基于社会化媒体的公共政策舆情预测研究

[目的/意义]如今,互联网平台中存在着大量有价值的政务舆论信息,可预测民众对公共政策的态度舆情倾向,给政策模拟领域提供若干参考。[方法/过程]提出将大众对政策的态度变化看作一个随机过程,利用马尔科夫模型对其进行预测仿真。研究以我国延迟退休政策为对象,采用遗传与二次规划组合算法对状态转移矩阵求解,利用动态误差补偿公式修正预测精度,寻找迭代平衡点。[结果/结论]实验表明,文中提出的方法可有效提高预测精度,同时我国公众对延迟退休政策的非异议性比例在可行性标准之下,政府需不断协调政策事前评估的各项工作,以确保其顺利推行。

基于EMD的网络舆情演化分析与建模方法

现有研究忽略网络舆情演化过程的多成分特性,导致演化分析与建模效果较差。为此,提出一种基于经验模态分解(EMD)的网络舆情演化分析与建模方法。对演化过程进行EMD分解,形成演化过程的趋势成分、周期成分、突发成分和随机成分,通过对各成分进行分析与建模,实现网络舆情的演化分析与建模。实验结果表明,该方法通过EMD分解得到的各成分物理含义明显,有助于分析网络舆情的演化规律,同时具有较好的趋势预测效果,适合进行演化建模。

融合微博热点分析和LSTM模型的网络舆情预测方法

当前互联网已成为公众获取信息、表达观点的重要平台,也带来社会舆情事件易发生的风险,通过对网络舆情走势的提前预测,能够准确判断热点事件的发展态势,为政府相关部门应对舆情危机提供参考.针对单一预测模型预测精度不高和社交媒体对舆情走势影响较大的问题,提出了融合微博热点分析和长短期记忆神经网络(LSTM)的舆情预测方法.利用网络爬虫和PyTorch机器学习平台构建了用于舆情时序数据分析的网络舆情预测系统;在此系统内,考虑微博的强时效性,采用网络热点分析技术计算微博热度分值;改进LSTM网络,设计由2个隐含层组成的MH-LSTM预测模型;将MH-LSTM模型用于舆情事件百度指数的定量预测中,通过试验验证了模型的正确性,证实了该预测模型拥有较好的预测效果.

论大数据背景下的网络舆情监测

阐述大数据给网络舆情监测带来的新机遇。分析在大数据背景下,网络舆情监测面临的信息量庞大、数据处理要求高、容易侵犯网民隐私等难题。提出探索网络舆情数据源、做好大数据分析预测、合理运用分析预测结果以及做好网民隐私保护工作等策略。

面向突发事件的网络用户画像情感分析——以天津“8·12”事故为例

[目的/意义]作为突发事件舆情演变的重要途径,微博的集群性、突发性、爆炸式传播特性给舆情管控造成了巨大的压力,在舆情发生时及时预测和把握每个用户情感倾向,有助于进行针对性的舆情引导。[方法/过程]提出一种基于微博情感分析和用户画像的突发事件情感预测模型。运用爬虫技术建立用户画像,通过贝叶斯分类器对评论文本进行情感分析,并对情感倾向的影响因素作相关性分析,最后在采用word2vec和one-hot编码处理特征的基础上,采用梯度提升树算法,以粉丝数、关注数、评论时间、性别、年龄、地址、学历等用户画像特征作为自变量,预测公众情感倾向度。最后以天津“8·12”事故为例,建立模型进行分析验证。[结果/结论]结果表明,模型预测结果基本符合实际情况。模型可以为精准到个人的分类舆情引导策略提供辅助,为舆情危机应对决策提供理论支撑。

异构数据融合驱动的股市波动预测研究

由于股票市场具有复杂性、动态性和混乱性等诸多特点,其波动易受各种信息源的影响,因此对其预测具有相当的挑战性,而机器学习方法的应用在目前取得了一定的成功。文章从深度学习方法出发,融合多种数据源,提出一种异构数据融合驱动的神经网络模型,探索股市舆情、量化指标与股价波动的内在联系,以及媒体信息对股市波动的影响机制。

基于系统聚类的反转网络舆情分类及预测研究

【目的/意义】网络舆情反转现象愈演愈烈,研究反转网络舆情的特点和分类,对于深入分析反转网络舆情的发生,有效预防网络舆情反转的危害有重要现实意义。【方法/过程】通过分析网络舆情反转现象,识别网络舆情反转的风险因素,构建反转网络舆情的分类和预测模型,利用SPSS21对反转网络舆情案例样本进行聚类分析和判别分析。【结果/结论】结果表明事件性质、报道倾向、报道形式、首发平台,以及与网民相关度是影响网络舆情反转的重要因素。将反转网络舆情分为四类,以此为基础开展预测,并为反转网络舆情的应对提出策略支持。

战争系统中民意走势预测分析模型框架研究

将目前最具活力的方法之一——基于Agent的复杂模型构建技术引入战争系统的民意问题中,提出了“政治倾向性(民意走向)进化”的观点,设计了我国某地区特定民意走势的预测分析模型,并详细分析了模型实现框架和运行流程,为民意走势预测分析进一步的研究奠定基础.

加入舆情信息是否可以有效提高汇率预测效果?

随着信息技术的发展,机构研报、财经新闻、搜索指数等多种舆情信息成为影响汇率变化的重要因素.通过自然语言处理(NLP)技术处理非结构化舆情文本数据可以反映投资者行为、情绪和预期,为汇率趋势预测提供数据基础.本文基于NLP技术和深度学习的方法,提出一种使用多种舆情信息预测人民币汇率的研究方法,并首次使用研报对汇率进行预测.本文收集了研报、新闻及搜索指数三类舆情信息,首先,使用NLP技术和基于词典的文本情感分析方法,将研报和新闻舆情文本数据转化为可计算的专业舆情指数和社会舆情指数;其次,综合了人民币汇率的百度搜索指数和谷歌趋势,构建了大众舆情指数;最后,设计了8组“汇率-舆情”预测组合,使用长短期记忆网络(LSTM)模型对人民币汇率进行预测.实证结果表明,舆情信息可以预测汇率趋势;三种舆情信息中,新闻舆情对汇率的预测效果最好,研报次之,搜索指数最后;加入多种舆情信息相比单一舆情信息,预测效果显著提升;此外,相较于自回归综合移动平均(ARIMA)、支持向量回归(SVR)和极限学习机(ELM)模型,LSTM模型对于基于舆情的汇率预测效果最好.