基于数据流的网页内容分析技术研究

提出针对网络数据流中活跃信息进行话题相关数据采集与分析方法.首先给出面向论坛话题的定义;然后对网络数据流进行分析、对用户访问行为进行分类;并给出基于数据流的用户行为识别方法及话题相关数据抽取、存储算法;最后给出实验分析,结果表明,所提出的基于数据流的论坛话题数据采集方法能够很好地反映用户行为,并对基于数据流的网络舆情热点话题发现、突发事件检测与实时跟踪等应用提供有利的数据资源.

网络舆情事件的主动感知实践

随着网络时代的到来,网络数据呈指数爆炸式增长,主题的模糊性越来越明显。同时多元非结构性的数据使得传统的聚类算法在网络舆情事件的发现越来越困难,不能满足高效,精准,及时、有效的感知需求。本文引入LDA聚类算法,基于主题生成模型,挖掘数据背后的语义关联,设计并且实现舆情事件的热点主动感知系统。通过数据实验表明,该系统能够快速、高效地发现事件主题,克服偏移词的干扰,从而实现网络舆情事件热点的主动感知。

异质媒体分析技术研究进展

在异质媒体应用迅速兴起,线上内容和线下服务对网络用户影响日益深刻的背景下,介绍了异质媒体分析的相关概念和方法,对异质媒体的多源自然属性和社会属性进行有效感知,揭示海量异质媒体的语义多样性、复杂关联和内在信息传播机制。文章主要内容涵盖以下几方面:首先,讨论异质媒体数据的跨平台、多模态和来源广泛等特性及其带来的挑战和机遇,介绍异质媒体分析技术的特点和传统单一媒体分析的不同之处,以及异质媒体研究可能带来的科学和社会影响力;其次,分别从异质媒体语义分析与理解、异质媒体关联建模和异质媒体社群分析等三个方面介绍异质媒体分析技术的国内外研究现状;最后,介绍作者及所在研究团队在异质语义分析理解,异质媒体中热点事件和话题分析以及异质媒体用户行为分析等方面的最新研究成果。

突发事件热点话题识别系统及关键问题研究

针对突发事件热点话题识别系统,建立了系统实现的整体技术框架,给出了系统四个组成部分的关键问题描述及解决策略,结合新闻报道文本内容和结构的特点和报道源分布性特征,基于VSM文本表示模型和TF-IDF公式,提出了正文裁剪方法和特征权重计算的改进模型,并以地震突发事件新闻报道作为数据源进行模型评估。实验结果表明通过对新闻报道正文的裁剪,只提取标题、导语及相关特征参量等信息即可作为热点话题识别的样本集,且改进的特征权重计算模型与经典模型比较,具有更好地执行效率和适应性更强的文本表示能力。

基于文本挖掘的重大公共卫生事件网络舆情特征分析及治理探索

[目的/意义]旨在为政府部门及公共服务组织有针对性地提升舆情治理能力,提高公共服务质量提供参考。[方法/过程]基于COVID-19疫情期间42万量级的用户舆情大数据,提出一种主题挖掘与情感分类协同进行的分析框架;采用朴素贝叶斯算法,对用户舆情文本进行情感值评估;利用自建词典、Jieba分词改进高效的Single-Pass文本聚类算法,挖掘网络舆情热点主题、情感倾向及其时空演化特征;最后结合Gephi网络分析探究舆论的地域间传播特征。[结果/结论]虽疫情各阶段民众关注主题不同,但“通过网络媒体表达、发泄情绪”,是民众通过网络媒体发声的首要需求;证实了“网民心态渐趋冷静、理性”,且“认同主流价值”愿意“参与正义发声”的论点。因此,新时代网络舆情治理,官媒应以“权威信息服务”的角色参与民众“正能量”舆情自治当中。同时,情感分析时序分析发现,用户情绪波动与地方政府部门对民众关注时间的回应及舆情处理措施的及时性、合理性及有效性成正相关关系。舆论流转分析充分体现网民对疫情可靠信息的高期待。并提出了谣言治理闭环十分重要等对策建议。

微博负向情感热点话题发现模型

微博中热点话题,尤其负面情感热点话题对舆情的发现起到了重要作用,本文从情感的角度出发,提出了一个面向微博负向情感的热点事件发现模型。首先,在数据预处理阶段除了对微博文本中含有"@""#"的博文进行过滤,并引入户信息对休眠用户及僵尸用户进行了剔除;其次构造情感分类器,对博文进行情感分类,筛选出负向情感博文;然后根据词频和词语增长速度对主题词进行评价;接着根据词意相似度以及共现度对话题进行聚类;最后通过计算话题负向情感值对负向情感热点话题进行细粒度划分。

