引入外部知识的社交平台立场检测模型

针对社交平台的用户评论进行立场检测,旨在对某一特定话题下的用户评论进行立场分类。现有立场检测研究只关注评论文本的内部语义特征,而忽略了与评论文本相关的外部知识。通过将评论的关键信息映射到知识图谱中,以检索与该关键信息有关的外部知识,并将外部知识引入到模型中进行立场检测任务,该方法可通过提供可能对立场检测任务至关重要的背景知识来提升分类效果。在构建立场检测模型时,除考虑评论的文本特征外,采用门控图神经网络方法融合评论之间的结构信息,从而提取相关评论的相互影响情况。实验结果表明,与已有解决该问题的立场检测模型相比,该模型取得了较好的检测结果。将评论的文本特征与结构信息相结合并引入外部知识,可有效提升模型的立场检测性能。

基于用户情绪状态的网络舆情传播模型研究

将用户情绪作为影响因素,引入到舆情传播模型中,研究社交网络中舆情传播者在行为特征、社群互动和传播效果上因所处情绪状态不同而体现出的差异性。将用户情绪状态划分为乐观、悲观和中性情绪状态。处于乐观情绪状态和中性情绪状态的信息未知者,可以和所有传播者邻居互动,并以一定的概率成为信息传播者;而处于悲观情绪状态的无知者,只能被乐观情绪状态传播者影响。构建平均场方程,从理论上验证模型的有效性。仿真结果表明,用户情绪状态可以显著影响舆情传播;乐观情绪状态率会降低传播阈值,加快传播速度,增大舆情传播的影响范围;而悲观情绪状态则具有相反的作用。