票预测

为提高金融市场股票的预测精确度,提出自回归差分移动平均与支持向量机滚动残差模型组合的预测股票方法。以贵州茅台的股票数据为研究对象,借助ARIMA模型实现对股票数据的线性趋势预测,通过滚动残差的SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA_SVR滚动残差模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与滚动残差SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。

基于在线评论情感分析的企业市场竞争情报挖掘

为解决大数据环境下企业面临的市场竞争情报挖掘难题,提出了一种基于细粒度情感分析的企业间竞争优势与劣势的挖掘模型。以两家外卖企业A、B的在线评论作为实验数据,借助大连理工大学中文情感词汇本体库作为情感词典,实现对在线评论文本的多维度情感分析,基于时间序列维度下分析用户的情感走势;借助TF-IDF筛选文本关键特征词,利用LDA主题模型识别不同情感倾向的文本主题,并且运用可视化技术对其进行解释分析。实验结果表明:相较于传统的分类模型,本模型可以实现细粒度下更精确的文本情感多分类问题,更加精确的挖掘企业自身品牌以及竞争对手之间的优势与劣势。

基于LDA-加权Word2Vec组合的机器学习情感分类模型研究

为解决社交媒体用户发布评论文本过长,导致情感倾向不明确,情感特征分布离散,传统情感分类模型缺乏上下文语义分析,提取情感特征不准确,分类精准率较低的难题,提出一种主题模型与词向量组合特征(LDA-Word2Vec)的情感分类模型。通过LDA主题模型对长评论文本进行特征提取,构建所有主题下的特征词库;借助特征词库构建长评论的LDA特征表达;利用CBOW训练得到特征表达后文本的词向量表示,使用TF-IDF对词向量进行加权并融合语义特征,再构建机器学习模型对长评论文本进行情感分类的方法,研究了机器学习情感分类模型。实验结果表明:相较于传统的文本特征表示方法,本文提出的LDA-Word2Vec组合特征的方法,在情感分类的准确率与召回率的表现上都更加优秀。可见本文的模型能够进一步挖掘文本的情感特征,具有一定学术意义和现实意义。

基于层次聚类与LDA主题识别的中国动漫产业分析

针对动漫产业发展迅速导致产业研究热点与研究主题难以识别的难题,提出了一种基于层次聚类与LDA主题识别的产业文献的分析方法。文章以CNKI的2010—2020年动漫产业的文献为研究对象,借助层次聚类与LDA主题识别进行深入分析文献的内容特征。研究结果发现中国动漫产业的研究热点可以层次聚类为三类,分别为知识产权、发展问题、商业环境的研究热点;该产业研究主题主要有四个,分别为发展模式、商业市场、人才培养、产业政策的研究主题。