基于深度学习的热点事件主题表示研究

【目的】探究如何针对热点事件进行主题表示学习,检验主题表示模型在主题分类和主题相关度等任务上的效果。【方法】融合LDA2Vec方法构建主题表示学习模型W-LDA2Vec,通过联合训练初始化后的文档向量和词向量以预测中枢词的上下文向量,获得含有主题信息的词表示和包含上下文信息的主题表示。【结果】在热点事件主题分类任务上,本文模型取得了最高的F1值(0.893),较4种基线模型LDA、Word2Vec、TEWV和Doc2Vec分别提升0.314、0.057、0.022和0.013;在热点事件主题相关度任务上,当主题数为10时,本文模型取得了较高的相关性分数(0.462 5),较LDA模型提高0.067 8。【局限】实验语料库仅限于中英文两种语言。【结论】本文方法通过将主题信息嵌入到词表示、文档表示中,能够有效提升在热点事件主题分类和主题相关度等任务上的效果。

网络热点事件话题漂移指数构建与实证研究

【目的】提出并构建网络热点事件话题漂移指数,体现网络热点事件话题变动幅度。【方法】利用LDA主题模型对网络热点事件进行话题抽取并结合词权重分析话题漂移情况,提出网络热点事件话题漂移指数构建过程,以"高以翔去世"事件为样本进行实证分析。【结果】在"高以翔去世"网络热点事件爆发初期,话题数量由11增加至18,话题漂移指数变动41%,舆情危机产生;在蔓延期的二次爆发中,话题漂移指数变动22%,舆情危机复发;在消散期某时间节点,话题数量由10减至5,话题漂移指数负向变动41%,发生群体性失范行为。【局限】对网络热点事件蔓延期小幅话题变动预警效力不足;对网络热点事件舆情数据中多媒体内容缺乏预警能力;不能体现话题的实质性语义变化。【结论】网络热点事件话题漂移指数作为网络热点事件舆情预警测度与监管触发指标,能够较为精准地提供网络舆情爆发时间节点以及蔓延期的舆情危机复发时间节点。

面向地域的网络话题识别方法

【目的】挖掘网络话题的地域分布,为舆情管控和社会管理提供决策依据。【方法】通过引入网络签到功能,将用户评论的位置参数引入到LDA模型中,提出一种面向地域的网络话题识别模型(Regional Oriented Latent Dirichlet Allocation,RO-LDA)。该模型将每个文本词都打上位置标签,联合建模文本、话题、位置和词汇,生成文本-话题、话题-特征词和(话题,地域)-位置三个分布矩阵。通过话题-特征词分布识别出网络话题,再通过(话题,地域)-位置分布识别出话题的流行区域。【结果】在真实数据集上验证RO-LDA模型,F值达80.05%,高于其他对比模型。【局限】文本位置标签的概化由人工设定,标签概化范围的大小对话题的地域识别精度具有一定程度的影响。【结论】将位置参数和LDA模型融合,实现了话题地域特征识别,为话题的线下挖掘提供了新思路。

一种融合LDA与CNN的社交媒体中热点舆情识别方法

【目的/意义】热点舆情识别对社交媒体监管有重要意义,已有方法大多基于语义分析和社会网络分析技术,忽略了信息传播中隐含的动态时序信息。【方法/过程】本文利用卷积神经网络,提取热点舆情在社交网络中的多层次传播特征;然后与主题分析模型相结合,设计了热点舆情识别方法。本方法利用了舆情热度与其传播过程间的潜在关联,摆脱了对语义信息和社会网络信息的过度依赖,适用于历史数据匮乏或缺失的识别场景。【结果/结论】实验表明,本方法显著提升了热点舆情的识别精确度,具有一定适应性和可扩展性。

从2则案例探讨科技期刊时事类选题的策划与落实路径及意义

科技期刊把握时事热点策划选题是体现社会责任的需要,是进一步把握学术话语权的需要,也是提高影响力的需要。以《江苏中医药》杂志前期成功策划的2个时事类选题为例,总结科技期刊时事类选题的策划与落实路径——敏锐把握行业时事热点,结合期刊特点落实选题,把握时效迅速组(撰)稿,以多种形式扩大选题影响力。